Io Final

UNI VERS I DAD NACI ONAL
J OS F. SNCHEZ CARRI N

FAC UL T AD DE I NGE NI E R A I NDUS T R I AL ,
SI S T E MAS E I NF OR MT I C A

E S C U E L A D E I N G E N I E R A D E S I S T E MA S

MANUAL DE I NVESTI GACI N DE
OPERACI ONESI I

Mo n o g r a f a c o mo p a r t e d e l a a s i g n a t u r a d e
I n v e s t i g a c i n Op e r a t i v a I I p r e s e n t a n l o s
a l u mn o s :

CARRANZA QUISPE, YURI
COCA CHARCA, ENZO
CUBAS HUARCA, ALVARO
HUARCA EGUIZABAL, ABEL
LOZA PALMA, JASON
OBISPO SOLS, BRENDA
SILVA CARRIN, JOS
DOCENTE
DR. SOSA PALOMINO, ALCIBADES
HUACHO PER
2014
Contenido
Dedicatoria ................................................................................................................................... 5
CAPITULO I: Distribuciones Discretas y Continuas .............................................................. 6
1.1. Definicin ..................................................................................................................... 6
1.2. Problema Aplicativo .................................................................................................. 14
1.3. Conclusiones .............................................................................................................. 18
1.4. Bibliografa ................................................................................................................ 18
CAPITULO II: Pert/CPM ........................................................................................................ 18
2.1. Introduccin ............................................................................................................... 18
2.3. Definicin ................................................................................................................... 19
2.5. Bibliografa ................................................................................................................ 27
CAPITULO III: Pert/Cost........................................................................................................ 27
3.1. Introduccin ............................................................................................................... 27
3.2. Definicin ................................................................................................................... 27
3.4. Conclusiones .............................................................................................................. 32
3.5. Bibliografa ................................................................................................................ 33
CAPITULO IV: Contratacin de Red .................................................................................... 33
4.1. Definicin ................................................................................................................... 33
CAPITULO V: Toma de Decisiones .................................................................................... 40
5.1. Introduccin ............................................................................................................... 40
5.2. Definicin ................................................................................................................... 41
CAPITULO VI: Programacin No Lineal .......................................................................... 53
6.1. Introduccin ............................................................................................................... 53
6.2. Definicin ................................................................................................................... 54
6.3. Caractersticas ........................................................................................................... 55
6.4. Conceptos Bsicos ..................................................................................................... 55
6.5. Pasos para Resolver un Problema de Programacin Lineal ................................. 56
6.6. Resolucin en un Problema de programacin Lineal ............................................ 56
6.8. Conclusiones .............................................................................................................. 64
6.9. Bibliografa ................................................................................................................ 64
CAPITULO VII: Toma de Decisiones Mltiples.................................................................... 65
7.1. Definicin ................................................................................................................... 65
7.2. Programacin por Metas .......................................................................................... 65
7.3. Proceso Analtico Jerrquico ................................................................................... 66
7.5. Conclusiones .............................................................................................................. 70
7.6. Bibliografa ................................................................................................................ 71
CAPITULO VIII: Programacin Dinmica ........................................................................... 72
8.1. Introduccin ............................................................................................................... 72
8.2. Objetivos .................................................................................................................... 72
8.3. Definicin ................................................................................................................... 72
8.4. Estructura General del Modelo ............................................................................... 73
8.5. Procedimiento General ............................................................................................. 73
8.7. Conclusiones .............................................................................................................. 76
8.8. Bibliografa ................................................................................................................ 76
CAPITULO IX: Cadena de Mrkov ....................................................................................... 76
9.1. Introduccin ............................................................................................................... 76
9.2. Definicin ................................................................................................................... 77
9.3. Tipos de Cadena de Mrkov .................................................................................... 78
9.4. Problema Aplicativo. ................................................................................................. 80
9.5. Conclusiones .............................................................................................................. 83
9.6. Bibliografa ................................................................................................................ 84
CAPITULO X: Teora de Juegos ............................................................................................. 84
10.1. Introduccin ........................................................................................................... 84
10.2. Definicin ............................................................................................................... 85
10.3. Caractersticas: ...................................................................................................... 86
10.4. Elementos de Todo Juego ..................................................................................... 87
10.5. Casos en los que se pueden presentar este tipo de problemas, Lo podemos
revolver aplicando los siguientes procedimientos: ............................................................. 88
10.6. Problema Aplicativo .............................................................................................. 92
10.7. Conclusiones .......................................................................................................... 96
10.8. Bibliografa ............................................................................................................ 97
CAPITULO XI: Lnea de Espera ............................................................................................ 98
11.1. Introduccin ........................................................................................................... 98
11.2. Objetivos ................................................................................................................ 98
11.3. Definicin ............................................................................................................... 99
11.4. Componentes del Modelo ...................................................................................... 99
11.5. Tipos de Colas: .................................................................................................... 101
11.6. Caractersticas Importantes del Modelo ........................................................... 102
11.7. Modelos ................................................................................................................ 103
11.8. Problema Aplicativo ............................................................................................ 109
11.9. Conclusiones ........................................................................................................ 114
11.10. Bibliografa .......................................................................................................... 115
CAPITULO XII: Teora de Iinventario ................................................................................ 115
12.1. Definicin ............................................................................................................. 115
12.2. Bibliografa .......................................................................................................... 121

Dedicatoria
El presente trabajo est dedicado a
nuestros padres por su apoyo
incondicional, a nuestro querido
Docente por las enseanzas
impartidas y a todas las personas
que de una manera u otra
contribuyen a nuestra formacin
tanto acadmica como personal.

CAPITULO I: Distribuciones Discretas y Continuas
1.1. Definicin
Modelos Probabilsticos en la Toma de Decisiones
El anlisis de decisin proporciona un soporte cuantitativo a los tomadores
de decisiones en todas las reas tales como ingenieros, analistas en las
oficinas de planificacin, agencias pblicas, consultores en proyectos de
gerencia, planificadores de procesos de produccin, analistas financieros y
de economa, expertos en diagnstico de soportes mdicos y tecnolgicos en
infinidad de otras reas.
El modelo para la toma de decisiones envuelve a dos partes diferentes, una
es el tomador de decisiones y la otra es el constructor del modelo, conocido
como el analista. El analista debe de asistir al tomador de decisiones en el
proceso de decidir. Por lo tanto, el analista debe de estar equipado con ms
que un conjunto de mtodos analticos.
Modelo
Es una simplificacin de la realidad puede presentarse de acuerdo a los
objetivos del estudio del sistema; en este caso es modelo simblico y
descriptivo.
Modelo Probabilstico
Es una representacin matemtica deducida de un conjunto de supuestos
con el doble propsito de estudiar los resultados de un experimento
aleatorio y predecir su comportamiento futuro, cuando se realiza bajo las
mismas condiciones dadas inicialmente, el modelo permite conocer la
distribucin de probabilidades de los valores que toma la variable aleatoria
de ah que tambin se mencione con el nombre de distribucin de
probabilidad.
VARIABLES ALEATORIOS
Definicin: Es una variable que toma valores numricos determinados por
el resultado de un experimento aleatorio.
Ejemplos:
- Nmero de caras al lanzar 6 veces una moneda (valores: 0, 1, 2,3)
- Nmero de llamadas que recibe un telfono en una hora
- Tiempo que espera los clientes para pagar en un supermercado
Tipos De Variables Aleatorias:
- Variable Discreta:
Sea X una variable aleatoria discreta. Su distribucin viene dada por los
valores que puede tomar, X1,X2 , X3,..,XK , y las probabilidades de
que aparezca P1, P2, P3, ..,PK estas cantidades pi=P{X=Xi} reciben
el nombre de funcin probabilidad.
Funcin de Probabilidad
Se denomina funcin de probabilidad de una variable aleatoria
discreta de X, a una funcin de F(x) que asigna a todo nmero
real X, la probabilidad de que X asuma ese valor, esto es:
F(x)= P [X=x]
- Variable aleatoria contina
Una variable aleatoria es continua si su recorrido no es
un conjunto numerable. Intuitivamente esto significa que el
conjunto de posibles valores de la variable abarca todo un
intervalo de nmeros reales. Cantidades que toman infinitos
valores, dentro de un rango permitido, generndose una
distribucin de probabilidades continuas.
Funcin Densidad
Representada comnmente como f(x), se utiliza con el propsito
de conocer cmo se distribuyen las probabilidades de un suceso
o evento, en relacin al resultado del suceso.
La Funcin Densidad es la derivada (ordinaria o en el sentido de
las distribuciones) de la funcin de distribucin de
probabilidad F(x), o de manera inversa.
La funcin de densidad de una variable aleatoria determina la
concentracin de probabilidad alrededor de los valores de una
variable aleatoria continua.
Se dice que la funcin f(x) es funcin de densidad de
probabilidad de la variable aleatoria continua X si satisface las
siguientes condiciones:

Funcin de distribucin acumulada de una variable aleatoria contina.
La funcin de distribucin acumulada: F(x), de una variable aleatoria
continua X con una funcin de densidad f(x), se define por:

Valor esperado de una variable o esperanza matemtica.
La distribucin de probabilidades de una variable aleatoria se caracteriza
bsicamente a travs de medidas de tendencia central y de dispersin.
Estas medidas se denominan parmetros y se describen mediante la
esperanza matemtica (media de una variable aleatoria)
- Esperanza
La esperanza matemtica (o simplemente esperanza) o valor
esperado de una variable aleatoria es la suma del producto de la
probabilidad de cada suceso por el valor de dicho suceso.
Si todos los sucesos son de igual probabilidad la esperanza es
la media aritmtica.
Para una variable aleatoria discreta con valores
posibles y sus probabilidades representadas por
la funcin de probabilidad la esperanza se calcula como:

Media de una variable aleatoria contina
La media de una variable aleatoria contina X con funcin de probabilidad
f(x) es la expresin:

Varianza de una variable aleatoria
Mide el grado de dispersin de la distribucin de probabilidades La
varianza de una variable aleatoria X se denota por cualquiera de las
formas: 2, Var(X).

La varianza de X si es discreta es dada por la expresin:

La varianza de una variable aleatoria. X si es continua es dada por la
expresin:

La desviacin estndar de la variable aleatoria X es la raz cuadrada
positiva de su varianza

Variable
Una variable es un smbolo que representa un elemento o cosa no
especificada de un conjunto dado. Dicho conjunto es llamado conjunto
universal de la variable, universo o variar de la variable, y cada elemento
del conjunto es un valor de la variable.
VARIABLE ALEATORIA DISCRETA
Distribucin de Poisson:
El uso de la distribucin Poisson es para obtener la probabilidad de
ocurrencia de sucesos raros (eventos que ocurren con poca frecuencia)
cuyo resultado lo presenta una variable discreta.
Definicin:
Se dice que la variable aleatoria discreta de X, cuyos valores posibles son:
0,1,2,.,etc., tienen distribucin de Poisson con parmetro y se escribe
X~P(),si
La funcin de probabilidad es:
P(X=x):
()
!
, > 0, = 0,1,2,3..
Dnde:
P(X=x): es la probabilidad de ocurrencia cuando la variable discreta X
toma un valor finito x.
: promedio de ocurrencias en un intervalo(tiempo,volumen,rea,etc).
e : tiene el valor aproximado de 2.71828183
x : es el nmero de ocurrencias
Utilidad
- La distribucin poisson se utiliza en situaciones donde los sucesos son
impredecibles o de ocurrencia aleatoria. En otras palabras no se sabe el
total de posibles resultados.
- Permite determinar la probabilidad de ocurrencia de un suceso con
resultado discreto.
- Es muy til cuando la muestra o segmento n es grande y la probabilidad
de xitos p es pequea.
- La distribucin de Poisson tiene un parmetro que representa la media.
- El smbolo para denotar la distribucin de poisson es la letra griega
Lamda ().
- La media es igual que la varianza.
DISTRIBUCIN NORMAL O CAMPANA DE GAUSS
La distribucin normal fue reconocida por primera vez por el francs
Abraham de Moivre (1667-1754). Posteriormente, Carl Friedrich Gauss
(1777-1855) realiz estudios ms a fondo donde formula la ecuacin de la
curva conocida comnmente, como la Campana de Gauss".
Concepto:
La mayora de las variables aleatorias que se presentan en los estudios
relacionados con las ciencias sociales, fsicas y biolgicas, por ejemplo, el
peso de nios recin nacidos, talla de jvenes de 18 aos en una
determinada regin, son continuas y se distribuyen segn una funcin de
densidad, que tiene la siguiente expresin analtica:

Donde es la media de la variable aleatoria y es su desviacin tpica.
Este tipo de variables se dice que se distribuye normalmente. El rea bajo
la funcin de densidad es 1.
La funcin de densidad, en el caso de la distribucin Normal, tiene forma
de campana:

Para una variable aleatoria X, que se distribuye normalmente con media:
y desviacin tpica: , la probabilidad de que la variable X est
comprendida entre los valores a y b es el rea oscura en la siguiente figura:

2
2
1
2
1
) (
e
x
x f
|
.
|
\
|
=
o
t o

Analticamente se puede calcular as:

DISTRIBUCIN NORMAL ESTANDAR
Un conjunto de datos con distribucin normal siempre se puede convertir
en su forma estandarizada y despus determinar cualquier probabilidad
deseada, a partir de la tabla de distribucin normal.
Dnde:
- Z se la denomina variable tipificada de X, y a la curva de su funcin
de densidad se le conoce como la curva normal estndar.
- Es una distribucin normal con promedio 0 y una desviacin estndar
de 1.
- Todas las variables normalmente distribuidas se pueden transformar a
la distribucin normal estndar utilizando la frmula para calcular el
valor Z correspondiente.
- Funcin F (Z):
En la siguiente grfica vemos la representacin grfica de la funcin de
Z.
( )
}
= < <
b
a
x
e b X a p
2
2
2
2
1
) (
o
t o

CARACTERISTICAS DE LA DISTRIBUCION NORMAL
ESTNDAR
- No depende de ningn parmetro.
- Su media es 0, su varianza es 1 y su desviacin estndar es 1.
- La curva f(x) es simtrica respecto del eje de Y
- Tiene un mximo en el eje de Y.
- Tiene dos puntos de inflexin en z=1 y z=-1
1.2. Problema Aplicativo
1.2.1. Caso Aplicativo 1: Variables Continuas
La poblacin de los alumnos matriculados en la escuela de ingeniera de
sistemas el ciclo pasado son un total de 347 de los cuales extraemos una
muestra con la siguiente formula:

Dnde
: z correspondiente al nivel de confianza elegido
P: proporcin de una categora de la variable
e: error mximo
N: tamao de la poblacin
Remplazamos la formula con los valores de nuestro caso
75022702 . 56
) 645 . 1 ( * ) 5 . 0 ( * ) 5 . 0 ( ) 1 . 0 ( 346
) 347 ( * ) 5 . 0 ( * ) 5 . 0 ( * ) 645 . 1 (
2 2
2
=
+
= n

Entonces tomamos como muestras los promedios ponderados de 57
alumnos de ingeniera de sistemas en el curso de administracin. Los
cuales son los siguientes:
13 15 13 15 15 14
14 15 13 17 13 13
15 14 15 14 15
13 14 15 15 16
14 14 13 15 15
17 14 15 16 15
13 16 13 13 14
15 15 14 14 14
14 15 15 14 15
13 15 13 15 15
15 14 14 12 14

Hallamos la media muestral y desviacin estndar:
X =
X
n
i
i 1
n
=
S = S
2

Dnde:
( )
|
|
.
|
\
|
|
|
|
|
.
|
\
|
=
=
=
1 n
x n
1 - n
S
1 - n
x x
= S
2
n
1 i
2
2
n
1 i
2
i
2
i
x

Remplazando a nuestro caso:
9 14.3508771
57
818
= = x 043538419 . 1 = S
Se desea determinar la probabilidad de que un alumno tenga el
ponderado mayor de 14?

Aplicando la frmula:
=
x
=
1414.35087719
1.043538419
= 0.3362379224
Ahora buscamos el valor de tabla e interpolamos para hallar el valor
exacto:
0.33-----------------------0.6293
0.3362379224------------X
0.340.3362379224
0.340.33
=
0.6331
0.63310.6293

0.34 -----------------------0.6331
X=0.6316704105.
P=1-Z
Respuesta: La probabilidad de que un alumno tenga un ponderado
mayor de 14 es de 0.3683295895 (37%).
1.2.2. Caso Aplicativo 2:Variables Discretas
De un estudio del ciclo pasado se determin que los costos de los platos
en el econmico son los siguientes:
Tallarn de pollo S/ 2.08857
Seco de Carne S/ 2.825
14.35
087719
14
08
77
19
Cau Cau S/ 2.08857
Escabeche S/ 1.97258
Pollo al Horno S/ 2.48
Arroz con pollo S/ 2.90
Cebiche de pollo S/ 2.81
Asado de pollo S/ 2.1375
Hallamos la media maestral y desviacin estndar:
X =
X
n
i
i 1
n
=
S = S
2

Dnde:
( )
|
|
.
|
\
|
|
|
|
|
.
|
\
|
=
=
=
1 n
x n
1 - n
S
1 - n
x x
= S
2
n
1 i
2
2
n
1 i
2
i
2
i
x

Remplazando a nuestro caso:
2.4127775
8
30222 . 19
= = x 0.38718587 = S
Hallar la proporcin de los platos que su costo son menos a S/2.5

2.4127 2.5
Aplicando la frmula:
=
x
=
2.52.4127775
0.38718587
=0.2252729419
Redondeamos el valor en 0.22 y lo buscamos en tabla:
El valor Z de tabla es igual a =0.5871
El porcentaje de platos que su costo es menor a S/ 2.5 es 58%
1.3. Conclusiones
Los modelos probabilsticos permiten representar de manera sencilla los
problemas de la realidad los cual nos permite dar respuestas acertadas y por lo
tanto nos permite reducir tiempo y dinero para el beneficio de la
organizaciones.
1.4. Bibliografa
- http://uat.gustavoleon.com.mx/102b%20Modelos%20-%20Poisson.pdf
- http://materias.fi.uba.ar/7628/AnexoEstadistica.pdf
- http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private/0
5Distr%20Poisson.htm
- http://www.ditutor.com/distribucion_binomial/distribuciones_discretas.ht
ml
- http://www.dm.uba.ar/materias/probabilidades_estadistica_C/2011/1/PyE
C03.pdf

CAPITULO II: Pert/CPM
2.1. Introduccin
Hay una multitud de situaciones, en investigacin de operaciones, que se
pueden modelar y resolver como redes (nodos conectados por ramas).
Algunas encuestas recientes informan que hasta el 70% de los problemas de
programacin matemtica en el mundo real se pueden representar como
modelos relacionados con redes.
La lista siguiente ilustra algunas aplicaciones posibles de las redes.
1) Diseo de una red de gasoductos marinos para conectar bocas de pozos en el
Golfo de Mxico con un punto de entrega en tierra. El objetivo del modelo es
minimizar el costo de construccin del gasoducto.
2) Determinacin de la ruta ms corta entre dos ciudades, en una red de
carreteras.
3) Determinacin de la capacidad mxima (en toneladas anuales) de una red de
tubera para lodo de carbn que une las minas en Wyoming con las centrales
elctricas en Houston. (Las tuberas de lodo de carbn transportan el carbn
suspendido en agua a travs de tubos de diseo especial.)
4) Determinacin del programa de flujo con costo mnimo desde los campos
petroleros hasta las refineras a travs de una red de oleoductos.
2.2. Determinacin del cronograma (fechas de inicio y terminacin) de las
actividades en la construccin de un proyecto.
2.3. Definicin
Los mtodos CPM (mtodo de la ruta crtica o del camino crtico, CRITICAL
PATH METHOD) y PERT (tcnica de evaluacin y revisin de programa,
PROGRAM EVALUATION AND REVIEW TECHNIQUE) se basan en redes, y
tienen por objeto auxiliar en la planeacin, programacin y control de
proyectos. Se define un proyecto como conjunto de actividades
interrelacionadas, en la que cada actividad consume tiempo y recursos. El
objetivo del CPM y del PERT es contar con un mtodo analtico para
programar las actividades.
En la siguiente imagen se resumen los pasos de estas tcnicas. Primero se
definen las actividades del proyecto, sus relaciones de precedencia y sus
necesidades de tiempo. A continuacin, el proyecto se traduce en una red que
muestre las relaciones de precedencia entre las actividades. El tercer paso
implica clculos especficos de redes, que forman la base del desarrollo del
programa del proyecto en funcin del tiempo.
Durante la ejecucin del proyecto, podra no cumplirse el programa que estaba
planeado, causando que algunas de las actividades se adelanten o se atrasen. En
este caso ser necesario actualizar el programa para que refleje la realidad. sta
es la razn de incluir un bucle, lazo o ciclo de retroalimentacin entre la fase de
programa y la fase de red, como se ve en la imagen.
Las dos tcnicas, CPM y PERT, que se desarrollaron en forma independiente,
difieren en que en el CPM se supone duraciones determinsticas de actividad,
mientras que en PERT se suponen duraciones probabilsticas. Esta
presentacin comenzar con el CPM y despus se presentarn los detalles del
PERT.
Ambos mtodos fueron empleados en 1950 en relacin con el desarrollo de
misiles Polaris. Gracias a estos mtodos, el proyecto se concluy dos aos
antes de lo que en principio se haba estimado.
Representacin en Red
Para aplicar CPM o PERT se requiere conocer la lista de actividades que
incluye un proyecto. Se considera que el proyecto est terminado cuando todas
las actividades han sido completadas. Para cada actividad, puede existir un
conjunto de actividades predecesoras que deben ser completadas antes de que
comience la nueva actividad. Se construye una malla o red del proyecto para
graficar las relaciones de precedencia entre las actividades. En dicha
representacin grfica cada actividad es representada como un arco y cada
nodo ilustra la culminacin de una o ms actividades.
Cada actividad del proyecto se representa con un arco que apunta en la
direccin de avance del proyecto. Los nodos de la red establecen las relaciones
de precedencia entre las diferentes actividades del proyecto.
Para configurar la red se dispone de dos reglas:
- Regla 1. Cada actividad se representa con un arco, y uno slo.
- Regla 2. Cada actividad se debe identificar con dos nodos distintos.
La siguiente imagen muestra cmo se puede usar una actividad ficticia para
representar dos actividades concurrentes, A y B. Por definicin, la actividad
ficticia, que normalmente se representa con un arco de lnea interrumpida, no
consume tiempo o recursos. La insercin de una actividad ficticia en una de las
cuatro formas que se ven en la figura, mantiene la concurrencia de A y B, y
tambin proporciona nodos finales nicos para las dos actividades (para
satisfacer la regla 2).
- Regla 3. Para mantener las relaciones de precedencia correctas, se deben
contestar las siguientes preguntas cuando se agrega a la red cada actividad:
a) Qu actividades deben anteceder inmediatamente a la actividad actual?
b) Qu actividades deben seguir inmediatamente a la actividad actual?
c) Qu actividades deben efectuarse en forma concurrente o simultnea con
la actividad actual?
Para contestar estas preguntas se podr necesitar el uso de actividades ficticias,
para asegurar las precedencias correctas entre las actividades. Por ejemplo,
considere al siguiente segmento de un proyecto:
1. La actividad C comienza de inmediato despus de haber terminado A y B.
2. La actividad E se inicia despus de que slo termin la actividad B.
La parte (a) de la figura 6.52 muestra la representacin incorrecta de esta
relacin de precedencia, porque pide que A y B terminen antes de poder iniciar
E. En la parte B se corrige la situacin con el uso de la actividad ficticia.

- CPM
CPM fue desarrollado independientemente de PERT, pero est
estrechamente relacionado con ste, se refiere bsicamente a los
intercambios entre el costo de un proyecto y su fecha de terminacin.
Existen dos conceptos claves para la aplicacin del mtodo CPM:
Definicin 1 El tiempo ms temprano para un nodo i es el instante ms
inmediato en el cual puede ocurrir el evento correspondiente al nodo i.
Definicin 2 El tiempo ms tarde para un nodo i es el ltimo instante en
el cual puede ocurrir el evento correspondiente al nodo i sin retrasar la
duracin total del proyecto.
Para dar soluciones a los problemas CPM se utilizan:
- Resolucin Grafica.
- Resolucin Mediante MPL (Mtodo de Programacin Lineal).
- PERT
Desarrollado por la Special Projects Office de la Armada de EE.UU. A
finales de los 50s para el programa de I+D que condujo a la construccin
de los misiles balsticos Polaris. Est orientada a los sucesos o eventos, y
se ha utilizado tpicamente en proyectos de I+D en los que el tiempo de
duracin de las actividades es una incertidumbre. Dado que las
estimaciones de duracin comportan incertidumbre se estudian las
distribuciones de probabilidad de las duraciones. Con un diagrama PERT
se obtiene un conocimiento preciso de la secuencia necesaria, o
planificada para la ejecucin de cada actividad y utilizacin de diagramas
de red.
Se trata de un mtodo muy orientado al plazo de ejecucin, con poca
consideracin hacia al coste. Se suponen tres duraciones para cada
suceso, la optimista a, la pesimista b y la normal m; suponiendo una
distribucin beta, la duracin ms probable:
=
+ 4 +
6

Cuya variabilidad est dada por:
2
=
( )
2
36

Cuya desviacin estndar es:
=
2

Dos de los alumnos de ingeniera de sistemas, tienen un contrato con la
municipalidad de Chancay el cual consiste en realizar una aplicacin web, la
cual estar integrada dentro de una aplicacin ya antes desarrollada e
implementada.
Los pasos a seguir del desarrollo de esta aplicacin son los siguientes:
Act Nombre de la Actividad Pre a m b Das Das
A Entrevista con el usuario 1 2 3 2 2
B Anlisis de Requerimientos A 2 3 5 3.167 3
C Modelar y Crear la Base de Datos A 2 3 5 3.167 3
D Desarrollar los prototipos o pantallas B 1 2 3 2 2
E Llevar los prototipos donde el usuario para la
validacin
D 1 1.5 2 1.5 2
F Ultimar cambios en los requerimientos E 1 1.5 2 1.5 2
G Ultimar cambios en la Base de Datos C,E 2 3 5 3.167 3
H Configurar y generar la capa de persistencia F,G 1 2 3 2 2
I Desarrollar el mdulo de Registro H 3 4 5 4 4
J Desarrollar el mdulo de Seguridad H 3 4 5 4 4
K Desarrollar el mdulo de Consultas H 3 4 5 4 4
L Desarrollar el mdulo de Prestamos H 5 6 7 6 6
M Desarrollar el mdulo de Mantenimientos H 5 6 8 6.167 6
N Realizar la integracin de Mdulos I,J,K,L,M 1 1.5 2 1.5 2
Realizar las validaciones N 2 3 4 3 3
O Generar casos de prueba 1 2 3 2 2
P Probar el producto O 0.5 1 1.5 1 1
Q Implementar el Sistema P 1 1.5 2 1.5 2

Realizar el mtodo Pert, y determinar:
1. En cunto tiempo como mnimo se podr terminar la aplicacin?
2. Cul son las actividades crticas?
3. Cules con las actividades que poseen holgura?
4. Saber si se podr o no terminar a tiempo la aplicacin sabiendo que se dispone
de 2 meses y que solo cuentan con 16 das hbiles al mes?
Desarrollo:
Gracias al diagrama Pert podemos concluir que:
1. El tiempo mnimo en el que se puede desarrollar la aplicacin es de 30 das.
2. Para responder la pregunta 2 y 3 tenemos el siguiente grfico:
Act Nombre de la Actividad Holgura RC
A Entrevista con el usuario 0 SI
B Anlisis de Requerimientos 0 SI
C Modelar y Crear la Base de Datos 4 NO
D Desarrollar los prototipos o pantallas 0 SI
E Llevar los prototipos al usuario 0 SI
F Ultimar cambios en los requerimientos 1 NO
G Ultimar cambios en la Base de Datos 0 SI
H Configurar y generar la capa de persistencia 0 SI
I Desarrollar el mdulo de Registro 2 NO
J Desarrollar el mdulo de Seguridad 2 NO
K Desarrollar el mdulo de Consultas 2 NO
L Desarrollar el mdulo de Prestamos 0 SI
M Desarrollar el mdulo de Mantenimientos 0 SI
N Realizar la integracin de Mdulos 0 SI
Realizar las validaciones 0 SI
O Generar casos de prueba 0 SI
P Probar el producto 0 SI
Q Implementar el Sistema 0 SI

3. Si se podr terminar la aplicacin ya que se cuenta con 32 y sabemos que la
aplicacin se podr terminar en 30.

2.5. Bibliografa
- Investigacin de Operaciones SEPTIMA EDICIN HAMDY A. TAHA
- Introduccin a la investigacin de operaciones Frederick S. HIllier Editorial
Mc Graw Hill.
- http://www.monografias.com/trabajos2/caminocritico/caminocritico.shtml
- http://malenysantander.blogspot.com/2009/02/pasos-para-disenar-un-
sistema.html
- http://uva.anahuac.mx/content/catalogo/diplanes/modulos/mod2/l1t3m2.htm
CAPITULO III: Pert/Cost
3.1. Introduccin
PERT/COST es un mtodo de PERT que adems de involucrar tiempo tambin
contempla el costo de una actividad buscando acelerar un proyecto a un coste
mnimo. Puede ser utilizado, adicionalmente, para controlar los costos de un
proyecto, puesto que su objetivo es ofrecer informacin que sirva para
mantener los costos del proyecto dentro de un presupuesto especificado y para
un mejor ejercicio de recursos adicionales. El mtodo Pert-Cost se podra decir
que es una ampliacin del mtodo PERT/CPM porque hace uso de las
actividades programadas para poder armar el programa de Costos del proyecto,
aadido a esto el costo inicialmente presupuestado (Cij).
En resumen est mtodo nos ayuda a planificar, programar y controlar los
costos de un proyecto o de sus actividades.
3.2. Definicin
PRINCIPALES CONSIDERACIONES.
- Para llevar a cabo el proyecto se estima un costo inicial presupuestado (
).
- Durante la realizacin del proyecto algunas actividades no son completadas
en su totalidad como otras si, por eso se hace uso de un control en ese
determinado avance del proyecto.
- Se hace el control para poder ver si el costo que se haba planteado al
comienzo del proyecto est por encima o por debajo del costo real (CR).
- Tambin las actividades tienen un porcentaje de avance.
- Se hace una grfica de la Regin factible del presupuesto.
- En los tiempos que uno estima conveniente y realizar el reporte
correspondiente del mismo se requiere de la siguiente informacin:
- Costo Real a la fecha por actividad (CR).
- Porcentaje de avance (Pi) a la fecha por actividad, que nos permitir calcular
el valor del trabajo efectuado Vi que se obtiene as:
= (

Donde:
= .
= .
= .
- Obtener los alzamientos y abatimientos (
) de los costos por actividad que

se calcula as:

- La diferencia de
muestra el alzamiento o abatimiento del proyecto a la

fecha solicitada; esta informacin permitir tomar decisiones.

GRAFICOS DE COSTO VS TIEMPO (CERCANO, LEJANO)
Estos grficos nos ayudan a visualizar como se van realizando los costos en
determinados periodos del proyecto, teniendo en cuenta un mximo y un
mnimo en el costo del proyecto.
a) Este primer grafico nos muestra la evolucin de la curva de costo en
cualquier periodo de avance con respecto al tiempo inicial cercano.

b) El segundo grafico nos ayudara a visualizar la evolucin de la curva de
costo en el cualquier periodo de avance con el respecto al tiempo inicial
lejano.

c) En el tercer cuadro visualizamos ambas curvas en un solo grfico y veremos
formarse el rea de regin factible, el cual, nos indica cuantos das como
mximo y mnimo podemos retrasar el proyecto.

En la Calle Unin, ubicada en la Urb. Las Brisas Huacho, se est llevando a
cabo la edificacin de un predio perteneciente al seor VICENTE MENDEZ
CORZO identificado con DNI N32784952 por parte de la empresa PEZO
EMPRESA CONSTRUCTURA S.A.C. registrada con RUC: 2021289213. Para
dicha edificacin la constructora proporciono al seor la siguiente informacin:
PROGRAMA DE ACTIVIDADES

ACTI VI DADES PREC DAS COSTO
Cij
COSTO
REAL
CR
% DE
AVANCE
Pi
A Preparacin del terreno - 2 400 500 100
B Adquisicin de herramientas necesarias A 1 600 580 100
C Trazado y elaboracin del plano A 1 150 200 100
D Cimiento y sobre cimiento de base B,C 8 4500 4600 100
E Paredes externas D 12 4000 3800 100
F Paredes internas D 6 3000 3100 100
G Colocacin de vigas principales E,F 5 2000 1900 100
H Llenado de techo G 5 12000 12200 80
I Instalacin de accesorios de
sanitarios y potables
E,F 2 2500
J Hacer el falso piso I 3 2000
K Tarrajeo de superficies H,J 10 3000
L Culminacin del piso K 2 2000
M Instalacin elctrica K 3 1500
N Enchapados K 2 2000
Colocacin de puertas y ventanas L,N 2 2500
O Pintado de paredes M, 4 2000
44150
Con la informacin procesada se llev a cabo una evaluacin de los costos a los 39 das
de la construccin del edificio, para lo cual utilizamos la tabla de los tiempos ms
cercanos y sus acumulados, despus de haber hecho los clculos respectivos
informamos que:
Del cual se puede decir que:
A los 39 das de iniciada la construccin se hall que existe un levantamiento de
costos de S/.2630 nuevos soles.
Esto nos dice que hubo una sobrevaluacin en los costos de la construccin del
edificio, segn con lo establecido en el programa de actividades de costo.
3.4. Conclusiones
ACTIVIDADES PREC DAS COSTO
Cij
COSTO
REAL
CR
% DE
AVANCE
Pi
Vi Di
A Preparacin del terreno - 2 400 500 100 400 100
B Adquisicin de herramientas
necesarias
A 1 600 580 100 600 -20
C Trazado y elaboracin del
plano
A 1 150 200 100 150 50
D Cimiento y sobre cimiento de
base
B,C 8 4500 4600 100 4500 100
E Paredes externas D 12 4000 3800 100 4000 -200
F Paredes internas D 6 3000 3100 100 3000 100
G Colocacin de vigas
principales
E,F 5 2000 1900 100 2000 -100
H Llenado de techo G 5 12000 12200 80 9600 2600
I Instalacin de accesorios de
sanitarios y potables
E,F 2 2500
J Hacer el falso piso I 3 2000
K Tarrajeo de superficies H,J 10 3000
L Culminacin del piso K 2 2000
M Instalacin elctrica K 3 1500
N Enchapados K 2 2000
Colocacin de puertas y
ventanas
L,N 2 2500
O Pintado de paredes M, 4 2000
44150 S/. 2630
Como hemos podido observar este mtodo nos ayuda a planificar, programar y
controlar los costos de un proyecto o de sus actividades.
En el caso prctico pudimos ver el control efectivo que se puede realizar
utilizando este mtodo. Estas bondades del mtodo lo vuelve una herramienta
casi indispensable para la gestin de proyectos, ayudndonos directamente en
la toma de decisiones
3.5. Bibliografa
- Investigacin de Operaciones SEPTIMA EDICIN HAMDY A. TAHA
- Introduccin a la investigacin de operaciones Frederick S. HIllier
Editorial Mc Graw HIll
- http://www.monografias.com/trabajos2/caminocritico/caminocritico.shtml
- http://malenysantander.blogspot.com/2009/02/pasos-para-disenar-un-
sistema.html
- http://uva.anahuac.mx/content/catalogo/diplanes/modulos/mod2/l1t3m2.htm
- http://www.loslibrosquenecesitogratis.com/2011/06/investigacion-de-
operaciones-en-la.html
- http://es.scribd.com/doc/126966619/Investigacion-de-Operaciones-en-la-
Ciencia-Administrativa-5ta-Edicion
CAPITULO IV: Contratacin de Red
4.1. Definicin
Una vez hallada la ruta crtica, el Tij y el programa de actividades de un
proyecto, interesa muchas veces realizar el proyecto en menos tiempo; es
decir reducir el Tij, esto se consigue aumentando recursos (maquinaria,
personal, etc.) para llevar a cabo en menos tiempo las actividades.
Este proceso es llamado tambin contraccin de la red o colisin del
proyecto.
La red se puede contraer de las siguientes formas:
1) Analizando las actividades de la ruta crtica, empezando por aquellas
actividades cuyo costo de reduccin es menor.
El costo de reduccin
para cada actividad por unidad de tiempo se

obtiene mediante:
= (
)/

donde:
: Costo estimado para la actividad j con reduccin mxima.
: Costo estimado para la actividad j con tiempo normal esperado.

donde:
: Tiempo normal para la actividad j.
: Tiempo para la actividad j con reduccin mxima.

2) Para redes mayores se recurre al MPL para reducir Tij.
- Las variables de decisin son:
: Tiempo de ocurrencia del evento .
: Tiempo de reduccin para la actividad j.

- La funcin objetivo:
MIN =

- Restricciones:
a. Descripcin de la red

+
1
; Restriccin para cada nodo en funcin
del arco que llega.

b. Tiempo de reduccin por actividad.

c. Contraccin de la red.

d. Condicin de no negatividad.

0

El problema fundamental est referido a la inadecuada infraestructura de
transporte terrestre en la ciudad de Barranca, lo que no permite brindar un
adecuado servicio a los usuarios. Las causas directas que se han identificado
son las siguientes:
Inexistencia de una zonificacin especfica.
Instalacin de terminales terrestres en terrenos deficitarios
Para ello se planifico la construccin de reas que sirvan para el
funcionamiento del terminal:
Teniendo en cuenta los volmenes de demanda estimados y los estndares
bsicos del servicio, se han calculado las reas de construccin y la dimensin
del terreno correspondiente. A continuacin se presenta un resumen de las
reas en m
2
totales por zonas.
rea m
2

Administracin 263
rea de servicios 3855
Servicios Generales 828
reas Externas 15054
Siendo el costo total de las obras de edificacin 1065854 dlares, adems el
proyecto consta de las siguientes actividades incluidas las construcciones:
ITEM ACTIVIDAD DESCRIPCION TIEMPO COSTO PREDECESOR T' C'
1 A Compra del terreno 30 500000 - 30 500000
2 B
Obtencin de las
maquinarias 15 64146 - 12 66150
3 C
Excavaciones del
terreno 30 120000 A,B 25 124000
4 D
Construccin del rea
de administracin 20 14016 C 18 16016
5 E
Construccin del rea
de servicios 65 205443 C 60 208443
6 F
Construccin de
servicios generales 30 44126 C 30 44126
7 G
Construccin de
exteriores 120 802268 D,E,F 110 812000
8 H Pintado de edificios 10 50000 G 8 51000

Graficamos la red de actividades y hallamos la ruta crtica.

Ruta crtica: A-C-E-G-H
Elaboramos una nueva tabla para determinar el costo por cada actividad
reducida:
ITEM ACTIVIDAD TIEMPO COSTO T' C' Mj Kj
1 A 30 500000 30 500000 0 M
2 B 15 64146 12 66150 3 668
3 C 25 120000 23 124000 2 2000
4 D 20 14016 18 16016 2 1000
5 E 65 205443 60 208443 5 600
6 F 30 44126 30 44126 0 M
7 G 120 802268 110 812000 10 973.2
8 H 10 50000 8 51000 2 500

Modelo de programacin lineal:
Funcin Objetivo:
Min w =

Min W = M
+ 42429
+ 50000
+ 6008
+ 160355
+ M
+ 717268
+ 24500

Restricciones:

1
= 0
1
= 0

2
30
+
1

1
+
2
+
30

2
15 -
+
1

1
+
2
+
15

3
30-
+
2

2
+
3
+
30

4
20 -
+
3

3
+
4
+
20

4
65 -
+
3

3
+
4
+
65

4
30 -
+
3

3
+
4
+
30

5
120 -
+
4

4
+
5
+
120

6
10 -
+
5

5
+
6
+
10
Contraccin de la red
252
Condicin de no negatividad
0
Contraccin de la red:
Para la red contrada a 254 das.

Costo adicional: $500


Costo adicional: $1000

Costo adicional: $1600.
Resultado:
Si se desea reducir el proyecto en 3 das se generara un costo adicional de $
1600, y un tiempo de 252 das, siendo el costo total del proyecto el siguiente:
Costo normal del proyecto: $ 1800000.
Costo adicional por reducir actividad: $1600
Costo total del proyecto: $ 1801600
CAPITULO V: Toma de Decisiones
5.1. Introduccin
Todos y cada uno de nosotros pasamos los das y las horas de nuestra vida
teniendo que tomar decisiones. Algunas decisiones tienen una importancia
relativa en el desarrollo de nuestra vida, mientras otras son gravitantes en ella.
Quien toma la decisin elige primero una accin de un conjunto de acciones
disponibles. Luego se observa el estado del mundo, y despus selecciona una
accin y un estado del mundo.
El anlisis de decisiones se usa bsicamente para desarrollar una estrategia
ptima cuando el tomador de decisiones se enfrenta con varias alternativas de
decisin y una incertidumbre o patrn de eventos futuros lleno de riesgos.
Para los administradores, el proceso de toma de decisin es sin duda una de las
mayores responsabilidades. La toma de decisiones en una organizacin se
circunscribe a una serie de personas que estn apoyando el mismo proyecto.
Debemos empezar por hacer una seleccin de decisiones, y esta seleccin es
una de las tareas de gran trascendencia.
Con frecuencia se dice que las decisiones son algo as como el motor de los
negocios y en efecto, de la adecuada seleccin de alternativas depende en gran
parte el xito de cualquier organizacin.
Los administradores consideran a veces la toma de decisiones como su trabajo
principal, porque constantemente tienen que decidir lo que debe hacerse, quin
ha de hacerlo, cundo y dnde, y en ocasiones hasta cmo se har. Sin
embargo, la toma de decisiones slo es un paso de la planeacin, incluso
cuando se hace con rapidez y dedicndole poca atencin o cuando influye sobre
la accin slo durante unos minutos.
5.2. Definicin
5.2.1. Toma de Decisiones bajo certidumbre
En la toma de decisin con certidumbre se asume que est disponible la
informacin completa, de tal manera que el decisor conoce exactamente
cul ser el resultado de cada alternativa que tome. El decisor es, pues,
un previsor perfecto del futuro. Por ejemplo la alternativa de invertir en
Bonos del estado es tal que para ella es razonable asumir la completa
disponibilidad de informacin sobre el rendimiento futuro de la
inversin. Tales situaciones tambin se llaman deterministas.
Sin embargo, para cualquier ser humano tener certidumbre de lo que va a
suceder es casi imposible.
5.2.2. Toma de Decisiones bajo incertidumbre
En la toma de decisiones bajo incertidumbre el decisor considera
situaciones en las que varios resultados son posibles para cada
alternativa. As pues, en contraste con las situaciones de riesgo, el decisor
no conoce, o no puede estimar, la probabilidad de ocurrencia de los
posibles estados de la naturaleza.
Por ejemplo, puede ser imposible asignar probabilidad al xito de un
nuevo producto. As pues, las situaciones de incertidumbre contienen
menos informacin que las de riesgo.
La mayora de las decisiones se toman as. El decisor no tiene apenas
informacin a la hora de decidir, no conoce bien cmo se comportar el
entorno ni los resultados posibles de cada alternativa.

EJEMPLO:
El hotel Palmerales est considerando la construccin de un edificio adicional.
La direccin est evaluando la posibilidad de aadir 30, 40 50 habitaciones. El
xito de la adicin depende de una combinacin entre la legislacin que est
vigente y la competencia en el capo; se consideran pues cuatro estados de la
naturaleza posibles. Se observan a continuacin, junto con los resultados (en %
anual de retorno de la inversin).

Organizacin jerrquica y departamental de una empresa.
Toda mala decisin que tomo va seguida de otra mala
decisin.

- CRITERIO MAXIMIN PESIMISMO:
El decisor de este criterio es completamente pesimista, puesto que asume que
pasar lo peor cuando haya seleccionado una alternativa. Para protegerse, el
decisor seleccionar aquella alternativa que tenga un mayor valor siguiendo
esta presuncin pesimista (lo mejor de lo peor).

Suponiendo que el decisor seleccione la primera accin, lo peor que puede
pasar es que pierda el 2% cuando el estado de la naturaleza sea sin legislacin
y alta competencia. Igualmente, lo peor para la segunda situacin en -10 y
para la tercera es -20 (el nmero menor de la fila en este caso). Esta
informacin se introduce en una nueva columna etiquetada Peor. De esta
columna se selecciona el mejor valor (-2 en este ejemplo); el decisor
maximiza los valores mnimos. El uso de este criterio garantiza que el decisor
en el peor caso posible tendr una prdida de 2.
CRITERIO MAXIMAX U OPTIMISTA:
El decisor optimista asume que ocurrir el mejor resultado y seleccionar la
alternativa con el mayor valor posible.
As
pues, el
decisor busca el mejor valor posible para cada alternativa. Este lo localiza en
una nueva columna en la derecha de la tabla de decisin. Se selecciona la
alternativa con el mejor valor en esta nueva columna (mejor de los mejores).
Obsrvese tambin que no se presta atencin amucha informacin disponible,
solo se consideran los valores ms altos. Luego un decisor optimista en un
jugador que desprecia el riesgo y se fija solo en las oportunidades [2].
CRITERIO ARREPENTIMIENTO MINIMAX
El criterio de arrepentimiento minimax utiliza el concepto de costo de
oportunidad para llegar a una decisin. Consiste en que para cada accin y
cada estado del mundo, se compara lo mejor que pudo haber sucedido en
cada situacin con lo que realmente sucedi.

De estas opciones se debe escoger el menor arrepentimiento. Bajo este
criterio la mejor decisin sera escoger la opcin 2.
CRITERIO DEL VALOR ESPERADO:
El decisor de este criterio asume que todos los estados de la naturaleza son
igualmente propensos a ocurrir; luego asigna a todos la misma probabilidad.
Se calculan los valores esperados y se selecciona la alternativa con mejor
valor esperado.

A continuacin se muestra la tabla para obtener el valor del VEIPER:

VEI PER:
(0.25*14) + 0.25*10) + (0.25*7) + (0.25*18)
VEI PER: 12.25
Este valor puede ser comparado con ofertas para maximizar la rentabilidad
tales como estudios de mercado y permite calcular la cantidad mxima que
se debe pagar por esta informacin.
Para el ejemplo, el director del proyecto, no debe pagar ms de $7.75 por
ninguna informacin, porque de lo contrario, estara perdiendo dinero.
RBOL DE DECISIN
Un rbol de decisin es un modelo de prediccin utilizado en el mbito de
la inteligencia artificial. Dada una base de datos se construyen diagramas
de construcciones lgicas, muy similares a los sistemas de prediccin
basados en reglas, que sirven para representar y categorizar una serie de
condiciones que ocurren de forma sucesiva, para la resolucin de un
problema.
Un rbol de decisin tiene unas entradas las cuales pueden ser un objeto o
una situacin descrita por medio de un conjunto de atributos y a partir de
esto devuelve una respuesta la cual en ltimas es una decisin que es
tomada a partir de las entradas. Los valores que pueden tomar las entradas
y las salidas pueden ser valores discretos o continuos. Se utilizan ms los
valores discretos por simplicidad, cuando se utilizan valores discretos en
las funciones de una aplicacin se denomina clasificacin y cuando se
utilizan los continuos se denomina regresin.

Un rbol de decisin lleva a cabo un test a medida que este se recorre
hacia las hojas para alcanzar as una decisin. El rbol de decisin suele
contener nodos internos, nodos de probabilidad, nodos hojas y arcos. Un
nodo interno contiene un test sobre algn valor de una de las propiedades.
Un nodo de probabilidad indica que debe ocurrir un evento aleatorio de
acuerdo a la naturaleza del problema, este tipo de nodos es redondo, los
dems son cuadrados. Un nodo hoja representa el valor que devolver el
rbol de decisin y finalmente las ramas brindan los posibles caminos que
se tienen de acuerdo a la decisin tomada.
En el diseo de aplicaciones informticas, un rbol de decisin indica las
acciones a realizar en funcin del valor de una o varias variables. Es una
representacin en forma de rbol cuyas ramas se bifurcan en funcin de los
valores tomados por las variables y que terminan en una accin concreta.
Se suele utilizar cuando el nmero de condiciones no es muy grande (en
tal caso, es mejor utilizar una tabla de decisin).

La Empresa de Transportes Turismo Huaral Z-Buss, que ofrece los servicios
de transporte en la ruta de Huaral -Huacho- Huaral. Est pensando en adquirir
2, 3 o 4 nueva unidades ms (buses), en vista de que hay das en los que las
unidades asignadas no se abastecen con la demanda de pasajeros (mayormente
estudiantes) ocasionando colas de espera. Sin embargo se sabe tambin de que
puede que la demanda de pasajeros por algunos motivos aumente, disminuya, o
siga estable. En la siguiente tabla se puede observar los datos obtenidos:
DECISIN
ESTADO DE NATURALEZA
S1 S2 S3
D1 4,7 -1 5
D2

5 -1.5 5.5
D3

7 -2 6
P(Sj) 0.20 0.15 0.65
(*) Los datos estn expresados en miles de soles.

Se brinda adems la siguiente informacin:
P(Ik/Sj)
I1 I2 I3
S1 0.2 0.3 0.5
S2 0.7 0.2 0.1
S3 0.5 0.4 0.1

MTODO ANALTICO DE BAYES
1.- Hallamos el valor esperado:
() = (
)(;
=1

VE (1) = ()(, )
=

= P(S1)V(1,S1) + P(S2)V(1,S2) + P(S3)V(1,S3)
= (0.20) (4.7) + (0.15) (-1) + (0.65) (5) = 4.04
VE (2) = ()(, )
=

= P(S1)V(2,S1) + P(S2)V(2,S2) + P(S3)V(2,S3)
= (0.20) (5) + (0.15) (-1.5) + (0.65) (5.5) = 4.35
VE (3) = ()(, )
=

= P(S1)V(3,S1) + P(S2)V(3,S2) + P(S3)V(3,S3)
= (0.20) (7) + (0.15) (-2) + (0.65) (6) = 5
Se obtendr el siguiente cuadro donde. El valor esperado recae en la decisin
nmero 3, debido a que en esta encontramos la utilidad ms alta.
DECISIN
ESTADO DE NATURALEZA Valor
Esperado S1 S2 S3
D1 4,7 -1 5 4.04
D2

5 -1.5 5.5 4.35
D3

7 -2 6 5 VE* = (D3)
P(Sj) 0.20 0.15 0.65
(*) Los datos estn expresados en miles de soles.

2.- Hallamos el V.E. con informacin perfecta:

= (
). (
=1

VE
con
IP = 7(0.20) + (-1(0.15)) + 6(0.65) = 5.15

3.- Hallamos el V.E. de informacin perfecta:

VE
de
IP = 5.15 5 = 0.15 <-- Margen de utilidad adicional

APLICANDO FRMULAS DE BAYES
(
) = (
)(
=1

P( I1 ) = P(I1/ S1) P( S1 )+ P(I1/ S2) P(S2)+ P(I1/ S3) P(S3)
P (I1) = 0.2*0.20 + 0.7*0.15+ 0.5*0.65 = 0.47
P( I2 ) = P(I2/ S1) P( S1 )+ P(I2/ S2) P(S2)+ P(I2/ S3) P(S3)
P (I2) = 0.3*0.20 + 0.2*0.15+ 0.4*0.65 = 0.35
P (I3) = P(I3/ S1) P( S1 )+ P(I3/ S2) P(S2)+ P(I3/ S3) P(S3)
P (I3) = 0.5*0.20 + 0.1*0.15+ 0.1*0.65 = 0.18
(
) =
(
)(
)
(
)

P(S1/ I1) = P(I1/ S1) P( S1 )/ P(I1 )
= 0.2(0.20)/0.47 = 0.085106383
P(S2/ I1) = P(I1/ S2) P( S2 )/ P(I1 )
= 0.7(0.15)/0.47 = 0.223404255
P(S3/ I1) = 1 - 0.085106383- 0.223404255
= 0.691489362
P(S1/ I2) = P(I2/ S1) P( S1 )/ P(I2)
= 0.3(0.20)/0.35 = 0.171428571
P(S2/ I2) = P(I2/ S2) P( S2 )/ P(I2 )
= 0.2(0.15)/0.35 = 0.085714286
P(S3/ I2) = 1- 0.171428571 - 0.085714286
= 0.742857143

P(S1/ I3) = P(I3/ S1) P( S1 )/ P(I3)
= 0.5(0.20)/0.18 = 0.555555556
P(S2/ I3) = P(I3/ S2) P( S2 )/ P(I3 )
= 0.1(0.15)/0.18 = 0.083333333
P(S3/ I3) = 1 - 0.555555556 - 0.083333333
= 0.361111111
4.- rbol de decisiones:

P(I1) = 0.47
P(I2) = 0.35
P(I3) = 0.18
d1
d2
d3
d1
d2
d2
d1
d3
d3
P (S2/I1)= 0.223404255
P (S3/I1)= 0.691489362
P (S1/I1)= 0.085106383
P (S2/I1)= 0.223404255
P (S1/I1)= 0.085106383
P (S3/I1)= 0.691489362
P (S2/I1)= 0.223404255
P (S3/I1)= 0.691489362
P (S2/I2)= 0.085714286
P (S1/I2)= 0.171428571
P (S3/I2)= 0.742857143
P (S2/I2)= 0.085714286
P (S1/I2)= 0.171428571
P (S3/I2)= 0.742857143
P (S2/I2)= 0.085714286
P (S1/I2)= 0.171428571
P (S3/I2)= 0.742857143
P (S2/I3)= 0.083333333
P (S1/I3)= 0.555555556
P (S3/I3)= 0.361111111
P (S2/I3)= 0.083333333
P (S1/I3)= 0.555555556
P (S3/I3)= 0.361111111
P (S2/I3)= 0.083333333
P (S1/I3)= 0.555555556
P (S3/I3)= 0.361111111
4.7
-1
5
4.7
-1
5
4.7
-1
5
5
-1.5
5.5
5
-1.5
5.5
5
-1.5
5.5
7
-2
6
7
-2
6
7
-2
6
VE (d1/I1)
3.634042553
VE (d2/I1)
3.893617021
VE (d3/I1)
4.29787234
VE (d1/I2)
4.434285714
VE (d2/I2)
4.814285714
VE (d3/I2)
5.485714286
VE (d1/I3)
4.333333333
VE (d2/I3)
4.638888889
VE (d3/I3)
5.888888889
5.- Hallamos el V.E. con informacin muestral.
= (
). ( )
=1

VE
con
IM = (0.47)( 4.29787234) + (0.35)( 5.485714286) + (0.18)(
5.888888889) = 5

6.- Hallamos el V.E. de informacin muestral:

VE
de
IM = 5 5 = 0
7. Eficiencia:
=

E = 0/0.15 = 0
8.- Utilidad Esperada:
Utilidades (ganancia) S/.
Probabilidad de
Indiferencia
S
e

m
u
l
t
i
p
l
i
c
a

p
o
r

1
0
p

Preferencia
V(d3,S1) 7 1
V(d3,S3) 6 0.8
V(d2,S3) 5.5 0.7
V(d1,S3) 5 0.6
V(d2,S1) 5 0.5
V(d1,S1) 4.7 0.4
V(d1,S2) -1 0.3
V(d2,S2)
-
1.5
0.2
V(d3,S2) -2 0

Tabla de utilidades.
di S1 S2 S3
d1 4 3 6
d2 5 2 7
d3 10 0 8
P(Sj) 0.20 0.15 0.65
() = (
)(;
=1

UE(d1) = 0.20(4) + 0.15(3) + 0.65(6) = 5.15
UE(d2) = 0.20(5) + 0.15(2) + 0.65(7) = 5.85
UE(d3) = 0.20(10) + 0.15(0) + 0.65(8) = 7.2 => Entones UE(d3) es la mejor
Utilidad Esperada.
CAPITULO VI: Programacin No Lineal
6.1. Introduccin
La programacin no lineal forma parte de la investigacin de operaciones y
tambin, como la programacin lineal, tiene como finalidad proporcionar los
elementos para encontrar los puntos ptimos para una funcin objetivo. En este
planteamiento, tanto la funcin objetivo como las restricciones son no lineales.
Se presenta un problema de programacin no lineal cuando tanto la funcin
objetivo que debe optimizarse, como las restricciones del problema, o ambas,
tienen forma de ecuaciones diferenciales no lineales, es decir, corresponden a
ecuaciones cuyas variables tienen un exponente mayor que 1. El campo de
aplicacin de la programacin no lineal es muy amplio, sin embargo, hasta la
fecha los investigadores de esta rama del conocimiento no han desarrollado un
mtodo sistemtico que sea prctico para su estudio. La programacin no lineal
tambin es conocida con el nombre de programacin cuadrtica, en virtud de
que la mayor parte de los problemas que resultan contienen ecuaciones
cuadrticas o de segundo grado. Muchas veces se presentan casos en que se
deben maximizar funciones no lineales que presentan restricciones lineales; esto
es posible resolverlo, siempre y cuando se admita la hiptesis de que la utilidad
marginal no es constante, en este caso, la funcin objetivo deja de ser lineal.
6.2. Definicin
Es el proceso de resolucin de un sistema de igualdades y desigualdades sujetas a un
conjunto de restricciones sobre un conjunto de variables reales desconocidas, con
una funcin objetivo a maximizar, cuando alguna de las restricciones o la funcin
objetivo no son lineales.
En este tema vamos a considerar la optimizacin de problemas que no cumplen las
condiciones de linealidad, bien en la funcin objetivo, bien en las restricciones. En
general, se puede expresar un problema de Programacin No Lineal (PNL) de la
manera siguiente: encontrar los valores de las variables (x1, x2,, xn) que:

6.3. Caractersticas
- Los problemas no lineales se caracterizan por tener relaciones no lineales; es
decir, no existe una relacin directa y proporcional entre las variables que
intervienen. Los problemas de programacin no lineal, tambin son llamados
curvilneos, ya que el rea que delimita las soluciones factibles en un grfico
se presenta en forma de curva.
- La funcin objetivo en la programacin no lineal, puede ser cncavo o
convexo. Es cncavo cuando se trata de maximizar utilidades,
contribuciones, etc. Es convexo cuando trata de minimizar recursos, costos,
etc.
- Los problemas que contienen restricciones lineales, se resuelven de una
forma ms sencilla que los problemas con restricciones no lineales.
6.4. Conceptos Bsicos
- Funcin:
Una funcin relaciona cada elemento de un conjunto
con un elemento exactamente de otro conjunto
(puede ser el mismo conjunto).
Una funcin es como una mquina: tiene una entrada y una salida. Y lo
que sale est relacionado de alguna manera con lo que entra.
- Solucin Factible
El conjunto interseccin, de todos los semiplanos formados por las
restricciones, determina un recinto, acotado o no, que recibe el nombre
de regin de validez o zona de soluciones factibles.
- Solucin ptima
El conjunto de los vrtices del recinto se denomina conjunto
de soluciones factibles bsicas y el vrtice donde se presenta la solucin
ptima se llama solucin mxima (o mnima segn el caso).
6.5. Pasos para Resolver un Problema de Programacin Lineal
6.5.1. Entender el problema a fondo.
6.5.2. Describir el objetivo.
6.5.3. Describir cada restriccin.
6.5.4. Definir las variables de decisin.
6.5.5. Escribir el objetivo en funcin de las variables de decisin.
6.5.6. Escribir las restricciones en funcin de las variables de decisin.
6.5.7. Agregar las restricciones de no negatividad.
6.6. Resolucin en un Problema de programacin Lineal
Se puede resolver segn sea el caso, de dos maneras:
6.6.1. Mtodo Grafico:
Cuando un problema de programacin no lineal tiene solo una o dos
variables, se puede representar grficamente. La representacin grfica
del modelo proporciona su solucin.
Funciones Cncava y Convexa:
Las funciones cncavas y convexas representan un papel fundamental en
la Teora de la Optimizacin ya que pueden garantizarnos la globalidad
de los ptimos locales. Por ello vamos a iniciar este apartado
introduciendo el concepto de funcin cncava y convexa para luego ms
tarde introducir condiciones que nos permitan reconocer si una funcin
es cncava o convexa dependiendo de sus propiedades de
diferenciabilidad.
Diremos que una funcin f(x) es estrictamente cncava en un conjunto S
convexo si todo segmento que une dos puntos de la grfica est
estrictamente por debajo de la grfica.
Diremos que una funcin es cncava (no estricta) si no todas las cuerdas
que unen puntos de la grfica en dicho intervalo quedan estrictamente por
debajo.
Sea f(x) una funcin definida en un intervalo de R, diremos que dicha
funcin es convexa en el intervalo si todo segmento que une dos puntos
de la grfica queda por encima de la grfica. Si siempre queda
estrictamente por encima, decimos que la funcin es estrictamente
convexa.
Sea S un subconjunto convexo de R y sea f: S R. Diremos que f(x) es
una funcin convexa en S si para cualquier par de puntos x, y E S y para
cualquier b E [0,1]
f [(1-b)x+by] <= (1-b)f(x)+bf(y)
f(x) es una funcin estrictamente convexa en S si para cualquier par de
puntos x, y E S y para cualquier b E [0,1]
f [(1-b)x+by] < (1-b)f(x)+bf(y)
En la figura siguiente se representa grficamente una funcin convexa:

f(x) es una funcin cncava en S si para cualquier par de puntos x, y E S
y para cualquier b E [0,1]
f[(1-b)x+by] >= (1-b)f(x)+bf(y)
f(x) es una funcin estrictamente cncava en S si para cualquier par de
puntos x, y E S y para cualquier b E [0,1]
f[(1-b)x+by] > (1-b)f(x)+bf(y)
En la figura siguiente se representa grficamente una funcin cncava

6.6.2. Mtodo Analtico:
Existen varios mtodos que hemos aprendido en clases, de las que
destacan:
- Modelo de una variable de decisin sin restricciones.
- Modelo con ms de una variable de decisin y sin restricciones.
- Modelo con restricciones de igualdad: Multiplicadores de lagrange.
- Modelos con restricciones de desigualdad.
Max(min )z=f(x1,x2,,xn)
S. a:
g1(x1,x2,,xn) = b1
g2(x1,x2,,xn) = b2
.
.
.
gm(x1,x2,,xn) = bm

Multiplicadores de Lagrange
En los problemas de optimizacin, el mtodo de los multiplicadores de
Lagrange, llamados as en honor a Joseph Louis Lagrange, es un
procedimiento para encontrar los mximos y mnimos de funciones de
mltiples variables sujetas a restricciones. Este mtodo reduce el
problema restringido con n variables a uno sin restricciones de n + k
variables, donde k es igual al nmero de restricciones, y cuyas
ecuaciones pueden ser resueltas ms fcilmente. Estas nuevas variables
escalares desconocidas, una para cada restriccin, son llamadas
multiplicadores de Lagrange. El mtodo dice que los puntos donde la
funcin tiene un extremo condicionado con k restricciones, estn entre
los puntos estacionarios de una nueva funcin sin restricciones construida
como una combinacin lineal de la funcin y las funciones implicadas en
las restricciones, cuyos coeficientes son los multiplicadores.
La demostracin usa derivadas parciales y la regla de la cadena para
funciones de varias variables. Se trata de extraer una funcin implcita de
las restricciones, y encontrar las condiciones para que las derivadas
parciales con respecto a las variables independientes de la funcin sean
iguales a cero.
Los multiplicadores de Lagrange se pueden utilizar para resolver el
MPNL en los que las restricciones son restricciones de igualdad.
Considere el MPNL:

La funcin de Lagrange para resolver el sistema es:
L(x1,x2,,xn, 1, 2,, m)=f(x1,x2,,xn)+ [ (
=
=1
x1,x2,,xn)]
La empresa Madelei ubicado en la campia de Huacho (Santa Mara
Chonta), desea traer al grupo Corazn Serrano para lo cual planifica gastar
10.000 soles en publicidad. Costndole 3.000 soles un minuto de publicidad en
la televisin (Canal 17 en cable plus y canal 25 en Cable Color) y 1.000 soles
un minuto de publicidad en la radio (Todas las radios locales de la ciudad de
Huacho). Si la empresa compra x minutos de publicidad en la televisin e y
minutos de publicidad en la radio, su ingreso, en miles de soles, est dado por:
(x, y) = 2
2
2
+ +8 +3
Plantear y resolver el problema de manera que la empresa maximice sus
ingresos.
x = minutos en television
y = minutos en radio
Resolucin:
La formulacin del problema no lineal queda de la forma:
(min) = (x, y) = 2
2
2
+ +8 +3
Sujeta a:
(x, y) = 3 + = 10
Formamos los multiplicadores de lagrange:
(x, y, ) = 2
2
2
+ +8 +3 +(3x +y 10)
Luego hallamos derivadas parciales:
= 4 + +8 +3
= 2 + +3 +
= 3 + 10
Luego:
= 4 + +8 +3 = 4 3 8
= 2 + +3 + = 2 3
= 3 + 10 3 + = 10
Vamos a poner las expresiones de x e y en funcin de . Sustituyendo x en =
4 3 8, tenemos:
= 4(2 3) 3 8
7 = 7 +20 y = +
20
7

Llevando este valor de y a = 2 3, tenemos:
= 2 ( +
20
7
) 3
= +
19
7

Sustituyendo los valores de x e y en 3 + = 10, tenemos:
3 ( +
19
7
) +( +
20
7
) = 10
=
1
4

Sustituyendo este valor de =
1
4
en las expresiones de x e y, tenemos:
= +
19
7
=
1
4
+
19
7
=
69
28

y = +
20
7
=
1
4
+
20
7
=
73
28

Derivamos parcialmente dL con respecto a x e y:
2
= 4
2
= 2
(

2
) = 1
Para determinar puntos mximos y mnimos se evalan las siguientes
condiciones:
Si:
2
> 0
Y
(
2
)(
2
) (

2
) > 0
Entonces el punto es de un mnimo local.
Si:
2
< 0
Y
(
2
)(
2
) (

2
) > 0
Entonces el punto es de un mximo local.
Determinamos punto mximo o mnimo local:
2
< 0

2
2
< 4
Y
(
2
)(
2
) (

2
) > 0 (4)(2) (1) > 0

(8) (1) > 0
7 > 0
Entonces el punto es de un mximo local:
Se obtiene la funcin ptima remplazando los valores seleccionados en el paso
anterior:
(min) = (x, y) = 2
2
2
+ +8 +3
Sujeto a:
(x, y) = 3 + = 10
Remplazando =
69
28
=
73
28

(x, y) = 2 (
69
28
)
2
(
73
28
)
2
+(
69
28
)(
73
28
) +8(
69
28
) +3(
73
28
)

(, ) = .
Sujeto a:
(x, y) = 3 (
69
28
) +(
73
28
) = 10
(, ) = 10
6.8. Conclusiones
6.8.1. Conclusiones Generales:
La programacin lineal es el campo de las matemticas que aplica los
mtodos de optimizacin a los problemas del mundo real
En matemticas, Programacin no lineal (PNL) es el proceso de
resolucin de un sistema de igualdades y desigualdades sujetas a un
conjunto de restricciones sobre un conjunto de variables reales
desconocidas, con un funcin objetivo a maximizar (o minimizar),
cuando alguna de las restricciones o la funcin objetivo no son lineales.
Adems, los problemas de programacin lineal tienen limitaciones
asociadas a ellos. Estas limitaciones actan como barreras de la
maximizacin o minimizacin de la funcin objetivo.
6.8.2. Conclusiones Casos Aplicativos:
Para que la empresa maximice sus ingresos, con los 10,000 soles que
gastar en publicidad, tendr que invertir (
69
28
) equivalente a 2.464285714
minutos en televisin e invertir (
73
28
) equivalente a 2.607142857 minutos
en radio, generando as un ingreso de 15,017.85714 soles.
6.9. Bibliografa
- Avriel, Mordecai (2003). Nonlinear Programming: Analysis and
Methods. Dover Publishing. ISBN 0-486-43227-0.
- Bazaraa, Mokhtar S. and Shetty, C. M. (1979). Nonlinear programming.
Theory and algorithms. John Wiley & Sons. ISBN 0-471-78610-1.
- Nocedal, Jorge and Wright, Stephen J. (1999). Numerical
Optimization. Springer. ISBN 0-387-98793-2.
- Bertsekas, Dimitri P. (1999). Nonlinear Programming: 2nd
Edition. Athena Scientific. ISBN 1-886529-00-0.
CAPITULO VII: Toma de Decisiones Mltiples
7.1. Definicin
En los anteriores informes hemos observado modelos en los cuales solo consideramos
un objetivo el cual era el de maximizar utilidad o el de minimizar los costos, sin
embargo la mayora de las situaciones de decisin real, se caracterizan por metas y
objetivos mltiples ms que por un solo objetivo.
La toma de decisiones con criterios mltiples considera problemas con mltiples
objetivos en forma simultnea, las variables pueden ser cualitativas o cuantitativas.
Los procedimientos usados son: Programacin por metas PM y Procesos analtico de
jerarquas PAJ.
7.2. Programacin por Metas
Esta tcnica permite manejar situaciones con criterios mltiples, dentro de la
estructura de la programacin lineal PL.
Una diferencia entre la PM de la PL es la estructura y la funcin objetivo. En la
PL se incorpora una meta en la funcin objetivo, mientras que en la PM se
incorporan muchas metas. Esto se logra expresando la meta en forma de
restriccin, incluyendo una variable de desviacin para reflejar la medida en
que se llegue o no a lograr la meta, e incorporando esa funcin en la funcin
objetivo.
En la PL el objetivo es MAX o MIN, en tanto que en la PM el objetivo es
minimizar las desviaciones de las metas especificadas.
PROCEDIMIENTO
- Identificar las metas y nivel de prioridades.
- Definir las variables de decisin.
- Plantear las restricciones.
- Restriccin del sistema (duras).
- Restricciones metas (suaves); (se incluyen las variables de desviacin
d )
d+ : por encima de la meta.
d- : por debajo de la meta.
- Plantear la funcin objetivo (MIN: d+ o d-).
- Solucin del modelo.

7.3. Proceso Analtico Jerrquico
En este mtodo el decisor debe formular juicios respecto a la importancia
relativa de cada uno de los criterios de decisin, y despus especfica su
preferencia respecto a cada una de las alternativas de decisin y respecto a cada
criterio; el resultado es una jerarquizacin con prioridades que indica la
preferencia global segn cada alternativa de decisin.
PROCEDIMIENTO
- Desarrollo de Jerarquas.

- Elaboracin de la matriz de comparaciones pareadas.
- Sintetizacin:
META
GLOBAL

A
B
.
A
B
.
A
B
.
A
B
.
CRITERIOS
ALTERNATIVAS
- Vector de Prioridades.
- Jerarquizacin global.
7.4.1. Caso Aplicativo 1: Programacin por Metas
Una empresa que se dedica a la venta de pizas llamada pizza Ahora la
cual est ubicada en Chancay, quiere implantar para dar un mejor
servicio a sus cliente los pedidos por delivery, para lo cual tiene pensado
elaborar dos tipos de pizza, las cuales son piza familiar y piza personal y
la empresa tiene 800 soles disponibles.
La empresa desea ganar una utilidad diaria de 400 soles.
La empresa sabe que tiene que hacer como minino 10 pizza personales,
ya que tiene esa cantidad de pedidos por anticipado.
La empresa desea saber qu cantidad de cada tipo de piza deber fabricar
para cumplir con las metas trazadas.
Pizza Costo Unitario Utilidad X Unidad
Familiares 15 10
Personales 5 2

FORMULACIN DEL MODELO
Las variables de decisin
X1 = Numero pizzas familiares a elaborar
X2 = Numero pizzas personales a elaborar
Funcin objetivo: Min w = d
1
-
+d
2
-

Restriccin del Sistema: 15X1 + 5X2 800
Restriccin meta: 10X1 + 2X2 - d
1
+
+ d
1
-
= 400
X2 - d
2
+
+ d
2
-
= 10
Condiciones de No Negatividad: X j 0 j=1, 2
d
- +
i 0 i =1, 2
Graficamos
Formulamos:
X2=10
Remplazamos en la restriccin de meta 1.
10X1 + 2(10)= 400
X1=38
Anlisis del grfico:
Analizando el problema mediante la programacin por metas,
encontramos que para que la empresa cumpla con sus dos metas, deber
elaborar 10 pizzas personas y 38 pizzas familiares.
Con lo cual obtendr un beneficio de 400 e invertir un total de 620 lo
cual es factible ya que la empresa tiene un total de 800 disponible.
7.4.2. Caso Aplicativo 2:
Una compaa soldadora (J&J Constructores) desea comprar una nueva
mquina de soldar para lo cual cuenta con tres opciones:
- Mquina para soldar Inversora (Indura)
- Mquina para soldar Inversora(Soltec)
- Mquina para soldar Inversora (Cemont).
Los criterios de evaluacin de dicha empresa son: Marca (M), Precio (P)
y Rendimiento (R). Usando el Proceso analtico de jerarquas Cul sera
la mejor eleccin?
a) Desarrollo:
Meta global: Compra de mquina de Soldar

.

b) Elaboracin de la matriz de comparaciones

c) Vector de prioridades

Marca I S C
I 1 2 4
S 1/2 1 3
C 1/4 1/3 1
1.75 3.33 8

Criterio M P R
M 1 1/4 1/5
P 4 1 1/3
R 5 3 1
10 4.25 1.53

INDURA
SOLDEC
CEMONT

INDURA
SOLDEC
CEMONT

INDURA
SOLDEC
CEMONT

Precio (P) Marca (M)
Precio I S C
I 1 1/2 1/4
S 2 1 1/5
C 4 5 1
7 6.5 1.45

Rendimiento I S C
I 1 3 5
S 1/3 1 3
C 1/5 1/3 1
1.53 4.33 9

Criterio M P R VP
M 0.1 0.06 0.13 0.10
P 0.4 0.24 0.22 0.28
R 0.5 0.71 0.65 0.62

ESC. DESC.
1 Indiferente
2 Regular
3 Bueno
4 Muy bueno
5 Excelente

d) Prioridad global
PGH = 0.56 (0.10) + 0.13 (0.28) + 0.63 (0.62) = 0.4830
PGY = 0.32 (0.10) + 0.19 (0.28) + 0.26 (0.62) = 0.2464
PGK = 0.12 (0.10) + 0.68 (0.28) + 0.11 (0.62) = 0.2706
Despus de hacer los clculos y hallar la programacin global de
cada una de las alternativas, la mejor eleccin de la empresa seria
comprarse una mquina de soldar marca INDURA.
7.5. Conclusiones
7.5.1. Conclusiones Generales
- La programacion por metas es una metodologia muy util, para que
una organizacin determine como cumplir con sus metas trazadas.
- No siempre es posible llegar a cumplir las metas trazadas, la
programacion por metas tambien nos dice cuando es posible y
cuando no es posible llegar a nuestras metas trazadas.
Marca H Y K VP
H 0.57 0.60 0.50 0.56
Y 0.29 0.30 0.38 0.32
K 0.14 0.10 0.13 0.12

Precio H Y K VP
H 0.14 0.08 0.17 0.13
Y 0.29 0.15 0.14 0.19
K 0.57 0.77 0.69 0.68

Rendimiento H Y K VP
H 0.65 0.69 0.56 0.63
Y 0.22 0.23 0.33 0.26
K 0.13 0.08 0.11 0.11

- El proceso analtico de jerarquas permite evaluar distintas
alternativas teniendo en cuenta ciertos criterios establecidos por el
decisor.
7.5.2. Conclusiones Casos Aplicativos
7.5.2.1. Conclusin Caso Aplicativo 1:
- Para que la empresa Pizaaahora pueda cumplir con sus metas
trazadas las cuales son tener una utilidad de 400 soles y
elaborar por lo menos 10 pizzas personales deber elaborar,
10 pizzas personas y 38 pizzas familiares.
- Estas conclusiones han sido tomando en cuenta que la
inversin no deber exceder a 800 soles.

7.5.2.2. Conclusin Caso Aplicativo 2:
Concluimos que gracias a la herramienta procesos analtico de jerarqua
podemos concluir que la marca de mquina de soldar que le conviene es
INDURA, todo esto tomando en cuenta los criterios de dedicin.
7.6. Bibliografa
7.6.1. Referencias Bibliogrficas
- Hamdy A. Taha (2012) - Investigacin de Operaciones, Pearson
Education, Inc., 9
th
Edition, 827.
- Herbert Moskowitz (2010) Introduccin a la investigacion de
Operaciones, The McGraw-Hill Companies, Inc., 9
th
Edition, 1010.
7.6.2. Referencias Electrnicas
http://www.elprisma.com/apuntes/administracion_de_empresas/tomaded
ecisionesintro/
CAPITULO VIII: Programacin Dinmica
8.1. Introduccin
La programacin Dinmica est comprendida dentro de un conjunto de tcnicas
matemticas que a su vez forman parte de un rea ms amplia, conocida como
la Investigacin De Operaciones.
La programacin dinmica se usa para la resolucin de un gran conjunto de
problemas como: problemas de viaje, problemas de produccin, problemas tipo
mochila, los cuales se presentaran en el siguiente informe; el esquema de
solucin para la programacin Dinmica consiste dividir el problema en etapas,
resolver la primera de esta, y utilizar esta solucin para resolver a la etapa que
sigue y continuar sucesivamente hasta encontrar la solucin del problema en su
totalidad.
8.2. Objetivos
8.2.1. Objetivo General
- Explicar de manera clara y precisa la Programacin Dinmica.
8.2.2. Objetivo Especifico
En los objetivos especficos tenemos los siguientes:
- Definir programacin dinmica, su estructura y el procedimiento
general para la resolucin de esta.
- Explicaremos el procedimiento para la resolucin de problemas de los
tipos: viajero, de produccin y de tipo mochila con tres problemas
sencillos.
8.3. Definicin
Modelo de optimizacin que soluciona un problema subdividindolo en sub
problemas llamadas etapas.
Cada problema tiene su particularidad en la solucin, su formulacin no es
estndar.
8.4. Estructura General del Modelo

8.5. Procedimiento General
- Identificar las etapas.
- En cada etapa identificar

xn : Situacin actual antes de tomar la decisin
dn : Decisin a tomar en cada etapa.
rn : Contribucin en cada etapa ( Utilidad, costo, etc. ) .
r n = f (xn , dn )
fn : Integra la solucin ptima de una etapa con otra
E1 E2 E3
fn
T1
T2
T3 T4
Xn
dn
Rn
Xn (*)
fn
Xn: Variable de
estado
dn: Variable de
decisin
rn: Rendimiento resultado
Xn+1
Funcin
Recursiva
f n (s) = rn + f *n+1
s : estado.
n : etapa
8.6.1. Caso Aplicativo 1: PROBLEMA DE VIAJERO
Matas vive en Arequipa, pero quiere viajar en su automvil hasta Junn
en busca de pasar el da del padre. Los fondos de Gabriel son limitados,
as que decide pasar cada noche de su viaje en la casa de un amigo.
Gabriel tiene amigos en cada ciudad. Gabriel sabe que puede viajar un
da a la vez y avanzar por etapas. Luego de 4 das de manejar Gabriel
puede llegar finalmente a Junn. Para minimizar la cantidad de kilmetros
recorridos, Dnde debe Gabriel pasar cada noche del viaje?

Arequipa (1)
Ica (2)
Ayacucho
(3)
Apurmac
(4)
Huancavelica
(5)
Cuzco (6)
Junn
(7)

Etapa 1.
F1 =r1+f*0

Etapa 2.
F2 =r2+f*1

Etapa 3.
X1
d1
Nodo (7) f*1 d1
Nodo (5) 1 1 Nodo (7)
Nodo (6) 7 7 Nodo (7)
X2
d2
Nodo (5) Nodo (6) f*2 d2
Nodo (2) 5 - 5 Nodo (5)
Nodo (3) 3 - 3 Nodo (5)
Nodo (4) - 9 9 Nodo (6)
Arequipa
(1)
Ica (2)
Ayacucho
(3)
Apurmac
(4)
Huancavelica
(5)
Cuzco (6)
Junn
(7)
ETAPA N4 ETAPA N3 ETAPA N2 ETAPA N1
1
7
7
2
8
7
2
4
F3 =r3+f*2
X3
d3
Nodo (2) Nodo (3) Nodo (4) f*1 d1
Nodo (1) 12 11 16 11 Nodo (3)

f* = 12 kilmetros
8 3 1

Conclusin del problema:
Para obtener hacer el menor recorrido posible (viajar menos kilmetros), Matas deber
ir primero a Ayacucho, luego dirigirse a Huancavelica y finalmente viajar Junn, que es
el lugar a donde quera llegar.
8.7. Conclusiones
8.8. Bibliografa
CAPITULO IX: Cadena de Mrkov
9.1. Introduccin
Andri Andryevich Mrkov fue un matemtico ruso conocido por sus trabajos
en la teora de los nmeros y la teora de probabilidades.
Mrkov naci en Riazn, Rusia. Andri estudi en un instituto de la ciudad de
San Petersburgo. Desde el principio mostr cierto talento para las matemticas
y cuando se gradu en 1874 ya conoca a varios matemticos de la Universidad
de San Petersburgo, donde ingres tras su graduacin. En la Universidad fue
discpulo de Chebyshov y tras realizar sus tesis de maestra y doctorado, en
1886 accedi como adjunto a la Academia de Ciencias de San Petersburgo a
propuesta del propio Chebyshov. Diez aos despus Mrkov haba ganado el
1 3 5 7
puesto de acadmico regular. Desde 1880, tras defender su tesis de maestra,
Mrkov imparti clases en la Universidad y, cuando el propio Chebyshov dej
la Universidad tres aos despus, fue Mrkov quien le sustituy en los cursos
de teora de la probabilidad. En 1905, tras 25 aos de actividad acadmica,
Mrkov se retir definitivamente de la Universidad, aunque sigui impartiendo
algunos cursos sobre teora de la probabilidad.
Aunque Mrkov influy sobre diversos campos de las matemticas, por ejemplo
en sus trabajos sobre fracciones continuas, la historia le recordar
principalmente por sus resultados relacionados con la teora de la probabilidad.
En 1887 complet la prueba que permita generalizar el teorema central del
lmite y que ya haba avanzado Chebyshov. Pero su aportacin ms conocida es
otra.
Su trabajo terico en el campo de los procesos en los que estn involucrados
componentes aleatorios (procesos estocsticos) dara fruto en un instrumento
matemtico que actualmente se conoce como Cadena de Mrkov.
9.2. Definicin
Secuencias de valores de una variable aleatoria en las que el valor de la variable
en el futuro depende del valor de la variable en el presente, pero es
independiente de la historia de dicha variable. Las cadenas de Mrkov, hoy da,
se consideran una herramienta esencial en disciplinas como la economa, la
ingeniera, la investigacin de operaciones y muchas otras. Se conoce como
Cadena de Mrkov a un tipo especial de proceso estocstico discreto en el cual
la probabilidad de que ocurra un evento depende del evento inmediatamente
anterior, es decir tiene memoria. Esta dependencia del evento anterior distingue
a las cadenas de Mrkov de las series de eventos independientes, como tirar una
moneda al aire.
As, decimos que una cadena de Mrkov, representa la variacin de estado en
un sistema a lo largo del tiempo, siendo cada cambio una transicin del sistema.
El hecho de que ocurra algn cambio no est predeterminado, sin embargo la
probabilidad de ocurrencia de un estado prximo est en funcin de los estados
anteriores, esta probabilidad es constante a lo largo del tiempo, es decir el
sistema es homogneo en el tiempo. Eventualmente, en una transicin, el nuevo
estado puede ser el mismo que el anterior y es posible que exista la posibilidad
de influir en las probabilidades de transicin actuando adecuadamente sobre el
sistema (decisin).
Al trabajar una cadena de Mrkov son necesarios diferentes factores como son:
- Un grupo de estados, que consiste en el agrupamiento de estados que
muestran las caractersticas que presenta el sistema en un momento dado.
- La matriz de transicin T que consiste en una matriz cuadrada en la que se
consignan los estados del sistema. En ella se ubican las probabilidades de
que un estado permanezca en el mismo o pase a un estado diferente. Es
necesario tener en cuenta que la suma de las probabilidades por fila, debe
ser 1.
- La matriz de composicin actual P0, en ella se muestra la forma como estn
distribuidas las probabilidades en cada uno de los estados para el periodo
actual en que se trabaja.
9.3. Tipos de Cadena de Mrkov
9.3.1. Cadena de Mrkov Finita:
Caracterizadas por que el nmero de estados del sistema es finito y en
cualquier instante de tiempo la cadena est en uno de estos estados.
- Estado Absorbente: Un estado tal que si el proceso entra en l
permanecer indefinidamente en este estado (ya que las
probabilidades de pasar a cualquiera de los otros son cero), se
dice estado absorbente.
- Matriz Fundamental (N): Se llama matriz fundamental al
matriz resultado de la operacin:
N = (I Q) -1
9.3.2. Cadena de Mrkov Infinita:
Es cuando la cadena no es finita y que el proceso contina de manera
indefinida.
- Estados: Son una caracterizacin de la situacin en el que se
halla el sistema o un suceso en un instante dado, dicha
caracterizacin puede ser tanto cuantitativa como cualitativa.
Desde un punto de vista prctico probablemente, la mejor
definicin que debe entenderse por estado es la respuesta que se
dara a la pregunta Cmo estn las cosas?.
- Ensayos: Las ocurrencias repetidas de un evento que se estudia.
- Probabilidad de Transicin: La probabilidad de pasar de un
estado actual al siguiente en un perodo o tiempo, y se denota por
pij (probabilidad de transicin en un periodo)
- Matriz de transicin (P): La matriz de transicin est formada
por los valores de pij, donde cada fila representa el estado inicial
donde se parte y las columnas el estado al que se ir en un
perodo.
9.4. Problema Aplicativo.
El departamento de estudios de mercado de la fbrica NEPESUR (El
cual se dedica a la fabricacin de harina de pescado), ubicada en
Barranca estima que el 20% de la gente que compra un producto un mes,
no lo comprar el mes siguiente. Adems, el 30% de quienes no lo
compren un mes lo adquirir al mes siguiente. En una poblacin de 1000
individuos, 100 compraron el producto el primer mes. Cuntos lo
comprarn al mes prximo? Y dentro de dos meses?
Solucin:
Para resolver este tipo de problemas, lo primero es hacer un esquema.
A la vista del esquema podemos pasar a construir la matriz de
probabilidades de transicin:

Clculo: con esa informacin construimos la matriz 2x2. P (0) representa la situacin
inicial.
Compran el
producto
0.30
0.20
0.80
008
0
No compran
el producto
0.70
008
0
Del 100% de clientes que compra en un
mes un producto el 20% no compra el
mes siguiente, o sea el 80% lo sigue
comprando el siguiente mes.
Del 100% de clientes que quienes no lo
compran en un mes, solo el 30% lo
adquieren el mes siguiente. O sea el 70%
no lo compran el siguiente mes.
(0)
= (
0.8 0.2
0.3 0.7
)
(, ) = (100 900) (
0.7 0.3
0.45 0.55
) = (475,525)
Se concluye que el prximo mes comprara el producto 475 personas y no compraran
525 personas.
Un agente comercial realiza su trabajo en tres ciudades Huacho, Barranca
y Huaral. Para evitar desplazamientos innecesarios est todo el da en la
misma ciudad y all pernocta, desplazndose a otra ciudad al da
siguiente, si no tiene suficiente trabajo. Despus de estar trabajando un
da en Huaral, la probabilidad de tener que seguir trabajando en ella al
da siguiente es 0.4, la de tener que viajar a Barranca es 0.4 y la de tener
que ir a Huacho es 0.2. Si el viajante duerme un da en Barranca, con
probabilidad de un 20% tendr que seguir trabajando en la misma ciudad
al da siguiente, en el 60% de los casos viajar a Huaral, mientras que ir
a Huacho con probabilidad 0.2. Por ltimo si el agente comercial trabaja
todo un da en Huacho, permanecer en esa misma ciudad, al da
siguiente, con una probabilidad 0.1, ir a Barranca con una probabilidad
de 0.3 y a Huaral con una probabilidad de 0.6.
a) Si hoy el viajante est en Huaral, cul es la probabilidad de que
tambin tenga que trabajar en Huaral al cabo de cuatro das?
b) Cules son los porcentajes de das en los que el agente comercial est
en cada una de las tres ciudades?
Solucin:
a. La matriz de transaccin P es la siguiente para el orden Huacho,
Barranca y Huaral.
= (
0.1 0.3 0.6
0.2 0.2 0.6
0.2 0.4 0.4
)
El inciso, a) consiste en averiguar el trmino
33
4
, es decir el trmino que
ocupa la tercera fila y la tercera columna de la matriz
4
, la cual se
obtiene con la fila 3 y la columna 3 de
2
cuyos valores son:
2
= [
0.1 0.3 0.6
0.2 0.2 0.6
0.2 0.4 0.4
] [
0.1 0.3 0.6
0.2 0.2 0.6
0.2 0.4 0.4
] =
[
19
100
33
100
12
25
9
50
17
50
12
25
9
50
3
10
13
25
]

4
=
2

2
=
[
19
100
33
100
12
25
9
50
17
50
12
25
9
50
3
10
13
25
]
19
100
33
100
12
25
9
50
17
50
12
25
9
50
3
10
13
25
]
4
=
9
50

12
25
+
3
10

12
25
+
13
25

13
25
= 0.0864 +0.1440 +0.2704
= 0.5008
b. Nos piden las probabilidades estacionarias. Para ello hay que
resolver el siguiente sistema:
(, , ) (
0.1 0.3 0.6
0.2 0.20 0.6
0.2 0.4 0.4
) = (, , ); + + = 1
Desarrollando resulta el sistema de ecuaciones lineales:
{
9 +2 +2 = 0
3 8 +4 = 0
6 +6 6 = 0
+ + = 1

Elimino y en las dos primeras: -33x+12z = 0, y elimino y en las dos
ltimas: 12z = 6; de ambas se deduce que x = 2/11 = 0.1818; y = 7/22 =
0.3181; z = 0.5.
En porcentajes serian el 18.18% para la ciudad de Huacho, el 31.81%
para Barranca y el 50% para la ciudad de Huaral respectivamente.
9.5. Conclusiones
Los procesos de Mrkov o cadena de Mrkov, es una herramienta que se
basa en las probabilidades.
Otro punto clave es que est formado por una serie de eventos, en la cual
la probabilidad de que ocurra un evento depende del evento inmediato
anterior.
Por lo tanto podemos decir que es una herramienta necesaria en la toma
de decisiones tanto a nivel personal como empresarial.
9.5.2. Conclusiones de los Casos Aplicativos
- Caso Aplicativo 1:
Se concluye que el prximo mes comprara el producto 475
personas y no compraran 525 personas. Esto se debe a los
factores tales como, el hecho de que normalmente una persona
que compra un mes no compra el mes siguiente.
La probabilidad de que el viajante tenga que trabajar en Huaral
dentro de 4 horas es el 0.5 (el 50% de probabilidad).
Los porcentajes de das en cada ciudades se distribuye de la
siguiente manera: 18.18% para la ciudad de Huacho, el 31.81%
para Barranca y el 50% para la ciudad de Huaral.
9.6. Bibliografa
- Libro de Prentice Hall. Hamdy A. Taha 5 edicion.
- H. TAHA, Investigacin de Operaciones, Ed. Alfaomega, Mxico 1998.
- F. HELLIER, G. LIEBERMAN, Introduccin a la investigacin de
operaciones, Ed. McGraw-Hill 2001.
- SCHEAFFER y MCCLAVE. (1993) "Probabilidad y Estadstica para
Ingeniera". Mxico: Grupo Editorial Iberoamrica.
- http://www.investigacion-operaciones.com/
- http://www.investigaciondeoperaciones.net/
- http://www.monografias.com
- http://www.wikipedia.com/markov
CAPITULO X: Teora de Juegos
10.1. Introduccin
El estudio de los juegos ha inspirado a cientficos de todos los tiempos para el
desarrollo de teoras y modelos matemticos. La estadstica es una rama de las
matemticas que surgi precisamente de los clculos para disear estrategias
vencedoras en juegos de azar. Conceptos tales como probabilidad, media ponderada
y distribucin o desviacin estndar, son trminos acuados por la estadstica
matemtica y que tienen aplicacin en el anlisis de juegos de azar o en las
frecuentes situaciones sociales y econmicas en las que hay que adoptar decisiones
y asumir riesgos ante componentes aleatorios.
Pero la Teora de Juegos tiene una relacin muy lejana con la estadstica. Su
objetivo no es el anlisis del azar o de los elementos aleatorios sino de los
comportamientos estratgicos de los jugadores. En el mundo real, tanto en las
relaciones econmicas como en las polticas o sociales, son muy frecuentes las
situaciones en las que, al igual que en los juegos, su resultado depende de la
conjuncin de decisiones de diferentes agentes o jugadores. Se dice de un
comportamiento que es estratgico cuando se adopta teniendo en cuenta la
influencia conjunta sobre el resultado propio y ajeno de las decisiones propias y
ajenas.
La Teora de Juegos ha alcanzado un alto grado de sofisticacin matemtica y ha
mostrado una gran versatilidad en la resolucin de problemas. Muchos campos de la
Economa (Equilibrio General, Distribucin de Costos, etc.), se han visto
beneficiados por las aportaciones de este mtodo de anlisis.
10.2. Definicin
Evidentemente definir la Teora de Juegos es tan absurdo como su lgica, pero
la realidad es que la Teora de Juegos consiste en razonamientos circulares, los
cuales no pueden ser evitados al considerar cuestiones estratgicas. Por
naturaleza, a los humanos no se les da muy bien pensar sobre los problemas de
las relaciones estratgicas, pues generalmente la solucin es la lgica a la
inversa.
En la Teora de Juegos la intuicin no educada no es muy fiable en situaciones
estratgicas, razn por la que se debe entrenar tomando en consideracin
ejemplos instructivos, sin necesidad que los mismos sean reales. Por lo
contrario en muchas ocasiones disfrutaremos de ventajas sustanciales
estudiando juegos, si se eligen cuidadosamente los mismos. En estos juegos-
juegos, se pueden desentender de todos los detalles.
Si en lugar de utilizar personajes ficticios utilizamos personajes reales para los
juegos si se observase qu tan honesto es ese personaje, cmo manipulara la
informacin obtenida, etc. Para un especialista en Teora de Juegos el ser
deshonesto, etc., sera un error comparable al de un matemtico que no respeta
las leyes de la aritmtica porque no le gustan los resultados que est obteniendo.
La teora de los juegos es una rama de la matemtica con aplicaciones a la
economa, sociologa, biologa y psicologa, que analiza las interacciones entre
individuos que toman decisiones en un marco de incentivos formalizados
(juegos). En un juego, varios agentes buscan maximizar su utilidad eligiendo
determinados cursos de accin. La utilidad final obtenida por cada individuo
depende de los cursos de accin escogidos por el resto de los individuos.
10.3. Caractersticas:
- Trata del comportamiento estratgico y del comportamiento en interaccin.
- En teora de juegos se incorpora al otro (otros) en la decisin (quien decide
debe tomar en cuenta el efecto que ocasiona la decisin en el otro; y este otro
est razonando en forma similar a la que uno est pensando.
- Estudia la toma de decisiones en interaccin (ejemplos: el juego de ajedrez,
la negociacin poltica, las estrategias militares).
- Tambin tiene relacin con temas de oligopolio en economa, para entender
la colusin entre empresas.
- Qu estudia?: estrategias de conflicto, guerras de precios, decisiones de
cartel, relaciones sindicato-empresa, acuerdos y negociaciones polticas,
econmicas, militares, etc.
10.4. Elementos de Todo Juego
- Juego: Se denomina juego a la situacin interactiva especificada por el
conjunto de participantes, los posibles cursos de accin que puede seguir
cada participante, y el conjunto de utilidades.
- Agentes: individuos, empresas, grupos de personas, pases, etc.
- Estrategias: son los planes de accin: decisiones previstas con respecto al
futuro.
- Estrategia dominante: da el mejor resultado independientemente de lo
que haga el adversario.
- Estrategia dominada: da el peor resultado independientemente de lo
que haga el adversario.
- Equilibrio: es una posicin en la cual no hay incentivo alguno para
moverse o cambiar de estrategia, dada la del adversario.
- Matriz de juegos:

B
A
1 2 3 . n
1 0 3 -2 5
2 -1 - - - -
3 7 - - - -
.
.

-
- - - -
N - - - - -

Son los Competidores
Son las Estrategias
- Se buscan que ambos equipos salgan satisfechos y no se perjudiquen
ambos.
-
= Valor ptimo de juego. (Que no perjudique a ninguno de los 2

competidores, es el punto de equilibrio).
10.5. Casos en los que se pueden presentar este tipo de problemas, Lo podemos
revolver aplicando los siguientes procedimientos:
10.5.1. Punto Silla:
Consiste en localizar el mnimo valor de las filas y al lado derecho de
cada fila y el mximo de las columnas al pie de cada columna.
Pasos:
- Se determina el mximo de los mnimos (MAX (min)) y el
mnimo de los mximos (MIN (max)).
- Si el mximo de los mnimos es igual al mnimo de los mximos
entonces se ha encontrado el punto de silla que se convertir
automticamente en el valor del juego.
Ejemplo:
Tenemos 2 jugadores: jugador I y jugador II cada uno de
ellos tiene estrategias a utilizar (1, 2, 3); hallar el

usando el punto silla.
JUGADOR II
1 2 3
< VALOR
FILA

1 -3 -2 6 -3
MAXmin=0
2 2 0 2 0
3 5 -2 -4 -4

>VALOR
COLUMNA
5 0 6

MINmax=0

J
U
G
A
D
O
R

1
Hallamos:
MINmax=0
MAXmin=0

10.5.2. Estrategias Dominantes:
- Se dice que un jugador posee una estrategia dominante si una
estrategia particular es preferida a cualquier otra estrategia a
disposicin de l. Es posible que cada uno de los dos jugadores
tenga estrategia dominante.
- Las estrategias dominantes dan como resultado final el equilibrio
de las estrategias dominantes en el juego.

- En un juego en el que cada uno de los jugadores tienta una
estrategia dominante el resultado final es predecible.
Pasos:
a) Debemos ir anulando finas y columnas.
b) 1 fila domina a otra fila si esta es mayor o igual ( ) que la fila
con la cual la estamos comparando; una debe ser mejor que otra.
c) Falte que falle en una y no cumple la condicin.
d) 1 columna domina a otra columna si esta es menor o igual ()
que la columna con la cual la estamos comparando.
Ejemplo:
Tenemos 2 jugadores: jugador I y jugador II cada uno de ellos tiene
estrategias a utilizar (1, 2, 3); hallar el
usando la estrategia dominante.

PUNTO SILLA:

MIN (max) = MAX (min)
=
Jugador
II
1 2 3

1
-3
-2 6
jugador
I
2 2 0 2

3 5 -2 -4

a. Comparamos columna2 con columna1:
- Los datos de la columna2 son mejores que la columna1,
entonces cancelamos columna1.
jugador II
1 2 3

1 -3 -2 6
jugador I 2 2 0 2
3 5 -2 -4

Queda:

b. Comparamos fila2 con fila3:
- Los datos de la fila2 son mejores que la fila3, entonces
cancelamos fila3.
Queda:
Jugador II
2 3
1 -2 6
Jugador I 2 0 2
3 -2 -4
Jugador II

2 3
Jugador I
1 -2 6
2 0 2

c. Comparamos columna2 con columna3:
- Los datos de la columna2 son mejores que la columna3,
entonces cancelamos columna3.
Queda:
Jugador II
2
1 -2
jugador I 2 0

d. Comparamos fila 2 con fila 1:
- Los datos de la fila2 son mejores que la fila1, entonces
cancelamos fila1.
Queda:
Jugador II
2
Jugador I 2 0

10.5.3. Estrategias Mixtas
- Halla los valores que no se ven en la matriz.
- Puede tener dimensin de:

- La matriz se tiene que reducir para que tenga las dimensiones que
se requiere y se utilice este procedimiento.
- Se utiliza la frmula del valor esperado; solo para esta estrategia:
=

=

- El resultado nos dar funciones lineales, que tendremos que
graficar.
10.5.4. Programacin Lineal
Se halla la funcin objetiva y las respectivas restricciones para ambos
competidores.
En el caso MAX (min), se va a maximizar porque nos conviene los
mayores valores.
En el caso MIN (mx), se va a minimizar porque nos conviene los
menores valores.
10.6.1. Caso Aplicativo 1
Dos centros de videojuegos El guila y 3Game desean captar el mayor
nmero de clientes para sus respectivos negocios. Para ello tienen
diferentes estrategias y desean saber cul de ellas es la que ms los
favorece.
SMBOLO ESTRATEGIA
a Promocin
b Equipos nuevos (mandos, televisin, etc.)
c Servicio

2 x n = 2 filas y n columnas
m x 2 = 2 columnas y m filas
a) Punto Silla

Max (Min)= -2

4 -2 2
Min (Max)= -2
b) Estrategia Dominante

- La columna b elimina a la columna a (b<a):

- La columna b elimina a la columna c (b<c)

- La fila b elimina a la fila a (b>a)

La empresa ZBuss tiene como principal competidora a la empresa
Turismo Barranca. Ambas desean aplicar alguna estrategia en cuanto a
la difusin de sus servicios y tienen tres opciones: anunciar por radio, por
banners en las calles o por televisin (Tv.). En funcin del
aprovechamiento que obtenga cada uno de los equipos comerciales de
esta publicidad, se estima con respecto a la empresa Turismo Barranca
la ganancia de cuotas de mercado en porcentaje de la siguiente manera:

A B C
A 4 -3 -2
B 3 -2 2
a b c
a 4 -3 -2
b 3 -2 2
b c
a -3 -2
b -2 2
b
A -3
B -2
b
B -2
-3

-2

Cul debe ser la estrategia a seguir por la empresa Turismo Barranca
para captar mayor porcentaje del mercado o caso contrario para perder lo
menos posible, en relacin a su poltica de publicidad, y cul sera, si
existe, el punto de equilibrio entre ambas estrategias, en el cual una de
ellas asume que va a ganar una determinada cuota de mercado ms que la
otra, y sta que va a ganar esa misma cantidad menos que la primera.
Solucin

- La tercera columna est dominada, por lo cual trabajamos con las
columnas restantes.

Turismo ZBuss
Radio Banner Tv
T
u
r
i
s
m
o

B
a
r
r
a
n
c
a

Radio 1 -2 5
Banner 2 -3 1
Tv -2 -1 4
Turismo ZBuss
Radio Banner Tv
T
u
r
i
s
m
o

B
a
r
r
a
n
c
a

Radio 1 -2 5
Banner 2 -3 1
Tv -2 -1 4
1 -2 1

M
a
x

(
M
i
n
)

=

1

2 -3 -3
-2 -1 -2
2 2
Min (Max) = 2
- No hay punto de silla. No hay equilibrio con estrategias puras.
Entonces utilizaremos estrategias mixtas:

Radio Banner

y1 1 y1
Radio 1 -2 ( 1 * y1 ) - 2 * ( 1 y1 ) = 3y1 2
Banner 2 -3 2y1 3*( 1 - y1 ) = 5y1 3
Tv -2 -1 ( -2 * y1 ) 1 * ( 1 y1 ) = - y1 1

GRFICA:

3y1 2 = - y1 1 y1 = 1/4 y2 = 3/4
V = Min (Max (3y1 2; - y1 1))
V = 3y1 2 = -5/4
V = x1 * (3y1 2) + x2 * (5y1 3) + x3 * (- y1 1)
x2 = 0 No participa en el punto de interseccin
-5/4 = x1 * (3y1 2) + x3 * (- y1 1)
y1 = -1 x1 = 1/4
y1 = 2/3 x3 = 3/4

Modelo de Programacin Lineal:
- Para Turismo Barranca
Max Z = V
S.A.:
x1 + 2x2 - 2x3 V
-2x1 - 3x2 - x3 V
5x1 + 1x2 + 4x3 V
x1 + x2 + x3 = 1
xi 0

- Para Turismo ZBuss
Min W = V
S.A.:
y1 - 2y2 + 5y3 V
2y1 -3y2 + y3 V
-2y1 - y2 + 4y3 V
y1 + y2 + y3 = 1
yj 0
10.7. Conclusiones
10.7.1. Conclusiones Casos Aplicativos:
La solucin ptima del juego pide seleccionar la estrategia Equipos
Nuevos; es decir ambas compaas deberan optar por implementar
equipos nuevos para atraer a ms clientes para sus respectivos
negocios.
La empresa debe anunciar por Tv, puesto que dado el estudio y
halladas las probabilidades, es la estrategia que mejores resultados
le ofrece, en este caso menor prdida de la cuota del mercado.
La Teora de Juegos consiste en razonamientos, los cuales no pueden ser
evitados al considerar cuestiones estratgicas.
Hay dos tipos de respuesta, la del tipo educativo, los jugadores suponen
que tienen al equilibrio como el resultado de razonar cuidadosamente y
un segundo tipo de respuestas, las evolutivas, segn stas, el equilibrio se
consigue, no porque los jugadores piensan todo de antemano, sino como
consecuencia de que los jugadores ajustan su conducta por tanteo cuando
juegan y se repiten durante largos perodos de tiempo.
Las estrategias MAX (min) y MIN (mx.) conducen a los dos jugadores
del juego a situaciones en las que ningn jugador tiene razn o incentivo
alguno para cambiar su posicin.
Se dice que un jugador posee una estrategia dominante si una estrategia
particular es preferida a cualquier otra estrategia a disposicin de l
10.8. Bibliografa
http://www.angelfire.com/ak5/bustosfarias/clase38.pdf
http://www.doi.icai.upco.es/simio/transpa/t_gt_ar.pdf
http://www.monografias.com/trabajos5/teorideju/teorideju.shtml#que
http://www.angelfire.com/ak5/bustosfarias/clase38.pdf
http://www.zweigmedia.com/MundoReal/Summary3b.html
http://www.eumed.net/cursecon/juegos/index.htm
CAPITULO XI: Lnea de Espera
11.1. Introduccin
Las colas (lneas de espera) son parte de la vida diaria. Todos esperamos en colas
para comprar un boleto para el cine, hacer un depsito en el banco, pagar en el
supermercado, enviar un paquete por correo, subir a un juego en la feria, etc. Nos
hemos acostumbrado a esperas largas, pero todava nos molesta cuando la urgencia
es mayor. Sin embargo, tener que esperar no slo es una molestia personal. El
tiempo que la poblacin de un pas pierde en colas es un factor importante tanto en
la calidad de vida como en la eficiencia de su economa.
Por lo tanto, estos modelos de lneas de espera son muy tiles para determinar cmo
operar un sistema de colas de la manera ms efectiva. Proporcionar demasiada
capacidad de servicios para operar el sistema implica costos excesivos; pero al no
contar con suficiente capacidad de servicio la espera aumenta con todas sus
desafortunadas consecuencias. Los modelos permiten encontrar un balance
adecuado entre el costo de servicio y la cantidad de espera.
11.2. Objetivos
11.2.1. Objetivos Generales
Explicar de manera clara y precisa los Modelos de Lnea de Espera.

11.2.2. Objetivos Especficos
En los objetivos especficos tenemos los siguientes:
- Definir los Modelos de Lnea de Espera, sus caractersticas, los
tipos de colas y sus modelos.
- Plantear y dar solucin a dos casos prcticos aplicando los
modelos de colas y realizar una interpretacin de los resultados.
11.3. Definicin
Una Cola es una lnea de espera y la teora de colas es una coleccin de
modelos matemticos que describen sistemas de lneas de espera particulares o
de sistemas de colas.
Una cola o lnea de espera es un fenmeno comn que ocurre siempre que la
demanda excede al servicio
Ejemplos:
- Consultorio mdico
- Taller de mecnica
- Ventanillas de un banco
- Cajeros automticos
11.4. Componentes del Modelo

Los actores principales en una situacin de colas son el cliente y el servidor. Los
clientes llegan a una instalacin (servicio) desde de una fuente. Al llegar, un
cliente puede ser atendido de inmediato o esperar en una cola si la instalacin est
ocupada. Cuando una instalacin completa un servicio, atiende de forma
automtica a un cliente que est esperando en la cola, si lo hay. Si la cola est vaca,
la instalacin se vuelve ociosa hasta que llega un nuevo cliente.
Desde el punto de vista del anlisis de colas, la llegada de los clientes est
representada por el tiempo entre llegadas (tiempo entre llegadas sucesivas), y el
servicio se d por el tiempo de servicio por cliente. Por lo general, los tiempos
entre llegadas y de servicio son probabilsticos (por ejemplo, la operacin de una
dependencia oficial) o determinsticos (digamos la llegada de solicitantes para una
entrevista de trabajo o para una cita con un mdico).
Considerando la tasa de llegada y tasa de servicio se utiliza la notacin Kendall:
A/B/C
A: distribucin de llegada
B: Distribucin de servicio
C: N de canales (1, 2,3,, k)
A y B pueden ser: M, D, G
M: Modelo probabilstico
D: Modelo determinstico
G: Modelo general
El tamao de la cola desempea un papel en el anlisis de colas. Puede ser finito
(como en el rea intermedia entre dos mquinas sucesivas), o, para todos los
propsitos prcticos, infinita (como en las instalaciones de pedidos por correo).
La disciplina en colas, la cual representa el orden en que se seleccionan los
clientes en una cola, es un factor importante en el anlisis de modelos de colas. La
disciplina ms comn es la de primero en llegar, primero en ser atendido (FIFO,
por sus siglas en ingls). Entre otras disciplinas est: el ltimo en llegar es el
primero en ser atendido (LIFO, por sus siglas en ingls) y la de servicio en orden
aleatorio (SIRO, por sus siglas en ingls). Los clientes tambin pueden ser
seleccionados de entre la cola, con base en algn orden de prioridad. Por ejemplo,
los trabajos urgentes en un taller se procesan antes que los trabajos regulares.
La fuente de la cual se generan los clientes puede ser finita o infinita. Una fuente
finita limita la cantidad de clientes que llegan (por ejemplo las mquinas que
solicitan el servicio de un tcnico en mantenimiento). Una fuente infinita es, para
todo propsito prctico, por siempre abundante (como las llamadas que entran a un
conmutador telefnico).
11.5. Tipos de Colas:
- Una lnea, un servidor
El primer sistema que se muestra se llama un sistema de un servidor y
una cola o puede describir una consulta de un mdico.

- Una lnea, mltiples servidores:
El segundo, una lnea con mltiples servidores, es tpico de una
peluquera o una panadera en donde los clientes toman un nmero al
entrar y se les sirve cuando les llega el turno.

Cola
Servidor
Llegadas Salidas
Salidas
Salidas
Sistema de Colas
Servidor
Servidor
Cola
Servidor
Llegadas
Salidas
- Varias lneas, mltiples servidores
El tercer sistema, en que cada servidor tiene una lnea separada, es
caracterstico de los bancos y las tiendas de autoservicio. Para este tipo
de servicio pueden separarse los servidores y tratarlos como sistemas
independientes de un servidor y una cola. Esto sera vlido slo si
hubiera muy pocos intercambios entre las colas. Cuando el intercambio
es sencillo y ocurre con frecuencia, como dentro de un banco, la
separacin no sera vlida.

- Una lnea, servidores secuenciales

11.6. Caractersticas Importantes del Modelo
- Probabilidad de que no haya unidades en el sistema P0
Cola
Cola
Cola
Sistema de Colas
Servidor
Servidor
Servidor
Llegadas
Salidas
Salidas
Salidas
Cola
Cola
Sistema de Colas
Servidor
Servidor
Llegadas
Salidas
- El nmero promedio de unidades en la lnea de espera Lq
- Nmero promedio de unidades en el sistema L.
- Tiempo promedio que una unidad pasa en la lnea de espera Wq
- Tiempo promedio que una unidad pasa en el sistema W.
- Probabilidad que una unidad que llega tenga que esperar para recibir el
servicio Pw..
- Probabilidad de que haya n unidades en el sistema Pn
11.7. Modelos
Las variaciones en los elementos de una situacin de colas originan varios modelos
de colas matemticos.
11.7.1. Modelo M/M/1
Restricciones:
- La lnea de espera tiene un solo canal.
- El patrn de llegada sigue una distribucin probabilstica de Poisson.
- Los tiempos de servicio siguen una distribucin probabilstica
exponencial.
- La disciplina de la lnea de espera es Primero que Llega, Primero en
atenderse (PLPA).
Notaciones:
: Nmero promedio de llegada por periodo (tasa promedio de llegada).
: Nmero promedio de servicio por periodo (tasa promedio de servicio).
Las caractersticas de este modelo se pueden utilizar las siguientes
ecuaciones:
1. Probabilidad de que no haya unidades en el sistema.
=1
0
P

2. Nmero promedio de unidades en la lnea de espera
(largo de la fila).
) (
2

=
q
L

3. Nmero promedio de unidades en el sistema (largo
total).
+ =
q
L L

4. Tiempo promedio que una unidad pasa en la lnea de
espera.
q
q
L
W =

5. Tiempo promedio que una unidad pasa en el sistema.
1
+ =
q
W W

6. Probabilidad que una unidad que llega tenga que
esperar para obtener el servicio (factor de utilizacin).
=
w
P

7. Probabilidad que haya n unidades en el sistema.
0
P P
n
n (

Para utilizar estas ecuaciones se debe tener que: >
11.7.2. Modelo MMK
Restricciones:
- La lnea de espera tiene dos o ms canales.
- Tiene llegadas tipo Poisson.
- El patrn de servicio es de tipo exponencial.
- es lo mismo para todos los canales.
- Las unidades que llegan aguardan en una sola lnea de espera y despus
pasan al primer canal abierto para obtener el servicio.
- La disciplina de la fila es (PLPA)
Notacin:
: Tasa promedio de llegadas para el sistema.
: Tasa promedio de servicio para cada canal.
K: Nmero de canales.
Las frmulas son aplicables para k>
Las ecuaciones para este modelo son:
1. Probabilidad de que no haya unidades
en el sistema.
0
=
1
( /)
!
+
( /)
!
(

)
1
=0

2. Nmero promedio de unidades en la
lnea de espera (largo de la fila).
=
(/)
()
( 1)! ( )
2

0

3. Nmero promedio de unidades en el
sistema (largo total).
+ =
q
L L

4. Tiempo promedio que una unidad pasa
en la lnea de espera.
q
q
L
W =

5. Tiempo promedio que una unidad pasa
en el sistema.
1
+ =
q
W W
6. Probabilidad que una unidad que llega
tenga que esperar para obtener el
servicio (factor de utilizacin).
0
!
1
P
k
k
k
P
k
w
|
|
.
|
\
|
|
|
.
|
\
|
=

7. Probabilidad que haya n unidades en
el sistema.
Para n s k
Para n > k
0
) (
0
!
) / (
!
) / (
P
k k
P
P
n
P
k n
n
n
n
n
=
=

11.7.3. Modelo M/G/1
Notacin:
: Tasa promedio de llegadas para el sistema.
: Tasa promedio de servicio para cada canal.
1/: Tiempo promedio de servicio.
: Desviacin estndar del tiempo de servicio.
Las ecuaciones que se utilizan en este caso son:
1. Probabilidad de que no haya
unidades en el sistema.
=1
0
P

2. Nmero promedio de unidades en
la lnea de espera (largo de la fila).
) / 1 ( 2
) / (
2 2 2

o
+
=
q
L

el sistema (largo total).
+ =
q
L L

4. Tiempo promedio que una unidad
pasa en la lnea de espera.
q
q
L
W =

pasa en el sistema.
1
+ =
q
W W

6. Probabilidad que una unidad que
llega tenga que esperar para obtener
el servicio.
=
w
P

11.7.4. Modelo M/G/K Sin Lnea de Espera
Restricciones:
- El sistema tiene k canales.
- La llegada es tipo Poisson.
- Los tiempos de servicio para cada canal pueden tener cualquier
distribucin de probabilidad.
- La tasa promedio de servicio es la misma para todos los canales.
- En este caso se evala la probabilidad de que exactamente j de los k
canales estn ocupados para j = 0, 1,2,, k.
Este clculo se realiza mediante:
=
=
k
i
i
j
j
i
j
P
0
! / ) / (
! / ) / (

Es posible que el clculo ms importante sea Pk, que es la que todos
los canales estn ocupados.
Otra caracterstica que interesa en este caso es el promedio de
unidades que se encuentran en el sistema, y esta evaluacin se lleva a
cabo mediante:
) 1 (
k
P L =

11.7.5. Modelo M/M/1 Con Poblacin Demandante Finita
En este caso N es el tamao de la poblacin.
Restricciones:
- Tiene un solo canal.
- Poblacin a ser atendida finita.
- Llegada tipo Poisson.
- Tasa de servicio exponencial.
- Disciplina de cola PLPA.
Para evaluar este modelo se utilizan las siguientes ecuaciones:
1. Probabilidad de que no haya
unidades en el sistema.
=
|
|
.
|
\
|
=
N
n
n
n N
N
P
0
0
)! (
!
1

la lnea de espera (largo de la fila).
) 1 (
0
P N L
q
+
=

el sistema (largo total).
) 1 (
0
P L L
q
+ =

pasa en la lnea de espera.
) ( L N
L
W
q
q
=

pasa en el sistema.
1
+ =
q
W W

6. Probabilidad que haya n unidades
en el sistema.
n
n
n N
N
P
|
|
.
|
\
|
)! (
!

Para n = 0, 1, 2,, N
Anlisis Econmico de Lneas de Espera
Con el propsito de realizar un anlisis econmico de un sistema de lneas de
espera, debe desarrollarse un modelo de costo total, que incluye el costo de
espera y el de ofrecer el servicio.
Para desarrollar el modelo de costos totales para un sistema de lneas de espera,
se utiliza la siguiente notacin:
Cw: Costo de la espera por periodo para cada unidad.
L: nmero promedio de unidades en el sistema.
Cs: costo de servicio por periodo para cada canal.
K: nmero de canales.
CT: costo total por periodo
CT = CwL + CsK
La forma general de las curvas del costo de la espera, del costo del servicio y del
costo total, en modelos de lneas de espera se aprecia en el siguiente grfico:

11.8.1. Problema Aplicativo - MODELO M/M/1
Una fotocopiadora de la UNJFSC recibe un promedio de 35 clientes
por hora y los clientes suelen esperar un promedio de 1 minuto para ser
atendidos. Los clientes llegan con una distribucin de Poisson, as mismo
se asume que la atencin tiene una distribucin exponencial y que sigue
una poltica de el primero llegar, es el primero en ser atendido. El
modelo se considera con poblacin infinita y la longitud de fila ilimitada.

SE PIDE HALLAR:
a. Probabilidad de que no haya clientes en la bodega.
b. Nmero promedio de clientes esperando a ser atendido.
c. Nmero promedio de clientes en la bodega.
d. Tiempo promedio que cada cliente permanece en la cola.
e. Tiempo promedio que el cliente pasa en el sistema.
f. Probabilidad que un cliente que llega tenga que esperar para
obtener el servicio (factor de utilizacin)
g. Probabilidad que haya 2 clientes en el sistema.
SOLUCION:
:Nmero promedio de llegada: = 35 clientes/hora * 1/60 horas/minuto = 0,58
clientes/minuto.
: Nmero promedio de servicio por periodo (1min). = 1
Probabilidad de que no haya clientes sacando copias:
0
= 1

0
= 1
0.58
1

0
= 0.42
Nmero promedio de clientes esperando a ser atendido (en la cola)
=

2
( )

=
0.58
2
1(1 0.58)

= 0.80 => . 1
Nmero promedio de clientes en el Sistema(largo total)
=

= 0.80 +
0.58
1

= 1.38 => . 2
Tiempo promedio que un cliente pasa en la lnea de espera.
=
0.80
0.58

= 1.38
Tiempo promedio que el cliente pasa en el sistema.
=
+
1

= 1.38 +
1
1

= 2.38

Probabilidad que un cliente que llega tenga que esperar para obtener el
servicio (factor de uso del sistema).
=
0.58
1

= 0.58

Probabilidad que haya 2 clientes en el sistema.
1

0

=
0.58
1

2
0.42
= 0.14
11.8.2. Problema Aplicativo MODELO M/M/K
En la cabina de internet FORCES, que brinda el servicio de impresin
de documentos, ubicada en urb. Las brisas - Huacho, se considera que los
clientes llegan al establecimiento siguiendo una distribucin de Poisson,
por otro lado, la atencin que brinda tiene una distribucin exponencial y
la poltica de atencin que se sigue es el primero en llegar, primero en ser
atendido; en promedio llegan 10 clientes por hora, y el local cuenta con 2
servidores (impresoras), se ha estimado que un cliente puede ser atendido
en promedio en 2 minutos.
Determinar:
a. La probabilidad de que no haya ningn cliente a la cabina.
b. El numero promedio de clientes en espera.
c. El numero promedio de cliente en la cabina.
d. Tiempo promedio que un cliente espera para ser atendido.
e. Probabilidad de que un cliente que llega al establecimiento tenga
que esperar.
Solucin:
= 10/60 = 0.17 clientes/minuto.
= 1/2 = 0.5 clientes/minuto.
K = 2 servidores.
La probabilidad de que no haya ningn cliente en la cabina.
0
=
1
( /)
!
+
( /)
!
(

)
1
=0

0
=
1

(
0.17
0.5
)
0
0!
+
(
0.17
0.5
)
1
1!
+
(
0.17
0.5
)
2
2!
(
2(0.5)
2(0.5) 0.17
)

0
=
1
1 +0.34 +0.06(0.17)

0
= 0.42

Numero promedio de clientes en espera.

0
2
) ( )! 1 (
) / (
P
k k
L
k
q

=

42 . 0
) 17 . 0 5 . 0 * 2 ( )! 1 2 (
) 5 . 0 )( 17 . 0 ( ) 5 . 0 / 17 . 0 (
2
2

=
q
L
006 . 0 =
q
L Clientes.

Numero promedio de clientes en la cabina.
+ =
q
L L
5 . 0
17 . 0
006 . 0 + = L

35 . 0 = L Clientes.

Tiempo promedio que un cliente espera para ser atendido.
=
0.006
0.17

= 0.04

Probabilidad de que un cliente que llega al locutorio tenga que
esperar.
=
1
!
(
(

)
0

=
1
2!
(
0.17
0.5
)
2
(
2 0.5
2 0.5 0.17
) 0.42

= 0.03
11.9. Conclusiones
Los modelos de linea de espera si bien es cierto no resuelve directamente
el problema, lo que se busca es proporcionar a la empresa la informacin
vital que se requiere para tomar una decision, mostrandonos las
caractersticas de la lnea de espera, como son: el tiempo de espera
promedio, El nmero promedio de clientes en espera, etc.

11.9.2. Conclusiones de los Casos Aplicativos
En ambos casos desarrollados, se puede orbservar que la situacin actual
no es tn castastrfica, o lo que es lo mismo, no requiere una accin
inmediata puesto que el nmero promedio de clientes esperando a ser
atendido (en la cola), en ambos casos, es menor a 1. Otro indicador que
podemos apreciar es el tiempo promedio que un cliente pasa en la lnea
de espera. En el primer caso es de 1.38 minutos y en el segundo 0.04
minutos. Estos datos nos indican que este tiempo es relativamente bajo,
con respecto a otros servicios que se brindan en la sociedad, sin embargo
podran tomarse algunas acciones con el objetivo de optimizar el proceso
de atencin ayudando as a reducir estos indicadores, brindando as una
mejor calidad de servicio.
11.10. Bibliografa
- Tirt, Jhon (1995). Investigacin de Operaciones. (4ta ed.) Mxico: Mc
Graw Hill.
- Hurtado, Martin (2000). Teora de Colas y lneas de espera (1era ed.)
Mxico: Mc Graw Hill.
CAPITULO XII: Teora de Iinventario
12.1. Definicin
Explicar la diferencia entre el lote econmico sin dficit y el lote con
dficit.
El Modelo del Lote Econmico o modelo EOQ tiene bajo consideracin los
artculo que se sacarn en forma continua una tasa constante conocida y
denotada por d; es decir, la demanda es de d unidades por unidad de tiempo.
Tambin se supone que el inventario se reabastece (al producir u ordenar) un
lote de tamao fijo (Q unidades), donde las Q unidades llegan juntas en el
tiempo deseado.
K= costo de preparacin para ordenar un lote,
c= Costo unitario de producir o comprar cada unidad,
h= costo de mantener el inventario por unidad, por unidad de tiempo.
El objetivo consiste en determinar con qu frecuencia y en qu cantidad se
debe reabastecer el inventario de manera que se minimice la suma de estos
costos por unidad de tiempo.
En el Lote econmico sin Dficit el inventario se puede reabastecer cuando el
nivel baje lo suficiente, pero para ello se supondr primero que no se admiten
faltantes, con la tasa de demanda fija, se puede evitar los faltantes al
reabastecer el inventario cada vez que el nivel baje a cero.
Uno de los inconvenientes en la administracin de cualquier sistema de
inventarios es que ocurran faltantes., que no es otra cosa que la demanda que
no se satisface debido a que el inventario se agota. En el Lote Econmico con
Dficit toma en consideracin la suposicin anterior y sustituye slo el tercer
supuesto del modelo bsico EOQ por el siguiente supuesto:
Ahora que se permite faltantes planeados. Cuando ocurre un faltante, los
clientes afectados esperan que el producto est nuevamente disponible. Sus
rdenes pendientes se satisfacen de inmediato cuando llega la cantidad
ordenada para reabastecer el inventario.

- LOTE ECONOMICO DE PRODUCCION CON DEFICIT
Los supuestos para este modelo son las siguientes:
La demanda se efecta a tasa constante.
El reemplazo es instantneo (la tasa se reemplazo es finita).
Todos los coeficientes de costos son constantes.
La tasa de manufacturacin es mayor que la tasa de demanda
En la siguiente figura se ilustra esquemticamente este modelo.

Q = Cantidad optima a pedir
S = Cantidad de unidades agotadas
Im = Inventario Mximo
t = Periodo entre tandas de produccin
T = Periodo de Planeacin
t1 t4= Tiempo de manufacturacin
t2 t3= Tiempo de consumo de las unidades producidas.
El costo de un periodo de produccin estar determinado por la siguiente
ecuacin:

Por definicin tenemos

Otra manera de representar el costo de produccin para un periodo tenemos.

Multiplicando la ecuacin anterior por el nmero de periodos de produccin
tenemos el costo total para el periodo de planeacin:

Para determinar la cantidad ptima Q se obtienen las derivadas parciales con
respecto a Q y a S.

Realizando las operaciones correspondientes obtenemos como resultado:

- LOTE ECONOMICO DE PRODUCCION SIN DEFICIT
Las suposiciones de este modelo son las siguientes.
La demanda se efecta a tasa constante.
El reemplazo es instantneo (la tasa se reemplazo es finita).
Todos los coeficientes de costos son constantes.
La tasa de manufacturacin es mayor que la tasa de demanda.
Este modelo es muy similar al modelo de compra sin dficit. En este modelo
cambia el costo de ordenar una compra por el costo de iniciar una tanda de
produccin (C2).
Para determinar la cantidad optima a pedir, se sigue el procedimiento del
modelo de compra sin dficit.
En el siguiente esquema se representa este modelo.

Q = Cantidad optima a producir
R = Tasa de manufacturacin
Im = Inventario Mximo
t = Periodo entre tandas de produccin
T = Periodo de Planeacin
t1 = Tiempo en donde se cuenta con inventario disponible
t2 = Tiempo en donde no se cuenta con inventario
El costo de organizar una tanda por periodo estar determinado por El tiempo
entre tandas de produccin estar definido por

Puesto que las unidades se utilizan de acuerdo a su definicin el inventario
mximo por periodo es el tiempo de manufacturacin t1 multiplicado por la
tasa de acumulacin, en donde la tasa de acumulacin es la tasa
manufacturacin R menos la tasa de demanda D, obteniendo como resultado:
Im= t1(R - D)
El tiempo de manufacturacin es el tiempo requerido para fabricar Q
unidades:

Por consiguiente el inventario mximo estar definido por:

Otra forma de representar el costo por periodo es de la forma siguiente:

Para determinar el costo total por el periodo de planeacin se proceder a
multiplicar el costo por periodo por el nmero de tandas de produccin.

Para encontrar la cantidad optima a producir se derivada esta ecuacin y se
iguala con cero.

En donde el valor de Q se puede obtener mediante la siguiente ecuacin:

Esta cantidad ptima que debe fabricarse representa un balance entre los
costos de almacenamiento y los costos de organizacin de una tanda de
produccin.
12.2. Bibliografa
- http://www.investigacion-operaciones.com/Modelo%20Inventarios.htm
- http://enlaweb.com.mx/io2/teoria-de-inventarios.php
- http://iqanalytics.com/Samplebooks/operaciones/casos.pdf
- http://modelosmatematicos01.blogspot.com/2011/02/lote-economico-de-
produccion-sin.html
- http://modelosmatematicos01.blogspot.com/2011/02/lote-economico-de-
produccion-con.html
- http://investoperaciones-jairot.blogspot.com/2011/02/lote-economico-de-
produccion-epq.html
- ftp://200.60.110.5/Docentes/Dpto_IS/Humberto_Chavez/Cursos/Investig
acion_Operaciones/Sesion_2/Modelos%20y%20Programacion%20Linea
l.pdf

Io Final

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Io Final

Transféré par

Droits d'auteur :

Formats disponibles

UNI VERS I DAD NACI ONAL

) de los costos por actividad que

muestra el alzamiento o abatimiento del proyecto a la

para cada actividad por unidad de tiempo se

: Costo estimado para la actividad j con reduccin mxima.

: Costo estimado para la actividad j con tiempo normal esperado.

: Tiempo normal para la actividad j.

: Tiempo para la actividad j con reduccin mxima.

: Tiempo de ocurrencia del evento .

: Tiempo de reduccin para la actividad j.

) > 0 (4)(2) (1) > 0

= Valor ptimo de juego. (Que no perjudique a ninguno de los 2

usando la estrategia dominante.

Vous aimerez peut-être aussi