MÉTODOS CUANTITATIVOS PARA LA TOMA DE DECISIONES 1ER TRIMESTRE

TEMA 1: INTRODUCCIÓN

El área de Métodos Cuantitativos para la Toma de Decisiones tiene como base el método
científico para investigar y ayudar a tomar decisiones sobre problemas complejos de las
organizaciones de hoy en día.

¿Qué es el Análisis Cuantitativo?

Es una ciencia que ofrece al decisor, gerente o director de una organización

metodologías y técnicas que le permite evaluar varias alternativas y escoger la mejor
para su organización.

¿Qué es la Investigación Operativa?

Es una herramienta para ayudar a tomar decisiones.

Tiene como base el método científico para investigar y ayudar a tomar decisiones
sobre problemas complejos de las organizaciones de hoy en día.

DATOS  ANÁLISIS CUANTITATIVA  INFORMACIÓN RELEVANTE

VENTAJAS DEL MÉTODO CIENTÍFICO

- Los modelos representan la realidad (o parte de ella)

- Los modelos ayudan a formular problemas
- Los modelos proporcionan perspectivas e información
- Los modelos ahorran tiempo y dinero en la toma de decisiones
- Los modelos pueden ser la única vía para resolver grandes problemas
- Los modelos permiten comunicar problemas y soluciones a los demás

PROBLEMAS DEL MÉTODO CIENTÍFICO

- Definición de un problema:
➢ Puntos de vista en conflicto
➢ Interacción con otros problemas
➢ Supuestos iniciales
➢ Problema evoluciona

- Desarrollo del modelo matemático

➢ Comprensión del modelo
➢ Validez de los datos de entrada

- Desarrollo solución
➢ Matemáticas difíciles de comprender
➢ Respuesta única (vs gama de opciones)
➢ Prueba de solución

- Análisis de resultados e implementación

➢ Difícil de convencer a la dirección
TEMA 2: PROGRAMACIÓN LINEAL

PROPIEDADES

- Los problemas buscan maximizar o minimizar un objetivo.

- Las restricciones limitan el grado al cual el objetivo puede ser alcanzado.
- Debe haber diversas alternativas disponibles.
- Las relaciones matemáticas son lineales.

COMPONENTES DE PL:

- Función objetivo: maximizar o minimizar

- Variables de decisión
- Restricciones

METODOLOGÍA DE PL:

1. Entender el problema ¿Qué pasa?

2. Identificar el objetivo ¿Qué queremos?
3. Definir variables  ¿Qué podemos variar?
4. Identificar restricciones ¿Qué debemos cumplir?
5. Escribir el modelo en términos matemáticos ¿Cómo lo hacemos?
6. Pasar el problema a la hoja de cálculo

EJEMPLO
MIN Z= X1 + X2 + X3 + X4 + X5 + X6
Restricciones X6 + X1 ≥ 9
X1 + X2 ≥ 8 PASAR EL PROBLEMA A LA HOJA
X2 + X3 ≥ 3 DE CÁLCULO.
X3 + X4 ≥ 7 RESOLVER CON SOLVER
X4 + X5 ≥ 5
X5 + X6 ≥ 4
Xj ≥ 0, j= 1,...,6.

SOLUCIÓN  SE NECESITAN 19 PERSONAS

MIRAR PDF PARA MÁS EJEMPLOS!!!!

TEMA 3: APLICACIONES DE PROGRAMACIÓN LINEAL

Ejemplos de aplicación de PL a problemas de:

- Operaciones
- Marketing
- Finanzas
- RRHH
- Logística
TEMA 4: MODELOS DE TRANSPORTE Y ASIGNACIÓN

MODELO DE TRANSPORTES:
Cómo distribuir los productos minimizando los costes totales de transporte.

EJEMPLO:

Datos a tener en cuenta:

• m = nº de almacenes (orígenes)
• n= nº de tiendas (destinos)
• ai = nº de unidades disponibles en el origen i
• bj = nº de unidades demandadas en el destino j
• cij = coste de transporte de una unidad desde el origen i hasta el destino j

Método de resolución  SOLVER/PL

MODELO DE ASIGNACIÓN:

Trata de asignar un número de orígenes a un mismo número de destinos de

manera que optimice alguna medida de eficacia.

Datos a tener en cuenta:

• n= número de individuos = número de tareas

• cij = puntuación/coste de asignar el individuo i a la tarea j
OBJETIVO  MINIMIZAR LOS COSTES O MAXIMIZAR LA PUNTUACIÓN

EJEMPLO: Cuantos trabajos pueden ser realizados por las cuatro máquinas de
un taller. Las horas requeridas por cada trabajo en cada máquina se presentan
en la tabla siguiente. El supervisor dela planta desea asignar los trabajos de
modo que el tiempo total de producción sea el mínimo. Determine la mejor
asignación.

Solución:
El trabajo 1 es asignado a la máquina 1 SOLVER (PONER 0)
El trabajo 2 es asignado a la máquina 4
El trabajo 3 es asignado a la máquina 3
El trabajo 4 es asignado a la máquina 2

PROBLEMA DE TRANSBORDO:

Problema especial del modelo de TRANSPORTES. Los productos deben pasar

por un punto intermedio (transbordo) andes de llegar al destino final.
 Frosty quiere minimizar los costes de transporte asociado a los envíos de los
productos para cumplir con la demanda en los tres destinos sin exceder la
oferta de las fábricas.

Variables de decisión:

- T1 = número de unidades enviadas de Toronto a Chicago

- T2 = número de unidades enviadas de Toronto a Buffalo
- D1 = número de unidades enviadas de Detroit a Chicago
- D2 = número de unidades enviadas de Detroit a Buffalo
- C1 = número de unidades enviadas de Chicago a NY
- C2 = número de unidades enviadas de Chicago a Philadelphia
- C3 = número de unidades enviadas de chicago a St Louis
- B1 = número de unidades enviadas de buffalo a Ny
- B2 = número de unidades enviadas de Buffalo Philadelphia
- B3 = número de unidades enviadas de Buffalo a St Louis

Restricciones:

- Capacidad de envíos a las fábricas

- Satisfacer la demanda de los clientes
- Puntos de transbordo, lo que entra debe salir…

MINIMIZAR EL COSTE TOTAL = 4T1 + 7T2 + 5D1 + 7D2 + 6C1 + 4C2 + 5C3 + 2B1 + 3B2 + 4B3

SUJETO A:

- T1 + T2 ≤ 800 (envio desde Toronto)

- D1 + D2 ≤ 700 (envio desde Detroit)
- C1 + B1 = 450 (pedido de New York)
- C2 + B2 = 350 (pedido de Philadelphia)
- C3 + B3 = 300 (pedido de St Louis) T
- 1 + D1 = C1 + C2 + C3 (transbordo Chicago)
- T2 + D2 = B1 + B2 + B3 (transbordo Buffalo)
- T1, T2, D1, D2, C1, C2, C3, B1, B2, B3 ≥ 0
SOLUCIÓN:
TEMA 5: PROGRAMACIÓN LINEAL ENTERA

Extensión de la Programación Lineal

- Modelos de PL  Las variables de decisión son continuas

- Modelos de PLE  Algunas o todas las variables son enteras
▪ Programación Entera Pura  Todas las variables son enteras
▪ Programación Entera Mixta  Algunas variables son enteras
▪ Programación Lineal Binaria  Hacer o no hacer / Acciones Binarias

ALGORITMO DE BIFURCACIÓN Y ACOTAMIENTO:

1. ALGORITMO SIMPLEX:
- Obtener una solución inicial del problema relajado. (Prob. Relajado = variable
continuas)
- Si las variables especificadas como enteras tienen valores enteros  SOLUCIÓN
ÓPTIMA
- En caso contrario: Aplicar Algoritmo de Bifurcación y Acotamiento (ABA)

2. ALGORITMO DE BIFURCACIÓN Y ACOTAMIENTO:

En cada interacción:
- Escoger una variable que presenta una solución NO-ENTERA
- Dividir el problema en dos SUB-PROBLEMAS, añadiendo en casa uno de ellos una
nueva restricción.  Acotar la variable por su valor entero superior o inferior

3. CADA SUB-PROBLEMA:
- Método Simplex
- Se verifica si la solución es entera
(Sí, solución óptima para sub-problema/ No, se vuelva a bifurcar)
- El proceso se realiza en todas las ramificaciones del árbol.

Un nodo o sub-problema se agota en las siguientes situaciones:

1. Se alcanza una solución entera

2. El problema es INFACTIBLE
3. Se obtiene una solución con variables NO ENTERAS pero
no es necesario continuar dado que ésta no es mejor
que una solución entera que se ha alcanzado
previamente
PROGRAMACIÓN LINEAL BINARIA:
MODELOS DE LOCALIZACIÓN:

Son modelos más sofisticados de Investigación Operativa.

- Modelos de p-mediana
- Modelos de cobertura
- Modelos de localización con capacidades

MODELOS DE P-MEDIANA
Localización de p centros/locales para servir una determinada población.
¿Cuál es la mejor ubicación de estos centros?
▪ Minimizando costes de transporte
▪ Minimización de tiempos/distancias
▪ Etc…
EJEMPLO: Problema de localización de p servicios
Considera que tenemos que ubicar 3 escuelas para servir 9 distritos. Todos
los distritos deben estar asignados a una escuela. Los tiempos de traslado
están indicados en la tabla siguiente:

¿Cuál es la mejor ubicación de los 3 centros minimizando los tiempos

totales de traslado?
 1. Cada distrito se asigna a 1 solo distrito/escuela.
2. Cada distrito, si tiene escuela, puede tener asignados distritos. Si no tiene
escuela, no puede tener asignados.
3. La suma de escuelas en todos los distritos es p.

MODELOS DE COBERTURA MÁXIMA:

EJEMPLO: Problema de localización con total cobertura.

¿Cuál es el número mínimo de centros que tenemos que abrir en una red de forma que
se cubra toda la demanda (la población dentro de un tiempo estándar?

Tiempo máximo de traslado = 5 unidades de tiempo

- Datos:
✓ m = número de centros potenciales
✓ n= número de poblaciones a cubrir
✓ dij = distancia entre el centro i y la población j
✓ Dmax = Distancia máxima entre cualquier centro y población permitida

SE RESUELVE CON SOLVER!!!!

LOCALIZACIÓN CON CAPACIDAD:

Problema de localización con capacidades:

- Encontrar la ubicación de Servicios

- Minimizar los costes de transporte + costes fijos de instalación
- Considerar las restricciones de capacidad en los servicios

EJEMPLO: Problema de localización con capacidades

Considera que tenemos 5 potenciales ubicaciones para los laboratorios que deben servir 10
centros de extracción.
Todos los centros deben estar asignados a un laboratorio.
Los costes de traslado están indicados en la tabla siguiente:

- Datos:
✓ m = número de laboratorios potenciales
✓ n = número de centros de extracción
✓ cij = coste de asignar el centro i al laboratorio j
✓ fj = coste de abrir el laboratorio en j
✓ di = demanda del centro i
✓ qj = capacidad máxima del laboratorio en j

RESOLVER CON SOLVER!!!!

TEMA 6: MODELOS MULTIOBJETIVO

La mayor parte de los problemas de optimización del mundo real son naturalmente multiobjetivo.

Suele tener dos o más funciones objetivo que deben satisfacerse simultáneamente y que
posiblemente están en conflicto entre si.
 MÉTODOS DE RESOLUCIÓN:

 Método de las restricciones

Todos los objetivos del problema, menos uno, se introducen en el conjunto de restricciones
fijando arbitrariamente el lado derecho de cada nueva restricción.

- Escoger una función objetivo

- El resto de objetivos pasan a ser restricciones (el valor a la derecha será el obtenido
al optimizar la función objetivo escogida y el signo >= si es a maximizar y <= si es a
minimizar.
- A la derecha sumamos o restamos (función a maximizar o minimizar) épsilon que va
incrementándose.
- El rango de épsilon se calcula para que el calor a la derecha se mueva entre el valor
obtenido cuando optimiza la función objetivo escogida y cuando se optimiza la
función objetivo que ahora es restricción.
- Obtenemos la solución para la función objetivo
- Calculamos el valor del resto de objetivos con el calor de esas variables de decisión
- Representamos los valores de los objetivos
 Método de los pesos
Se forma un único objetivo sumando los objetivos del modelo ponderando por unos pesos
relativos.
Los pesos son parámetros.
- Establecemos la función objetivo como la suma de todas las funciones objetivo (cada
una con un peso)
- Damos valores a los pesos
- Obtenemos la solución óptima
- Para los correspondientes valores de las variables de decisión calculamos los valores
de las funciones objetivo individuales
- Representamos los valores de las funciones objetivo
 Método gráfico:
1. Dibujar la región factible con las restricciones.
2. Comprobar el valor de todos los objetivos en cada vértice
3. Representar los valores de los objetivos
4. Ver qué soluciones están dominadas y quedarnos con las no dominadas (tomar
como referente el mejor valor de cada objetivo)
TEMA 7: OPTIMIZACIÓN POR METAS

 Programación por metas:

Las metas establecidas por la gerencia solo pueden lograrse a expensas de otras
metas.

- Se debe establecer una jerarquía de importancia, de modo que las metas de mayor
prioridad se satisfagan antes que aquellas de menor importancia
- No siempre es posible alcanzar las metas de forma satisfactoria, y la programación
por metas intenta alcanzar un nivel satisfactorio de objetivos múltiples.
- La diferencia principal se encuentra en la función objetivo de la programación de
metas, que trata de minimizar las desviaciones entre las metas y lo que se puede
lograr realmente dentro de las restricciones dadas.

CARACTERÍSTICAS:

- La función objetivo siempre busca MINIMIZAR

- Por cada meta existirá una restricción meta
- Las metas se satisfacen en una secuencia ordinal. Es decir, las metas se clasifican en
orden de prioridad por el tomador de decisiones y son satisfechas secuencialmente
por el algoritmo.
- Las metas con prioridad baja se consideran solamente después de que las metas de
prioridad alta se han cumplido.
- Es un proceso de satisfacción, en el sentido de que el tomador de decisiones tratará
de alcanzar un nivel satisfactorio en vez del mejor resultado posible para un solo
objetivo.

PASOS:

1. Decidir la prioridad de cada meta.

2. Crear las variables de desvío di+ o di- para cada meta: una para representar la
cantidad en la que la meta se pasa del valor especificado y otra para representar la
cantidad que está por debajo.
➢ Los valores de di+ y di- son >=0. Al menos una de las dos variables tendrá que ser 0.
➢ di+ y di- tomarán el valor 0 cuando la meta alcance exactamente su nivel de
aspiración
➢ di+ o di- se dice que no es deseada cuando al centro decisor le conviene que la
variable en cuestión alcance su valor más pequeño, es decir, 0.

3. Identificación de la función objetivo: identificar qué variables de desviación se quieren

minimizar (no deseadas) y decidir el peso de cada meta.

4. Usar las restricciones originales y añadir una nueva restricción por cada meta usando
di* y di-
 Optimización por metas:
EJEMPLO: Harrison Electric Company produce dos productos: CANDELABROS y
VENTILADORES DE TECHO. Ambos requieren un proceso de producción de dos pasos que
implican cableado eléctrico y ensamble.
- 2 horas para cablear cada candelabro y 3 horas para un ventilador
- Ensamble candelabros requiere 6 horas y ensamble ventilador requiere 5 horas.
- La capacidad de producción disponible es de 12h para el cableado y 30h para el
ensamble.

El beneficio de la venta de un candelabro es de 7€ y de un ventilador es de 6€.

META 1  Producir un beneficio de 30€.

META 2  Utilizar por completo las horas disponibles en el departamento de cableado.
META 3  Evitar el tiempo extra en el departamento de ensamble.
META 4  Satisfacer el requisito contractual de producir por lo menos 7 ventiladores.

ASIGNAR
PRIORIDADES
TEMA 8: MODELOS EN REDES

TERMINOLOGÍA DE REDES:

- Conjunto de n puntos  Nodos o Vértices (A)

- aeropuertos, puntos de conmutación, centros de trabajo...
- Conjunto de m líneas  Arcos o Aristas (E)
- caminos, líneas aéreas, cables, tuberías
- Arcos tienen dirección implícita
- Aristas no tienen dirección o son bidireccionales

 Problema de la ruta más corta:

Encontrar el camino más corto entre dos puntos.
EJEMPLO: Todos los días Jordi transporta sus productos de la fábrica al almacén. ¿Cuál
es la ruta más corta?

Es el método ALGORITMO DE DIJKSTRA

 Árbol de expansión mínima:
Conectar todos los puntos de una red minimizando la distancia total.
- Modelo:
o Red conexa y no dirigida
o A cada arco se asocia una distancia
o Árbol de expansión  NO CONTIENE CICLOS
o El objetivo es encontrar el árbol de expansión con la longitud mínima total

EJEMPLO: Construcciones Mar está desarrollando un nuevo complejo turístico

de 8 casas. ¿Cuál es la forma más barata de suministrar agua a todas las casas?

Se soluciona fácilmente con el ALGORITMO DE PRIM:

- Seleccionar cualquier nodo de la red
- Conectar este nodo al nodo más cercano que minimiza la distancia total
- Considerar todos los nodos que ahora están conectados, encontrar y conectar el
nodo más cercano que no esté conectado
• No puede formar un ciclo cerrado
 • Si hay un empate para el nodo más cercano, seleccionar uno
arbitrariamente. Un empate sugiere que puede haber más de una solución
óptima.
- Repetir el tercer paso hasta que todos los nodos estén conectados.
 Problema del flujo máximo:
Determinar el número máximo
Se soluciona con el ALGORITMO DE FLUJO MÁXIMO:
- Elija cualquier camino de origen al destino con flujo positivo. Si no existe ningún
camino, entonces llegó a la solución óptima.
- Localice el arco en el camino con la capacidad más pequeña disponible. Llame C a
esta capacidad. Ésta representa la capacidad máxima adicional que puede ser
asignada a esta ruta.
- Por cada nodo que haya en este camino, disminuya la capacidad de flujo en la
dirección del flujo en la cantidad C. Por cada nodo en el camino incremente la
capacidad de flujo en la dirección inversa en la cantidad C.
- Repita los pasos hasta que no sea posible incrementar el flujo.

(MIRAR PDF)