INVESTIGACIN DE OPERACIONES II Anglica Gutirrez Limn

OBJETIVO:Aplicar a situaciones reales los

principales modelos y tcnicas determinanticas y angelicagtz@gmail.com
probabilsticas de la Investigacin de Operaciones
para la toma de decisiones ptima.

SESION TEMA

UNIDAD UNO
1 Programacin dinmica
1.1 Caractersticas de los problemas de programacin dinmica: etapas, estados, frmula recursiva,
2 programacin en avance y en retroceso
1.2 Algunos ejemplos de modelos de P.D. Al estudiar cada aplicacin ponga especial atencin a
los tres elementos bsicos de un modelo de programacin dinmica.

1. Definicin de las etapas

2. Definicin de las alternativas en cada etapa
3. Definicin de los estados para cada etapa

En general, de los tres elementos, la definicin de estado suele ser la ms sutil. Al investigar
cada aplicacin (diferentes ejemplos de modelos de P.D.), encontrar til tener en cuenta las
preguntas siguientes:

1. Qu relaciones vinculan entre s a las etapas?

2. Qu informacin se necesita para tomar decisiones factibles en la etapa actual sin
volver a examinar las decisiones tomadas en las etapas anteriores?

Algunos ejemplos de modelos de P.D. son:

Problema de la mochila/ equipo de vuelo/ carga del contenedor
Modelo del tamao de la fuerza de trabajo
Modelo de reposicin de equipo
FUENTE: http://www.itescam.edu.mx/principal/sylabus/rptSylabus.php?
3 tipo=PDF&id_asignatura=447&clave_asignatura=INB-0412&carrera=IIND0405001
4 1.2 Algunos ejemplos de modelos de P.D.
Al estudiar cada aplicacin ponga especial atencin a los tres elementos bsicos de un modelo de programacin
dinmica.
4. Definicin de las etapas
5. Definicin de las alternativas en cada etapa
6. Definicin de los estados para cada etapa
En general, de los tres elementos, la definicin de estado suele ser la ms sutil. Al investigar cada aplicacin
(diferentes ejemplos de modelos de P.D.), encontrar til tener en cuenta las preguntas siguientes:
3. Qu relaciones vinculan entre s a las etapas?
4. Qu informacin se necesita para tomar decisiones factibles en la etapa actual sin volver a examinar las
decisiones tomadas en las etapas anteriores?
Algunos ejemplos de modelos de P.D. son:
 Problema de la mochila/ equipo de vuelo/ carga del contenedor
Modelo del tamao de la fuerza de trabajo
Modelo de reposicin de equipo
FUENTE: www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r26320.DOC
5 1.3 Programacin dinmica determinstica.
 1.4 Programacin dinmica probabilstica.
6
1.4 Programacin dinmica probabilstica.
PROGRAMACION DINAMICA PROBABILISTICA
La programacin dinmica probabilstica difiere de la programacin dinmica determinstica en que el estado de la
etapa siguiente no queda completamente determinado por el estado y la decisin de la poltica en el estado actual.
En lugar de ello existe una distribucin de probabilidad para lo que ser el estado siguiente. Sin embargo, esta
distribucin de probabilidad todava esta completamente determinada por el estado y la decisin de la poltica del
estado actual. En la siguiente figura se describe diagramticamente la estructura bsica que resulta para la
programacin dinmica probabilstica, en donde N denota el nmero de estados posibles en la etapa n+1. Para ver el
grfico seleccione la opcin "Descargar" del men superior
Cuando se desarrolla de esta forma para incluir todos los estados y decisiones posibles en todas las etapas, a veces
recibe el nombre de rbol de decisin. Si el rbol de decisin no es demasiado grande, proporciona una manera til
de resumir las diversas posibilidades que pueden ocurrir.
7 FUENTE: http://www.monografias.com/trabajos23/planeacion-requerimientos/planeacion-requerimientos.shtml#programac
 1.5 Problema de dimensionalidad en P. D.

8 Fuente: Taha, Investigacion de Operaciones, Mexico 2006

9 1.6 Uso de programas de computacin

PROGRAMAS DE COMPUTACIN PARA RESOLVER

PROBLEMAS DE PROGRAMACION LINEAL

En esta pagina, se presenta la documentacin relativa a los programas de computacin que sern utilizados en el
curso para resolver problemas de programacin Lineal, adicionalmente, el alumno puede bajar los programas de
computacin con fines acadmicos, con miras a resolver los problemas propuestos del curso y no deben ser
utilizados con fines comerciales ya que los mismos estn protegidos por las leyes de derechos de autor.

A.-) PROGRAMAS DE COMPUTACIN

Adicional al programa SOLVER, incluido en EXCEL-2000 de MIcrosoft (cuya explicacin didctica del
funcionamiento del programa Solver (445 kb), se incluye en este documento que puede ser bajado por Usted), se
incorporan otros programas que operan bajo sistema WIndows 98/ME/2000/XP, debiendo disponer de una
computadora actualizada con procesador Pentium II y superiores, memoria mnima de 256 kb y capacidad de disco
de 50 MB y los cuales pueden ser bajados a continuacin:.

A.1) El programa WinQSB (3.9 Mb), cuya propiedad intelectual es del Dr. Yih-Long Chang y es aplicable a todos
los problemas de Investigacin de Operaciones. Para conocer sus usos y aplicaciones, se incorpora el MANUAL
DE USO del WINQSB.

A.2) El programa PrgLin, cuya propiedad es de la Universidad de Lisboa (Portugal), el cual se aplica para
soluciones grficas de problemas de dos dimensiones.

A.3) El programa InvOp (361 kb), desarrollado por la Universidad del Cuyo en Argentina, se aplica para la solucin
de problemas relacionados con transporte y redes.

A.3) El programa Lingo, propiedad de Lindo Systems Inc (USA), que dado su gran tamao (18.9 Mb), se
recomienda que Usted lo recupere directamente de la pagina Web del propietario de dicha tecnologia http://
www.lindo.com

Posteriormente se irn incorporando otros programas de computacin especficos para cada caso y cuyo uso ser
descrito mediante ejemplos en la Clase.

B.-) USO DEL PROGRAMA SOLVER DE EXCEL (Microsoft)

Para conocer la aplicacin del mtodo SOLVER de EXCEL (Microsoft), se utilizar un ejemplo prctico:

Max Z= 10 X1 + 8 X2
Sujeto a:
30X1 +20X2 <= 120
2X1 + 2X2 <= 9
4X1 + 6X2 <= 24

X1,X2 >=0

La nica dificultad que tenemos es el de modelar el programa dentro del Excel, y eso, es muy fcil. Por supuesto,
hay infinidad de maneras de hacerlo, aqu propongo una.

Se activa Excel y en una hoja...

Se ubican las celdas que se correspondern con el valor de las variables de decisin; en ste
caso, las celdas B6 y C6, se les da un formato para diferenciarlas de las dems, aqu azul oscuro
(ver captura abajo). Se ubica tambin, las celdas que contendrn los coeficientes de las variables
de decisin, B4 y C4, y se llenan con sus respectivos valores, 10 y 8. Aunque ste ltimo paso, se
podra omitir y dejar los coeficientes definidos en la celda de la funcin objetivo, as es mejor para
los anlisis de sensibilidad y para que la hoja quede portable para otro programa.

Se ubica la celda que se corresponder con la funcin objetivo (celda objetivo), la B3. En ella se
escribe la funcin que sea, en ste caso, ser el coeficiente de X1 (en B4) por el valor actual de X1
(en B6) mas el coeficiente de X2 (en C4) por el valor actual de X2 (en C6) O sea: =$B$4*$B$6+
$C$6*$C$4

Coeficientes para la primera restriccin: los podemos escribir en la misma columna de las
variables de decisin; en las celdas B7 y C7, con los valores 30 y 20, seguido del sentido de la
desigualdad (<=) y de su correspondiente RHS: 120. A la derecha ubicaremos el valor actual de
consumo de la restriccin, ella se escribir en funcin de las variables de decisin y de los
coeficientes de la restriccin. Esta celda, la utilizar Solver como la real restriccin, cuando le
digamos que el valor de sta celda no pueda sobrepasar la de su correspondiente RHS. De nuevo
ser el valor del coeficiente por el de la variable:=B7*$B$6+C7*$C$6. Notese que ahora B7 y C7
no tienen el signo $. Pues es que luego que se haya escrito sta celda, se podr arrastrar hacia
abajo para que Excel escriba la frmula por nosotros (la pereza!), pero tome los valores relativos a
los coeficientes que le corresponda a los mismos valores de las variables de decisin. Se repite
los pasos anteriores para las otras restricciones, pero ahora la frmula ser: =B8*$B$6+C8*$C$6 y
=B9*$B$6+C9*$C$6.

El resto del formato es para darle una presentacin ms bonita a la hoja. Ahora a resoverlo! Al hacer click en
Herramientas , Solver se tendr una pantalla como la siguiente. Lo primero que hay que hacer es especificar la
celda objetivo y el propsito: maximizar. Se escribe B3 (o $B3 B$3 $B$3 como sea, da igual), en el recuadro
"cambiando las celdas", se hace un click en la flechita roja, para poder barrer las celdas B6 y C6; lo mismo da si
se escriben directamente los nombres.
Y ahora para las restricciones: se hace click en agregar...

En F7 est la primera restriccin, como se puede ver en la captura. Se especifica el sentido de la restriccin <=, >=
=. Aqu tambin se puede especificar el tipo de variable, por defecto es continua, pero se puede escoger "Int"
para entera o "Bin" para binaria. En el recuadro de la derecha establecemos la cota. Aqu podemos escribir 120
pero mejor escribimos $E$7 para que quede direccionado a la celda que contiene el 120, y despus lo podramos
cambiar y volver a encontrar la respuesta a manera de anlisis de sensibilidad.

Se repite ste paso para las otras dos restricciones.

La condicin de no negatividad hay que incluirla manualmente, as:

 El cuadro de dilogo debe lucir as:

Y listo! Se hace click en resolver y ya. Parece un poco largo en comparacin con los otros paquetes de
programacin lineal, pero esto se har slo una vez, para los prximos programas se podr utilizar la misma hoja
cambiando los coeficientes. Sin embargo, como se puede notar, la flexibilidad de modelar es muy grande, y se
puede introducir directamente en una hoja donde se haga el anlisis de Planeacin Agregada, Transporte,
Inventario, Secuencias, balanceo, etc.

Regresar Pagina Principal

Fuente: http://www.investigacion-operaciones.com/Metodos_computacionales.htm

10 UNIDAD DOS
Teora de Colas
Introduccin
Todos hemos experimentado en alguna ocasin la sensacin de estar perdiendo el tiempo al esperar en una cola. El fenmeno
de las colas nos parece natural: esperamos en el coche al estar en un tapn, o un semforo mal regulado, o en un peaje;
esperamos en el telfono a que nos atienda un operador y en la cola de un supermercado para pagar.... Como clientes no
 queremos esperar, los gestores de los citados servicios no quieren que esperemos.... Por qu hay que esperar? La respuesta es
casi siempre simple, en algn momento la capacidad de servicio ha sido (o es) menor que la capacidad demandada.
Generalmente esta limitacin se puede eliminar invirtiendo en elementos que aumenten la capacidad. En estos casos la pregunta
es: Compensa invertir? La teora de colas intenta responder a estas preguntas utilizando anlisis matemticos detallados.
Fuente: http://personales.upv.es/jpgarcia/LinkedDocuments/Teoria%20de%20colas.pdf

Con el objeto de verificar si una situacin determinada del sistema de lneas de espera se ajusta o no a un modelo
conocido, se requiere de un mtodo para clasificar las lneas de espera. Esa clasificacin debe de responder
preguntas como las siguientes:

1.- El sistema de lneas de espera tiene un solo punto de servicio o existen varios puntos de servicio en
secuencia?

2.-Existe solo una instalacin de servicio o son mltiples las instalaciones de servicio que pueden atender a una
unidad?

3.- Las unidades que requieren el servicio llegan siguiendo algn patrn o llegan en forma aleatoria?

4.- El tiempo que requieren para el servicio se da en algn patrn de o asume duraciones aleatorias de tiempo?
2.1 Introduccin y casos de aplicacin.
Un sistema de colas se puede describir como: clientes que llegan buscando un servicio,
esperan si este no es inmediato, y abandonan el sistema una vez han sido atendidos. En algunos casos
se puede admitir que los clientes abandonan el sistema si se cansan de esperar.
El trmino cliente se usa con un sentido general y no implica que sea un ser humano, puede
significar piezas esperando su turno para ser procesadas o una lista de trabajo esperando para imprimir
en una impresora en red.
servicio
clientes que
abandonan
clientes
llegando
clientes
servidos
Figura 1 Un sistema de cola tpico
Aunque cualquier sistema se puede representar como en la figura 1, debe quedar claro que una
representacin detallada exige definir un nmero elevado de parmetros y funciones.
La teora de colas fue originariamente un trabajo prctico. La primera aplicacin de la que se
tiene noticia es del matemtico dans Erlang sobre conversaciones telefnicas en 1909, para el clculo
Teora de Colas
Mtodos Cuantitativos de Organizacin Industrial
Pgina 3 de 54
de tamao de centralitas. Despus se convirti en un concepto terico que consigui un gran
desarrollo, y desde hace unos aos se vuelve a hablar de un concepto aplicado aunque exige un
importante trabajo de anlisis para convertir las frmulas en realidades, o viceversa.
11
12 2.2 Definiciones, caractersticas y suposiciones.
Seis son las caractersticas bsicas que se deben utilizar para describir adecuadamente un
sistema de colas:
a) Patrn de llegada de los clientes
b) Patrn de servicio de los servidores
c) Disciplina de cola
d) Capacidad del sistema
e) Nmero de canales de servicio
f) Nmero de etapas de servicio
Algunos autores incluyen una sptima caracterstica que es la poblacin de posibles clientes.
 Fuente: http://personales.upv.es/jpgarcia/LinkedDocuments/Teoria%20de%20colas.pdf

2.3 Terminologa y notacin.

En situaciones de cola habituales, la llegada es estocstica, es decir la llegada depende de una cierta variable aleatoria, en este
caso es necesario conocer la distribucin probabilstica entre dos llegadas de cliente sucesivas. Adems habra que tener en
cuenta si los clientes llegan independiente o simultneamente. En este segundo caso (es decir, si llegan lotes) habra que definir
la distribucin probabilstica de stos. Tambin es posible que los clientes sean impacientes. Es decir, que lleguen a la cola y
si es demasiado larga se vayan, o que tras esperar mucho rato en la cola decidan abandonar. Por ltimo es posible que el patrn
de llegada vare con el tiempo. Si se mantiene constante le llamamos estacionario, si por ejemplo vara con las horas del da es
no-estacionario. Teora de Colas Mtodos Cuantitativos de Organizacin Industrial Pgina 4 de 54
2.1.2 Patrones de servicio de los servidores
Los servidores pueden tener un tiempo de servicio variable, en cuyo caso hay que asociarle, para definirlo, una funcin de
probabilidad. Tambin pueden atender en lotes o de modo individual. El tiempo de servicio tambin puede variar con el nmero
de clientes en la cola, trabajando ms rpido o ms lento, y en este caso se llama patrones de servicio dependientes. Al igual
que el patrn de llegadas el patrn de servicio puede ser no-estacionario, variando con el tiempo transcurrido.
2.1.3 Disciplina de cola
La disciplina de cola es la manera en que los clientes se ordenan en el momento de ser servidos de entre los de la cola. Cuando
se piensa en colas se admite que la disciplina de cola normal es FIFO (atender primero a quien lleg primero) Sin embargo en
muchas colas es habitual el uso de la disciplina LIFO (atender primero al ltimo). Tambin es posible encontrar reglas de
secuencia con prioridades, como por ejemplo secuenciar primero las tareas con menor duracin o segn tipos de clientes.
En cualquier caso dos son las situaciones generales en las que trabajar. En la primera, llamada en ingls preemptive, si un
cliente llega a la cola con una orden de prioridad superior al cliente que est siendo atendido, este se retira dando paso al ms
importante. Dos nuevos subcasos aparecen: el cliente retirado ha de volver a empezar, o el cliente retorna donde se haba
quedado. La segunda situacin es la denominada no-preemptive donde el cliente con mayor prioridad espera a que acabe
el que est siendo atendido.
2.1.4 Capacidad del sistema
En algunos sistemas existe una limitacin respecto al nmero de clientes que pueden esperar en la cola. A estos casos se les
denomina situaciones de cola finitas. Esta limitacin puede ser considerada como una simplificacin en la modelizacin de la
impaciencia de los clientes.
2.1.5 Nmero de canales del servicio
Es evidente que es preferible utilizar sistemas multiservidos con una nica lnea de espera para todos que con una cola por
servidor. Por tanto, cuando se habla de canales de servicio paralelos, se Teora de Colas Mtodos Cuantitativos de
Organizacin Industrial Pgina 5 de 54 habla generalmente de una cola que alimenta a varios servidores mientras que el caso de
colas independientes se asemeja a mltiples sistemas con slo un servidor. En la figura 1 se dibuj un sistema mono-canal, en
la figura 2 se presenta dos variantes de sistema multicanal. El primero tiene una sla cola de espera, mientras que el segundo
tiene una sola cola para cada canal. Fig. 2 Sistemas de cola multicanal Se asume que en cualquiera de los dos casos, los
mecanismos de servicio operan de manera independiente.
2.1.6 Etapas de servicio
Un sistema de colas puede ser unietapa o multietapa. En los sistemas multietapa el cliente
puede pasar por un nmero de etapas mayor que uno. Una peluquera es un sistema unietapa, salvo
que haya diferentes servicios (manicura, maquillaje) y cada uno de estos servicios sea desarrollado por
un servidor diferente.
En algunos sistemas multietapa se puede admitir la vuelta atrs o reciclado, esto es habitual
en sistemas productivos como controles de calidad y reprocesos.
Un sistema multietapa se ilustra en la figura.3
Figura 3: Sistema Multietapa con retroalimentacin.
2.1.7 Resumen
Las anteriores caractersticas bastan, de modo general, para describir cualquier proceso.
Evidentemente se puede encontrar una gran cantidad de problemas distintos y, por tanto, antes de
comenzar cualquier anlisis matemtico se debera describir adecuadamente el proceso atendiendo a
las anteriores caractersticas.
13 Fuente: http://personales.upv.es/jpgarcia/LinkedDocuments/Teoria%20de%20colas.pdf
14 2.4 Proceso de nacimiento y muerte. Modelos Poisson.
FGUENTE: http://www.investigacion-operaciones.com/Curso_inv-Oper_carpeta/Clase10_II.pdf
15 2.5 Un servidor, fuente finita, cola finita.
Los costos de servicio influyen en el mtodo para encontrar el sistema de menor costo. Si el
costo de servicio es un funcin lineal de la tasa de servicio, puede encontrarse una solucin
general para la tasa ptima.

Para aplicar una solucin general, se necesita una tasa de servicio que pueda variar de manera
continua.

Cuando los costos de servicio cambian en forma escalonada, se usa la tcnica de prueba y
error para encontrar el sistema de menor costo. Se calcula el costo total para una tasa de
servicio, despus para la siguiente y as sucesivamente. Esto contina hasta que se encuentra
un lmite inferior o un mnimo tal, que el aumentar o el disminuir las tasas de servicio da costos
totales ms altos.

Ejemplo:

Se esta estudiando un muelle de carga y descarga de camiones para aprender cmo debe
formarse una brigada. El muelle tiene espacio slo para un camin, as es un sistema de un
servidor. Pero el tiempo de carga o descarga puede reducirse aumentando el tamao de la
brigada.

Supngase que puede aplicarse el modelo de un servidor y una cola ( llegadas Poisson,
tiempos de servicio exponenciales) y que la tasa promedio de servicio es un camin por hora
para un cargador. Los cargadores adicionales aumentan la tasa de servicio proporcionalmente.
Adems, supngase que los camiones llegan con una tasa de dos por hora en promedio y que
el costo de espera es de $ 20 por hora por un camin. Si se le paga $ 5 por hora a cada
miembro de la brigada, Cul es el mejor tamao de esta?

Datos :

A = 2 camiones por hora.

S = 1 camin por persona.
Cw = costo de espera = $20 por hora por camin.
CS = costo de servicio = $ 5 por hora por persona.

Ahora sea k = nmero de personas en la brigada. Se busca k tal que la suma de los costos de
espera y servicio se minimicen :

Costo total = Cw LS + k CS
Las pruebas deben de empezar con tres miembros de la brigada, ya que uno o dos no
podran compensar la tasa de llegadas de dos camiones por hora. Para una brigada de tres, la
tasa de servicio es de tres camiones por hora y puede encontrarse L s con la siguiente
ecuacin :
 De la misma manera, para una brigada de cuatro :

El costo es menor, por tanto se sigue adelante.

Para una brigada de cinco :

Este todava es menor :

Como este costo es mayor que el de la brigada de cinco, se rebas el lmite inferior de la
curva de costo; el tamao ptimo de la brigada es cinco personas.
FUENTE: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
2.6 Un servidor cola infinita, fuente infinita.
16
17 2.6 Un servidor cola infinita, fuente infinita.
Este modelo puede aplicarse a personas esperando en una cola para comprar boletos para el
cine, a mecnicos que esperan obtener herramientas de un expendio o a trabajos de
computadora que esperan tiempo de procesador.

Llegadas.

Consiste en la entrada al sistema que se supone es aleatoria. No tienen horario, es

impredicible en que momento llegarn . El modelo tambin supone que las llegadas vienen de
una poblacin infinita y llegan una a la vez .

Cola.
En este modelo se considera que el tamao de la cola es infinito. La disciplina de la cola es
primero en llegar, primero en ser servido sin prioridades especiales. Tambin se supone que las
llegadas no pueden cambiar lugares en la lnea (cola) o dejar la cola antes de ser servidas.

Instalacin de Servicio.
Se supone que un solo servidor proporciona el servicio que vara aleatoriamente.

Salidas.
No se permite que las unidades que salgan entren inmediatamente al servicio.

Caractersticas de operacin .
Un servidor y una cola.
Llegada Poisson.
Cola infinita, primero en llegar primero en ser servido.
Tiempos de servicio exponenciales.

Cola :

Longitud promedio de la lnea :

Tiempo de espera promedio :

Sistema:

Longitud promedio de la lnea :

Tiempo de espera promedio :

Utilizacin de la instalacin :

Probabilidad de que la lnea exceda a n :

A = tasa promedio de llegada.
S = tasa promedio de servicio.

Ejemplo : (Un supermercado )

Supngase un supermercado grande con muchas cajas de salida, en donde los clientes llegan
para que les marquen su cuenta con una tasa de 90 por hora y que hay 10 cajas en operacin.
Si hay poco intercambio entre las lneas, puede tratarse este problema como 10 sistemas
separados de una sola lnea, cada uno con una llegada de 9 clientes por hora. Para una tasa de
servicio de 12 por hora :
 Dados A = 9 clientes por hora
S = 12 clientes por hora

Entonces :

= 2.25 Clientes

= 0.25 horas o 15 minutos.

= 3 clientes.

= 0.33 horas o 20 minutos.

= 0.75 o 75%

0.32

Entonces, para este ejemplo, el cliente promedio espera 15 minutos antes de ser servido. En
promedio, hay un poco ms de dos clientes en la lnea o tres en el sistema. El proceso
completo lleva un promedio de 20 minutos. La caja est ocupada el 75 % del tiempo. Y
finalmente, el 32 % del tiempo habr cuatro personas o ms en el sistema ( o tres o ms
esperando en la cola).
FUENTE: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
18 2.7 Servidores mltiples, cola infinita, fuente infinita
En lugar de estimar el costo de espera, el administrador puede especificar un promedio mnimo
de tiempo de espera o de longitud de lnea . Esto establece un lmite superior para W q , el
tiempo de espera en la cola
( o para Lq, la longitud de lnea en la cola). Con este lmite superior puede encontrarse la tasa
de servicio necesaria para cualquiera tasa de llegadas dadas.

Ejemplo :

Considrese un restaurante de comida rpida con un men limitado. El restaurante se est

diseando para que todos los clientes se unan a una sola lnea para ser servidos. Una persona
tomar la orden y la servir. Con sus limitaciones, la tasa de servicio puede aumentarse
agregando ms personal para preparar la comida y servir las ordenes.

Esto constituye un sistema de un servidor y una cola. Si las llegadas y salidas son aleatorias,
puede aplicarse el modelo de una cola. Supngase que la administracin quiere que el cliente
promedio no espere ms de dos minutos antes de que se tome su orden . Esto se expresa
como :
 Wq = 2 minutos

Supngase tambin que la tasa mxima de llegadas es de 30 rdenes por hora.

Rearreglando trminos,

Como la tasa de servicio debe ser mayor que la tasa de llegadas, puede descartarse la
solucin negativa. Entonces :

Para este ejemplo, se supuso :

A = 30 ordenes por hora.
Wq = 2 minutos o 0.033 horas
Entonces :

= 15 + 33.5 = 48.5 rdenes por hora.

Para cumplir los requerimientos, se necesita una tasa de casi 50 rdenes por hora. Si, por
ejemplo, una brigada de cinco pueden manejar 45 rdenes por hora y una de seis puede
procesar 50 por hora, entonces sera necesario tener la brigada de seis.
FUENTE: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
19 2.8 Servidores mltiples, cola finita, fuente infinita

Este modelo es igual que el anterior, excepto que se supone que el tiempo de servicio es exactamente el mismo en
cada llegada en lugar de ser aleatorio. Todava se tiene una sola lnea, tamao de la cola infinito, disciplina de la
cola como primero en llegar primero en ser servido y llegadas Poisson.

Las aplicaciones tpicas de este modelo pueden incluir un autolavado automtico, una estacin de trabajo en
una pequea fbrica o una estacin de diagnstico de mantenimiento preventivo. En general, el servicio lo
proporciona una mquina.

Las caractersticas de operacin estn dadas por 4 :

 En donde A = tasa promedio de llegadas (llegadas por unidad de tiempo) y S = tasa constante de servicio
(llegadas por unidad de tiempo).

Ejemplo:

Supngase un lavado automtico de autos con una lnea de remolque, de manera que los autos se mueven a
travs de la instalacin de lavado como en una lnea de ensamble. Una instalacin de este tipo tiene dos tiempos
de servicio diferentes : el tiempo entre autos y el tiempo para completar un auto. Desde el punto de vista de teora
de colas, el tiempo entre autos establece el tiempo de servicio del sistema. Un auto cada cinco minutos da una
tasa de 12 autos por hora. Sin embargo, el tiempo para procesar un auto es el tiempo que se debe esperar para
entregar un auto limpio. La teora de colas no considera este tiempo.

Supngase que el lavado de autos puede aceptar un auto cada cinco minutos y que la tasa promedio de
llegadas es de nueve autos por hora ( con distribucin Poisson). Sustituyendo :

FUENTE: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
2.9 Uso de programas de computacin
PROGRMA TORA PAG 929.
PROGRAMA SIMNET II PAG 930
20 INVESTIGAIN DE OPRAINES DE TAHA. ED ALFAOMEGA, MEX. 204
 PRIMER EXAMEN PARCIAL
21
22 UNIDAD TRES
Teora de Decisin

La teora de la decisin es una rea interdisciplinaria de estudio, relacionada con casi todos los participantes en
ramas de la ciencia, ingeniera principalmente la psicologa del consumidor (basados en perspectivas cognitivo-
conductuales). Concierne a la forma y al estudio del comportamiento y fenmenos psquicos de aquellos que
toman las decisiones (reales o ficticios), as como las condiciones por las que deben ser tomadas las decisiones
ptimas.

Se pueden distinguir tres partes dentro de la teora de la decisin:

1. La teora de la decisin normativa que busca los criterios racionales de la decisin as como las
motivaciones humanas en diferentes situaciones. De esta forma esta parte de la teora busca ejemplos
axiomticos de la racionalidad dentro de la toma de decisiones.
2. La teora de la decisin prescriptiva.
3. La teora de la decisin descriptiva.

La mayor parte de la teora de la decisin es normativa o prescriptiva, es decir concierne a la identificacin de la

mejor decisin que pueda ser tomada, asumiendo que una persona que tenga que tomar decisiones (decisin
maker) sea capaz de estar en un entorno de completa informacin, capaz de calcular con precisin, y
completamente racional. La aplicacin prctica de esta aproximacin prescriptiva (de como la gente debera hacer
y tomar decisiones) se denomina anlisis de la decisin, y proporciona una bsqueda de herramientas,
metodologas y software para ayudar a las personas a tomar mejores decisiones. Las herramientas de software
ms dedicadas a este tipo de ayudas se desarrollan bajo la denominacin global de Sistemas para la ayuda a la
decisin (decision support systems, abreviado en ingl. como DSS').

Como parece obvio que las personas no se encuentran en estos entornos ptimos y con la intencin de hacer la
teora ms realista, se ha creado un rea de estudio relacionado que se encarga de la parte de la disciplina ms
positiva o descriptiva, intentando describir que voluntad tiene el que toma la decisin, antes de que la haga. Se
pens en esta teora debido a que la teora normativa, trabaja slo bajo condiciones ptimas de decisin, y a
menudo crea hiptesis para ser probadas, algo alejadas de la realidad cotidiana, los dos campos estn
ntimamente relacionados. No obstante es posible relajar alguna presunciones de la informacin perfecta que llega
al sujeto que toma decisiones, se puede rebajar su racionalidad y as sucesivamente hasta llegar a una serie de
prescripciones o predicciones sobre el comportamiento de la persona que toma decisiones, permitiendo comprobar
qu ocurre en la prctica de la vida cotidiana.

Existen tipos de decision que son interesantes desde el punto de vista del desarrollo de una teora, estos
son:

Decisin sin riesgo entre mercancas inconmensurables (mercancas que no pueden ser medidas
bajo las mismas unidades)
Eleccin bajo impredecibilidad
Eleccin intertemporal - estudio del valor relativo que la gente asigna a dos o ms bienes en
diferentes momentos del tiempo
Decisiones sociales: decisiones tomadas en grupo o bajo una estructura organizativa
 FUENTE: http://es.wikipedia.org/wiki/Teor%C3%ADa_de_la_decisi%C3%B3n
3.1 Caractersticas generales de la teora de decisiones
23
3.1 Caractersticas generales de la teora de decisiones

Caractersticas DE LA TOMA DE DECISIONES

1. Cual es la meta que usted desea alcanzar?

Elija la meta que satisfaga sus "valores". Los valores deben expresarse en escala numrica y
mensurable. Esto es necesario para hallar las jerarquas entre los valores.
1. Averige cual es el conjunto de cursos de accin posibles que puede tomar y luego
rena informacin confiable sobre cada uno de ellos. La informacin objetiva sobre los
cursos de accin tambin puede expandir su conjunto de alternativas. Cuantas mas
alternativas desarrolle, mejores decisiones podr tomar. Debe convertirse en una
persona creativa para expandir su conjunto de alternativas.
Pablo Picasso se dio cuenta de esto y dijo: " Todos los seres humanos nacen con el
mismo potencial de creatividad. La mayora lo derrochan en millones de cosas
superfluas. Yo invierto el mo en una sola cosa: mi arte". Las alternativas de decisiones
creativas son originales, relevantes y practicas.
2. Prediga el resultado de cada curso de accin individual mirando hacia el futuro.
3. Elija la mejor alternativa que tenga el menor riesgo involucrado en llegar a la meta.
4. Implemente su decisin.

Su decisin no significa nada a menos que la ponga en accin.

Las decisiones son el corazn del xito y, a veces, hay momentos crticos en que pueden
presentar dificultad, perplejidad y exasperacin. Un gerente debe tomar muchas decisiones
todos los das. Algunas de ellas son decisiones de rutina o intrascendentes mientras que otras
tienen una repercusin drstica en las operaciones de la empresa donde trabaja. Algunas de
estas decisiones podran involucrar la ganancia o perdida de grandes sumas de dinero o el
cumplimiento o incumplimiento de la misin y las metas de la empresa. En este mundo cada
vez mas complejo, la dificultad de las tareas de los decidores aumenta da a da. El decidor
debe responder con rapidez a los acontecimientos que parecen ocurrir a un ritmo cada vez mas
veloz. Adems, un decidor debe asimilar a su decisin un conjunto de opciones y
consecuencias que muchas veces resultan desconcertantes. Con frecuencia, las decisiones de
rutina se toman rpidamente, quizs inconscientemente, sin necesidad de elaborar un proceso
detallado de consideracin. Sin embargo, cuando las decisiones son complejas, criticas o
importantes, es necesario tomarse el tiempo para decidir sistemticamente. Las decisiones
criticas son las que no pueden ni deben salir mal o fracasar. Uno debe confiar en el propio juicio
y aceptar la responsabilidad. Existe una tendencia a buscar chivos expiatorios o transferir
responsabilidades.
24 Fuente: http://www.tuobra.unam.mx/obrasPDF/publicadas/040922205227.html
25 3.2 Criterios de decisin Deterministicos y Probabilsticas
26 3.2 Criterios de decisin Deterministicos y Probabilsticas

Modelos Probabilsticos: De los Datos a un Conocimiento

Decisivo

El conocimiento es lo que sabemos. La informacin es la comunicacin de conocimientos. En cada

intercambio de conocimientos, hay un remitente y un receptor. El remitente hace comn lo que es privado,
hace la informacin, la comunicacin. La informacin se puede clasificar como formas explcitas y
tcitas. La informacin explcita se puede explicar de forma estructurada, mientras que la informacin
tcita es inconsistente e imprecisa de explicar.

Los datos son conocidos como informacin cruda y no como conocimientos en s. La secuencia que va
desde los datos hasta el conocimiento es (observe el siguiente cuadro): de los Datos (Data) a la
Informacin (Information), de la Informacin (Information) a los Hechos (Facts), y finalmente, de
los Hechos (Facts) al Conocimiento (Knowledge) . Los datos se convierten en informacin, cuando se
hacen relevantes para la toma de decisin a un problema. La informacin se convierte en hecho, cuando es
respaldada por los datos. Los hechos son lo que los datos revelan. Sin embargo el conocimiento
instrumental es expresado junto con un cierto grado estadstico de confianza (gl).

Los hechos se convierten en conocimiento, cuando son utilizados en la complementacin exitosa de un

proceso de decisin. Una vez que se tenga una cantidad masiva de hechos integrados como conocimiento,
entonces su mente ser sobrehumana en el mismo sentido en que, con la escritura, la humanidad es
sobrehumana comparada a la humanidad antes de escribir. La figura siguiente ilustra el proceso de
razonamiento estadstico basado en datos para construir los modelos estadsticos para la toma de decisin
bajo incertidumbre.

de donde:

Level of Exactness of Statistical Model = Nivel de Exactitud del Modelo Estadstico.

Level of improvements on decisin making = Nivel de Mejoramiento en la Toma de Decisiones

La figura anterior representa el hecho que a medida que la exactitud de un modelo estadstico aumenta, el
nivel de mejoramiento en la toma de decisin aumenta. Esta es la razn del porqu necesitamos la
estadstica de negocio. La estadstica se creo por la necesidad de poner conocimiento en una base
sistemtica de la evidencia. Esto requiri un estudio de las leyes de la probabilidad, del desarrollo de las
propiedades de medicin, relacin de datos.

La inferencia estadstica intenta determinar si alguna significancia estadstica puede ser adjunta luego que
se permita una variacin aleatoria como fuente de error. Una inteligente y crtica inferencia no puede ser
hecha por aquellos que no entiendan el propsito, las condiciones, y la aplicabilidad de las de diversas
tcnicas para juzgar el significado.

Considerando el ambiente de la incertidumbre, la posibilidad de que las buenas decisiones sean tomadas
incrementa con la disponibilidad de la buena informacin. El chance de la disponibilidad de la buena
informacin incrementa con el nivel de estructuracin del proceso de Direccin de Conocimiento. La
figura anterior tambin ilustra el hecho que mientras la exactitud de un modelo estadstico aumenta, el
nivel de mejora en la toma de decisiones aumenta.

El conocimiento es mas que simplemente saber algo tcnico. El conocimiento necesita la sabidura. La
sabidura es el poder de poner nuestro tiempo y nuestro conocimiento en el uso apropiado. La sabidura
viene con edad y experiencia. La sabidura es la aplicacin exacta del conocimiento exacto. La sabidura
es sobre saber como algo tcnico puede ser mejor utilizado para cubrir las necesidades de los encargados
de tomar decisiones. La sabidura, por ejemplo, crea el software estadstico que es til, ms bien que
tcnicamente brillante. Por ejemplo, desde que la Web entr en el conocimiento popular, los observadores
han notado que esto pone la informacin en nuestras manos, pero guardar la sabidura fuera de nuestro
alcance. HR>

Proceso de Toma de Decisiones Estadsticas

A diferencia de los procesos de toma de decisiones determinsticas tal como, optimizacin lineal
resuelto mediante sistema de ecuaciones, sistemas paramtricos de ecuaciones y en la toma de
decisin bajo pura incertidumbre, las variables son normalmente ms numerosas y por lo tanto ms
difciles de medir y controlar. Sin embargo, los pasos para resolverlos son los mismos. Estos son:
1. Simplificar
2. Construir un modelo de decisin
3. Probar el modelo
4. Usando el modelo para encontrar soluciones:
o El modelo es una representacin simplificada de la situacin real
o No necesita estar completo o exacto en todas las relaciones
o Se concentra en las relaciones fundamentales e ignora las irrelevantes.
o Este es entendido con mayor facilidad que un suceso emprico (observado), por lo tanto
permite que el problema sea resuelto con mayor facilidad y con un mnimo de esfuerzo y
prdida de tiempo.
5. El modelo puede ser usado repetidas veces para problemas similares, y adems puede ser ajustado
y modificado.

Afortunadamente, los mtodos probabilsticos y estadsticos para el anlisis de toma de decisiones bajo
incertidumbre son ms numerosos y mucho ms poderosos que nunca. Las computadoras hacen
 disponible muchos usos prcticos. Algunos de los ejemplos de aplicaciones para negocios son los
siguientes: *Un auditor puede utilizar tcnicas de muestreo aleatorio para auditar las cuentas por cobrar
de un cliente. *Un gerente de planta puede utilizar tcnicas estadsticas de control de calidad para
asegurar la calidad de los productos con mnima inspeccin y menor nmero de pruebas. *Un analista
financiero podra usar mtodos de regresin y correlacin para entender mejor la analoga entre los
indicadores financieros y un conjunto de otras variables de negocio. *Un analista de mercadeo podra usar
pruebas de significancia para aceptar o rechazar una hiptesis sobre un grupo de posibles compradores a
los cuales la compaa esta interesada en vender sus productos. *Un gerente de ventas podra usar
tcnicas estadsticas para predecir las ventas de los prximos periodos
Fuente: http://home.ubalt.edu/ntsbarsh/opre640S/SpanishP.htm#rwida
3.3 Valor de la informacin perfecta

1. Cmo tomar una mejor decisin comprando informacin

confiable (Abordaje de Bayes)

En muchos casos, el decisor puede necesitar la opinin de un especialista para reducir sus
incertidumbres con respecto a la probabilidad de cada uno de los estados de la naturaleza. Por
ejemplo, consideremos el siguiente problema de decisin concerniente a la produccin de un
nuevo producto:

Estados de la naturaleza
Mucha venta Venta media Poca venta
A(0,2) B(0,5) C(0,3)
A1 (desarrollar) 3000 2000 -6000
A2 (no desarrollar) 0 0 0

Las probabilidades de los estados de la naturaleza representan los distintos grados que tiene el
criterio del decisor (por ejemplo, un gerente) con respecto a la ocurrencia de cada estado. Nos
referiremos a estas evaluaciones subjetivas de la probabilidad como probabilidades "a priori".

El beneficio esperado de cada curso de accin es A1 = 0,2(3000) + 0,5(2000) + 0,3(-6000) = -$200

y A2 = 0; entonces elegimos A2, que significa que no desarrollamos.

Sin embargo, el gerente se siente algo reacio a tomar esta decisin; por ello solicita la asistencia de
una firma de investigacin de mercado. Ahora nos enfrentamos a una nueva decisin. Es decir, con
cul firma de investigacin de mercado debe consultar su problema de decisin. De esta manera es
que el gerente debe tomar una decisin acerca de cun "confiable" es la firma consultora. Mediante
muestreo y luego analizando el desempeo previo de la consultora debemos desarrollar la
siguiente matriz de confiabilidad:

27 Qu sucedi realmente en el pasado

 A B C
Lo que el consultor Ap 0,8 0,1 0,1
predijo Bp 0,1 0,9 0,2
Cp 0,1 0,0 0,7

Todas las Firmas de Investigacin de Mercado llevan registros (es decir, conservan datos
histricos) del desempeo alcanzado en relacin con las predicciones anteriores que hubieren
formulado. Estos registros los ponen a disposicin de sus clientes sin cargo alguno. Para construir
una matriz de confiabilidad debe tomar en consideracin los "registros de desempeo" de la Firma
de Investigacin de Mercado correspondientes a los productos que tienen mucha venta, y luego
hallar el porcentaje de los productos que la Firma predijo correctamente que tendran mucha venta,
venta media y poca o ninguna venta. Estos porcentajes se representan como P(Ap|A) = 0,8, P(Bp|A)
= 0,1, P(Cp|A) = 0,1, en la primera columna de la tabla anterior, respectivamente. Se debe efectuar
un anlisis similar para construir las otras columnas de la matriz de confiabilidad.

Observe que para fines de consistencia, las entradas de cada columna en la matriz de confiabilidad
deberan sumar uno.

a) Tome las probabilidades y multiplquelas "hacia abajo" en la matriz, y luego smelas:

b) SUMA es el resultado de sumar en sentido horizontal.

c) Es necesario normalizar los valores (es decir, que las probabilidades sumen 1) dividiendo el
nmero de cada fila por la suma de la fila hallada en el paso b.

0,2 0,5 0,3

A B C SUMA
0,2(0,8) = 0,16 0,5(0,1) = 0,05 0,3(0,1) = 0,03 0,24
0,2(0,1) = 0,02 0,5(0,9) = 0,45 0,3(0,2) = 0,06 0,53
0,2(0,1) = 0,02 0,5(0) = 0 0,3(0,7) = 0,21 0,23
A B C
(0,16/0,24)=0,667 (0,05/0,24)=0,208 (0,03/0,24)=0,125
(0,02/0,53)=0,038 (0,45/0,53)=0,849 (0,06/0,53)=0,113
(0,02/0,23)=0,087 (0/0,23)=0 (0,21/0,23)=0,913

A usted podra gustarle utilizar el JavaScript E-lab de Aspectos Computacionales de la

Probabilidad de Revisada de Bayes para comprobar sus clculos, realizar experimentaciones
numricas, y realizar anlisis de estabilidad de sus decisiones mediante la alteracin de los
parmetros del problema.

d) Dibuje el rbol de decisiones. Muchos ejemplos gerenciales, como el de este ejemplo,

involucran una secuencia de decisiones. Cuando una situacin de decisin requiere que se tome
una serie de decisiones, el abordaje de la tabla de pago puede no dar cabida a las mltiples capas
de decisiones. Para ello se aplica el rbol de decisiones.
 Fuente: http://home.ubalt.edu/ntsbarsh/opre640S/SpanishP.htm#rbayapp

3.3 Valor de la informacin perfecta

Fuente: http://books.google.com/books?
id=B6LAqCoPSeoC&pg=PA75&lpg=PA75&dq=valor+de+la+informacion+perfecta+para+la+toma+de+
decisiones&source=bl&ots=vM61BdkNIX&sig=7HihnUZ8-
E6fckMD4JQauC9ZPDo&hl=en&ei=GnmtSs6HHYaKsgPN9uCKBQ&sa=X&oi=book_result&ct=result
28 &resnum=1#v=onepage&q=&f=false
29 3.4 rboles de decisin
30 3.4 rboles de decisin Arbol de Decisiones y Diagrama de Influencia

Aproximacin del Arbol de decisiones: El rbol de decisiones es una representacin cronolgica del
proceso de decisin, mediante una red que utiliza dos tipos de nodos: los nodos de decisin, representados
por medio de una forma cuadrada (el nodo de eleccin), y los nodos de estados de la naturaleza,
representados por crculos (el nodo de probabilidad). Dibuje la lgica del problema construyendo un rbol
de decisiones. Para los nodos de probabilidad asegrese de que las probabilidades en todas las ramas
salientes sumen uno. Calcule los beneficios esperados retrocediendo en el rbol, comenzando por la
derecha y trabajando hacia la izquierda.

Usted puede imaginarse el conducir de su coche, el comenzar en el pie del rbol de la decisin y el
trasladarse a la derecha a lo largo de las ramificaciones. En cada nodo cuadrado usted tiene control, puede
tomar una decisin, y da vuelta a la rueda de su coche. En cada nodo del crculo la seora Fortuna asume
el control la rueda, y usted es impotente.

A continuacin se indica una descripcin paso a paso de cmo construir un rbol de decisiones:

1.-Dibuje el rbol de decisiones usando cuadrados para representar las decisiones y crculos para
representar la incertidumbre.

2.-Evale el rbol de decisiones, para verificar que se han incluido todos los resultados posibles.

3.-Calcule los valores del rbol trabajando en retroceso, del lado derecho al izquierdo.

4.-Calcule los valores de los nodos de resultado incierto multiplicando el valor de los resultados por su
probabilidad (es decir, los valores esperados). Podemos calcular el valor de un nodo del rbol cuando
tenemos el valor de todos los nodos que siguen. El valor de un nodo de eleccin es el valor ms alto de
todos los nodos que le siguen inmediatamente. El valor de un nodo de probabilidad es el valor esperado de
los valores de los nodos que le siguen, usando la probabilidad de los arcos. Retrocediendo en el rbol,
desde las ramas hacia la raz, se puede calcular el valor de todos los nodos, incluida la raz del rbol. Al
poner estos resultados numricos en el rbol de decisiones obtenemos como resultado el siguiente grfico:

Arbol de decisiones tpicos

Referencias de la figura
No Consultant = Sin consultor;
$500 fee = $500 por honorarios;
 Hire Consultant = Contratar consultor

Determine la mejor decisin con el rbol partiendo de la raz y avanzando.

Del rbol de decisiones surge que nuestra decisin es la siguiente:

Contratar al consultor y luego aguardar su informe.

Si el informe predice muchas ventas o ventas medias, entonces producir el producto.
De lo contrario, no producirlo.

Verifique la eficiencia del consultor (%) calculando el ndice: (Beneficio esperado recurriendo al
consultor {monto en $}) / VEIP. El beneficio esperado recurriendo al consultor surge del grfico
como
BE = 1000 - 500 = 500, mientras que VEIP = 0,2(3000) + 0,5(2000) + 0,3(0) = 1600.
Por lo tanto, la eficiencia de este consultor es: 500/1600 = 31%

Como trabajo domiciliario rehaga este problema con distribucin previa plana, es decir, trabajando
slo con las recomendaciones de la firma de marketing. Trabajar con distribucin previa plana
significa que asigna igual probabilidad, a diferencia de (0,2, 0,5, 0,3). Es decir, el dueo del
problema no conoce el nivel de ventas si introduce el producto al mercado.

El Impacto de una Probabilidad Previa y la Matriz de Confiabilidad en sus Decisiones: Para

estudiar cuan importante es su conocimiento previo y/ o la precisin de la informacin esperada de
los consultores en sus decisiones, le sugiero que realice de nuevo el ejemplo numrico anterior
aplicando anlisis de sensibilidad. Usted podra comenzar con el siguiente caso extremo e
interesante usando este JavaScript para los clculos necesarios:

o Considere una prioridad plana, sin cambiar la matriz de confiabilidad.

o Considera ana matriz de confiabilidad perfecta (es decir, con una matriz de identidad), sin
cambiar la prioridad.
o Considere una prioridad perfecta, sin cambiar la matriz de confiabilidad.
o Considera una matriz de confiabilidad plana (es decir, con todos los elementos iguales), sin
cambiar la prioridad.
o Considere la prediccin de probabilidades de los consultores como su propia prioridad, sin
cambiar la matriz de confiabilidad.

Diagramas de Influencia: Como puede ser observado en el ejemplo del rbol de decisiones, la
descripcin de las ramas y nudos el problema de decisiones secuenciales normalmente se hace
bastante complicado. En ciertas ocasiones es menos difcil dibujar el rbol de tal forma que
preserve las relaciones que realmente manejan las decisiones. La necesidad por mantener la
validacin, y el rpido incremento en complejidad que usualmente proviene de los usos liberales
de las estructuras recursivas, han provisto del proceso de decisiones para describir otros. La razn
para esta complejidad es que el actual mecanismo computacional que sola analizar el rbol, esta
encarnado directamente dentro de los rboles y las ramas. Las probabilidades y valores requeridos
 para calcular los valores esperados de las siguientes ramas estn expresamente definidos en cada
nudo.

Los Diagramas de Influencia tambin son utilizados para el desarrollo de modelos de decisin y
como una alternativa de representacin grafica de rboles de decisin. La figura siguiente muestra
un diagrama de influencia para nuestro ejemplo numrico.

En el diagrama de influencia anterior, los nudos de decisin y los nudos de oportunidad son
ilustrados similarmente con cuadrados y crculos. Los arcos (flechas) implican relaciones,
incluyendo probabilsticas.

Finalmente, el rbol de decisin y el diagrama de influencia proporcionan mtodos de tomas de

decisiones efectivas porque ellos:

o Claramente relaja el problema, por lo tanto todas las opciones pueden ser consideradas.
o Nos permiten ampliamente analizar las posibles consecuencias de una decisin.
o Proporcionan un esquema para cuantificar los valores delos resultados y las probabilidades
para lograr los mismos.
o Nos ayudan a tomar mejores decisiones basadas en la informacin existente, as como
tambin hacer mejores adivinanzas.

Tambin visite:
Teora de la Decisin y rboles de Decision

Fuente: http://home.ubalt.edu/ntsbarsh/opre640S/SpanishP.htm#rwhyadvice
3.5 Teora de utilidad

1. Determinacin de la funcin de utilidad del decisor

Hemos trabajado con tablas de redistribucin expresadas en trminos del valor monetario
esperado. Sin embargo, este no es siempre el mejor criterio de usar en la toma de decisiones. El
valor del dinero varia de situacin a situacin y de una decisin a otra. Generalmente, el valor del
31 dinero no es una funcin lineal de la cantidad de dinero. En tal caso, el analista debe determinar la
utilidad monetaria del tomador de decisiones y seleccionar los cursos de accin que proporcione la
utilidad esperada mas elevada, en vez del valor monetario esperado mayor.

Los pagos individuales de seguros se enfocan en evitar la posibilidad de perdidas financieras

asociadas con la ocurrencia de algn evento indeseado. Sin embargo, las utilidades de diferentes
resultados no son directamente proporcionales a sus consecuencias monetarias. Si la prdida es
considerada relativamente grande, un individuo es ms propenso a pagar una prima asociada. Si un
individuo considera que la prdida no tiene consecuencias, esta persona es ms propensa a pagar la
prima asociada.

Las diferencias individuales en actitudes hacia el riesgo y estas diferencias, influenciarn sus
opciones. Por lo tanto, individuos deben realizar cada vez la misma decisin con relacin al riesgo
percibido en situaciones similares. Esto no significa que todos los individuos deberan controlar la
misma cantidad de riesgo en situaciones similares. Mas an, debido a la estabilidad financiera de
un individuo, dos individuos enfrentando la misma situacin podran reaccionar de manera
diferente a pesar de utilizar los mismos criterios. Una diferencia personal de opinin e
interpretacin de las polticas tambin puede producir diferencias.

La retribucin monetaria esperada que se asocia con las diversas decisiones puede no ser razonable
por las siguientes dos razones importantes:

1. El valor en dlares puede no expresar autnticamente el valor personal que el resultado tiene
para uno. Esto es lo que motiva a algunas personas a jugar a la lotera por $1.

2. Si usted acepta los valores monetarios esperados es probable que no est reflejando con
exactitud su aversin al riesgo. Por ejemplo, supongamos que tiene que elegir entre que le paguen
$10 por no hacer nada, o participar de una apuesta cuyo resultado depende del lanzamiento de una
moneda al aire, pudiendo ganar $1.000 si sale cara y perder $950 si sale cruz. La primera
alternativa tiene una recompensa esperada de $10; la segunda tiene una recompensa esperada de
0,5(1000) + 0,5(- 950) = $25, y es claramente preferible a la primera (si la recompensa monetaria
esperada fuere un criterio razonable). Pero usted quizs prefiera $10 seguros antes que correr el
riesgo de perder $950.

Por qu algunas personas contratan seguros y otras no? El proceso de toma de decisiones
involucra factores psicolgicos y econmicos, entre otros. El concepto de utilidad es un intento de
medir el provecho que tiene el dinero para el decisor en lo individual. Con el concepto de la
utilidad podemos explicar por qu, por ejemplo, algunas personas compran billetes de lotera por
un dlar para ganar un milln de dlares. Para estas personas, 1.000.000 ($1) es menos que
($1.000.000). Por lo tanto, para tomar una decisin acertada considerando la actitud que tiene el
decisor con respecto al riesgo, debemos convertir la matriz de beneficios monetarios en una matriz
de utilidad. La principal pregunta sera: Cmo se mide la funcin de la utilidad con cada decisor?

Consideremos nuestro Problema de Decisin de Inversin. Cul sera la utilidad de $12?

a) Asigne 100 unidades de utilidad y 0 unidades de utilidad al elemento ms grande y al ms

 pequeo, respectivamente, de la matriz de beneficios. En nuestro ejemplo numrico, asignamos
100 unidades de utilidad a 15, y 0 unidades de utilidad a -2,

b) Pdale al decisor que elija entre las siguientes hiptesis:

Recibir $12 por no hacer nada

Jugar el siguiente juego: ganar $15 con probabilidad (p) y -$2 con probabilidad (1-p), donde p es
un nmero seleccionado entre 0 y 1.

Cambiando el valor de p, y repitiendo una pregunta similar, existe un valor de p con el que el
decisor es indiferente ante las dos hiptesis. Digamos, p = 0,48.

c) Ahora, la utilidad para $12 es igual a 0,48(100) + (1-0,48)(0) = 48.

d) Repita el mismo proceso para hallar las utilidades de cada elemento de la matriz de beneficios.
Supongamos que definimos la siguiente matriz de utilidad:

Matriz de Beneficio Monetario Matriz de Beneficio de Utilidad

A B C D A B C D
12 8 6 3 48 34 28 13
15 7 3 -2 100 19 13 0
7 7 7 7 19 19 19 19

Ahora se puede aplicar cualquiera de las tcnicas antes analizadas a esta matriz de utilidad (en
lugar de monetaria) para tomar una decisin satisfactoria. Queda claro que la decisin podra ser
diferente.

Determinacin de la funcin de utilidad del decisor JavaScript E-labs.

Fuente: http://home.ubalt.edu/ntsbarsh/opre640S/SpanishP.htm#rutility
32 3.5 Teora de utilidad

1. Representaciones de la Funcin de Utilidad con

Aplicaciones

Introduccin: Una funcin de utilidad transforma el uso de un resultado en un valor numrico que
mide la valoracin personal del resultado. La utilidad de un resultado puede estar dentro de una
escala comprendida entre 0 y 100, as como hicimos en nuestro ejemplo numrico, convirtiendo la
matriz monetaria en una matriz de utilidad . Esta funcin de utilidad puede ser una simple tabla, un
sutil grfico continuo ascendente, o una expresin matemtica de un grfico.
El objetivo es representar la funcin funcional entre las entradas en la matriz monetaria y los
resultados obtenidos anteriormente de la matriz de utilidad. Usted podra preguntarse Qu es una
funcin?

Qu es una funcin? Una funcin es algo que hace algo. Por ejemplo, una maquina para moler
caf es una funcin que transforma el grano de maz en polvo. Una funcin de utilidad transforma
(convierte) la esfera de entradas (valores monetarios) hacia un rango de salidas o resultados, con
dos valores finales de utilidad 0 y 100. En otras palabras, la funcin de utilidad determina el grado
de sensibilidad de las preferencias del tomador de decisiones.

Este catulo presenta un proceso general para determinar la funcin de utilidad. La presentacin
esta en el contexto de los resultados numricos del captulo anterior, a pesar de que se repiten
datos.

Representacin de la Funcin de Utilidad con Aplicaciones: Existen tres mtodos diferentes de

representar funciones: el Tabular, el Grfico, y la Representacin Matemtica. La seleccin de un
mtodo sobre el otro depender de las habilidades matemticas que tenga el tomador de decisiones
de forma tal de entenderlo y usarlo fcilmente. Los tres mtodos evolucionan en su procesos de
construccin respectivos; por lo tanto, se podra proceder al mtodo siguiente si es preciso.

La funcin de utilidad es normalmente usada para predecir la utilidad del tomador de decisiones
para un valor monetario dado. La prediccin y precisin aumentan desde el mtodo tabular al
matemtico.

Representacin Tabular de la Funcin de Utilidad: Podemos tabular los pares de datos (D, U)
usando las entradas de la matriz que representan los valores monetarios (D) y sus utilidades
correspondientes (U) de la matriz de utilidad obtenida previamente. La forma tabular de la funcin
de utilidad para nuestro ejemplo numrico es dada por la siguiente tabla de pares de datos (D, U):

Funcin de Utilidad (U) de la Variable Monetaria (D) en Forma Tabular

D 12 8 6 3 15 7 3 -2 7 7 7 7
U 58 34 28 13 100 19 13 0 19 19 19 19

Representacin Tabular de la Funcin de Utilidad para el Ejemplo Numrico

Como puede ver, la representacin tabular esta limitada a los valores numricos dentro de la tabla.
Suponga que se desea obtener la utilidad en dlares, digamos $10. Se podra usar el mtodo de
interpolacin; sin embargo, porque la funcin de utilidad normalmente es no-lineal; el resultado
interpolado no representa la utilidad del tomador de decisiones acertadamente. Para enfrentar esta
dificultad, se debera usar el mtodo grfico.

Representacin Grafica de la Funcin de Utilidad: Se puede dibujar una curva utilizando el

diagrama de dispersin obtenido mediante la graficacin de los datos en la forma Tabular sobre un
papel de grfico. Ya con el diagrama de dispersin, necesitamos decidir primero la forma de la
funcin de utilidad. El grfico de utilidad esta caracterizado por sus propiedades de ser sutil,
continuo, y curva de forma creciente. Normalmente, una funcin con forma de parbola se ajusta
relativamente bien a las esferas angostas de la variable D. Para esferas ms amplias, se podran
ajustar algunas piezas pequeas de una funcin de parbola, una para cada sub-esfera apropiada.

Para nuestro ejemplo numrico, el grafico siguiente es una funcin sobre el intervalo usado en el
modelo de la funcin de utilidad, dibujado con la utilidad asociada (eje de las U) y el valor
asociado en dlares (eje de las D). Note que en el diagrama de dispersin los puntos mltiples
estn representados por crculos pequeos.

Representacin Grfica de la Funcin de Utilidad para el Ejemplo Numrico

La representacin grfica tiene una gran ventaja sobre la tabular y es que se puede leer la utilidad
en dlares de $10 directamente del grfico, como se muestra en la figura anterior para nuestro
ejemplo numrico. El resultado es aproximadamente U = 40. Leyendo un valor del grfico no es
conveniente; por lo tanto, para los procesos de predicciones, un modelo matemtico es el que
mejor funciona.

Representacin Matemtica de la Funcin de Utilidad: Podemos construir un modelo

matemtico para una funcin de utilidad utilizando la forma de la funcin de utilidad obtenida
mediante su representacin del Mtodo Grfico. Normalmente, una funcin con forma de parbola
se ajusta relativamente bien a las esferas angostas de la variable D. Para esferas ms amplias, se
podran ajustar algunas piezas pequeas de una funcin de parbola, una para cada sub-esfera
apropiada.

Sabemos que queremos una funcin cuadrtica que se ajuste mejor al diagrama de dispersin que
ha sido construido previamente. Por lo tanto, utilizamos el anlsis de regresin para estimar los
 coeficientes en la funcin que mejor se ajusta a los pares de datos (D, U).

Modelos de Parbola: Las regresiones de parbola tienen tres coeficientes con una forma general:

U = a + bD + cD2,

donde

c = { (Di - Dbarra)2Ui - n[(Di - Dbarra) 2Ui]} / {n(Di - Dbarra) 4 - [(Di - Dbarra)2] 2}

b = [(Di- Dbarra) Ui]/[(Di - Dbarra)2] - 2cDbarra
a = {Ui - [c(D i - Dbarra) 2)}/n - (cDbarraDbarra + bDbarra),

donde Dbarra es la media de Di's.

Para nuestro ejemplo numrico i = 1, 2,..., 12. mediante la evaluacin de estos coeficientes
utilizando la informacin dada en la seccin de la forma tabular, El mejor ajuste es caracterizado
por sus coeficientes de valores estimados: c = 0,409, b = 0,035, y a = 3,091. El resultado es; por lo
tanto, una funcin de utilidad aproximada por la siguiente funcin cuadrtica:

U = 0,409D2 + 0,035D + 3,091, para todo D tal que -2 D 15.

La representacin matemtica anterior proporciona informacin mas til que los otros dos
mtodos. Por ejemplo, colocando D = 10, se obtiene el valor predicho de utilidad U = 44,3.
Adicionalmente, tomando la derivada de la funcin proporciona el valor marginal de la utilidad,
por ejemplo,
Utilidad Marginal = 0,035 + 0,818D, para todo D tal que -2 D 15.
Note que para este ejemplo numrico, la utilidad marginal es una funcin creciente porque la
variable D tiene un coeficiente positivo; por lo tanto, se esta capacitado a clasificar esta decisin
como un riesgo moderado.

A usted podra gustarle utilizar el JavaScript de Regresin Cuadrtica para comprobar sus clculos
manuales. Para grados mayores que la cuadrtica, a usted podra gustarle utilizar el JavaScript de
Regresin Polinomial.

Fuente: http://home.ubalt.edu/ntsbarsh/opre640S/SpanishP.htm#rutility
33 3.6 Decisiones secunciales.
Fuente:
http://www.snap.gov.bo/campusvirtual/courses/CLIBFDTSCB/document/Toma_de_decisiones/Teoria/CA
P_6_DECISIONES_SECUENCIALES,___ARBOL_DE_DECISION.pdf?cidReq=CLIBFDTSCB
 3.6 Decisiones secunciales.

Fuente:
http://www.snap.gov.bo/campusvirtual/courses/CLIBFDTSCB/document/Toma_de_decisiones/Teoria/CA
34 P_6_DECISIONES_SECUENCIALES,___ARBOL_DE_DECISION.pdf?cidReq=CLIBFDTSCB
35 3.7 Anlisis de sensibilidad

Introduccin al anlisis de sensibilidad

El trabajo del equipo de investigacin de operaciones recin se inicia cuando se ha aplicado con xito el mtodo smplex para
identificar una solucin ptima. Una suposicin de programacin lineal es que todos los parmetros del modelo (aij, bi y cj ) son
constantes conocidas. En realidad, los valores de los parmetros que se usan en este modelo son slo estimaciones
basadas en una prediccin de las condiciones futuras. Los datos obtenidos para desarrollar estas estimaciones con frecuencia
son bastante imperfectos o no existen, es por esta razn que los parmetros de la formulacin original pueden representar poco
ms que algunas pequeas reglas proporcionadas por el personal de lnea el que tal vez se sinti presionado para dar su
opinin. Los datos pueden incluso representar estimaciones optimistas o pesimistas que protegen los intereses de los
estimadores.

Por todo esto, un gerente razonable y el personal de investigacin de operaciones mantendrn cierto escepticismo respecto a
los valores originales entregados por el computador y, en los muchos casos, los considerarn solamente como un punto de
inicio para el anlisis posterior del problema. Una solucin "ptima" es ptima nada ms en lo que se refiere al modelo
especfico que se est usando para representar el problema real, y tal solucin no se convierte en una gua confiable para la
accin hasta que se verifica que su comportamiento es bueno para otras representaciones razonables del problema. An ms,
algunas veces los parmetros del modelo (en particular bi) se establecen como resultado de decisiones por polticas
gerenciales, y estas decisiones deben revisarse despus de detectar sus consecuencias.

Estas son las razones por las cuales es importante llevar a cabo un anlisis de sensibilidad, para investigar el efecto que
tendra sobre la solucin ptima proporcionada por el mtodo smplex el hecho de que los parmetros tomaran otros valores
posibles. En general, habr algunos parmetros a los que se les pueda asignar cualquier valor razonable sin que afecten la
optimalidad de la solucin. Sin embargo, tambin existirn parmetros con valores probables que nos lleven a una nueva
solucin ptima. Esta situacin es particularmente preocupante, si la solucin original adquiere valores sustancialmente
inferiores en la funcin objetivo, o tal vez no factibles!

Por lo tanto, el objetivo fundamental del anlisis de sensibilidad es identificar los parmetros sensibles, (por ejemplo, los
parmetros cuyos valores no pueden cambiar sin que cambie la solucin ptima ). Para ciertos parmetros que no estn
clasificados como sensibles, tambin puede resultar de gran utilidad determinar el intervalo de valores del parmetro para el
que la solucin ptima no cambia. (Este intervalo de valores se conoce como intervalo permisible para permanecer ptimo). En
algunos casos, cambiar el valor de un parmetro puede afectar la factibilidad de la solucin BF ptima. Para tales parmetros,
es til determinar el intervalo de valores para el que la solucin BF ptima (con los valores ajustados de las variables bsicas)
seguir siendo factible. (Este intervalo recibe el nombre de intervalo permisible para permanecer factible).

La informacin de este tipo es invaluable en dos sentidos. Primero, identifica los parmetros ms importantes, con lo que se
puede poner un cuidado especial al hacer sus estimaciones y al seleccionar una solucin que tenga un buen desempeo para
la mayora de los valores posibles. Segundo, identifica los parmetros que ser necesario controlar de cerca cuando el estudio
se lleve a la prctica. Si se descubre que el valor real de un parmetro se encuentra fuera de su intervalo de valores
permisibles, sta es una seal de que es necesario cambiar la solucin.

En esencia, la idea fundamental revela de inmediato la forma en que los cambios al modelo original alteraran los nmeros de la
tabla smplex final (si se supone que se duplica la misma secuencia de operaciones algebraicas que realiz el mtodo smplex
la primera vez). Por lo tanto, despus de hacer unos cuantos clculos para actualizar esta tabla smplex, se puede verificar con
facilidad si la solucin BF ptima original ahora es no ptima (o no factible). Si es as, esta solucin se usar como solucin
bsica inicial para comenzar de nuevo el mtodo smplex (o el smplex dual ) para encontrar una nueva solucin ptima, si se
desea. Si los cambios realizados en el modelo no son cambios mayores, slo se requerirn unas cuantas iteraciones para
obtener la nueva solucin ptima a partir de esta solucin bsica inicial "avanzada".

Para describir este procedimiento con ms detalle, considere la siguiente situacin. Se ha empleado el mtodo smplex para
obtener una solucin ptima para un modelo de programacin lineal con valores especficos para los parmetros bi, cj y aij.
Para iniciar el anlisis de sensibilidad se cambian uno o ms parmetros. Despus de hacer los cambios, sean bi, cj y aij los
valores de los distintos parmetros. Entonces, en notacin matricial, para el modelo revisado.

___
b b, c c, a a,

Primer paso es actualizar la tabla smplex final para que refleje estos cambios. Usando la siguiente notacin junto a las frmulas
que acompaan a la idea fundamental [ 1) t* = t + y*T y 2) T* = S*T ] , se ve que la tabla smplex final revisada se calcula a
partir de y* y S* (que no han cambiado) y la nueva tabla smplex inicial, como se muestra en la tabla 1.1.

Tabla 1.1 Tabla smplex final revisada que resulta de los cambios en el modelo original

Coeficiente de

Ec. Z Variables originales Variables de holgura Lado derecho

Tabla inicial nueva 0 1 1-c 0 0

(1, 2,...,m) 0 A 1 b

Tabla final revisada 0 1 z* - c = y* A - c y* Z* = y* b

(1,2,...,m) 0 A* = S * A S* b* = S* b

A manera de ilustracin, suponga que se revisa el modelo original del problema de la Wyndor Glass Co. segn se muestra en el
cuadro que presentamos a continuacin:

Modelo original Modelo revisado

As, los cambios al modelo original son c1 = 3 4, a31 = 3 4 y b2 =12 24. El siguiente grfico muestra el efecto de estos cambios.
Para el modelo origina el mtodo smplex ya ha identificado la solucin FEV ptima en el vrtice (2, 6), que se encuentra en la
interseccin de las dos fronteras de restriccin que se muestran como lneas punteadas, 2x2 = 12 y 3x1 + 2x2 = 18. Ahora, la
revisin del modelo ha cambiado ambas fronteras por las que se muestran con lneas oscuras, 2x2 = 24 y 2x1 + 2x2 = 18. En
consecuencia, la solucin FEV anterior (2, 6) cambia ahora a la nueva interseccin (-3, 12) que es una solucin no factible en
un vrtice para el modelo revisado. El procedimiento descrito en los prrafos anteriores encuentra este cambio algebraicamente
(en la forma aumentada). An ms, lo hace de manera muy eficiente aunque se trate de grandes problemas para los que el
anlisis grfico es imposible.

Para llevar a cabo este procedimiento, se comienza escribiendo los parmetros del modelo revisado en forma matricial:

__10_4

c = (4,5), A = 0 2 , b = 24

2 2 18

La tabla smplex inicial nueva que resulta se muestra en la parte superior de la tabla 1.2. Debajo se encuentra la tabla smplex
final original. Se dibujaron cuadros oscuros para marcar las partes de esta tabla smplex final que definitivamente no cambian
con los cambios al modelo, a saber, los coeficientes de las variables de holgura tanto en el rengln 0 (y*) como en el resto de
 los renglones (S*). As,

1 1/3 -1/3

y* = ( 0, 3/2, 1 ), S* = 0 0

0 -1/3 3

Figura 1 Cambio de la solucin final en un vrtice de (2, 6) a (-3, 12) para la revisin del problema de la Wyndor Glass Co.,
donde c1 = 3 4, a31 = 3 2 y b2 =12 24.

Estos coeficientes de las variables de holgura quedan necesariamente sin cambiar cuando se realizan las mismas operaciones
algebraicas que originalmente realiz el mtodo smplex porque los coeficientes de estas mismas variables en la tabla smplex
inicial no cambiaron.

Sin embargo, como otras partes de la tabla smplex inicial cambiaron, habr modificaciones en la tabla smplex final. Usando las
frmulas de la tabla 6.1, los nmeros actualizados en el resto de la tabla smplex final se calculan como sigue:

_104

z* - c = (0, 3/2, 1) = 0 2 - (4, 5) = (-2, 0), Z* = (0, 3/2, 1) 24 = 54

2 2 18

1 1/3 -1/3 1 0 1/3 0

A* = 0 0 0 2 = 0 1 ,

0 -1/3 1/3 2 2 2/3 0

1 1/3 -1/3 4 6

b* = 0 0 24 = 12

0 -1/3 1/3 18 -2

Tabla 1.2 Obtencin de la tabla smplex revisada final para el problema de la Wyndor Glass Co.

Fuente: http://html.rincondelvago.com/analisis-de-sensibilidad_1.html
36 3.7 Anlisis de sensibilidad
UNIDAD CUATRO
Cadenas de Markov
37
38 41. Introduccin.

Una cadena de Markov es una serie de eventos, en la cual la probabilidad de que ocurra un
evento depende del evento inmediato anterior. En efecto, las cadenas de este tipo tienen
memoria. " Recuerdan" el ltimo evento y esto condiciona las posibilidades de los eventos
futuros. Esta dependencia del evento anterior distingue a las cadenas de Markov de las series
de eventos independientes, como tirar una moneda al aire o un dado.

En los negocios, las cadenas de Markov se han utilizado para analizar los patrones de
compra de los deudores morosos, para planear las necesidades de personal y para analizar el
reemplazo de equipo.

El anlisis de Markov, llamado as en honor de un matemtico ruso que desarrollo el mtodo

en 1907, permite encontrar la probabilidad de que un sistema se encuentre en un estado en
particular en un momento dado. Algo ms importante an, es que permite encontrar el promedio
a la larga o las probabilidades de estado estable para cada estado. Con esta informacin se
puede predecir el comportamiento del sistema a travs del tiempo.

La tarea ms difcil es reconocer cundo puede aplicarse. La caracteristica ms importante

que hay que buscar en la memoria de un evento a otro.

Aplicacin a la administracin : Planeacin de Personal.

El anlis de transicin puede ser til al planear satisfacer las necesidades de personal.
Muchas firmas emplean trabajadores de diferentes niveles de clasificacin dentro de la misma
categora de trabajo. Esto es comn para personal de confianza, oficinistas, obreros calificados,
no calificados y personal profesional. La firma debe tener el nmero de empleados en cada
nivel de clasificacin para proporcionar la oportunidad de promocin adecuada, cumplir con las
habilidades necesarias para el trabajo y controlar la nmina. Una planeacin de personal a
largo plazo apropiada requiere que se considere el movimiento de personas tanto hacia arriba
en el escalafn de clasificacin como hacia afuera de la organizacin. El anlisis de Markov
puede ayudar en este esfuerzo de planeacin.

El movimiento de personal a otras clasificaciones puede considerarse como una cadena de

Markov. Se supone que hay tres clasificaciones; el grado 1 es la ms baja. Adems, los
descensos se consideran raros y se omiten. El estado "salen" es absorbente, el cual incluye
renuncias, ceses, despidos y muertes. Por supuesto, todos los empleados finalmente alcanzan
este estado.

Las transiciones del grado 1 al grado 2 y del grado 2 al grado 3 representan promociones.
Como transiciones de probabilidad, estn controladas por la firma, puede establecerse el nivel
que la firma determine que es necesario para cumplir sus objetivos. Como ejemplo, supngase
que la firma tiene en este momento 30 empleados del 3, 90 empleados del grado 2 y 300
empleados del grado 1 y que desea mantener este nivel de empleados durante el prximo ao.
Por experiencia, se espera que salgan el 30 % de los empleados de grado 1 al ao, el 20 % de
los empleados de grado 2 y el 10 % de aquellos que estn en el grado 3. Si la poltica es
contratar slo en los niveles de clasificacin ms bajos, cuntos se deben contratar y cuntos
se deben promover el siguiente ao para mantener estables los niveles ?.

Este problema puede resolverse sin el anlisis de Markov, pero el modelo es til para ayudar
 a conceptualizar el problema. Como se trata slo de un ciclo, se usa el anlisis de transicin. El
anlisis comienza con el graado ms alto. No se hacen promociones pero el 10 %, o sea, 3,
sale. Todos ellos deben de reemplazarse por promociones del grado 2. En el nivel de
clasificacin, el 20 % sale y se deben promover 3, con una prdida de 21. Esto se debe
compensar por promocin del grado 1. Al pasar al grado 1, el 30 % sale y 21 deben
promoverse, lo cual una prdida total de 111. Por tanto, el siguiente ao se deben contratar 111
empleados del nivel 1.

En este ejemplo se derivan algunas tasas de transicin a partir de consideraciones externas.

Fuente: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
39 4.2 Formulacin de las cadenas de Markov.
Una cadena de Markov es una serie de eventos, en la cual la probabilidad de que ocurra un
evento depende del evento inmediato anterior. En efecto, las cadenas de este tipo tienen
memoria. " Recuerdan" el ltimo evento y esto condiciona las posibilidades de los eventos
futuros. Esta dependencia del evento anterior distingue a las cadenas de Markov de las series
de eventos independientes, como tirar una moneda al aire o un dado.

En la figura 4.1.1 se muestra el proceso para formular una cadena de Markov. El generador
de Markov produce uno de n eventos posibles, E j , donde j = 1, 2, . . . , n, a intervalos discretos
de tiempo (que no tiene que ser iguales ). Las probabilidades de ocurrencia para cada uno de
estos eventos depende del estado del generador. Este estado se describe por el ltimo evento
generado. En la figura 4.1.1, el ltimo evento generado fue E j , de manera que el generador se
encuentra en el estado Mj .

La probabilidad de que Ek sea el siguiente evento generado es una probabilidad condicional :

P ( Ek / Mj ). Esto se llama probabilidad de transicin del estado M j al estado Ek. Para describir
completamente una cadena de Markov es necesario saber el estado actual y todas las
probabilidades de transicin.

Probabilidades de transicin.
 Una forma de describir una cadena de Markov es con un diagrama de estados, como el que
se muestra en la figura 4.1.2. En sta se ilustra un sistema de Markov con cuatro estados
posibles : M1, M2 , M3 y M4 . La probabilidad condicional o de transicin de moverse de un
estado a otro se indica en el diagrama

Otro mtodo para exhibir las probabilidades de transicin es usar una matriz de transicin. .
La matriz de transicin para el ejemplo del diagrama de estados se muestra en la tabla 4.1.1 .

Otro mtodo para exhibir las probabilidades de transicin es usar una matriz de transicin. .
Para n = 0, 1, 2, ....

El superndice n no se escribe cuando n = 1.

Fuente: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
40 4.3 Procesos estocsticos.

Un proceso estocstico se define sencillamente como una coleccin indexada de variables

 aleatorias { X1 }, donde el subndice t toma valores de un conjunto T dado. Con frecuencia T se
toma como el conjunto de enteros no negativos y X, representa una caracterstica de inters
medible en el tiempo t. Por ejemplo, el proceso estocstico, X 1 , X2 , X3, .., Puede representar la
coleccin de niveles de inventario semanales (o mensuales) de un producto dado, o puede
representar la coleccin de demandas semanales (o mensuales) de este producto.

Un estudio del comportamiento de un sistema de operacin durante algn periodo suele

llevar al anlisis de un proceso estocstico con la siguiente estructura. En puntos especficos
del tiempo t , el sistema se encuentra exactamente en una de un nmero finito de estados
mutuamente excluyentes y exhaustivos, etiquetados 0, 1, . . , S. Los periodos en el tiempo
pueden encontrarse a intervalos iguales o su esparcimiento puede depender del
comportamiento general del sistema en el que se encuentra sumergido el proceso estocstico.
Aunque los estados pueden constituir una caracterizacin tanto cualitativa como cuantitativa del
sistema, no hay prdida de generalidad con las etiquetas numricas 0, 1, . . , M , que se usarn
en adelante para denotar los estados posibles del sistema. As la representacin matemtica
del sistema fsico es la de un proceso estocstico {Xi}, en donde las variables aleatorias se
observan en t = 0, 1, 2,. . ., y en donde cada variable aleatoria puede tomar el valor de
cualquiera de los M + 1 enteros 0, 1, .. , M . Estos enteros son una caracterizacin de los M + 1
estados del proceso.

Fuente: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
41 4.4 Propiedad Markoviana de primer orden.

Se dice que un proceso estocstico tiene la propiedad markoviana si

P { Xt+1 = j | X0 = K0 , X1 = K1 , . ., Xt-1 = Kt-1 , = Kt-1, Xt=1}= P {X t+1 | X1 = i }, para toda t = 0, 1, . . y

toda

sucesin i, j , K0 , K1 , . . , Ki-1 .

Se puede demostrar que esta propiedad markoviana es equivalente a establecer una

probabilidad condicional de cualquier "evento" futuro dados cualquier "evento " pasado y el
estado actual Xi = i , es independiente del evento pasado y slo depende del estado actual del
proceso. Las probabilidades

condicionales P{Xt+1 = j | Xt = i} se llaman probabilidades de transicin. Si para cada i y j,

P{ Xt+1 = j | | Xt = i } = p{X1 = j | X0 = i }, para toda t = 0, 1, ....

Entonces se dice que las probabilidades de transicin (de un paso) son estacionarias y por lo
general se denotan por pij . As, tener probabilidades de transicin estacionarias implican que
las probabilidades de transicin no cambian con el tiempo. La existencia de probabilidades de
transicin (de un paso) estacionarias tambin implica que, para cada i, j y n (n = 0, 1, 2,...),
 P{ Xt+n = j | | Xt = i } = p{Xn = j | X0 = i },

Para toda t = 0, 1, . . . Estas probabilidades condicionales casi siempre se denotan por y se

llaman probabilidades de transicin de n pasos. As, es simplemente la probabilidad
condicional de que la variable aleatoria X, comenzando en el estado i, se encuentre en el
estado j despus de n pasos ( unidades de tiempo ).

Como las son probabilidades condicionales, deben satisfacer las propiedades:

Fuente: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
42 4.4 Propiedad Markoviana de primer orden.
43 4.5 Probabilidad de transicin estacionarias de un solo paso.
44 4.5 Probabilidad de transicin estacionarias de un solo paso.

Ejemplo :

Una tienda de cmaras tiene en almacn un modelo especial de cmara que se puede
ordenar cada semana. Sean D1, D2, ... las demandas de esta cmara durante la primera,
segunda, ... , semana, respectivamente. Se supone que las D i son variables aleatorias
independientes e idnticamente distribuidas que tienen una distribucin de probabilidad
conocida. Sea X0 el nmero de cmaras que se tiene en el momento de iniciar el proceso, X 1 el
nmero de cmaras que se tienen al final de la semana uno, X 2 el nmero de cmaras al final
de la semana dos, etc. Suponga que X0 = 3 . El sbado en la noche la tienda hace un pedido
que le entregan el lunes en el momento de abrir la tienda. La tienda hace un pedido que le
entregan el lunes en el momento de abrir la tienda. La tienda usa la siguiente poltica ( s, S) 1
para ordenar : si el nmero de cmaras en inventario al final de la semana es menor que s =1
(no hay cmaras en la tienda), ordenar (hasta) S=3. De otra manera, no coloca la orden (si se
cuenta con una o ms cmaras en el almacn, no se hace el pedido). Se supone que las ventas
se pierden cuando la demanda excede el inventario. Entonces, {X 1} para t = 0, 1, .. es un
proceso estocstico de la forma que se acaba de describir. Los estados posibles del proceso
son los enteros 0, 1, 2, 3 que representan el nmero posible de cmaras en inventario al final
de la semana.

Observe que {Xi}, en donde Xi es el nmero de cmaras en el almacn al final de la semana t (

antes de recibir el pedido }), es una cadena de Markov. Se ver ahora cmo obtener las
probabilidades de transicin (de un paso), es decir, los elementos de la matriz de transicin ( de
 un paso).

Suponiendo que cada Dt tiene una distribucin Poisson con parmetro .

Para obtener es necesario evaluar . Si ,

Entonces . Por lo tanto, significa que la demanda durante la

semana fue de tres o ms cmaras. As, , la probabilidad
de que una variable aleatoria Poisson con parmetro tome el valor de 3 o ms;
y se puede obtener de una manera parecida. Si ,
entonces . Para obtener , la demanda durante la semana debe ser 1
o ms. Por esto, . Para encontrar ,
observe que si . En consecuencia, si , entonces la demanda
durante la semana tiene que ser exactamente 1. por ende, . Los elementos
restantes se obtienen en forma similar, lo que lleva a la siguiente a la siguiente matriz de
transicin ( de un paso):

Fuente: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
45 4.6 Probabilidad de transicin estacionarias de n pasos.
46 4.6 Probabilidad de transicin estacionarias de n pasos.
Las ecuaciones de Chapman-Kolmogorov proporcionan un mtodo para calcular estas

probabilidades de transicin de n pasos :

Estas ecuaciones simplemente sealan que al ir de un estado i al estado j en n pasos, el

proceso estar en algn estado k despus de exactamente m ( menor que n) pasos. As,

Es solo las probabilidad condicional de que, si se comienza en el estado i, el proceso vaya al

estado k despues de m pasos y despus al estado j en n- m pasos.

Los casos especiales de m=1 y m=n-1 conducen a las expresiones

Para toda i, j, y n de lo cual resulta que las probabilidades de transicin de n pasos se

pueden obtener a partir de las probabilidades de transicin de un paso de manera recursiva.

Para n=2, estas expresiones se vuelven :

Note que las son los elementos de la matriz P(2) , pero tambin debe de observarse que

estos elementos, se obtienen multiplicando la matriz de transicin de un paso por s

misma; esto es , P(2) = P * P = P2 .
En trminos ms generales, se concluye que la matriz de probabilidades de transicin de n
pasos se puede obtener de la expresin : P(n) = P * P .... P = Pn = PPn-1 = Pn-1 P.

Entonces, la matriz de probabilidades de transicin de n pasos se puede obtener calculando

la n-sima potencia de la matriz de transicin de un paso. Para valores no muy grandes de n, la
matriz de transicin de n pasos se puede calcular en la forma que se acaba de describir, pero
cuando n es grande, tales clculos resultan tediosos y, ms an, los errores de redondeo
pueden causar inexactitudes.

Ejemplo :

Una tienda de cmaras tiene en almacn un modelo especial de cmara que se puede
ordenar cada semana. Sean D1, D2, ... las demandas de esta cmara durante la primera,
segunda, ... , semana, respectivamente. Se supone que las D i son variables aleatorias
independientes e idnticamente distribuidas que tienen una distribucin de probabilidad
conocida. Sea X0 el nmero de cmaras que se tiene en el momento de iniciar el proceso, X 1 el
nmero de cmaras que se tienen al final de la semana uno, X 2 el nmero de cmaras al final
de la semana dos, etc. Suponga que X0 = 3 . El sbado en la noche la tienda hace un pedido
 que le entregan el lunes en el momento de abrir la tienda. La tienda hace un pedido que le
entregan el lunes en el momento de abrir la tienda. La tienda usa la siguiente poltica ( s, S) 1
para ordenar : si el nmero de cmaras en inventario al final de la semana es menor que s =1
(no hay cmaras en la tienda), ordenar (hasta) S=3. De otra manera, no coloca la orden (si se
cuenta con una o ms cmaras en el almacn, no se hace el pedido). Se supone que las ventas
se pierden cuando la demanda excede el inventario. Entonces, {X 1} para t = 0, 1, .. es un
proceso estocstico de la forma que se acaba de describir. Los estados posibles del proceso
son los enteros 0, 1, 2, 3 que representan el nmero posible de cmaras en inventario al final
de la semana.

As, dado que tiene una cmara al final de una semana, la probabilidad de que no haya

cmaras en inventario dos semanas despus es 0.283; es decir, De igual manera,

dado que se tienen dos cmaras al final de una semana, la probabilidad de que haya tres

cmaras en el almacn dos semanas despus es 0.097; esto es,

La matriz de transicin de cuatro pasos tambin se puede obtener de la siguiente manera :

P(4) = P4 = P(2) * P(2)

As, dado que queda una cmara al final de una semana, 0.282 es la probabilidad de que no

haya cmaras en inventario 4 semanas ms tarde; es decir, De igual manera,

dado que quedan dos cmaras en el almacn final de una semana, se tiene una probabilidad

de 0.171 de que haya tres cmaras en el almacn 4 semanas despus; esto es,

Fuente: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
47 4.7 Estados absorbentes
48 4.7 Estados absorbentes
FUENTE: http://www.investigacion-operaciones.com/Curso_inv-Oper_carpeta/Clase5_II.pdf
49 4.8 Probabilidad de transicin estacionarias de estados estables.Tiempos de primer paso.
50 4.8 Probabilidad de transicin estacionarias de estados estables.Tiempos de primer paso.
Teorema
Sea P la matriz de transicin de una cadena de M estados . Existe entonces un
vector tal que

Se establece que para cualquier estado inicial i , .

El vector a menudo se llama distribucin de estado estable, o tambin
distribucin de equilibrio para la cadena de Markov. Para encontrar la distribucin de
probabilidades de estacionario para una cadena dada cuya matriz de transicin es P, segn el
teorema, para n grande y para toda i , (1)
n
Como Pij (n + 1) = ( rengln i de P )(columna j de P), podemos escribir

(2)

Ejemplo :

Suponga que toda la industria de refrescos produce dos colas. Cuando una persona ha
comprado la cola 1, hay una probabilidad de 90 % de que su siguiente compra se de cola 1. Si
una persona compr cola 2, hay un 80 % de probabilidades que su prxima compra sea de cola
2.

Entonces :
Al reemplazar la segunda ecuacin por la condicin ,

obtenemos el sistema
Al despejar resulta que Por lo tanto, despus de largo tiempo, hay
probabilidad 2/3 de que una persona dada compre cola 1 y 1/3 de probabilidad de que una
persona compre cola 2.

Fuente: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
Con frecuencia es conveniente poder hacer afirmaciones en trminos de probabilidades sobre
el nmero de transiciones que hace el proceso al ir de un estado i a un estado j por primera vez
. este lapso se llama tiempos de primer paso al ir del estado i al estado j. cuando J=i, esta
tiempo de primer paso es justo el nmero de transiciones hasta que el proceso regresa al
estado inicial i. En este caso, el tiempo de primer paso se llama tiempo de recurrencia para el
estado i.
Para ilustrar estas definiciones, reconsidrese el ejemplo siguiente :

Una tienda de cmaras tiene en almacn un modelo especial de cmara que se puede ordenar
cada semana. Sean D1, D2, ... las demandas de esta cmara durante la primera, segunda, ... ,
semana, respectivamente. Se supone que las D i son variables aleatorias independientes e
idnticamente distribuidas que tienen una distribucin de probabilidad conocida. Sea X 0 el
nmero de cmaras que se tiene en el momento de iniciar el proceso, X 1 el nmero de cmaras
que se tienen al final de la semana uno, X 2 el nmero de cmaras al final de la semana dos, etc.
Suponga que X0 = 3 . El sbado en la noche la tienda hace un pedido que le entregan el lunes
en el momento de abrir la tienda. La tienda hace un pedido que le entregan el lunes en el
momento de abrir la tienda. La tienda usa la siguiente poltica ( s, S) 1 para ordenar : si el
nmero de cmaras en inventario al final de la semana es menor que s =1 (no hay cmaras en
la tienda), ordenar (hasta) S=3. De otra manera, no coloca la orden (si se cuenta con una o ms
cmaras en el almacn, no se hace el pedido). Se supone que las ventas se pierden cuando la
demanda excede el inventario. Entonces, {X 1} para t = 0, 1, .. es un proceso estocstico de la
forma que se acaba de describir. Los estados posibles del proceso son los enteros 0, 1, 2, 3
que representan el nmero posible de cmaras en inventario al final de la semana.

Donde Xt es el nmero de cmaras en inventario al final de la semana t y se comienza

con , Suponga que ocurri lo siguiente:

En este caso, el tiempo de primer paso para ir al estado 3 al estado 1 es dde 2 semanas, el
tiempo de primer paso para ir del estado 3 al estado 0 es de 3 semanas y el tiempo de
recurrencia del estado 3 es de 4 semanas.
En general, los tiempos de primer paso son variables aleatorias y, por lo tanto, tienen una
distribucin de probabilidad asociada a ellos. Estas distribuciones de probabilidad dependen de
las probabilidades de transicin del proceso. En particular, denota la probabilidad de que el
tiempo de primer paso del estado i al j sea igual a n. Se puede demostrar que estas
probabilidades satisfacen las siguientes relaciones recursivas:
 Entonces se puede calcular la probabilidad de un tiempo de primer paso del estado i al j en n
pasos, de manera recursiva, a partir de las probabilidades de transicin de un paso. En el
ejemplo, la distribucin de probabilidad de los tiempos de primer paso del estado 3 al estado 0
se obtiene como sigue:

Para i y j fijos, las son nmeros no negativos tales que

Esta suma puede ser menor que 1, lo que significa que un proceso que el iniciar se
encuentra en el estado i puede no llegar nunca al estado j . Cuando la suma es igual a 1,
las pueden considerarse como una distribucin de probabilidad para la
variable aleatoria, el tiempo de primer paso.

Para obtener el tiempo esperado de primer paso del estado i al estado j. Sea , que se
define como:

entonces satisface, de manera nica, la ecuacin:

 Cuando i=j, se llama tiempo esperado de recurrencia.

Al aplicarlo al ejemplo del inventario, estas ecuaciones se pueden usar para calcular el tiempo
esperado hasta que ya no se tengan cmaras en el almacn, suponiendo que el proceso inicia
cuando se tienen tres cmaras; es decir, se puede obtener el tiempo esperado de primer
paso . Como todos los estados son recurrentes, el sistema de ecuaciones conduce a las
expresiones

La solucin simultnea de este sistema es

De manera que el tiempo esperado hasta que la tienda se queda sin cmaras es de 3.50
semanas.
Fuene: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
51 4.9 Uso de programas de computacin.
4.9 Uso de programas de computacin.
52 TAHA.
Practica: Analizar problemas de probabilidad de transicin estacionarias de un solo paso, de n pasos, los estados
53 absorbentes, la probabilidad de transicin estacionaria de estados estables y los tiempos de primer paso.
54 SEGUNDO EXAMEN PARCIAL
55 UNIDAD CINCO
Optimizacin de Redes
HANDY Y TAHA
 5.1 Terminologa.

56
 5.1 Terminologa.

57
58 5.2 Problema de la ruta ms corta. Redes cclicas y acclicas
59 5.2 Problema de la ruta ms corta. Redes cclicas y acclicas
 FUENTE: TAHA.
5.3 Problema del rbol de mnima expansin.

60
61 5.3 Problema del rbol de mnima expansin.
HAMDY A TAHA INVESTIGACIN DE OPERACIONES, PRENTICR AHLL,
 5.4 Problema de flujo mximo.

62
63 5.5 Problema de flujo de costo mnimo.
(MCNFP)

El modelo de Flujo de Costo Mnimo en una Red se plantea de la manera siguiente

bi>0 si i es un nodo origen

bi<0 si i es un nodo destino
bi=0 si i es un nodo de transbordo

Una condicin necesaria para que el modelo tenga solucin factible es que
bi=0, es decir, que el flujo total generado en los nodos origen sea igual al flujo total
absorbido por los nodos destino.

Cuando esta condicin no se cumple (problemas de transporte no balanceado en los que la

oferta es diferente a la demanda) se generan nodos ficticios que generen o que absorban
flujo. Los costos asociados a los arcos que parten o llegan a estos nodos es cero.

Con frecuencia bi y uij son valores enteros. Las variables xij son variables enteras y no se
requiere agregar esta condicin al modelo (unimodularidad).
Con este modelo es posible plantear un problema de transporte, de transbordo, de flujo
mximo y de camino ms corto.

EL PROBLEMA DEL CAMINO MS CORTO EN UNA RED

El origen es un nodo con b1=1

El destino es un nodo con bn= -1
Los nodos restantes son nodos de transbordo

Como la red es no-dirigida cada arco se sustituye por un par de arcos dirigidos en direccin
opuesta, excepto para el nodo origen y el nodo destino.

El costo cij es la distancia del arco (i,j)

Las variables tomarn valores 0 y 1 dependiendo si se asignan al camino o no.

Veamos un ejemplo: la siguiente red indica los caminos posibles para llegar del nodo 1 al
nodo 7. Los valores en los arcos indican la distancia entre cada nodo.

15
2 7

10
18
11
19
8 4
1
5
0 6
2 8
0
6
3 0 5
6 10 0
4

min 10x12+15x27+19x67+26x13+8x23+8x32+18x24+18x42+10x35+10x53+
+8x56+8x65+5x45+5x54+11x47
s.t.
x12+x13=1
-x27-x47-x67=-1
x27+x24+x23-x32-x42-x12=0
x32+x35-x23-x53-x13=0
x42+x47+x45-x24-x54=0
x53+x54+x56-x35-x45-x65=0
x65+x67-x56=0
EL PROBLEMA DE FLUJO MXIMO COMO MODELO DE MCNFP

Se tiene un nodo origen (O) y un nodo destino (T) y varios nodos de transbordo:
Se crea un arco ficticio del destino al origen identificado con la variable xTO con costo cTO=-
1.

Los costos cij=0 para todo arco (i,j) excepto para el arco ficticio

bi=0 para todo nodo i

Ejemplo: dada la red

xTO

3
1
4
0 2 3 2
1 2 T

min -xTO
s.t.
xO1+xO2-xTO =0
x12+x13-xO1=0
x2T-x12-xO2=0
x3T-x13=0
xTO-x2T-x3T=0
xO1<2, xO2<3, xTO =0
x12<3, x13<4, x2T<2,
x3T<1,
 El problema del rbol generador minimal como modelo de PL

Un rbol Generador de una red de n nodos es un conjunto de n-1 arcos con un camino
entre cualquier par de nodos y sin ciclos.

Sea xij una variable binaria indicando (xij=1) la existencia de un arco (i,j) en el rbol.

Cij= es la distancia del arco (i,j)

min cij xij

s.a
xij =n-1 (los arcos forman un rbol de la red)

Una restriccin que asegure que no se forman ciclos: ?????? (tarea)

xij {0,1}

fuente: ftp.itam.mx/pub/investigadores/gigola/ModyOpt/MCNFP.doc -

5.6 Programacin lineal en Teora de Redes.

64 5.7 Uso de programas de computacin
65 TERCER EXAMEN PARCIAL
http://www.itescam.edu.mx/principal/sylabus/rptSylabus.php?tipo=PDF&id_asignatura=338&clave_asignatura=INB-
0406&carrera=IIND0405001
http://www.investigacion-operaciones.com/Curso_Inv_Oper.htm
http://www.geocities.com/leoptimus/SimplexHelp5.htm#General
FUENTES TAHA, INVESTIGAION DE OPERACIONES, AFAOMEGA, MEXICO 2004.