Métodos cuantitativos

para los negocios

Decimosegunda edición

¡Incluye código
de acceso
para descargar
Excel QM
y POM-QM!

BARRY RENDER • RALPH M. STAIR, JR.

MICHAEL E. HANNA • TREVOR S. HALE

-mp Pearson
 ACCESO A LOS MÓDULOS ADICIONALES

Y PROGRAMAS MENCIONADOS EN EL LIBRO

Para acceder a los Módulos y a los programas Excel QM y POM-QM mencionados en el texto

visite el sitio web de este libro o acceda directamente a:

http://www.biblionline.pearson.com

Seleccione la opción Registrarse e ingrese sus datos

junto con el siguiente código.

(Utilice una moneda para descubrir el código de registro.

No use objetos filosos porque podría dañar el código).

IMPORTANTE

¡Este código de registro sólo puede usarse una vez y no será reemplazado en caso de daño!

Asegúrese que no aparezca descubierto.

Iff311: 9786073237611 - RODEA - MÉTODO/ CURfITITATIVOf PARA LOf

nEGOCI0f, 12/E

1886
 Métodos cuantitativos
para los negocios
DECIMOSEGUNDA EDICIÓN

BARRY RENgA1011.1
Profesor distinguido Charles Harwood de Ciencias de la Administración
Crummer Graduate School of Business, Rollins College

RAlpiLLSTAILI,4g,,,,iáj
Profesor de Ciencias de la Información y la Administración
Florida State University

Profesor de Ciencias de la Decisión

University of Houston-Clear Lake

Profesor Asociado de Ciencias de la Administración

University of Houston-Downtown

TRADUCCIÓN
Jesús Elmer Murrieta Murrieta
Maestro en Investigación de Operaciones
Tecnológico de Monterrey—Campus Morelos

REVISIÓN TÉCNICA
María de Guadalupe Arroyo Santisteban
Eduardo López Chávez
Iren Castillo Saldaña
Vinicio Pérez Fonseca
José Cruz Ramos Báez
Academia de Matemáticas
Escuela de Ciencias Económicas y Empresariales (ECEE)
Universidad Panamericana

Pearson
 RENDER, BARRY, STAIR, RALPH
HANNA, MICHAEL E., HALE, TREVOR S.
Métodos cuantitativos para los negocios
Decimosegunda edición
PEARSON EDUCACIÓN, México, 2016
ISBN: 978-607-32-3761-1
Área: Matemáticas
Formato: 21.5 x 27.5 cm Páginas: 608

Authorized translation from the English Language edition entitled Quantitative Analysis for Management. 12th
Edition, by Barry Render, Ralph M. Stain Jr., Michael E. Hanna and Trevor S. Hale, published by Pearson
Education, Inc., Copyright@ 2015. All rights reserved.
ISBN 9780133507331

Traducción autorizada de la edición en idioma inglés titulada Quantitative Analysis for Management, 12a edición,
por Barry Rendez; Ralph M. &ah; Jr., Michael E. Hanna y Trevor S. Hale, publicada por Pearson Education, Inc.,
Copyright © 2015. Todos los derechos reservados.

Esta edición en español es la única autorizada.

Edición en español
Director General: Sergio Fonseca Garza
Director de Contenidos y Servicios Digitales: Alan David Palau
Gerente de Contenidos y Servicios Editoriales: Jorge Luis fñiguez Caso
Coordinador de Contenidos, Educación Superior: Guillermo Domínguez Chávez
guillermo.dominguez@pearson.com
Especialista en Contenidos de Aprendizaje: Rosa Díaz Sandoval
Especialista en Desarrollo de Contenidos: Bernardino Gutiérrez Hernández
Supervisor de Arte y Diseño: José Hernández Garduño

DECIMOSEGUNDA EDICIÓN, 2016

D.R. 2016 por Pearson Educación de México, S.A. de C.V.

Antonio Dovalí Jaime núm. 70,
Torre B, Piso 6, Col. Zedec Ed Plaza Santa Fe
Delegación Alvaro Obregón
C.P. 01210, Ciudad de México

Cámara Nacional de la Industria Editorial Mexicana. Reg. núm. 1031.

Reservados todos los derechos. Ni la totalidad ni parte de esta publicación pueden reproducirse, registrarse o
transmitirse, por un sistema de recuperación de información, en ninguna forma ni por ningún medio, sea electró-
nico, mecánico, fotoquímico, magnético o electroóptico, por fotocopia, grabación o cualquier otro, sin permiso
previo por escrito del editor.

El préstamo, alquiler o cualquier otra forma de cesión de uso de este ejemplar requerirá también la autorización
del editor o de sus representantes.

ISBN VERSIÓN IMPRESA: 978-607-32-3761-1
ISBN VERSIÓN E-BOOK: 978-607-32-3762-8
Impreso en México. Printed in Mexico.
1 2 3 4 5 6 7 8 9 0 - 19 18 17 16
Esta obra se terminó de imprimir en mayo de 2016
en los talleres de Litográfica Ingramex, S.A. de C.V.
Centeno 162-1, Col. Granjas Esmeralda,
C.P. 09810, México, Ciudad de México.

Pearson
ACERCA DE LOS AUTORES

Barry Render es profesor emérito, distinguido como profesor titular de la cátedra Charles Harwood de
Administración de operaciones en la Crummer Graduate School of Business, del Rollins College, en Wmter
Park, Florida. Obtuvo los grados de licenciatura en Matemáticas y en Física de la Roosevelt University, el
grado de maestría en Investigación de operaciones y el doctorado en Análisis cuantitativo de la University
of Cincinhati. Anteriormente fue profesor en la George Washington University, en la University of New
Orleans, en la Boston University yen la George Mason University, donde ocupó la cátedra de la Fundación
Mason en Ciencias de las Decisiones y fue presidente del Departamento de Ciencias de las Decisiones. El
doctor Render también ha trabajado en la industria aeroespacial para General Electric, McDonnell Douglas
y en la NASA.
El doctor Render es coautor de 10 libros de texto publicados por Pearson, entre ellos Administración
de operaciones (Operations Management) Managerial Decision Modeling with Spreadsheets, Principies
of Operations Management, Service Management, Introduction to Management Science y Cases and
Readings in Management Science. Más de 100 de sus artículos con temas relacionados con la administra-
ción han aparecido en publicaciones como Decision Sciences, Production and Operations Management,
Interfaces, Information and Management, Journal of Management Information Systems, Socio-Economic
Planning Sciences, IIE Solutions y Operations Management Review, entre otras.
El doctor Render ha sido honrado como miembro de la sociedad AACSB y fue nombrado dos veces
Senior Fulbright Scholar. Fue vicepresidente del Instituto de Ciencias de las Decisiones en la Región
Sudeste, y se desempeñó como revisor de software para Decision Line durante seis años, y como editor
de los temas especiales de Administración de operaciones en el New York Times durante cinco años. De
1984 a 1993, el doctor Render fue presidente de Management Service Associates of Virginia, Inc., cuyos
clientes incluyen al FBI, la Marina de Estados Unidos, el Condado de Fairfax, Virginia y C&P Telephone.
Actualmente es editor consultor de la Financial Times Press.
El doctor Render ha impartido cursos de Administración de operaciones en la Rollins College para los
programas de maestría en Administración de Negocios, incluyendo la maestría ejecutiva. Recibió el Premio
Welsh de esa escuela como profesor líder y fue seleccionado por la Roosevelt University para recibir el
Premio St. Claire Drake en 1996 por su destacada labor como académico. En 2005 recibió el premio de
los estudiantes de la maestría en Administración de Negocios en la Rollins College por impartir el mejor
curso y, en 2009, fue nombrado Profesor del Año por los estudiantes de tiempo completo en la maestría en
Administración de Negocios.

Ralph Stair es profesor emérito en la Florida State University. Obtuvo el grado de licenciatura en Ingeniería
química de la Purdue University y el grado de maestro de la Tulane University. Bajo la dirección de Ken
Ramsing y Alan Eliason, recibió el grado de doctor en Administración de operaciones de la University of
Oregon. Ha sido catedrático en la University of Oregon, la University of Washington, la University of New
Orleans y la Florida State University.
En dos ocasiones, ha sido profesor de intercambio en Londres por parte de la Florida State University.
Por muchos años su enseñanza se ha concentrado en las áreas de Sistemas de información, Investigación de
operaciones y Administración de operaciones.
El doctor Stair es miembro de varias organizaciones académicas, entre las que destacan el Decision
Science Instituto e INFORMS; asimismo, participa regularmente en reuniones nacionales en su campo
de especialidad. Ha publicado numerosos artículos y libros, entre ellos Managerial Decision Modeling
with Spreadsheets, Introduction to Management Science, Cases and Readings in Management Science,
Production and Operations Management: A Self-Correction Approach, Fundamentals of Information
Systems, Principies of Information Systems, Introduction to Information Systems, Computers in Today's

iii
iv ACERCA DE LOS AUTORES

World, Principies of Data Processing, Learizing so Live with Computers, Programming in BASIC, Essentials
of BASIC Programming, Essentials of FORTRAN P granzming y Essentials of COBOL Programming.
El doctor Stair divide su tiempo entre Florida y Colorado. Disfruta esquiar, montar en bicicleta, navegar en
kayak y realizar otras actividades al aire libre.

Michael E. Hanna es profesor de Ciencias de las decisiones en la University of Houston-Clear Lake

(UHCL). Posee un grado de licenciatura en Economía. una maestría en Ciencias matemáticas y un docto-
rado en Investigación de operaciones de la Texas Tech University. Durante más de 25 años ha impartido
cursos de estadística, ciencias de la administración, pronósticos y otros métodos cuantitativos. Su dedica-
ción a la enseñanza ha sido reconocida con el premiol Beta Alpha Psi al profesorado en 1995 y el Premio
Outstanding Educator en 2006 por el Southwest Decilion Sciences Institute (SWDSI).
El doctor Hanna ha sido autor de libros de texto en ciencias de la administración y métodos cuantitati-
vos, ha publicado numerosos artículos y trabajos profesionales, y ha sido miembro de la Junta de Asesoría
Editorial de Computers and Operations Research. En 1996 el Capítulo UHCL de Beta Gamma Sigma le
entregó un galardón por su alto desempeño académico.
El doctor Hanna está muy activo en el Decision Science Institute, donde ha sido miembro del Comité
de Educación Innovadora, el Comité Consultivo Regional y el Comité de Nominaciones. Ha sido miem-
bro de la junta de directores del Decision Sciences Institute (DSI) durante dos periodos y también fue electo
vicepresidente regional del DSI. En el SWDSI, ha ocupado diversos cargos, entre ellos el de presidente;
además, recibió el Premio Distinguished Service del SWDSI en 1997. Por su servicio general a la profesión
y a la universidad, recibió también el Premio Distinguished Service por parte del Presidente de la UHCL
en 2001.

Trevor S. Hale es profesor asociado de Ciencias de la administración en la University of Houston-

Downtown (UHD). Recibió el grado de Ingeniero industrial de la Pena State University, el de maestría
en Gestión de ingeniería de la Northeastern University,, y el de doctor en Investigación de operaciones de
la Texas A&M University. Anteriormente perteneció al profesorado de la Ohio University-Atenas y de la
Colorado State University-Pueblo.
El doctor Hale fue honrado tres veces como Oficial de la Sociedad de Investigación Naval Superior.
Pasó los veranos de 2009, 2011 y 2013 realizando investigación en seguridad y ciberseguridad energética
para la Marina de Estados Unidos en la Base Naval del Condado de Ventura en Port Hueneme, California.
El doctor Hale ha publicado decenas de artículos en las áreas de investigación de operaciones y aná-
lisis cuantitativo en revistas como International Journal of Production Research, European Journal of
Operational Research, Annals of Operations Research, Journal of the Operational Research Society y la
International Journal of Physical Distribution and Logistics Management, entre otras. Imparte cursos de
análisis cuantitativo en la University of Houston-Downtown en el programa de maestría en Administración
de Negocios y el programa ejecutivo de la maestría en Administración de la Seguridad. Es un miembro de
alto rango del Decision Sciences Institute y de INFORMS.
 CONTENIDO BREVE

CAPÍTULO 1 Introducción al análisis cuantitativo 1 CAPÍTULO 12 Modelos de líneas de espera

y teoría de colas 435
CAPÍTULO 2 Conceptos de probabilidad
y aplicaciones 23 CAPÍTULO 13 Modelos de simulación 469

CAPÍTULO 3 Análisis de decisiones 65 CAPÍTULO 14 Análisis de Markov 509

CAPÍTULO 4 Modelos de regresión 113 CAPÍTULO 15 Control estadístico de la calidad 537

CAPÍTULO 5 Pronósticos 149 MÓDULOS EN EL SITIO WEB

CAPÍTULO 6 Modelos de control de inventarios 187
CAPÍTULO 7 Modelos de programación lineal: métodos
gráficos y computacionales 239
CAPÍTULO 8 Aplicaciones de programación lineal 291
1 Proceso analítico de jerarquías M1-1
2 Programación dinámica M2-1
3 Teoría de decisiones y la distribución
normal M3-1
4 Teoría de juegos M4-1

CAPÍTULO 9 5 Herramientas matemáticas:

Modelos de transporte, asignación
y redes 323 Determinantes y matrices M5-1
6 Optimización basada en el Cálculo M6-1
CAPÍTULO 10 Programación entera, programación por
7 Programación lineal:
metas y programación no lineal 363
el método símplex M7-1
CAPÍTULO 11 Gestión de proyectos 395 8 Algoritmos de transporte, asignación
y redes M8-1

y
 CONTENIDO

PREFACIO XIII CAPÍTULO 2 Conceptos de probabilidad

aplicaciones 23
2.1 Introducción 24
CAPITULO 1 Introducción al análisis cuantitativo 1
2.2 Conceptos fundamentales 24
1.1 Introducción 2
Dos reglas básicas de la probabilidad 24
1.2 ¿Qué es el análisis cuantitativo? 2
Tipos de probabilidad 25
1.3 Análisis de negocios 3 Eventos mutuamente excluyentes y colectivamente
1.4 El enfoque del análisis cuantitativo 4 exhaustivos 26
Definición del problema 4 Uniones e intersecciones de eventos 27
Desarrollo de un modelo 4 Reglas de probabilidad para uniones,
Adquisición de datos de entrada 5 intersecciones y probabilidades condicionales 28
Desarrollo de una solución 5 2.3 evisión de probabilidades con el teorema
Pruebas a la solución 6 de Bayes 29
Análisis de resultados y análisis de sensibilidad 6 Forma general del teorema de Bayes 31
Implementación de los resultados 6 2.4 Revisiones de probabilidad adicionales 31
Enfoque del análisis cuantitativo y modelado 2.5 Variables aleatorias 32
en el mundo real 8 2.6 istribuciones de probabilidad 34
1.5 Cómo se desarrolla un modelo de análisis Distribución de probabilidad de una variable
cuantitativo 8 aleatoria discreta 34
Las ventajas del modelado matemático 9 Valor esperado de una distribución de
Modelos matemáticos clasificados según probabilidad discreta 34
su riesgo 9 Varianza de una distribución de probabilidad
1.6 El papel de las computadoras y los modelos discreta 35
de hoja de cálculo en el enfoque del Distribución de probabilidad de una variable
análisis cuantitativo 10 aleatoria continua 36
1.7 Problemas potenciales en el enfoque 2.7 La distribución binomial 37
del análisis cuantitativo 13 Resolución de problemas con la fórmula
Definición del problema 13 binomial 38
Desarrollo de un modelo 14 Resolución de problemas con tablas binomiales 39
Adquisición de datos de entrada 15 2.8 La distribución normal 40
Desarrollo de una solución 15 Área bajo la curva normal 42
Pruebas a la solución 16 Uso de la tabla normal estándar 42
Análisis de los resultados 16 Ejemplo de la compañía Haynes Construction 43
1.8 La implementación no es solamente el paso La regla empírica 46
final 17 2.9 La distribución F 46
Falta de compromiso y resistencia al cambio 17 2.10 La distribución exponencial 48
Falta de compromiso de los analistas Ejemplo de Arnold's Muffler 49
cuantitativos 17
2.11 La distribución de Poisson 50
Resumen 17 Glosario 18 Ecuaciones clave 18
Autoevaluación 18 Preguntas para análisis Resumen 52 Glosario 52 Ecuaciones clave 53
y problemas 19 Estudio de caso: Alimentos y Problemas resueltos 54 Autoevaluación 56
bebidas en los partidos de fútbol americano de la Preguntas para análisis y problemas 57
Southwestern University 21 Bibliografía 21 Estudio de caso: WTVX 63 Bibliografía 63
Apéndice 2.1: Deducción del teorema de Bayas 63

vi
 CONTENIDO Vii

CAPÍTULO 3 Análisis de decisiones 65 4.8 Análisis de regresión múltiple 128

3.1 Introducción 66 Evaluación del modelo de regresión múltiple 129
3.2 Los seis pasos para la toma de decisiones 66 Ejemplo de Jenny Wilson Realty 130
3.3 Tipos de entornos en la toma de decisiones 67 4.9 Variables binarias o ficticias 131
3.4 Toma de decisiones con incertidumbre 68 4.10 Construcción del modelo 132
Optimista 68 Regresión por pasos 133
Pesimista 69 Multicolinealidad 133
Criterio de realismo (criterio de Hurwicz) 69
4.11 Regresión no lineal 133
Igualmente probable (Laplace) 70
4.12 Advertencias y trampas en el análisis
Arrepentimiento minimax 70 de regresión 136
3.5 Toma de decisiones con riesgo 71 Resumen 137 Glosario 137
Valor monetario esperado 71 Ecuaciones clave 138 Problemas resueltos 139
Valor esperado de información perfecta 72 Autoevaluación 141 Preguntas para análisis y
Pérdida de oportunidad esperada 74 problemas 141 Estudio de caso: North-South
Análisis de sensibilidad 74 Airline 146 Bibliografía 147
3.6 Un ejemplo de minimización 75 Apéndice 4.1: Fórmulas para los cálculos de regresión 147
3.7 Uso de software para problemas con tablas
de pago 77
QM para Windows 77 CAPÍTULO 5 Pronósticos 149
Excel QM 78 5.1 Introducción 150
3.8 Árboles de decisión 79 5.2 Tipos de modelos de pronósticos 150
Eficiencia de la información muestral 84 Modelos cualitativos 150
Análisis de sensibilidad 84 Modelos causales 151
3.9 Cómo estimar valores de probabilidad Modelos de series de tiempo 151
mediante el análisis bayesiano 85
5.3 Componentes de una serie de tiempo 151
Cálculo de probabilidades revisadas 85
Problema potencial del uso de los resultados
5.4 Medidas de la precisión del pronóstico 153
de la encuesta 87 5.5 Modelos de pronósticos: sólo variaciones
3.10 Teoría de la utilidad 88 aleatorias 156
Medición de la utilidad y construcción de una Promedios móviles 156
curva de utilidad 89 Promedios móviles ponderados 156
Utilidad como criterio en la toma de decisiones 92 Suavización exponencial 158
Resumen 94 Glosario 94 Uso de software para el pronóstico de series
Ecuaciones clave 95 Problemas resueltos 95 de tiempo 160
Autoevaluación 100 Preguntas para análisis
y problemas 101 Estudio de caso: Starting 5.6 Modelos de pronósticos: variaciones de
Right Corporation 109 Estudio de caso: Blake tendencia y aleatorias 163
Electronics 110 Bibliografi'a 112 Suavización exponencial con tendencia 163
Proyecciones de tendencia 165
CAPÍTULO 4 Modelos de regresión 113
5.7 Ajuste para variaciones estacionales 167
4.1 Introducción 114 Indices estacionales 168
4.2 Diagramas de dispersión 114
Cálculo de índices estacionales sin tendencia 168
4.3 Regresión lineal simple 115
4.4 Cálculo de índices estacionales con
Medición del ajuste del modelo de tendencia 169
regresión 117
Coeficiente de determinación 118 5.8 Modelos de pronósticos: variaciones de
tendencia, estacionales y aleatorias 170
Coeficiente de correlación 118
El método de descomposición 170
4.5 Supuestos del modelo de regresión 120
Software para la descomposición 173
Estimación de la varianza 121
4.6 Prueba de la significancia del modelo 121 Uso de la regresión con tendencia y de los
componentes estacionales 174
Ejemplo de Triple A Construction 123
Tabla del análisis de varianza (ANOVA) 123
5.9 Seguimiento y control de los pronósticos 175
Ejemplo de ANOVA para Triple A Suavización adaptativa 177
Construction 124 Resumen 177 Glosario 178
4.7 Uso de software de computadora para Ecuaciones clave 178 Problemas resueltos 179
la regresión 124 Autoevaluación 180 Preguntas para análisis y
Excel 2013 124
problemas 181 Estudio de caso: Pronóstico de
asistencia a los partidos de fútbol americano en la
Excel QM 125 SWU 184 Estudio de caso: Pronóstico mensual
QM para Windows 127 de ventas 185 Bibliografía 186
viii CONTENIDO
CAPÍTULO 6 Modelos de control de inventarios 187
6.1 Introducción 188
6.2 Importancia del control de inventarios 189
Función de desacoplamiento 189
Almacenamiento de recursos 189
Oferta y demanda irregulares 189
Descuentos por cantidad 189
Prevención del desabasto y la escasez 189
6.3 Decisiones de inventario 190
6.4 Cantidad económica de pedido:
determinación de la cantidad a ordenar 191
Costos de inventario en la situación de la
EOQ 192
Determinación de la EOQ 194
Ejemplo de la compañía Sumco Pump 194
Costo de compra de los artículos en
inventario 195
Análisis de sensibilidad con el modelo de la
EOQ 196
6.5 Punto de reorden: determinación de cuándo
hacer un pedido 197
6.6 EOQ sin el supuesto de recepción
instantánea 198
Costo anual de almacenamiento para el modelo
de corrida de la producción 199
Costo anual de instalación o costo anual
de pedido 199
Determinación de la cantidad óptima de
producción 200
Ejemplo de Brown Manufacturing 200
Modelos de descuento por cantidad 202
6.7
Ejemplo de la tienda departamental Brass 204
6.8 Uso del inventario de seguridad 206
6.9 Modelos de inventario de un solo periodo 211
Análisis marginal con distribuciones
discretas 212
Ejemplo del Café du Donut 213
Análisis marginal con la distribución normal 214
Ejemplo del periódico 214
6.10 Análisis ABC 216
6.11 Demanda dependiente: el caso de la planeación
de las necesidades de materiales 216
Árbol de estructura de materiales 217
Plan de necesidades brutas y netas de
material 218
Dos o más productos finales 219
6.12 Control de inventarios justo a tiempo 221
6.13 Planeación de recursos empresariales 222
Resumen 223 Glosario 223
Ecuaciones clave 224 Problemas resueltos 225
Autoevaluación 227 Preguntas para análisis y
problemas 228 Estudio de caso: Martin-Pullin
Bicycle Corporation 235 Bibliografía 236
Apéndice 6.1: Control de inventarios con QM para
Windows 237
CAPÍTULO 7 Modelos de programación lineal: métodos
gráficos y computacionales 239
7.1 Introducción 240
7.2 Requisitos de un problema de programación
lineal 240
7.3 Formulación de problemas de PL 241
Compañía Flair Furniture 241
Solución gráfica a un problema de PL 243
Representación gráfica de las restricciones 243
Método de solución de la recta de isoutilidad 247
Método de solución de los vértices 250
Holgura y excedente 252
Resolución del problema de PL de Flair
Furniture usando QM para Windows,
Excel .2013 y Excel QM 253
Uso de QM para Windows 253
Uso del comando Solver de Excel para resolver
problemas de PL 254
Uso de Excel QM 257
7.6 Resolución de problemas de minimización 259
Rancho Holiday Meal Turkey 259
7.7 Cuatro casos especiales de PL 263
Solución no factible 263
Región no acotada 263
Redundancia 264
Soluciones óptimas múltiples 265
Análisis de sensibilidad 266
Compañía High Note Sound 267
Cambios en los coeficientes de la función
objetivo 268
QM para Windows y cambios en los coeficientes
de la función objetivo 268
Solver de Excel y cambios en los coeficientes de la
función objetivo 269
Cambios en los coeficientes tecnológicos 270
Cambios en los recursos o valores del lado
derecho 271
QM para Windows y los cambios en los valores
del lado derecho 272
Solver de Excel y cambios en los valores del lado
derecho 272
Resumen 274 Glosario 274
Problemas resueltos 275 Autoevaluación 279
Preguntas para análisis y problemas 280
Estudio de caso: Trabajo en Mexicana Wire 288
Bibliografía 290
CAPITULO 8 Aplicaciones de programación lineal 291
8.1 Introducción 292
8.2 Aplicaciones al marketing 292
Selección de medios de comunicación 292
Investigación de mercado 293
8.3 Aplicaciones a la manufactura 296
Mezcla de producción 296
Programación de la producción 297

8.4 Aplicaciones a la programación de
empleados 301
Planeación de la mano de obra 301
8.5 Aplicaciones financieras 303
Selección del portafolios 303
Problema del camión de carga 306
8.6 Aplicaciones a la mezcla de ingredientes 308
Problemas de dieta 308
Problemas de mezcla de ingredientes 309
8.7 Otras aplicaciones de la programación
lineal 311
Resumen 313 Autoevaluación 313
Problemas 314 Estudio de caso: Cable ek,
Moore 321 Bibliografía 322
CAPÍTULO 9 Modelos de transporte, asignación
y redes 323
9.1 Introducción 324
9.2 El problema de transporte 325
Programación lineal para el ejemplo de
transporte 325
Resolución de problemas de transporte mediante
el uso de software de computadora 325
Un modelo general de PL para problemas de
transporte 326
Análisis de la localización de instalaciones 327
9.3 El problema de asignación 330
Problema de programación lineal para un
ejemplo de asignación 330
9.4 El problema de transbordo 332
Problema de programación lineal para un
ejemplo de transbordo 332
9.5 Problema delfiujo máximo 335
Ejemplo 335
9.6 Problema de la ruta más corta 337
9.7 Problema del árbol de expansión mínima 338
Resumen 342 Glosario 343
Problemas resueltos 343 Autoevaluación 345
Preguntas para análisis y problemas 346
Estudio de caso: Andrew-Carter, Inc. 357
Estudio de caso: Northeastern Airlines 358
Estudio de caso: Problemas de tránsito en la
Southwestern University 359 Bibliografla 360
Apéndice 9.1: Uso de QM para Windows 360
CAPÍTULO 10 Programación entera, programación por
metas y programación no lineal 363
10.1 Introducción 364
10.2 Programación entera 364
Ejemplo de programación entera para la
compañía Harrison Electric 364
Uso de software para resolver el problema de
programación entera de Harrison 366
Ejemplo de un problema de programación
entera 368
10.3 Modelado con variables 0-1 (binarias) 370
Ejemplo de presupuesto de capital 370
CONTENIDO ix
Limitación en el número de alternativas
seleccionadas 372
Selecciones dependientes 372
Ejemplo de un problema de cargo fijo 372
Ejemplo de inversiones financieras 374
10.4 Programación por metas 374
Ejemplo de programación por metas: una revisión
de la compañía Harrison Electric 376
Extensión a múltiples metas igualmente
importantes 377
Clasificación de metas con niveles de
prioridad 377
Programación por metas ponderadas 378
10.5 Programación no lineal 379
Función objetivo no lineal y restricciones
lineales 380
Función objetivo no lineal y restricciones
no lineales 380
Función objetivo lineal con restricciones no
lineales 382
Resumen 382 Glosario 383
Problemas resueltos 383 Autoevaluación 386
Preguntas para análisis y problemas 387
Estudio de caso: Schank Marketing
Research 392 Estudio de caso: Puente sobre
el río Oakton 393 Bibliografía 394
CAPÍTULO 11 Gestión de proyectos 395
11.1 Introducción 396
11.2 PERT/CPM 397
Ejemplo de PERT/CPM para General
Foundry 397
Trazado de la red PERT/CPM 399
Tiempos de actividad 399
Cómo encontrar la ruta crítica 400
Probabilidad de terminación del proyecto 405
Qué puede proporcionar PERT 406
Uso de Excel QM para el ejemplo de General
Foundry 406
Análisis de sensibilidad y gestión de
proyectos 407
11.3 PERT/Costo 409
Planeación y programación de los costos
del proyecto: proceso de presupuesto 409
Seguimiento y control de los costos del
proyecto 412
11.4 Aceleración del proyecto 414
Ejemplo de General Foundry 415
Aceleración de un proyecto con programación
lineal 416
11.5 Otros temas en la gestión de proyectos 419
Subproyectos 419
Hitos 419
Nivelación de recursos 419
Software 419
Resumen 419 Glosario 420
Ecuaciones clave 420 Problemas resueltos 421
x CONTENIDO
Autoevaluación 423 Preguntas para análisis
y problemas 424 Estudio de caso: Construcción
del estadio de la Southwestern University 429
Estudio de caso: Centro de Investigación sobre
Planfficación Familiar en Nigeria 430
Bibliografía 432
Apéndice 11.1: Gestión de proyectos con QM para
Windows 432
CAPÍTULO 12 Modelos de líneas de espera y teoría
de colas 435
12.1 Introducción 436
12.2 Costos de las líneas de espera 436
Ejemplo de la compañía Three Rivers
Shipping 437
12.3 Características de un sistema de colas 438
Características de llegada 438
Características de la línea de espera 438
Características de las instalaciones de
servicio 439
Identificación de modelos mediante la notación
Kendall 439
12.4 Modelo de colas con un solo canal, llegadas de
Poisson y tiempos de servicio exponenciales
(M/M/1) 442
Supuestos del modelo 442
Ecuaciones de colas 442
Caso del taller Arnold's Muffler 443
Mejora del entorno de la cola 447
12.5 Modelo de colas con múltiples canales,
llegadas de Poisson y tiempos de servicio
exponenciales (MIMIm) 447
Ecuaciones para el modelo de colas con múltiples
canales 448
Revisión del taller Arnold's Muffier 448
12.6 Modelo con tiempo de servicio constante
(MIDI1) 450
Ecuaciones para el modelo con tiempo de servicio
constante 450
García-Golding Recycling, Inc. 451
12.7 Modelo de población finita (M/M/1 con
fuente finita) 452
Ecuaciones para el modelo de población
finita 452
Ejemplo del Departamento de Comercio 453
12.8 Algunas relaciones características generales
de funcionamiento 454
12.9 Modelos de colas más complejos y el uso de la
simulación 454
Resumen 455 Glosario 455
Ecuaciones clave 456 Problemas resueltos 457
Autoevaluación 460 Preguntas para análisis y
problemas 461 Estudio de caso: New England
Foundry 465 Estudio de caso: Winter Park
Hotel 467 Bibliografía 467
Apéndice 12.1: Uso de QM para Windows 468
CAPÍTULO 13 Modelos de simulación 469
13.1 Introducción 470
13.2 Ventajas y desventajas de la simulación 471
13.3 imulación de Monte Carlo 472
jemplo de Harry's Auto Tire 472
so de QM para Windows en la simulación 477
imulación con hojas de cálculo de Excel 478
13.4 imulación y análisis de inventarios 480
erretería Simkin 480
f
Análisis de los costos de inventario de
Simkin 483
13.5 Simulación de un problema de colas 484
Puerto de Nueva Orleans 484
Uso de Excel para simular el problema de colas
del puerto de Nueva Orleans 486
13.6 Modelo de simulación para una política
de mantenimiento 487
¡Compañía Three Hills Power 487
¡Análisis de costos de la simulación 489
Otros aspectos de la simulación 492
13.7
Dos tipos distintos de modelos de
simulación 492
Verificación y validación 493
Papel de las computadoras en la simulación 494
Resumen 494 Glosario 494
Problemas resueltos 495 Autoevaluación 498
Preguntas para análisis y problemas 499
Estudio de caso: Alabama Airlines 504
Estudio de caso: Corporación Statewide
Development 505 Estudio de caso: FB Badpoore
Aerospace 506 Bibliografía 508
CAPÍTULO 14 Análisis de Markov 509
14.1 Introducción 510
14.2 Estados y probabilidades de estado 510
Vector de probabilidades de estado para
el ejemplo de las tres tiendas de
comestibles 511
14.3 Matriz de probabilidades de transición 512
Probabilidades de transición para las tres tiendas
de comestibles 513
14.4 Predicción de las participaciones de mercado
futuras 513
14.5 Análisis de Markov en operaciones de
, maquinaria 514
14.6 Condiciones de equilibrio 515
14.7 Estados absorbentes y la matriz fundamental:
aplicación a cuentas por cobrar 518
Resumen 522 Glosario 523
Ecuaciones clave 523 Problemas resueltos 523
Autoevaluación 527 Preguntas para análisis y
problemas 527 Estudio de caso: Rental!
Trucks 532 Bibliografía 533
Apéndice 14.1: Análisis de Markov con QM para
Windows 533
Apéndice 14.2: Análisis de Markov con Excel 535
CAPÍTULO 15 Control estadístico de la calidad 537
15.1 Introducción 538
15.2 Definición de la calidad y la TQM 538
15.3 Control estadístico de procesos 539
Variabilidad en el proceso 539
 CONTENIDO xi

15.4 Gráficas de control para variables 541 M2.3 Terminología de la programación

Teorema del límite central 541
Determinación de los límites de la gráfica 542
Determinación de los límites de la gráfica
de rangos 545
15.5 Gráficas de control para atributos 546
Gráficas p 546
Gráficas c 548
Resumen 550 Glosario 550
Ecuaciones clave 550 Problemas resueltos 551
Autoevaluación 552 Preguntas para análisis y
problemas 552 Bibliografía 555
Apéndice 15.1: Uso de QM para Windows en el SPC 555
APÉNDICES 557
APÉNDICE A Área bajo la curva normal estándar 558
APÉNDICE B Probabilidades binomiales 560
APÉNDICE C Valores de CA para su uso en la
distribución de Poisson 565
APÉNDICE D Valores de la distribución F 566
APÉNDICE E Uso de POM-QM para Windows 568
APÉNDICE F Uso de Excel QM y complementos
de Excel 571
APÉNDICE
Soluciones a problemas seleccionados 572
APÉNDICE Soluciones a las autoevaluaciones 576
ÍNDICE 579
MÓDULOS EN EL SITIO WEB
MÓDULO 1 Proceso analítico de jerarquías M1-1
M1.1 Introducción M1-2
M1.2 Proceso de evaluación multifactorial M1-2
M1.3 Proceso analítico de jerarquías M1-4
Decisión de la computadora para Judy
Grim M1-4
Uso de comparaciones por pares MI-5
Evaluaciones para el Hardware M1-7
Determinación de la relación de
consistencia M1-7
Evaluaciones para los demás factores M1-9
Determinación de los pesos de los
factores M1-10
Clasificación general M1-10
Uso de la computadora para resolver problemas
con el proceso analítico de jerarquías M1-10
M1.4 Comparación de la evaluación multzfactorial
con el proceso analítico de jerarquías M1-11
Resumen M1-12 Glosario MI-12 Ecuaciones
clave M1-12 Problemas resueltos MI-12
Autoevaluación MI-14 Preguntas para análisis y
problemas M1-14 Bibliografía M1-16
Apéndice M1.1: Apéndice M1.1: Uso de Excel para el proceso
analítico de jerarquías MI-16
MÓDULO 2 Programación dinámica M2-1
M2.1 Introducción M2-2
M2.2 Resolución del problema de la ruta más corta
mediante programación dinámica M2-2
dinámica M2-6
M2.4 Notación de la programación dinámica M2-8
M2.5 Problema de la mochila M2-9
Tipos de problemas de la mochila M2-9
Problema del servicio de transporte aéreo de
Roller M2-9
Resumen M2-16 Glosario M2-16 Ecuaciones
clave M2-16 Problema resuelto M2-16
Autoevaluación M2-18 Preguntas para
análisis y problemas M2-19 Caso de estudio:
United Trucking M2-22 Estudio de caso en
Internet M2-22 Bibliografía M2-22
MÓDULO 3 Teoría de decisiones y la distribución
normal M3-1
M3.1 Introducción M3-2
M3.2 Análisis del punto de equilibrio y la
distribución normal M3-2
Decisión de un nuevo producto en la compañía
Barclay Brothers M3-2
Distribución de probabilidad de la
demanda M3-3
Uso del valor monetario esperado para tomar una
decisión M3-5
M3.3 Valor esperado de la información perfecta y
la distribución normal M3-6
Función de la pérdida de oportunidad M3-6
Pérdida de oportunidad esperada M3-6
Resumen M3-8 Glosario M3-8 Ecuaciones
clave M3-8 Problemas resueltos M3-9
Autoevaluación M3-9 Preguntas para análisis y
problemas M3-10 Bibliografía M3-11
Apéndice M3.1: Obtención del punto de equilibrio M3-11
Apéndice M3.2: Integral normal de pérdida unitaria M3-12
MÓDULO 4 Teoría de juegos M4-1
M4.1 Introducción M4-2
M4.2 Lenguaje de los juegos M4-2
M4.3 El criterio minimax M4-3
M4.4 Juegos de estrategia pura M4-4
M4.5 Juegos de estrategia mixta M4-5
M4.6 Dominancia M4-6
Resumen M4-7 Glosario M4-7 Problemas
resueltos M4-7 Autoevaluación M4-8
Preguntas para análisis y problemas M4-9
Bibliografía M4-10
MÓDULO 5 Herramientas matemáticas: Determinantes
y matrices M5-1
M5.1 Introducción M5-2
M5.2 Matrices y operaciones con matrices M5-2
Suma y resta de matrices M5-2
Multiplicación de matrices M5-3
Notación matricial para sistemas de
ecuaciones M5-6
Matriz transpuesta M5-6
M5.3 Determinantes, cofactores y adjuntas M5-7
Determinantes M5-6
Matriz de cofactores y adjunta M5-8
xii CONTENIDO
M5.4 Encontrar la inversa de una matriz M.5-10
Resumen M5-11 Glosario M5-11
Ecuaciones clave M5-11 Autoevaluación M5-12
Preguntas para análisis y problemas M5-12
Bibliografía M5-13
Apéndice M5.I: Uso de Excel para cálculos matriciales M5-I3
MÓDULO 6 Optimización basada en el Cálculo M6-1
M6.1 Introducción M6-2
M6.2 Pendiente de una línea recta M6-2
M6.3 Pendiente de una función no lineal M6-3
M6.4 Algunos derivadas comunes M6-5
Segundas derivadas M6-6
M6.5 Máximos y mínimos M6-6
M6.6 Aplicaciones M6-8
Cantidad económica de pedido M6-8
Ingreso total M6-9
Resumen M6-10 Glosario M6-10 Ecuaciones
clave M6-10 Problema resuelto M6-11
Autoevaluación M6-11 Preguntas de análisis y
preguntas M6-12 Bibliografía M6-12
MÓDULO 7 Programación lineal: el método
simplex M7-1
M7.1 Introducción M7-2
M7.2 Cómo establecer la solución simplex
inicial M7-2
Conversión de restricciones en ecuaciones M7-3
Determinación algebraica de una solución
inicial M7-3
La primera tabla Simplex M7-4
M7.3 Procedimientos de solución simplex M7-8
M7.4 La segunda tabla simplex M7-9
Interpretación de la segunda tabla M7-12
Desarrollo de la tercera tabla M7-13
M7.5
Revisión de los procedimientos para resolver
M7.6
problemas de maximización de PL M7-I6
Excedente y variables artificiales M7-16
M7.7
Variables excedentes M7-17
Variables artificiales M7-17
Variables excedentes y artificiales en la función
objetivo M7-18
M7.8 Resolución de problemas de
minimización M7-18
Ejemplo de la compañía Muddy River
Chemical M7-18
Análisis gráfico M7-19
Conversión de las restricciones y la función
objetivo M7-20
Reglas del método simplex para problemas
de minimización M7-21
Primera tabla simplex para el problema de la
compañía Muddy River Chemical M7-21
Desarrollo de una segunda tabla M7-23
Desarrollo de una tercera tabla M7-24
Cuarta tabla para el problema de la compañía
Muddy River Chemical M7-26
M7.9 Revisión de los procedimientos para resolver
problemas de minimización de PL M7-27
M7.10 Casos especiales M7-28
Infactibilidad M7-28
Soluciones no acotadas M7-28
Degeneración M7-29
Más de una solución óptima M7-30
M7.11 Análisis de sensibilidad con la tabla
simplex M7-30
Revisión de la compañía High Note
Sound M7-30
Cambios en los coeficientes de la función
objetivo M7-31
Cambios en los recursos o en los valores del lado
derecho M7-33
M7.12 El dual M7-35
Pasos para formar un dual M7-37
Resolución del dual del problema de la compañía
High Note Sound M7-37
M7.13 Algoritmo de Karmarkar M7-39
Resumen M7-39 Glosario M7-39 Ecuación
Clave M7-40 Problemas resueltos M7-41
Autoevaluación M7-44 Preguntas para análisis
y problemas M7-45 Bibliografía M7-53
MÓDULO 8 Algoritmos de transporte, asignación
y redes M8-1
M8.I Introducción M8-2
M8.2 El algoritmo de transporte M8-2
Desarrollo de una solución inicial: Regla de la
esquina noroeste M8-2
Método del cruce del arroyo: Determinación de
una solución de costo mínimo M8-4
M8.3 Situaciones especiales con el algoritmo de
transporte M8-9
Problemas de transporte desequilibrados M8-9
Degeneración en los problemas de
transporte M8-10
Más de una solución óptima M8-13
Problemas de transporte de maximización M8-13
Rutas inaceptables o prohibidas M8-13
Otros métodos de transporte M8-13
M8.4 El algoritmo de asignación M8-13
El método húngaro (Técnica de Flood) M8-14
Realización de la asignación final M8-18
M8.5 Situaciones especiales con el algoritmo de
asignación M8-18
Problemas de asignación desequilibrados M8-18
Problemas de asignación de
maximización M8-19
M8.6 Problema del flujo máximo M8-20
Técnica del flujo máximo M8-20
M8.7 Problema de la ruta más corta M8-23
Técnica de la ruta más corta M8-23
Resumen M8-25 Glosario M8-25 Problemas
resueltos M8-26 Autoevaluación M8-32
Preguntas para análisis y problemas M8-33
Casos M8-42 Bibliografía M8-42
INFORMACIÓN GENERAL

Bienvenido a la decimosegunda edición de Métodos cuantitativos para los negocios. Nuestro objetivo es
ofrecer a los estudiantes de licenciatura y posgrado una base genuina para el análisis de negocios, los mé-
todos cuantitativos y las ciencias de la administración. Al hacerlo, agradecemos a los cientos de usuarios
y decenas de colaboradores que nos han brindado consejos invaluables y asesoría pedagógica durante más
de 30 años.
Para ayudar a los estudiantes a entender cómo las técnicas presentadas en este libro se aplican en el
mundo real, en la presente edición se hace un énfasis especial en las aplicaciones y los ejemplos con el uso de
computadoras. Se presentan modelos matemáticos, con todas las premisas necesarias, en forma clara y con
lenguaje sencillo. Después, se aplican los procedimientos de solución correspondientes a problemas de ejem-
plo, junto con instrucciones paso a paso que explican "cómo se hace». Hemos encontrado que este método
de presentación es muy eficaz y los estudiantes agradecen este enfoque. Cuando los cálculos matemáticos
son complejos, los detalles se presentan de manera tal que el profesor puede omitir esas secciones sin inte-
rrumpir el flujo de información. El uso de software de computadora permite que el docente se enfoque en
el problema de administración y dedique menos tiempo a los detalles de los algoritmos. A lo largo del libro
se presentan muchos ejemplos de resultados obtenidos por computadora.
El único requisito matemático previo para este libro es el álgebra. En el texto se incluye un capítulo
sobre probabilidad y otro sobre análisis de regresión, los cuales ofrecen la cobertura introductoria de estos
temas. En todo el libro se emplea notación, terminología y ecuaciones estándar. Se presenta una explicación
cuidadosa de la notación matemática y de las ecuaciones que se utilizan.

NOVEDADES EN ESTA EDICIÓN

• Se presenta una introducción al análisis de negocios.

• Se incorpora Excel 2013 a lo largo del texto.
• Los modelos de transporte, asignación y redes se conjuntaron en un capítulo que se enfoca en el
modelado con programación lineal.
• Los algoritmos especializados para los métodos de transporte, asignación y redes se combinaron en
el módulo 8 (en el sitio web).
• A lo largo del libro, se agregaron nuevos ejemplos, más de 25 problemas, 8 análisis cuantitativos
en aplicaciones prácticas, 4 modelados en el mundo real y 3 estudios de caso inéditos. Además, se
actualizaron otros problemas y estudios de caso.
xiv PREFACIO

CARACTERÍSTICAS ESPECIALES

En ediciones anteriores ha habido muchas característicos de gran aceptación, las cuales se actualizaron y
ampliaron. Entre ellas se encuentran:

Las secciones Modelado en el mundo real muestrañ el enfoque del análisis cuantitativo para cada
técnica estudiada en el libro. Se agregaron cuatro nuevas secciones.
Los recuadros de Procedimiento resumen las técnicas cuantitativas más avanzadas, presentándolas
como una serie de pasos fáciles de entender.
Las notas al margen destacan los temas importantés en el texto.
Los recuadros de Historia narran cuestiones interelantes relacionadas con el desarrollo de las técni-
cas y las personas que las originaron.
Las secciones AC en acción ilustran la forma como las organizaciones reales han utilizado el análisis
cuantitativo para resolver problemas. Se incorporaron varios recuadros inéditos de AC en acción.
Los problemas resueltos, que se incluyen al final de cada capítulo, sirven como ejemplo para que los
estudiantes resuelvan sus propios problemas de tarea.
Las preguntas para análisis, presentadas al final de cada capítulo, ponen a prueba la comprensión del
alumno acerca de los conceptos estudiados y las definiciones presentadas en el capítulo.
Los problemas incluidos en cada capítulo están orientados a las aplicaciones y evalúan la capacidad
del estudiante para resolver problemas similares a los que se presentan en exámenes. Los problemas
se clasifican de acuerdo con su nivel de dificultad: introductorios (una viñeta), moderados (dos viñe-
tas) y difíciles (tres viñetas). Se agregaron más de 40 problemas.
Las autoevaluaciones permiten que los estudiantes pongan a prueba su conocimiento de términos y
conceptos importantes al prepararse para sus exámenes parciales y finales.
Los estudios de caso, al final de cada capítulo, proporcionan interesantes aplicaciones administrati-
vas adicionales.
El glosario, al final de cada capítulo, define los términos más importantes.
Las ecuaciones clave, que se incluyen en la parte final de cada capítulo, listan las ecuaciones que se
presentaron en el texto.
La bibliografía al fanal del capítulo presenta una selección actualizada de los libros y artículos más
avanzados.
El software POM-QM para Windows usa todas las capacidades de Windows para resolver problemas
de análisis cuantitativo.
Se utilizan Excel QM y Excel 2013 para resolver problemas en todo el libro.
Los archivos de datos con hojas de cálculo en Excel y POM-QM para Windows, que contienen to-
dos los ejemplos del libro impreso, están disponibles para que los estudiantes los descarguen desde
el sitio web. Los profesores que utilicen este libro como texto en un curso pueden descargar archivos
adicionales, los cuales contienen soluciones en computadora a los problemas de fin de capítulo más
relevantes.
• Los módulos proporcionan una cobertura adicional de temas sobre análisis cuantitativo.
• El sitio web del libro ofrece, además de los módulos, muchos recursos; entre ellos problemas adicio-
nales, casos y material adicional para casi todos los capítulos.

CAMBIOS SIGNIFICATIVOS EN LA DECIMOSEGUNDA EDICIÓN

En esta nueva edición hemos introducido Excel 2013 en todos los capítulos. Se han integrado capturas de
pantalla, donde consideramos pertinente, de manera que los estudiantes puedan aprender fácilmente cómo
utilizar Excel en sus cálculos. El complemento QM de Excel, utilizado con Excel 2013, permite que los
estudiantes con escasa experiencia en el manejo de Excel realicen fácilmente los cálculos necesarios. Esto
también hace que los alumnos mejoren sus habilidades con Excel al ver las fórmulas escritas automática-
mente en Excel QM.
 PREFACIO XV

En el sitio web del libro, los estudiantes pueden acceder a los archivos de todos los ejemplos en Excel
2013, QM para Windows y Excel QM utilizados en el texto impreso. Asimismo, los profesores disponen de
archivos con todos los problemas que se encuentran al final de los capítulos y que involucran esas herra-
mientas de software.
El análisis de negocios, uno de los temas más candentes en el mundo empresarial actual, hace un
amplio uso de los modelos presentados en este libro. Se presenta un estudio de las categorías del análisis
de negocios y las técnicas más relevantes de las ciencias de la administración se ubican en sus categorías
correspondientes.
Los modelos de transporte, transbordo, asignación y redes se combinaron en un capítulo que se en-
foca en el modelado con programación lineal. Los algoritmos especializados para estos modelos se com-
binaron en un nuevo módulo online.
Los ejemplos y problemas se actualizaron y en muchos casos se sustituyeron por nuevos. Se inclu-
yen nuevas capturas de pantalla para casi todos los ejemplos del libro. A continuación, se presenta un re-
sumen de los cambios específicos por capítulo.

Capítulo 1 Introducción al análisis cuantitativo. Se añadió una sección sobre el análisis de negocios, se
modificó la autoevaluación y se agregaron dos nuevos problemas.

Capítulo 2 Conceptos de probabilidad y aplicaciones. La presentación de los conceptos fundamentales

de probabilidad se modificó y reorganizó de manera significativa. Se incorporaron dos nuevos problemas.

Capítulo 3 Análisis de decisiones. En una sección nueva se incluye un análisis más exhaustivo de los
problemas de minimización con tablas de pagos. Se amplió la presentación del uso de software con tablas
de pagos; además se agregaron dos nuevos problemas.

Capítulo 4 Modelos de regresión. Se trasladó de un apéndice al cuerpo de este capítulo el uso de dife-
rentes paquetes de software para el análisis de regresión.

Capítulo 5 Pronósticos. La presentación de los modelos de pronóstico de series de tiempo se modificó

en forma significativa; ahora se centra en la identificación de la técnica apropiada que debe usarse, con
base en los componentes de las series de tiempo que están presentes en los datos. Se agregaron cinco nue-
vos problemas y los casos se actualizaron.

Capítulo 6 Modelos de control de inventarios. Se actualizaron los cuatro pasos del proceso de produc-
ción Kanban y su explicación se presenta de forma más clara. Se incluyen dos recuadros de AC en acción,
cuatro problemas inéditos y una nueva sección Modelado en el mundo real.

Capítulo 7 Modelos de programación lineal: métodos gráficos y computacionales. Se presenta un aná-

lisis más profundo de Solver. Se incluyó una nueva sección Modelado en el mundo real y se modificaron
los problemas resueltos.

Capítulo 8 Aplicaciones de programación lineal. El modelo de transporte se cambió al capítulo 9 y se

agregó una sección que describe otros modelos. Las preguntas de autoevaluación se modificaron y se aña-
dieron un problema, un recuadro inédito AC en acción y un estudio de caso.

Capítulo 9 Modelos de transporte, asignación y redes. Este nuevo capítulo presenta todos los modelos
de transporte, asignación y redes que se encontraban dispersos en dos capítulos. Se enfatizó el enfoque en
el modelado, y los algoritmos de propósito específico se trasladaron a un módulo en el sitio web. Asimismo,
se añadió un estudio de caso inédito de Northeastern Airlines.

Capítulo 10 Programación entera, programación por metas y programación no lineal. En este capítulo
los cambios fueron en el uso de Excel 2013 y nuevas capturas de pantalla.

Capítulo 11 Gestión de proyectos. Se agregaron dos nuevos problemas al final del capítulo y tres recua-
dros inéditos de AC en acción.

Capítulo 12 Modelos de líneas de espera y teoría de colas. Se añadieron dos nuevos problemas al final
del capítulo.

Capítulo 13 Modelos de simulación. Se incorporaron una sección Modelado en el mundo real, un

recuadro inédito de AC en acción y un nuevo estudio de caso.
xvi PREFACIO

Capítulo 14 Análisis de Markov. Se agregaron un re uadro de AC en acción y dos problemas inéditos

al final del capítulo.

Capítulo 15 Control estadístico de la calidad. Se i corporaron una nueva sección Modelado en el

mundo real, un recuadro inédito AC en acción y dos nue os problemas al final del capítulo.

Módulos 1 a 8 El único cambio significativo en est módulos es la adición del módulo 8, Algoritmos
de transporte, asignación y redes, el cual incluye algori7 os de propósito especifico para modelos de trans-
porte, asignación y redes.

MÓDULOS EN EL SITIO WEB

Para agilizar la lectura del texto dispone de ocho temas en los módulos que se encuentran en el sitio web
de este libro.
1. Proceso analítico de jerarquías
2: Programación dinámica
3. Teoría de decisiones y la distribución normal
4. Teoría de juegos
5. Herramientas matemáticas: determinantes y matrices
6. Optimización basada en cálculo
7. Programación lineal: método símplex
8. Algoritmos de transporte, asignación y redes

SOFTWARE

Excel 2013 A lo largo de todo el libro se presentan instrucciones y capturas de pantalla para utilizar
Excel 2013. Las instrucciones para activar los complementos de Solver y Analysis Toolpack en Excel 2013
se incluyen en un apéndice. El uso de Excel es más frecuente en esta edición que en las anteriores.

Excel QM Este complemento de Excel crea automáticamente hojas de trabajo para resolver problemas.
Lo anterior resulta muy útil para los profesores que eligen utilizar Excel en sus clases pero que tal vez
tengan alumnos con escasa experiencia en su manejo. Los estudiantes aprenden fácilmente al examinar las
fórmulas que se han creado y las entradas que se generan de forma automática para utilizar el complemento
Solver de programación lineal.

POM-QM para Windows Este software, desarrollado por el profesor Howard Weiss, está a disposi-
ción de los estudiantes en el sitio web del libro. Es muy fácil de usar y ha demostrado ser una herramienta
muy apreciada por nuestros usuarios. Existen módulós disponibles para cada tipo principal de problema
que se presenta en el texto.
 PREFACIO xvii

ARCHIVOS DE EJEMPLO EN EL SITIO WEB (EN INGLÉS)

Archivos para los ejemplos en Excel, Excel QM y POM-QM para Windows. Los lectores pueden descargar
los archivos (en inglés) que se utilizaron para elaborar los ejemplos de este libro. Esto les ayudará a fami-
liarizarse con el software y a entender cómo introducir los datos y las fórmulas para resolver los ejemplos.

Estudios de caso en Internet Hemos colocado muchos estudios de caso adicionales (en inglés) para
la mayoría de los capítulos.

RECURSOS ADICIONALES PARA LOS PROFESORES

QUE ADOPTEN ESTE LIBRO EN SUS CURSOS

El sitio web de este libro ofrece magníficos recursos (en inglés) a los profesores que utilicen nuestro texto
en un curso. Solicite su clave de acceso a su representante de Pearson.

• Archivos electrónicos de los datos de Excel y PÓM-QM para Windows de todos los ejemplos rele-
vantes y los problemas de final de capítulo.

Manual de soluciones para el profesor El Manual de soluciones para el profesor, actualizado

por los autores, también incluye las soluciones a los estudios de caso en Internet.

Presentaciones en PowerPoint Un amplio conjunto de diapositivas en PowerPoint que apoyan la

explicación de los temas.

TestGen Es un paquete computarizado (que incluye software y banco de exámenes compatibles con pla-
taformas como Blackboard, WebCT y Course Compass) que permite a los profesores personalizar, guardar
y generar exámenes en el salón de clases. Asimismo, pueden editar, agregar y eliminar preguntas del banco
de exámenes; editar gráficas y crear nuevas; analizar los resultados de los exámenes y organizar una base de
datos con esos resultados. Este software ofrece muchas opciones para organizar y mostrar los exámenes, e
incluye funciones de búsqueda y clasificación, lo que hace que los profesores se beneficien con su amplia
flexibilidad y facilidad de uso.

Banco de exámenes Un Banco de exámenes totalmente actualizado.

AGRADECIMIENTOS

Agradecemos cordialmente a los usuarios de las ediciones anteriores y a los revisores que aportaron valio-
sas sugerencias e ideas para esta edición. Su opinión es muy útil en nuestros esfuerzos de mejora continua.
El éxito constante de Métodos cuantitativos para los negocios es resultado directo de la retroalimentación
de los profesores y estudiantes, algo que realmente apreciamos.
Los autores están en deuda con muchas personas que han hecho importantes contribuciones a este
proyecto. Damos un agradecimiento especial a los profesores Faizul Huq, F. Bruce Simmons III, Khala
Chand Seal, Victor E. Sower, Michael Ballot, Curtis P. McLaughlin y Zbigniew H. Przanyski por sus contri-
buciones a los excelentes casos que se incluyen en esta edición.
xviii PREFACIO

Agradecemos a Howard Weiss por proporcionar Excel QM y POM-QM para Windows, dos de los
paquetes más destacados en el área de los métodos cuantitativos. También nos gustaría expresar nuestra
gratitud a los revisores que han ayudado a hacer de este libro de texto el más ampliamente utilizado en el
campo del análisis cuantitativo:

Stephen Achtenhagen, San Jose University Shahriar Mostashari Campbell University

M. Jill Austin, Middle Tennessee State University
Raju Balakrishnan, Clemson University
Hooshang Beheshti, Radford University
Jason Bergner, University of Central Missouri
Bruce K. Blaylock, Radford University
Rodney L. Carlson, Tennessee Technological University
Edward Chu, California State University, Dominguez Hills
John Cozzolino, Pace University—Pleasantville
Ozgun C. Demirag, Penn State—Erie
Shad Dowlatshahi, University of Wisconsin, Platteville
lke Ehie, Southeast Missouri State University
Richard Ehrhardt, University of North Carolina—Greensboro
Sean Eom, Southeast Missouri State University
Ephrem Eyob, Virginia State University
Mira Ezvan, Lindenwood University
Wade Ferguson, Western Kentucky University
Robert Fiore, Springfield College
Frank G. Forst, Loyola University of Chicago
Ed Gillenwater, University of Mississippi
Stephen H. Goodman, University of Central Florida
hwin Greenberg, George Mason University
Nicholas G. Hall, Ohio State University
Robert R. Hill, University of Houston—Clear Lake
Gordon Jacox, Weber State University
Bharat Jain, Towson University
Vassilios Karavas, University of Massachusetts Amherst
Darlene R. Lanier, Louisiana State University
Kenneth D. Lawrence, New Jersey Institute of Technology
Jooh Lee, Rowan College
Richard D. Legault, University of Massachusetts—Dartmouth
Douglas Lonnstrom, Siena College
Daniel McNamara, University of St. Thomas
Peter Miller, University of Windsor
Ralph Miller, California State Polytechnic University
David Murphy, Boston College
Robert C. Myers, University of Louisville
Barin Nag, Towson State University
Nizam S. Najd, Oklahoma State University
Harvey Nye, Central State University
Alan D. Olinsky, Bryant College
Sayas Ozatalay, Widener University
Young Park, California University of Pennsylvania
Cy Peebles, Eastern Kentucky University
Yusheng Peng, Brooklyn College
Dane K. Peterson, Southwest Missouri State University
Sanjeev Phukan, Bemidji State University
Ranga Ramasesh, Texas Christian University
William Rife, West Virginia University
Bonnie Robeson, Johns Hopkins University
Grover Rodich, Portland State University
Vijay Shah, West Virginia University—Parkersburg
L. Wayne Shell, Nicholls State University
Thomas Sloan, University of Massachusetts—Lowell
Richard Slovacek, North Central College
Alan D. Smith, Robert Monis University
John Swearingen, Bryant College
F. S. Tanaka, Slippery Rock State University
Jack Taylor, Portlahd State University
Madeline Thimmes, Utah State University
M. Keith Thomas, Olivet College
Andrew Tiger, Southeastern Oklahoma State University
Chris Vertullo, Marist College
James Vigen, California State University, Bakersfield
William Webster, University of Texas at San Antonio
Larry Weinstein, Eastern Kentucky University
Fred E. Williams, University of Michigan—Flint
Mela Wyeth, Charleston Southern University
Oliver Yu, San Joise State University

Estamos muy agradecidos con todo el personal de Pearson que trabajó arduamente para hacer que este libro
fuera un éxito, especialmente con Donna Battista, editora en jefe; Mary Kate Murray, gerente de proyecto, y
Kathryn Dinovo, gerente general de producción. También damos las gracias a Tracy Duff, nuestra directora
de proyecto en PreMediaGlobal. Expresamos nuestra gratitud para Annie Puciloslci por su incansable tra-
bajo en la revisión del libro de texto. ¡Gracias a todos!

Barry Render
brender@rollins.edu

Ralph Stair

Michael Harma
hanna@uhdedu

Trevor S. Hale
halet@uhd.edu
 Análisis de decisiones

OBJETIVOS DE APRENDIZAJE

Después de estudiar este capítulo, el alumno será capaz de:

1. Listar los pasos del proceso de toma de 5. Desarrollar árboles de decisión precisos y útiles.
decisiones. 6. Revisar estimaciones de probabilidad usando el
2. Describir los tipos de entornos en la toma de análisis bayesiano.
decisiones. 7. Utilizar computadoras para resolver problemas
3. Tomar decisiones en condiciones de básicos de toma de decisiones.
incertidumbre. 8. Comprender la importancia y el uso de la teoría
4. Utilizar valores de probabilidad para tomar de la utilidad en la toma de decisiones.
decisiones con riesgo.

CONTENIDO DEL CAPÍTULO

3.1 Introducción 3.7 Uso de software para problemas con tablas de
3.2 Los seis pasos para la toma de decisiones pago
3.3 Tipos de entornos en la toma de decisiones 3.8 Árboles de decisión
3.4 Toma de decisiones con incertidumbre 3.9 Cómo estimar valores de probabilidad mediante
3.5 Toma de decisiones con riesgo el análisis bayesiano
3.6 3.10 Teoría de la utilidad
Un ejemplo de minimización

Resumen • Glosario • Ecuaciones clave • Problemas resueltos • Autoevaluación • Preguntas para análisis y
problemas • Problemas de tarea en Internet • Estudio de caso: Starting Right Corporation • Estudio de caso: Blake
Electronics • Estudios de caso en Internet • Bibliografía

65
66 CAPÍTULO 3 • ANÁLISIS DE DECISIONES
3.1 Introducción
La teoría de decisiones es una
manera analítica y sistemática de
hacer frente a los problemas.
Una buena decisión se basa en la
lógica.
3.2 Los seis pasos para la toma de decisiones
El primer paso es definir el problema.
El segundo paso es hacer una lista de
las alternativas posibles.
En gran medida, los éxitos o fracasos que experimen a una persona en la vida dependen de las decisiones
que toma. Quien realizó la gestión del fallido trans ordador espacial Challenger ya no trabaja para la
NASA. La persona que diseñó el Mustang más vend do se convirtió en el presidente de Ford. ¿Por qué y
cómo tomaron sus respectivas decisiones estas perso as? En general, ¿qué está involucrado en la toma de
buenas decisiones? Una decisión puede marcar la di erencia entre una carrera exitosa y otra sin éxito. La
teoría de decisiones es un enfoque analítico y sistemático para el estudio de la toma de decisiones. En este
capítulo se presentan modelos matemáticos útiles para ayudar a los administradores a tomar las mejores
decisiones posibles.
¿Qué hace la diferencia entre las buenas y las malas decisiones? Una buena decisión es aquella que se
basa en la lógica, considera todos los datos disponibles y las alternativas posibles, y aplica el enfoque
cuantitativo que se describirá a continuación. De cuando en cuando, una buena decisión se traduce en un
resultado inesperado o desfavorable. Pero si se toma correctamente sigue siendo una buena decisión. Una
mala decisión no se basa en la lógica, no utiliza todq la información disponible, no toma en cuenta todas
las alternativas ni emplea las técnicas cuantitativas ecuadas. Si usted toma una mala decisión, pero por
suerte se produce un resultado favorable, aún así to una mala decisión. Aunque en ocasiones las buenas
decisiones producen malos resultados, a largo plazo, el uso de la teoría de decisiones dará lugar a resulta-
dos exitosos.
Ya sea que usted esté decidiendo hacerse un corte de cabello hoy, realizar la construcción de una planta
multimillonaria o comprar una cámara fotográfica nueva, los pasos para tomar una buena decisión son
básicamente los mismos:
Seis pasos para la toma de decisiones
1. Definir claramente el problema.
2. Hacer una lista de las alternativas posibles.
3. Identificar los resultados posibles o estados de la naturaleza.
4. Analizar los pagos (por lo general la ganancia) de cada combinación de alternativas y resultados.
5. Seleccionar uno de los modelos matemáticos de la teoría de decisiones.
6. Aplicar el modelo y tomar la decisión.
Se utilizará el caso de la compañía Thompson Lumber como ejemplo para ilustrar los pasos de la
teoría de decisiones. John Thompson es el fundador y presidente de la compañía Thompson Lumber, una
empresa rentable con sede en Portland, Oregon.
Paso 1. El problema que John Thompson identifica es la posibilidad de ampliar su línea de productos
mediante la fabricación y comercialización de un nuevo producto: cobertizos de almacenamiento para
patio.
El segundo paso de Thompson es generar las alternativas que están a su disposición. En la teoría de
decisiones, una alternativa se define como un curso de acción o una estrategia que el tomador de decisio-
nes puede elegir.
Paso 2. John decide que sus alternativas son construir 1. una nueva planta grande para la fabricación de
los cobertizos de almacenamiento, 2. una planta pequeña o 3. ninguna planta en absoluto (es decir, tiene la
opción de no desarrollar la nueva línea de productos).
Uno de los mayores errores que los tomadores de decisiones cometen es dejar de lado algunas alter-
nativas importantes. Aunque una alternativa en part cular parecería inapropiada o de escaso valor, podría
llegar a ser la mejor opción.
El siguiente paso consiste en identificar los re hados posibles de las distintas alternativas. Un error
común es olvidarse de algunos de los resultados po ibles. Los tomadores de decisiones optimistas tienden
a dejar de lado los malos resultados, mientras que 1 s administradores pesimistas podrían soslayar un re-
sultado favorable. Si usted no considera todas las po ibilidades, no logrará tomar una decisión lógica, y los
resultados quizá sean indeseables. Si usted no cree que lo peor puede suceder, tal vez diseñe otro automóvil
Edsel. En teoría de decisiones, los resultados sobre los que el tomador de decisiones tiene poco o ningún
control se llaman estados de la naturaleza.

TABLA 3.1
Tabla de decisiones con
valores condicionales
para Thompson Lumber
El tercer paso es identificar los
resultados posibles.
El cuarto paso es analizar los pagos.
Durante el cuarto paso, el tomador
de decisiones puede construir
tablas de decisiones o tablas
de pagos.
Los dos últimos pasos sirven para
seleccionar y aplicar el modelo de
teoría de decisiones.
3.3 Tipos de entornos en la toma de decisiones
Las probabilidades no se conocen.
3.3 TIPOS DE ENTORNOS EN LA TOMA DE DECISIONES 67
~11ESTADO DE LA NATURALEZA
11> MERCADO FAVORABLE MERCADO DESFAVORABLE
kLTERNATI k ($) ($)
Construir una planta grande 200.000 —180,000
Construir una planta pequeña 100,000 —20.000
No hacer nada o 0
Nota: Es importante considerar todas las alternativas, incluso la de "no hacer nada".
Paso 3. Thompson determina que sólo hay dos resultados posibles: el mercado de los cobertizos de al-
macenamiento podría ser favorable, lo cual significa que hay una gran demanda para el producto, o bien,
podría ser desfavorable, lo que significa que existe una baja demanda de los cobertizos.
Una vez que se han identificado las alternativas y los estados de la naturaleza, el siguiente paso con-
siste en expresar el pago resultante de cada combinación posible de alternativas y resultados. En teoría de
decisiones, a tales pagos o ganancias se les llama valores condicionales. Por supuesto, no todas las deci-
siones pueden basarse sólo en el dinero —cualquier medio adecuado para medir el beneficio es aceptable.
Paso 4. Debido a que Thompson quiere maximizar sus utilidades, puede utilizar la ganancia para evaluar
cada consecuencia.
John Thompson ya ha evaluado los beneficios potenciales asociados con los distintos resultados. Con
un mercado favorable, piensa que una planta grande se traduciría en una ganancia neta de $200,000 para
su firma. Estos $200,000 son un valor condicional, porque para que Thompson reciba el dinero está con-
dicionado a construir una planta grande y a tener un buen mercado. El valor condicional si el mercado
no es favorable sería una pérdida neta de $180,000. Una planta pequeña implicaría una ganancia neta de
$100,000 en un mercado favorable; pero se produciría una pérdida neta de $20,000, si el mercado fuera
desfavorable. Por último, no hacer nada resultaría en $0 beneficios, sin que importe la aceptación en el
mercado. La manera más fácil de presentar estos valores es mediante la construcción de una tabla de deci-
siones, a veces llamada tabla de pagos. En la tabla 3.1 se muestra una tabla de decisiones para los valores
condicionales de Thompson. Todas las alternativas se listan del lado izquierdo de la tabla; mientras que
todos los resultados posibles o estados de la naturaleza se indican en la parte superior. El cuerpo de la tabla
contiene los pagos reales.
Pasos S y 6. Los dos últimos pasos son seleccionar un modelo de teoría de decisiones y aplicarlo a los
datos para ayudarse a tomar la decisión. La selección del modelo depende del entorno donde se está ope-
rando, así como de la cantidad de riesgo y de la incertidumbre involucrada.
Los tipos de decisiones que toman las personas dependen de la cantidad de conocimiento o información
que tienen sobre la situación. Hay tres entornos en la toma de decisiones:
• Toma de decisiones con certidumbre
• Toma de decisiones con incertidumbre
• Toma de decisiones con riesgo
En el entorno de la toma de decisiones con certidumbre, los tomadores de decisiones conocen con
toda certeza las consecuencias de cada alternativa o decisión de elección. Naturalmente, van a elegir la
alternativa que maximice su bienestar o que se traduzca en el mejor resultado. Por ejemplo, digamos que
usted tiene $1,000 para invertir durante un periodo de 1 año. Una alternativa es abrir una cuenta de ahorros
que paga un interés de 4% y otra es invertir en un bono del Tesoro del gobierno que paga un interés de 6%.
Si ambas inversiones son seguras y están garantizadas, hay una certeza de que el bono del Tesoro pagará un
mayor rendimiento. El rendimiento después de 1 año será de $60 en intereses.
En la toma de decisiones con incertidumbre, hay varios resultados posibles para cada alternativa,
y el tomador de decisiones no sabe las probabilidades de los distintos resultados. A modo de ejemplo, no
se conoce la probabilidad de que un demócrata sea presidente de Estados Unidos durante 25 años a partir
de ahora. A veces es imposible evaluar la probabilidad de éxito de una empresa o un producto nuevos. Los
criterios para la toma de decisiones con incertidumbre se explican en la sección 3.4.
68 CAPÍTULO 3 • ANÁLISIS DE DECISIONES

Las probabilidades se conocen.
En la toma de decisiones con riesgo, hay vario resultados posibles para cada alternativa, y el toma-
dor de decisiones conoce la. probabilidad de ocurren la de cada resultado. Sabemos, por ejemplo, que al
jugar a las cartas usando un mazo estándar, la proba *dad de elegir un trébol es 0.25. La probabilidad de
obtener un 5 en un dado es 1/6. En la toma de decisi nes con riesgo, el tomador de decisiones por lo ge-
neral intenta maximizar su bienestar esperado. Los odelos de teoría de decisiones para los problemas de
negocios en este entorno suelen emplear dos criterios equivalentes: la maximización del valor monetario
esperado y la minimización de la pérdida de oportunidad esperada.
En el ejemplo de Thompson Lumber, John Thornpson se enfrenta a la toma de decisiones en condi-
ciones de incertidumbre. Si construye una planta nde o bien una pequeña, el beneficio real dependerá
del estado de la naturaleza y no se conocen las prob bilidades. Si se conocieran las probabilidades de un
mercado favorable y de un mercado desfavorable, entorno cambiaría de incertidumbre a riesgo. Para
la tercera alternativa, no hacer nada, el beneficio no depende del estado de la naturaleza y se conoce con
certeza.

3.4 Toma de decisiones con incertidumbre

La presentación en esta sección de los criterios para la toma de decisiones en condiciones de incertidum-
bre (y también para la toma de decisiones con riesgo) se basa en el supuesto de que el pago es algo donde
los valores más grandes son mejores y los valores altos son deseables. Para pagos tales como utilidades,
ventas totales, rendimiento total sobre la inversión e intereses ganados, la mejor decisión sería una que
resultara en algún tipo de beneficio máximo. Sin embargo, hay situaciones en las cuales se prefieren los
valores de pago menores (por ejemplo, el costo), y estos pagos se minimizarían en lugar de maximizarse.
El enunciado de los criterios de decisión se modificaría ligeramente para tales problemas de minimi-
zación. Estas diferencias se mencionarán en la presente sección, y se proporcionará un ejemplo en una
sección posterior.
Existen varios criterios para tomar decisiones en condiciones de incertidumbre. Los que se cubren en
esta sección son los siguientes:
1. Optimista
2. Pesimista
3. Criterio de realismo (criterio de Hurwicz)
4. Igualmente probable (Laplace)
5. Arrepentimiento minimax
Los cuatro primeros criterios se pueden calcular directamente de la tabla de decisiones (pagos),
mientras que el criterio de arrepentimiento minimax requiere el uso de una tabla de pérdida de opor-
tunidad. A continuación estudiaremos cada uno de los cinco modelos y los aplicaremos al ejemplo de
Thompson Lumber.

Maximax es un enfoque optimista.
Optimista
Al utilizar el criterio optimista, se considera el mejor (máximo) pago para cada alternativa y se selec-
ciona la alternativa con el mejor (máximo) de éstos. Por lo tanto, el criterio optimista a veces se llama
el criterio maximax. En la tabla 3.2, se observa que la elección optimista de Thompson es la primera
alternativa, "construir una planta grande". Utilizando este criterio, se puede lograr el mayor de todos los
pagos posibles ($200,000 en este ejemplo); mientras que si se selecciona cualquier otra alternativa, sería
imposible lograr un beneficio tan alto.
Al utilizar el criterio optimista para problemas e minimización donde los menores pagos (por ejem-
plo, el costo) son mejores, se debería observar el ejor pago (mínimo) para cada alternativa y elegir la
alternativa con el mejor (mínimo) de éstos.

TABLA 3.2 ESTADO DE LA NATURALEZA

Decisión maximax
MERCADO MERCADO MÁXIMO EN
de Thompson
FAVORABLE DESFAVORABLE UNA FILA.
ALTERNATIVA ($) (SI (S)
Construir una planta grande 200,000 —180,000 (200,000 -*-1
Maximax
Construir una planta pequeña 100,000 —20,000 100,000
No hacer nada 0 o
 3.4 TOMA DE DECISIONES CON INCERTIDUMBRE 69

TABLA 3.3
ADO DE LA NATURALEZA
Decisión maximin de
Thompson MERCADO MERCADO MÍNIMO EN
FAVORABLE DESFAVORABLE UNA FILA
ALTERNATIVA ($) ($) ($)
Construir una planta grande 200,000 —180,000 —180,000
Construir una planta pequeña 100,000 —20,000 —20,000
No hacer nada O
Maximin

Maximin es un enfoque pesimista.
Pesimista
Al utilizar el criterio pesimista, se considera el peor (mínimo) pago para cada alternativa y se selecciona la
alternativa con el mejor (máximo) de éstos. Por lo tanto, el criterio pesimista a veces se denomina criterio
maximin. Este enfoque garantiza que el pago será por lo menos el valor maximin (el mejor de los peores
valores). La elección de cualquier otra alternativa puede hacer que se produzca un pago peor (menor).
En la tabla 3.3 se muestra la elección maximin de Thompson, "no hacer nada". Esta decisión se asocia
con el máximo de los números mínimos dentro de cada fila o alternativa.
Al utilizar el criterio pesimista para problemas de minimización, en los cuales los pagos menores (por
ejemplo, el costo) son mejores, se debería ver el peor (máximo) pago para cada alternativa y elegir la alter-
nativa con el mejor (mínimo) de éstos.
Tanto el criterio maximax como el maximin consideran sólo un pago extremo para cada alternativa,
mientras que todos los demás beneficios se dejan de lado. El siguiente criterio considera ambos extremos.

Criterio de realismo (criterio de Hurwicz)

El criterio de realismo utiliza el
enfoque del promedio ponderado.
A menudo el llamado promedio ponderado, el criterio de realismo (criterio de Hurwicz) es una com-
pensación entre una decisión optimista y una pesimista. Para empezar, se selecciona un coeficiente de
realismo, a. Éste mide el grado de optimismo del tomador de decisiones y está entre O y 1. Cuando a es 1,
el tomador de decisiones es 100% optimista acerca del futuro. Cuando a es 0, el tomador de decisiones es
100% pesimista sobre el futuro. La ventaja de este enfoque es que permite al tomador de decisiones cons-
truir sobre nociones personales acerca del optimismo y el pesimismo relativos. El promedio ponderado se
calcula como sigue:

Promedio ponderado = a(mejor en la fila) + (1 — «peor en la fila)

Para un problema de maximización, el mejor pago para una alternativa es el valor más alto, y el peor
pago es el valor más bajo. Tenga en cuenta que cuando a = 1, este criterio es igual al criterio optimista, y
cuando a = O es igual al criterio pesimista. Este valor se calcula para cada alternativa y, después, se elige
la alternativa con el mayor promedio ponderado.
Si suponemos que John Thompson establece su coeficiente de realismo, a, en 0.80, la mejor decisión
sería construir una planta grande. Como se observa en la tabla 3.4, esta alternativa tiene el promedio pon-
derado más alto: $124,000 = (0.80)($200,000) + (0.20)(—$180,000).
Al utilizar el criterio de realismo para los problemas de minimización, el mejor pago para una alter-
nativa sería el menor pago en la fila y el peor sería el mayor pago en la fila. Después se elige la alternativa
con el promedio ponderado más bajo.

TABLA 3.4
ESTADO DE LA NATURALEZA CRITERIO
Decisión de Thompson DE REALISMO
con el criterio de MERCADO MERCADO O PROMEDIO
realismo FAVORABLE DESFAVORABLE PONDERADO
ALTERNATIVA ($) ($) = OS) $
Construir una planta grande 200.000 —180,000 (124,000) -«-1
Realismo —I
Construir una planta pequeña 100.000 —20,000 76,000
No hacer nada o o O
70 CAPÍTULO 3 • ANÁLISIS DE DECISIONES
TABLA 3.5
Decisión de Thompson
igualmente probable
El criterio igualmente probable
utiliza el resultado promedio.
El criterio de arrepentimiento
minimax se basa en la pérdida
de oportunidad.
TABLA 3.6
Determinación de las pérdidas de
oportunidad para Thompson Lumber
ESTADO DE LA NATURALEZA
IERCADO
AVORABLE
($)
200.000 — 200.000
200.000— 100,000
200.000-0
ESTADO DE LA NATURALEZA
MERCADO MERCADO PROMEDIO
FAVORABLE DESFAVORABLE DE LA FILA
AIMERNATI _(5) (5) ($)
Construir una planta grande 200,000 —180,000 10,000
Construir una planta pequeña 100,000 —20,000 (40,000)
Igualmente probable --I
No hacer nada O o
Debido a que en el ejemplo de Thompson Lumber sólo hay dos estados de la naturaleza, existen sola-
mente dos pagos para cada alternativa y ambos se toman en cuenta. Sin embargo, si hay más de dos estados
de la naturaleza, este criterio despreciará todos los pagos, excepto el mejor y el peor. El siguiente criterio
considerará todos los pagos posibles para cada decisión.
Igualmente probable (Laplace)
Uno de los criterios que utiliza todos los pagos de cada alternativa es el igualmente probable, también
llamado, criterio de decisión de Laplace. Esto implica la determinación del pago promedio para cada alter-
nativa, y la selección de la alternativa con el mejor promedio o el más alto. El enfoque igualmente probable
supone que todas las probabilidades de ocurrencia de los estados de la naturaleza son iguales, por lo que
cada estado de la naturaleza es igualmente probable.
La elección igualmente probable de Thompson Lumber es la segunda alternativa, "construir una
planta pequeña". Esta estrategia, que se muestra en la tabla 3.5, es la que tiene el mayor pago promedio.
Al utilizar el criterio igualmente probable para problemas de minimización, los cálculos son exacta-
mente los mismos, pero la mejor alternativa es la que tiene el pago promedio más bajo.
Arrepentimiento minimax
El siguiente criterio de decisión que se expone aquí se basa en la pérdida de oportunidad o en el arre-
pentimiento. La pérdida de oportunidad se refiere a la diferencia entre la ganancia o el pago óptimo para
un determinado estado de la naturaleza y el pago real recibido por una decisión particular para ese estado
de la naturaleza. En otras palabras, es la cantidad perdida por no elegir la mejor alternativa en un determi-
nado estado de la naturaleza.
El primer paso es crear la tabla de pérdida de oportunidad mediante la determinación de la pérdida de
oportunidad por no elegir la mejor alternativa para cada estado de la naturaleza. La pérdida de oportunidad
para cualquier estado de la naturaleza, o cualquier columna, se calcula restando cada pago en la columna
de mejor pago en la misma columna. Para un mercado favorable, el mejor pago es de $200,000 como
resultado de la primera alternativa, "construir una planta grande". La pérdida de oportunidad es 0, lo cual
significa que es imposible alcanzar un pago superior en este estado de la naturaleza. Si se elige la segunda
alternativa, se obtendría una ganancia de $100,000 en un mercado favorable, y esto se compara con
el mejor pago de $200,000. Por lo tanto, la pérdida de oportunidad es de 200,000 — 100,000 = 100,000. Del
mismo modo, si se selecciona "no hacer nada", la pérdida de oportunidad sería de 200,000 — O = 200,000.
Para un mercado desfavorable, el mejor pago es $0 como resultado de la tercera alternativa, "no hacer
nada", por lo que ésta tiene O pérdida de oportunidad. Las pérdidas de oportunidad para las otras alterna-
tivas se encuentran restando los beneficios del mejor pago ($0) en este estado de la naturaleza, como se
indica en la tabla 3.6. La tabla de pérdida de oportunidad de Thompson se muestra como la tabla 3.7.
TABLA 3.7
Tabla de pérdidas de oportunidad para Thompson Lumber
ESTADO DE LA NATURALEZA
MERCADO MERCADO MERCADO
DESEW ()RABEE 1:.‘\ {MAME DESFAVORABLE
(S1 ALTERNATIVA ($) (5)
— (-180,000) Construir una planta grande 180,000
0 — (-20,000) Construir una planta pequeña 100,000 20,000
0—0 No hacer nada 200,000
 3.5 TOMA DE DECISIONES CON RIESGO 71

Ford utiliza la teoría de decisiones para elegir

EN ACCIÓN proveedores de refacciones

A los tomadores de decisiones de Ford se les solicitan datos de en-

Ford Motor Company fabrica cerca de 5 millones de automóviles
y camiones al año y emplea a más de 200,000 trabajadores en cerca
de 100 instalaciones en todo el mundo. Con frecuencia, esta gran
empresa debe tomar grandes decisiones relacionadas con sus provee-
dores en tiempos de entrega muy ajustados.
Ésta era la situación cuando investigadores del MIT hicieron
equipo con la gerencia de Ford y desarrollaron una herramienta para la
selección de proveedores basada en datos. Este programa de compu-
tadora ayuda a tomar decisiones mediante la aplicación de algunos de
los criterios de toma de decisiones que se presentan en este capítulo.
trada acerca de sus proveedores (costos de las refacciones, distancias,
tiempos de espera, confiabilidad de los proveedores, etcétera), así
como el tipo de criterio de decisión que desean utilizar. Una vez que
se introducen los datos, el modelo genera el mejor conjunto de pro-
veedores para satisfacer las necesidades específicas. El resultado es un
sistema que en la actualidad ahorra a Ford Motor Company más de
$40 millones anuales.
Fuente: Basado en E. Klampfl, Y. Fradkin, C. McDaniel y M. Wolcott. "Ford
Uses OR to Make Urgent Sourcing Decisions in a Distressed Supplier Environ-
ment", Interfaces 39, 5 (2009): 428-442.

TABLA 3.8
ESTADO DE LA NATI' R LEZA
Decisión minimax de
Thompson usando la MERCADO MERCADO MÁXIMO
pérdida de oportunidad FAVORABLE DESFAVORABLE EN UNA FILA
ALTERN.VI1VA ($) ($) ($)
Construir una planta grande 180.000 180,000
Construir una planta pequeña 100.0(X) 20,000 000,000)
Minimax --I
No hacer nada 200,000 200,000

Cuando se emplea la tabla de pérdida de oportunidad (arrepentimiento), el criterio de arrepen-

timiento minimax considera primero la pérdida de oportunidad máxima (peor) para cada alternativa.
Luego, tomando en cuenta estos valores máximos, elige la alternativa con el número mínimo (o mejor). Al
hacerlo, se garantiza que la pérdida de oportunidad en la que realmente se incurre no sea mayor que este
valor minimax. En la tabla 3.8, se observa que la selección del arrepentimiento minimax es la segunda
alternativa, "construir una planta pequeña". Cuando se selecciona esta alternativa, se sabe que la pérdi-
da de oportunidad máxima no puede ser mayor a 100,000 (el mínimo de los arrepentimientos máximos).
Al calcular la pérdida de oportunidad para problemas de minimización como aquellos que involucran
costos, el mejor (el más bajo) pago o costo en una columna se resta de cada pago en esa columna. Una vez
que se ha construido la tabla de pérdida de oportunidad, se aplica el criterio de arrepentimiento minimax
exactamente de la misma manera que se acaba de describir. Se encuentra la pérdida de oportunidad máxima
para cada alternativa, y se selecciona la alternativa con el mínimo de estos máximos. Al igual que con
los problemas de maximización, la pérdida de oportunidad nunca puede ser negativa.
Hasta ahora, se han considerado varios criterios de toma de decisiones que se utilizarán cuando no se
conozcan las probabilidades de los estados de la naturaleza y no sea posible estimarlos. Ahora se verá qué
hacer si existen probabilidades disponibles.

3.5 Toma de decisiones con riesgo

Tomar decisiones con riesgo es una situación en la que pueden ocurrir varios estados de la naturaleza posi-
bles, y se conocen las probabilidades de dichos estados. En esta sección, consideramos uno de los métodos
más populares para la toma de decisiones con riesgo: la selección de la alternativa con el mayor valor
monetario esperado (o simplemente valor esperado). También utilizamos las probabilidades con la tabla de
pérdida de oportunidad para reducir al mínimo tales pérdidas de oportunidad.

Valor monetario esperado

El VME es la suma ponderada de los
pagos posibles para cada alternativa.
Dada una tabla de decisiones con valores condicionales (pagos) que son valores monetarios, y evaluacio-
nes de probabilidad para todos los estados de la naturaleza, es posible determinar el valor monetario espe-
rado (VME) para cada alternativa. El valor esperado, o el valor medio, es el valor promedio a largo plazo
de esa decisión. El VME de una alternativa es simplemente la suma de los posibles pagos de la alternativa,
cada uno de ellos ponderado por la probabilidad de que el pago se produzca.
Esto también podría expresarse simplemente como el valor esperado de X, o E(X), que se estudió en
la sección 2.6 del capítulo 2.
VME(alternativa) = r,XiP(Xi) (3-1)
72 CAPÍTULO 3 • ANÁLISIS DE DECISIONES
TABLA 3.9
Tabla de decisiones con
probabilidades y VME
para Thompson Lumber
El VEIP coloca un límite superiora
lo que debe pagarse por información.
ESTADO DE LA NATURALEZA
MERCADO MERCADO
FAVORABLE DESFAVORABLE
($) ($) ‘'ME
Construir una planta grande 200,000 —180,000 10,000
Construir una planta pequeña 100,000 —20,000 (40,000) -oh
Mejor VME
No hacer nada o o
Probabilidades 0.50 0.50
donde
= pago para la alternativa en el estado de la naturaleza i
= probabilidad de lograr el pago Xi (es leir, probabilidad del estado de la naturaleza i)
= símbolo de suma
Al expandir esto, se convierte en
VME (alternativa)
= (pago en el primer estado de la naturaleza) x (probabilidad del primer estado de la naturaleza)
+ (pago en el segundo estado de la naturaleza) X (probabilidad del segundo estado de la naturaleza)
+ • • • + (pago en el último estado de la naturaleza) X (probabilidad del último estado de la naturaleza)
Después, se elige la alternativa con el máximo VME.
Suponga que John Thompson ahora cree que la probabilidad de un mercado favorable es exactamente
igual a la probabilidad de un mercado desfavorable; es decir, cada estado de la naturaleza tiene 0.50 de
probabilidades. ¿Qué alternativa le daría el mayor VME? Para determinar esto, John ha ampliado la tabla
de decisiones, como se muestra en la tabla 3.9. Sus cálculos son como sigue:
VME (planta grande) = ($200,000)(0.50) + (—$180,000)(050) = $10,000
VME (planta pequeña) = ($100,000)(0.50) + ($20,000)(0.50) = $40,000
VME (no hacer nada) = ($0)(0.50) + ($0)(0.50) = $0
El mayor valor esperado (540,000) es resultado de la segunda alternativa, "construir una planta pequeña".
Por lo tanto, Thompson debería continuar con el proyecto e instalar una planta pequeña para la fabricación
de cobertizos de almacenamiento. Los VME para construir la planta grande y no hacer nada son $10,000 y
$0, respectivamente.
Cuando se utiliza el criterio del VME con prob emas de minimización, los cálculos son los mismos,
pero se selecciona la alternativa con el menor VME.
Valor esperado de información perfecta
John Thompson ha sido abordado por Scientific Marketing, Inc., una compañía que propone ayudar a John
a tomar la decisión sobre si se debería construir una planta para producir cobertizos de almacenamiento.
Scientific Marketing afirma que su análisis técnico indicará a John con certidumbre si el mercado es favo-
rable para su producto propuesto. En otras palabras, que cambiará su entorno de una toma de decisión con
riesgo a una toma de decisión con certidumbre. Esta información evitaría que John cometiera un error muy
costoso. Scientific Marketing cobraría a Thompson 65,000 por la información. ¿Qué le recomendaría a
John? ¿Debería contratar a la empresa para hacer el e tudio de mercado? Incluso si la información del estu-
dio es perfectamente exacta, ¿vale la pena pagar $65 0? ¿Cuál sería el beneficio? Aunque algunas de es-
tas preguntas son difíciles de contestar, la determinas 6n del valor de la información perfecta suele ser muy
útil. Esto coloca un límite superior a lo que usted de ría estar dispuesto a gastar en información como la
que vende Scientific Marketing. En esta sección, se investigan dos términos relacionados: el valor espe-
cado de la información perfecta (VEIP) y el valor esperado con información perfecta (VEcIP). Estas
técnicas pueden ayudar a John a tomar una decisión sobre la contratación de la empresa de marketing.
El valor esperado con información perfecta es el rendimiento esperado o promedio, a largo plazo, si
se cuenta con información perfecta antes de tomar una decisión. Para calcular este valor, elegimos la mejor

VEcIP
= (mejor pago en el primer estado de la naturaleza) X (probabilidad del primer estado de la naturaleza)
El VEIP es el valor esperado
con información perfecta
menos el VME máximo.
TABLA 3.10
Tabla de decisiones con
información perfecta
3.5 TOMA DE DECISIONES CON RIESGO 73
alternativa para cada estado de la naturaleza y multiplicamos su pago por la probabilidad de ocurrencia de
ese estado de la naturaleza.
VEcIP = E(mejor pago en el estado de la naturaleza i)(probabilidad del estado de la naturaleza i) (3-2)
Al expandir esto, se convierte en
+ (mejor pago en el segundo estado de la naturaleza) X (probabilidad del segundo estado de la naturaleza)
+ • • • + (mejor pago en el último estado de la naturaleza) x (probabilidad del último estado de la naturaleza)
El VEIP es el valor esperado con información perfecta menos el valor esperado sin información perfecta
(es decir, el mejor o máximo VME). Por lo tanto, la VEIP es la mejora en el VME que resulta de tener
información perfecta.
VEIP = VEcIP — Mejor VME (3-3)
Con referencia a la tabla 3.9, Thompson puede calcular el máximo que pagaría por información, es
decir, el VEIP. Sigue un proceso de tres etapas. En primer lugar, encuentra el mejor pago en cada estado de
la naturaleza. Si la información perfecta indica que el mercado va a ser favorable, se construirá la planta
grande y la utilidad será de $200,000. Si la información perfecta dice, que el mercado será desfavorable, se
seleccionará la alternativa "no hacer nada", y el resultado será 0. Estos valores se muestran en la fila "con
información perfecta" de la tabla 3.10. En segundo lugar, se calcula el valor esperado con información
perfecta. Luego, utilizando este resultado, se calcula el 'VEIP.
El valor esperado con información perfecta es
VEcIP = ($200,000)(0.50) + ($0)(0.50) = $100,000
Por consiguiente, si tuviéramos información perfecta, el pago promediaría $100,000.
El VME máximo sin información adicional es de $40,000 (según la tabla 3.9). Por lo tanto, el au-
mento en el VME es
VEIP = VEcIP VME máximo
= $100,000 — $40,000
= $60,000
Por consiguiente, lo más que Thómpson estaría dispuesto a pagar por la información perfecta son $60,000,
lo cual, desde luego, se basa de nuevo en el supuesto de que la probabilidad de cada estado de la naturaleza
es 0.50.
El VEIP también indica que lo máximo que debería pagarse por cualquier información (perfecta o
imperfecta) son $60,000. En una sección posterior, veremos cómo se asigna un valor a la información im-
perfecta o muestral.
Cuando se encuentra el VEIP para problemas de minimización, el enfoque es similar. Se encuentra el
mejor pago en cada estado de la naturaleza, pero éste es el pago más bajo para ese estado en vez del más
alto. El VEcIP se calcula a partir de esos pagos más bajos y se compara con el mejor (menor) VME sin
información perfecta. El VEIP es la mejora que resulta, es decir, el mejor VME — VEcIP.
ESTADO DE LA NATURALEZA
MERCADO MERCADO
FAVORABLE DESFAVORABLE
ALTERNATIVA ($) ($) VME ($)
Construir una planta grande 200.000 —180,000 1 0,000
Construir una planta pequeña 100.000 —20,000 40,000
No hacer nada o
Con información perfecta 200,0(X) O (I 00,000)
VEcIP
Probabilidades 0.50 0.50
74 CAPÍTULO 3 • ANÁLISIS DE DECISIONES
TABLA 3.11
Tabla de la POE para
Thompson Lumber
La POE es el costo de no elegir la
mejor solución.
La POE siempre dará como
resultado la misma decisión
que el VME máximo.
El análisis de sensibilidad investiga
cómo podría cambiar nuestra
decisión con datos de entrada
diferentes.
ESTADO DE LA NATURALEZA
MERCADO MERCADO
FAVORABLE DESFAVORABLE
Al_ IVA ($) PO E
Construir una planta grande o 180,000 90,000
Construir una planta pequeña 100,000 20,000 (60,000)
Mejor POE
No hacer nada 200,000 o 100,000
Probabilidades 0.50 0.50
Pérdida de oportunidad esperada
Un enfoque alternativo para maximizar el VME consiste en minimizar la pérdida de oportunidad esperada
(POE). En primer lugar, se construye una tabla de pérdida de oportunidad. Después, se calcula la POE
para cada alternativa multiplicando la pérdida de oportunidad por la probabilidad para, después, sumar
estas pérdidas. En la tabla 3.7 se presenta la tabla de pérdida de oportunidad para el ejemplo de Thompson
Lumber. Al utilizar estas pérdidas de oportunidad, se calcula la POE para cada alternativa multiplicando la
probabilidad de cada estado de la naturaleza por el valor de la pérdida de oportunidad correspondiente y
después se suman las pérdidas:
POE(construir una planta grande) = (0.5)($ O) + (0.5)($180,000)
= $90,000
POE(construir una planta pequeña) = (0.5)($100,000) + (0.5)($20,000)
= $60,000
POE(no hacer nada) = (0.5)($200,000) + (0.5)($0)
= $100,000
La tabla 3.11 presenta estos resultados. Si se emplea la POE mínima como el criterio de decisión, la mejor
decisión sería la segunda alternativa, "construir una planta pequeña".
Es importante señalar que la POE mínima siempre dará lugar a la misma decisión que el VME
máximo, y que el VEIP siempre será igual a la POE mínima. Con referencia al caso de Thompson, se uti-
lizó la tabla de pagos para calcular el VEIP en $60,000. Observe que ésta es la POE mínima que acabamos
de calcular.
Análisis de sensibilidad
En las secciones anteriores, se determinó que la mejor decisión (con probabilidades conocidas) para
Thompson Lumber era construir la planta pequeña, con un valor esperado de $40,000. Esta conclusión
depende de los valores de las consecuencias económicas y de los dos valores de probabilidad para un
mercado favorable y uno desfavorable. El análisis de sensibilidad investiga cómo nuestra decisión po-
dría cambiar dado un cambio en los datos del problema. En esta sección, se investiga el impacto que
tendría un cambio en los valores de probabilidad sobre la decisión en el caso de Thompson Lumber.
Primero definimos la variable siguiente:
P = probabilidad de un mercado favorable
Debido a que sólo hay dos estados de la naturaleza, la probabilidad de un mercado desfavorable debe
ser 1 — P.
Ahora podemos expresar los VME en términos de P, como se muestra en las siguientes ecuaciones.
Además, en la figura 3.1 se presenta una gráfica de los valores del VME.
VME (planta grande) = $2 ,000P — $180,000(1 — P)
= $20 ,000P — $180,000 + 180,000P
= $38 ,000P — $180,000
VME (planta pequeña) = $1 ,000P — $20,000(1 — P)
= $100,000P — $20,000 + 20,000P
= $120,000P — $20,000
VME (no hacer nada) = $OP + $0(1 — P) = $0
 3.6 UN EJEMPLO DE MINIMIZACIÓN 75

FIGURA 3.1
Análisis de sensibilidad Valores VME

5300,000

$200.000 VME (planta grande)

$100.000 VME (planta pequeña)

VME (no hacer nada)

0.615 1
Valores de P
—S100,000

—S200.000

Como se observa en la figura 3.1,1a mejor decisión es no hacer nada, siempre y cuando P esté entre
O y la probabilidad asociada con el punto 1, donde el VME para no hacer nada es igual al VME para la
planta pequeña. Cuando P está entre las probabilidades de los puntos 1 y 2, la mejor decisión es la cons-
trucción de la planta pequeña. El punto 2 es donde el VME para la planta pequeña es igual al VME para
la planta grande. Cuando P es mayor que la probabilidad para el punto 2, la mejor decisión es construir la
planta grande. Por supuesto, esto es lo que se puede esperar a medida que P aumenta. El valor de P en los
puntos 1 y 2 se calcula de la manera siguiente:

Punto 1: VME (no hacer nada) = VME (planta pequeña)

20,000
O = $120,000P — $20,000 P= = 0.167
120,000
Punto 2: VME (planta pequeña) = VME (planta grande)
$120,000P — $20,000 = $380,000P — $180,000
160.000
260,000P = 160,000 P= = 0.615
260.000

Los resultados de este análisis de sensibilidad se muestran en la siguiente tabla:

RANGO DE
1E,JOR ALTERNATIVA VALORES DE P
No hacer nada Menor que 0.167
Construir una planta pequeña 0.167 — 0.615
Construir una planta grande Mayor que 0.615

3.6 Un ejemplo de minimización

Los ejemplos anteriores han ilustrado cómo se aplican los criterios de toma de decisiones cuando se desean
maximizar los pagos. El siguiente ejemplo ilustra la manera en que se aplican estos criterios a problemas,
donde los pagos son costos que deberían minimizarse.
El departamento de Análisis de Negocios en la Universidad Estatal firmará un contrato de arrenda-
miento de 3 años para una nueva máquina copiadora, y se están considerando tres máquinas diferentes.
Para cada una de ellas, hay una cuota mensual que incluye el servicio de la máquina más un cargo por cada
copia. El número de copias que se harían todos los meses es incierto, pero el departamento ha estimado
que el número de copias por mes sería de 10,000, 20,000 o 30,000. El costo mensual por cada máquina con
base en cada uno de los tres niveles de actividad se muestra en la tabla 3.12.
76 CAPÍTULO 3 • ANÁLISIS DE DECISIONES

TABLA 3.12 20,000 COPIAS 30,000 COPIAS

10,000 COPIAS
Tabla de pagos con M E NS LA LES MENSUALES MENSUALES
costos mensuales
de copiado para Máquina A 950 1,050 1,150
el departamento de Máquina B 850 1,100 1,350
Análisis de Negocios Máquina C 700 1,000 1,300

¿Qué máquina se debería seleccionar? Para determinar la mejor alternativa, es necesario elegir un
criterio específico. Si el tomador de decisiones es optimista, sólo consideraría el mejor pago (el mínimo)
para cada decisión. Estos se muestran en la tabla 3.13, y el mejor (mínimo) de ellos es 700. Por lo tanto,
seleccionaría la máquina C, lo cual permitiría lograr el mejor costo de $700.
Si el tomador de decisiones es pesimista, sólo consideraría el peor pago (el máximo) para cada de-
cisión. Éstos también se muestran en la tabla 3.13, y el mejor (mínimo) de ellos es 1,150. Por lo tanto,
seleccionaría la máquina A con base en el criterio pesimista. Así garantizaría que el costo no sería superior
a 1,150, independientemente de qué estado de la naturaleza se produjera.
De acuerdo con el criterio de Hurwicz, si se supone que el tomador de decisiones es 70% optimista (el
coeficiente de realismo es 0.7), el promedio ponderado de los mejores y los peores pagos para cada alterna-
tiva se calcularía mediante la fórmula:
Promedio ponderado = 0.7(el mejor pago) + (1 — 0.7)(el peor pago)

Para cada una de las tres máquinas copiadoras, se pueden obtener los siguientes valores.

Máquina A: 0.7(950) + 0.3(1,150) = 1,010

Máquina B: 0.7(850) + 0.3(1,350) = 1,000
Máquina C: 0.7(700) + 0.3(1,300) = 880

La decisión sería seleccionar la máquina C con base en este criterio, ya que tiene el costo promedio pon-
derado más bajo.
Para el criterio igualmente probable, se calcula el pago promedio de cada máquina.

Máquina A: (950 + 1, 50 + 1,150)/3 = 1,050

Máquina B: (850 + 1, 00 + 1,350)/3 = 1,100
Máquina C: (700 + 1, O + 1,300)/3 = 1,000

Con base en el criterio igualmente probable, se seleccionaría la máquina C porque tiene el menor costo
promedio.
Para aplicar el criterio del VME, es necesario conocer las probabilidades para cada estado de la natu-
raleza. Los registros anteriores indican que 40% de las veces el número de copias realizadas en un mes fue
10,000, mientras que 30% de las veces fue 20,000 y 30% de las veces fue 30,000. Las probabilidades para
los tres estados de la naturaleza serían 0.4, 0.3 y 0.3, respectivamente. Estas probabilidades se pueden usar
para calcular los VME, y los resultados son los mostrados en la tabla 3.14. La máquina C se seleccionaría
porque tiene el VME más bajo. El costo mensual promediaría $970 con esta máquina, mientras que las
otras máquinas promediarían un costo más alto.

TABLA 3.13 10,000 20,000 MEJOR PEOR

30,000
Mejores y peores COPIAS COPIAS COPIAS PAGO PAGO
pagos (costos) para MENSUALES MENSUALES MENSUALES (MÍNIMO)
1 NIMO) (MÁXIMO)
el departamento de
Máquina A 950 1,050 1,150 950 1,150
Análisis de Negocios
Máquina B 850 1,100 1,350 850 1,350
Máquina C 700 1,000 1,300 700 1,300
 3.7 USO DE SOFTWARE PARA PROBLEMAS CON TABLAS DE PAGOS 77

TABLA 3.14
10,000 COPIAS 20,000 COPIAS 30,000 COPIAS
Valores monetarios MENSUALES MENSUALES MENSUALES VME
esperados y
valor esperado con Máquina A 950 1,050 1,150 1,040
información perfecta Máquina B 850 1,100 1,350 1,075
para el departamento de Máquina C 700 1,000 1,300 970
Análisis de Negocios
Con información perfecta 700 1,000 1,150 925
Probabilidad 0.4 0.3 0.3

TABLA 3.15
10,000 COPIAS 20.000 COPIAS 30,000 COPIAS
Tabla de pérdida MENSUALES NI ENSI. LES MENSUALES MÁXIMO POE
de oportunidad para
el departamento de Máquina A 250 50 O 250 115
Análisis de Negocios Máquina B 150 100 200 200 150
Máquina C 150 150 45
Probabilidad 0.4 0.3 0.3

Para encontrar el VEIP, se determinan primero los pagos (costos) que se experimentarían con infor-
mación perfecta. El mejor pago en cada estado de la naturaleza es el valor (costo) más bajo en ese estado
de la naturaleza, como se indica en la fila inferior de la tabla 3.14. Estos valores sirven para calcular el
VEcIP. Con estos costos, encontramos

VEcIP = $925
Mejor VME sin información perfecta = $970
VEIP = 970 — 925 = $45

La información perfecta reduciría el valor esperado en $45.

Para aplicar criterios basados en la pérdida de oportunidad, primero debemos desarrollar la tabla de
pérdida de oportunidad. En cada estado de la naturaleza, la pérdida de oportunidad indica cuán peor es
cada pago que la mejor rentabilidad posible en ese estado de naturaleza. El mejor pago (costo) sería el
costo más bajo. Por lo tanto, para obtener la pérdida de oportunidad en este caso, se resta el valor más bajo
en cada columna de todos los valores de esa columna y se obtiene la tabla de pérdida de oportunidad.
Una vez desarrollada la tabla de pérdida de oportunidad, se aplica el criterio de arrepentimiento mi-
nimax exactamente como se hizo para el ejemplo de Thompson Lumber. Se encuentra el arrepentimiento
máximo para cada alternativa y se selecciona la alternativa con el mínimo de estos máximos. Como se ob-
serva en la tabla 3.15, el mínimo de esos máximos es 150, así que con base en dicho criterio se selecciona
la máquina C.
Para calcular las pérdidas de oportunidad esperadas, se utilizan probabilidades de la manera indicada
en la tabla 3.15. La máquina C tiene la menor POE de $45, por lo que se seleccionaría con base en el cri-
terio de la POE mínima. Como se ha señalado anteriormente, la POE mínima es igual al valor esperado de
la información perfecta.

3.7 Uso de software para problemas con tablas de pagos

Para realizar los cálculos asociados con tablas de pagos, es fácil usar QM para Windows o Excel QM, o in-
cluso Excel 2013, sin ningún tipo de complemento. En los siguientes ejemplos se usa el caso de Thompson
Lumber a manera de ilustración.

QM para Windows
Para utilizar QM para Windows en la resolución del ejemplo de Thompson Lumber, seleccione Modules —
Decision Theory. Después, introduzca las New-Payoff Tables, y aparecerá una ventana que le permite con-
figurar el problema. Especifique un título, el número de opciones (alternativas), el número de escenarios
78 CAPÍTULO 3 • ANÁLISIS DE DECISIONES

PROGRAMA 3.1A [Objective Hurwicz Alpha

Entrada en QM para
(4. Piciks frnamizel
Introduzca los datos en la tabla ,
-\ r- j .7

Windows del ejemplo y escriba los nombres de fila y Thompson Lumber

de Thompson Lumber k,...columna. 2
Favorable! Unfavorable
Probabilibes 03 1 0.5
Cape Plant 200000! -180000
Small Plant 100000 -20000
Do Nothing 0 I O

PROGRAMA 3.1B
Pantalla de salida en ll o iii› La al Ett el ni 11 si y. 7-. -- 1 °°*4 •I MI Illl AL ''kI QI 110 EdltDati
QM para Windows del Objective Hurwic.. Alpha
er Roías tmeornize) 1 1 7 1
ejemplo de Thompson r Cata (minimiza) "Haga clic en Window
Lumber
-. para ver más información.

Thompson Lumber Solution

Favorable Unfavrable EMV Row Mm Row Max HUPNICZ
Market Market
Probablities 0.5 0.5
Large Plant 200000 -180000 10000 -180000 200000 86000
Small Piant 100000 -20000 40000 -20000 100000 64000
Do Nothing O O O o o o
maximum 40000 0 200000 86000
Beta EV masdmin maximax Best

The maximum expected monetary value is 40000 given by Small Ptant

The maximin is 0 given by Do Nothing
The maximax is 200000 given by Large Plant

(estados de la naturaleza), y si desea maximizar o minimizar. En este ejemplo, hay tres alternativas u
opciones, y dos estados de la naturaleza o escenarios. Después de ingresarlos, haga clic en OK y aparecerá
una ventana (programa 3.1A) que le permite introducir las probabilidades y los pagos. También puede
cambiar los nombres de las alternativas y los estados de la naturaleza, simplemente escribiendo sobre los
nombres predeterminados. Al hacer clic en Solve, aparece la salida del programa 3.1B. Es posible obtener
resultados adicionales como el VEIP y la pérdida de oportunidad, al hacer clic en Window sobre la pantalla
donde se muestra el resultado.

Excel QM
Si desea utilizar Excel QM para el ejemplo de Thompson Lumber, desde la barra de Excel QM en Excel
2013, haga clic en el menú Alphabetical y seleccion Decision Analysis — Decision Tables. Cuando se abra
la ventana para introducir los parámetros del proble a, usted debe ingresar un título, el número de alterna-
tivas, el número de estados de la naturaleza y especi car si desea maximizar o minimizar. Haga clic en OK
y se creará una tabla de pagos vacía. Simplemente troduzca las probabilidades, los pagos y los nombres
de filas y columnas. Los cálculos se realizan auto ticamente y los resultados son como se muestran en
el programa 3.2A. Aunque en Excel QM las fórmu as se desarrollan automáticamente, el programa 3.2b
muestra las fórmulas importantes de este ejemplo. Para ver las fórmulas en Excel, simplemente mantenga
presionada la tecla Control y pulse la tecla del acento grave C) (que normalmente se encuentra encima de
la tecla Tab). Para que la pantalla de la hoja de cálculo en Excel 2013 muestre nuevamente números en vez
de fórmulas, sólo tiene que pulsar esas teclas de nuevo.
 3.8 ÁRBOLES DE DECISIÓN 79

PROGRAMA 3.2A .4 A e C O E
Thompson Lumber/'para ver las fórmulas, mantenga pulsada la tecla de control (Chi) y
Resultados en Excel QM 2
3 Decision Tablea pulse la tecla' (acento grave), que generalmente se encuentra
para el ejemplo de 4 ohi, encima de la tecla Tab.
Thompson Lumber 5 value.
6 Dar
7 Profit Favorable Market Unfavorable Market EMV Minimum Maximum
8 Probablny 0.5 0.5
9 Large plant 200000 -100000 10000 -180000 200000
10 Small plant 100000.1 -20000 40000 -20000 100000
11 Do nothing ei 0 O O O 1

12 Maximurr 40000 o 200000 1-

13
14 Expected Value of Perfect Ilnionnation
15 Coiumn bes( 200000' o 100000 <-Expected value WITH perfect information
16 40000 e-Seat expected value
17 60000 <-Expected value OF perfect informatIon
18
19 Regale
20 j Favorable Mark« Uribroarable Market (Expected 'Maximum
21 1Probetiity 0.5 0.5
22 Urge ala« 0 180000 900001 180000
23 'Sula6 plant 100000 20000 60000 100000
24 Do notivnq 200000 0 100000 200000
25 Iffenlmuni 600001 100000

PROGRAMA 3.2B E
9 =SUMFROOUCT88513.SC58.139:03)
F
4.0N(39:C9)
G
faitaX031.C9)
10 =SUMPRODUCT(SE3S8 SCS8.810.C10) ,44INE10:C 10) 1~310-C10)
Fórmulas clave en Excel 11 =SULINIODUCT(S8S8.SCS8.811.C11) 4,10,(B11.C11) 14AAX(B11 C11)
QM para el ejemplo de 12 =MAX(E1E11) I —MAX(F9:F11) 1—LIAX(G9:G11)
13
Thompson Lumber 14
15 '-SUMPRODUCT(813$8:SCS8.1315:C15) <-Expected value
16 =812 <-Bes[ expected val
17 -E15-E12 <-Expected value O
18
19
20 Expected Maximum
21
22 1=SUMPRODUCT(S8S8:SCS8.1322:C22) =MAX(822:C22)
23 =SUMPRODUCT(S8S8 SCS8,1323:C23) AAX(823.C23)
24 =SUMPRODUCT(5858:5CS8,824:C24) =MAX(824:C24)
25 41114(E72:E24) .»MIN(F22:F24)

3.8 Árboles de decisión

Cualquier problema que se presente en una tabla de decisiones también se puede ilustrar gráficamente en
un árbol de decisión. Todos los árboles de decisión son similares en que contienen puntos de decisión o
nodos de decisión y puntos del estado de la naturaleza o nodos del estado de la naturaleza:
• Un nodo de decisión, a partir de cual se puede elegir una de varias alternativas
• Un nodo del estado de la naturaleza, a partir del cual se producirá un estado de la naturaleza
Al dibujar el árbol, empezamos desde la izquierda y nos movemos hacia la derecha. Así, el árbol presenta
las decisiones y los resultados en orden secuencial. Las líneas o ramas que salen de cuadrados (nodos
de decisión) representan las alternativas, y las ramas que salen de círculos representan los estados de la
naturaleza. En la figura 3.2 se presenta el árbol de decisión básico para el ejemplo de Thompson Lumber.
Primero, John decide si construir una planta grande, una planta pequeña o no construir nada. Después,
una vez tomada esa decisión, se producirán los posibles estados de la naturaleza o resultados (mercado
favorable o desfavorable). El siguiente paso es colocar los pagos y las probabilidades en el árbol y, luego,
comenzar con el análisis.
80 CAPÍTULO 3 • ANÁLISIS DE DECISIONES

FIGURA 3.2
Un nodo de decisión Un nodo del estado de la naturaleza
Árbol de decisión de
Mercado favorable
Thompson
.‹ 5\2'
Mercado desfavorable
2P'5'

025‘Construir una planta Mercado favorable

pequeña
Mercado desfavorable
/1-4,
hacer

El análisis de problemas con árboles de decisión implica cinco pasos:

Los cinco pasos del análisis con árboles de decisión

1. Definir el problema.
2. Estructurar o dibujar el árbol de decisión.
3. Asignar probabilidades a los estados de la naturaleza.
4. Estimar los pagos para cada combinación posible de alternativas y estados de la naturaleza.
5. Resolver el problema calculando los VME para cada nodo del estado de la naturaleza, lo cual se
realiza trabajando hacia atrás; es decir, empezando desde la derecha del árbol y trabajando hacia
atrás, hasta los nodos de decisión a la izquierda. Además, en cada nodo de decisión, se selecciona
la alternativa con el mejor VME.

El árbol de decisión final con los pagos y las probabilidades para la situación de la decisión de John
Thompson se ilustra en la figura 3.3. Observe que los pagos se colocan en el lado derecho de cada una
de las ramas del árbol. Las probabilidades se muestran entre paréntesis al lado de cada estado de la natu-
raleza. A partir de los pagos a la derecha de la figura, se calculan los VME para cada nodo del estado de
la naturaleza y se colocan en seguida de sus respectivos nodos. El VME del primer nodo es de $10,000.
Esto representa la rama del nodo de decisión de construir una planta grande. El VME para el nodo 2, la

FIGURA 3.3
VME para el
Árbol de decisión nodo 1 = $10,000 = (0.5)($200,000) + (0.5)( -$180,000)
completo y resuelto para
Pagos
Thompson Lumber 1
Se selecciona la Mercado favorable (0.5)
alternativa con 1 $200,000
el mejor VME
095\ Mercado desfavorable (0.5)
• \1`.2'5)\2\‘2' S180,000
/
‘S
/ GoConstruir Mercado favorable (0.5)
>e una planta $100,000
pequeña
Mer ado desfavorable (0.5)
$20,000
VME para el
(0.5)($100,000) + (0.5)( -$20,000)
nodo 2 = $40,000

$0
 3.8 ÁRBOLES DE DECISIÓN 81

construcción de una planta pequeña, es de 540,000. La construcción de ninguna planta o no hacer nada
tiene, por supuesto, un pago de $0. Se debe elegir la rama que sale del nodo de decisión que conduce al
nodo del estado de la naturaleza con el mayor VME. En el caso de Thompson, se debería construir una
planta pequeña.

Es necesario tomar en cuenta
todos los resultados y todas las
alternativas.
UNA DECISIÓN MÁS COMPLEJA PARA THOMPSON LUMBER, INFORMACIÓN MUESTRAL Cuando
es necesario tomar decisiones secuenciales, los árboles de decisión son herramientas mucho más pode-
rosas que las tablas de decisiones. Digamos que John Thompson debe tomar dos decisiones, donde la
segunda decisión depende del resultado de la primera. Antes de decidir sobre la construcción de una nueva
planta, John tiene la opción de llevar a cabo su propia encuesta de investigación de mercados, a un costo
de $10,000. La información de su encuesta ayudaría a decidir si debería construir una planta grande, una
planta pequeña o no construir nada. John reconoce que tal encuesta de mercado no le proveerá información
perfecta y, sin embargo, ayudaría un poco.
El nuevo árbol de decisión de John se representa en la figura 3.4. Revisemos cuidadosamente este
árbol más complejo. Observe que en su secuencia lógica se incluyen todos los resultados y todas las alter-
nativas posibles. Éste es uno de los puntos fuertes de la utilización de árboles de decisión en la toma de de-
cisiones. El usuario está obligado a examinar todos los resultados posibles, incluyendo los desfavorables.
Asimismo, está obligado a tomar decisiones de manera lógica y secuencial.

FIGURA 3.4
Árbol de decisión más grande, con los pagos y las probabilidades de Thompson Lumber

Primer punto Segundo punto Pagos

de decisión de decisión

Mercado favorable (0.78)

$190.000
Mercado desfavorable (0.22)
025\ —$190,000
02' Mercado favorable (0.78)
Planta 590,000
pequeña Mercado desfavorable (0.22)
—$30,000

sge
•<j-Ze Ninguna planta
zoc, —S10,000

o Mercado favorable (0.27)

% $190.000
o d> Mercado desfavorable (0.73)
O $190,000
\es` Mercado favorable (0.27)
O $90,000
Planta
pequeña GV: Mercado desfavorable (0.73)
$30,000
ti
(á,
Ninguna planta
—$10,000

r Mercado favorable (0.50)

$200.000
ea/4,e,.
caga Mercado desfavorable (0.50)
e S180.000
Mercado favorable (0.50)
Planta $100.000
pequeña Mercado desfavorable (0.50)
S20,000

Ninguna planta
SO
82 CAPÍTULO 3 • ANÁLISIS DE DECISIONES
La mayoría de las probabilidades
son probabilidades condicionales.
El costo de la encuesta debió ser
restado de los pagos originales.
Comenzamos con el cálculo del VME
de cada rama.
Primero se realizan los cálculos del
VME para resultados favorables en
la encuesta.
En seguida se realizan los
cálculos del VME para resultados
desfavorables en la encuesta.
Seguimos trabajando hacia atrás
hasta el origen, mediante el cálculo
de los valores del VME.
Al examinar el árbol, se observa que el prime punto de decisión de Thompson es si llevará a cabo
el estudio de mercado por $10,000. Si decide no ha r el estudio (la parte inferior del árbol), puede cons-
truir una planta grande, una planta pequeña o no co struir. Éste es el segundo punto de decisión de John.
El mercado será favorable (0.50 de probabilidades o desfavorable (también 0.50 de probabilidades) si
construye. Los pagos para cada una de las consecuencias posibles se listan a lo largo del lado derecho. De
hecho, la parte inferior del árbol de John es idéntico al árbol de decisión más sencillo que se muestra en la
figura 3.3. ¿Por qué ocurre así?
La parte superior de la figura 3.4 refleja la decisión de realizar el estudio de mercado. El nodo 1 del
estado de la naturaleza tiene dos ramas. Hay una posibilidad de 45% de que los resultados de la encuesta
indiquen un mercado favorable para los cobertizos de almacenamiento. También observamos que hay una
probabilidad de 0.55 de que los resultados de la encuesta sean negativos. La deducción de esta probabili-
dad se estudiará en la siguiente sección.
El resto de las probabilidades que aparecen entre paréntesis en la figura 3.4 son probabilidades con-
dicionales o probabilidades posteriores (estas probabilidades también se analizarán en la siguiente sec-
ción). Por ejemplo, 0.78 es la probabilidad de un mercado favorable para los cobertizos dado un resultado
favorable en el estudio de mercado. Desde luego, se esperaría que haya una alta probabilidad de un mer-
cado favorable, dado que la investigación indicó que el mercado era bueno. No olvide, sin embargo, que
existe la posibilidad de que los $10,000 del estudio de mercado de John no resulten en información per-
fecta o incluso confiable. Cualquier estudio de investigación de mercado está sujeto a error. En este caso,
hay una posibilidad de 22% de que el mercado para cobertizos sea desfavorable, dado que los resultados de
la encuesta fueron positivos.
Observamos que hay una posibilidad de 27% de que el mercado de cobertizos sea favorable, dado que
los resultados de la encuesta de John fueron negativos. La probabilidad es mucho más alta, 0.73, de que el
mercado en realidad sea desfavorable dado que la encuesta fue negativa.
Por último, cuando observamos la columna de pagos en la figura 3.4, vemos que $10,000, el costo del
estudio de mercado, debió ser restado de cada una de las 10 ramas superiores del árbol. Por consiguiente,
una planta grande con un mercado favorable norm ente generaría una utilidad de $200,000. Pero debido
a que se llevó a cabo el estudio de mercado, esta c a se reduce en $10,000, hasta $190,000. En el caso
desfavorable, la pérdida de $180,000 aumentaría a na pérdida mayor de $190,000. Del mismo modo, la
realización de la encuesta y la opción de no construir ninguna planta ahora implica un pago de —$10,000.
Después de especificar todas las probabilidades y todos los pagos, podemos empezar a calcular el
VME en cada nodo del estado de la naturaleza. Comenzamos en el extremo o lado derecho del árbol de
decisión y trabajamos hacia el origen. Cuando terminemos, se sabrá cuál es la mejor decisión.
1. Si los resultados de la encuesta son favorables,
VME(nodo 2) = VME(planta grande 1 encuesta positiva)
= (0.78)($190,000) + (0.22)(—$190,000) = $106,400
VME(nodo 3) = VME(planta pequeña1encuesta positiva)
= (0.78)($90,000) + (0.22)(—$30,000) = $63,600
En este caso, el VME de no construir ninguna planta es —$10,000. Por lo tanto, si los resultados de la
encuesta son favorables, se debería construir una planta grande. Observe que llevamos el valor espe-
rado de esta decisión ($106,400) al nodo de decisión para indicar que, si los resultados de la encuesta
son positivos, nuestro valor esperado será $106,400. Esto se muestra en la figura 3.5.
2. Si los resultados de la encuesta son negativos,
VME (nodo 4) = VME(planta grande1encuesta negativa)
= (0.27)($190,000) + (0.73)(—$190,000) = —$87,400
VME(nodo 5) = VME(planta pequeña I encuesta negativa)
= (0.27)($90,000) (0.73)(—$30,000) = $2,400
De nuevo, el VME de no construir ninguna pl ta es —$10,000. Por consiguiente, dado un resultado
negativo de la encuesta, John debe construir a planta pequeña con un valor esperado de $2,400, y
esta cifra se indica en el nodo de decisión.
3. Si continuamos en la parte superior del árbol y nos movemos hacia atrás, es posible calcular el valor
esperado de realizar el estudio de mercado:
VME(nodo 1) = VME( alización de encuesta)
= (0.45)( 106,400) + (0.55)($2,400)
= $47,88 + $1,320 = $49,200
 3.8 ÁRBOLES DE DECISIÓN 83

FIGURA 3.5
Árbol de decisión de Thompson que incluye los VME

Primer punto Segundo punto Pagos

de decisión de decisión

S106.400 Mercado favorable (0.78)

$190,000
tN\e' Mercado desfavorable (0.22)
02' \5.e —$190,000
$63.600 Mercado favorable (0.78)
$90,000
Planta
pequeña Mercado desfavorable (0.22)
—$30,000

Ninguna planta
—$10,000

49,200 —$87,400 Mercado favorable (0.27)

o $190,000
Mercado desfavorable (0.73)
‘
9\25‘3a $190.000
_4s\ $2,400 Mercado favorable (0.27)
$90.000
Planta
pequeña CK__Mercado desfavorable (0.73) $30,000

Ninguna planta
—S10,000

/Yo
$10,000 Mercado favorable (0.50)
Pio $200,000
Go_ Mercado desfavorable (0.50)
sto $180,000
S40,000 Mercado favorable (0.50)
Planta $100,000
pequeña Mercado desfavorable(0.50)
$20,000

Ninguna planta
SO

4. Si no se lleva a cabo el estudio de mercado

VME (nodo 6) = VME(planta grande)

= (0.50)($200,000) + (0.50)(—$180,000)
= $10,000
VME(nodo 7) = VME(planta pequeña)
= (0.50)($100,000) + (0.50)(—$20,000)
= $40,000

El VME de no construir ninguna planta es $0.

Entonces, la mejor opción es construir una planta pequeña, dado que no se realiza la investiga-
ción de mercado, como se vio anteriormente.
5. Nos movemos hacia atrás hacia el primer nodo de decisión y elegimos la mejor alternativa. El VME
de realizar la encuesta es $49,200, en comparación con un VME de $40,000 por no llevar a cabo el
estudio, de modo que la mejor opción es buscar información de marketing. Si los resultados de la en-
cuesta son favorables, John debería construir una planta grande, pero si la investigación es negativa,
John debe construir una planta pequeña.
84 CAPÍTULO 3 • ANÁLISIS DE DECISIONES
El VEIM mide el valor de la
información muestra'.
En la figura 3.5, se colocan esos valores esperad s en el árbol de decisión. Observe en el árbol que un
par de lineas transversales / / a través de una rama d decisión indica que se elimina una alternativa espe-
cífica para su consideración posterior. Esto es porqu su VME es inferior al VME de la mejor alternativa.
Es posible que después de haber resuelto varios probl mas de árboles de decisión le resulte más fácil hacer
todos sus cálculos sobre el diagrama de árbol.
VALOR ESPERADO DE INFORMACIÓN MUESTRA Con el estudio de mercado que pretende realizar,
John Thompson sabe que su mejor decisión será co struir una planta grande, si la encuesta es favorable
o una pequeña si los resultados de la encuesta son negativos. Pero John también nota que la realiza-
ción de la investigación de mercado no es gratuita. Le gustaría saber cuál es el valor real de realizar la
encuesta. Una forma de medir el valor de la información de mercado es calcular el valor esperado de
la información muestral (VEIM), que es el aumento del valor esperado que resulta de la información
muestral
El valor esperado con información muestral (VE con IM) se encuentra a partir del árbol de deci-
sión, y el costo de la información muestral está considerado en el árbol puesto que se resta de todos los
pagos antes de calcular el VE con IM. En seguida, el valor esperado sin información muestra! (VE sin
IM) se resta del VE con IM para encontrar el valor de la información muestral.
VEIM = (VE con 1M costo) — (VE sin IM) (3-4)
donde
VEIM = valor esperado de la información muestral
VE con IM = valor esperado con información muestral
VE sin IM = valor esperado sin información muestral
En el caso de John, su VME sería $59,200 si no hubiera restado ya el costo del estudio de $10,000 de
cada pago. (¿Puede verlo de esta manera? Si no es así, agregue $10,000 de nuevo a cada pago, como en el
problema original de Thompson, y recalcule el VME de realizar el estudio de mercado). A partir de la rama
inferior de la figura 3.5, se observa que el VME de no reunir la información muestral es de $40,000. Por
consiguiente,
VEIM = ($49,200 + $10,000) — $40,000 = $59,200 — $40,000 = $19,200
Esto significa que John podría haber pagado hasta $19,200 por un estudio de mercado y aun así salir bene-
ficiado. Dado que cuesta sólo $10,000, en realidad resulta útil llevar a cabo la encuesta.
Eficiencia de la información muestral
Puede haber muchos tipos de información muestral disponible para un tomador de decisiones. En el
desarrollo de un nuevo producto, la información puede obtenerse a partir de una encuesta, de un grupo
de enfoque (focus group), de otras técnicas de investigación de mercados, o bien, al utilizar realmente
un mercado de prueba para saber cómo se comportarán las ventas. Aunque ninguna de estas fuentes
de información son perfectas, pueden ser evaluadas al comparar el VEIM con el VEIP. Si la informa-
ción muestral fuera perfecta, entonces su eficiendia sería de 100%. La eficiencia de la información
muestra! es
VE11,1
Eficiencia de la información muestral = vop 100% (3-5)
En el ejemplo de Thompson Lumber,
Eficiencia de la información estral = 60,000100% = 32%
Por lo tanto, el estudio de mercado sólo es 32% efici nte con respecto a la información perfecta.
Análisis de sensibilidad
Al igual que con las tablas de pago, es posible aplicar análisis de sensibilidad a los árboles de decisión.
El enfoque general es el mismo. Considere el árbol de decisión para el problema de Thompson Lumber

3.9 Cómo estimar valores de probabilidad mediante el análisis bayesiano
El teorema de Bayes permite que
los tomadores de decisiones revisen
valores de probabilidad.
3.9 CÓMO ESTIMAR VALORES DE PROBABILIDAD MEDIANTE EL ANÁLISIS BAYESIANO 85
ampliado, como se indica en la figura 3.5. ¿Qué tan sensible es nuestra decisión (realizar una encuesta de
marketing) a la probabilidad de obtener resultados favorables en la encuesta?
Sea p la probabilidad de obtener resultados favorables en la encuesta. Entonces (1 — p) es la proba-
bilidad de obtener resultados negativos en la encuesta. Dada esta información, es posible desarrollar una
expresión para el VME de realizar la encuesta, que es el nodo 1:
VME (nodo 1) = ($106,400)p + ($2,400)(1 — p)
= $104,000p + $2,400
Somos indiferentes cuando el VME de realizar el estudio de mercado, el nodo 1, es igual al VME de
no llevar a cabo la encuesta, que es de $40,000. El punto de indiferencia se puede encontrar al igualar el
VME (nodo 1) a $40,000:
$104,000p + $2,400 = $ 40,000
$104,000p = $ 37,600
$ 37,600
p= = 0.36
$104,000
Siempre que la probabilidad p de obtener resultados favorables en la encuesta sea mayor que 0.36, nues-
tra decisión seguirá siendo la misma. Cuando p sea menor que 0.36, nuestra decisión será no realizar la
encuesta.
También podríamos efectuar un análisis de sensibilidad para otros parámetros del problema. Por
ejemplo, podríamos encontrar qué tan sensible es nuestra decisión ante la probabilidad de un mercado
favorable dado un resultado favorable en la encuesta. En este momento, esa probabilidad es 0.78. Si
dicho valor aumenta, la planta grande se hace más atractiva. En este caso, nuestra decisión no cam-
biaría. ¿Qué pasa cuando esta probabilidad disminuye? El análisis se vuelve más complejo. A medida
que se reduce la probabilidad de un mercado favorable dado un resultado favorable en la encuesta, la
planta pequeña se hace más atractiva. En algún momento, la planta pequeña dará lugar a un VME ma-
yor (dado un resultado favorable en la encuesta) que la planta grande. Sin embargo, esto no concluye
nuestro análisis. A medida que la probabilidad de un mercado favorable dado un resultado favorable en
la encuesta siga disminuyendo, habrá un punto donde no realizar la encuesta, con un VME de $40,000,
será más atractivo que la realización del estudio de mercado. Dejaremos que usted efectúe los cálculos
reales. Es importante señalar que el análisis de sensibilidad debería considerar todas las consecuencias
posibles.
Hay muchas maneras de conseguir datos de probabilidad para un problema como el de Thompson. Los nú-
meros (como 0.78, 0.22, 0.27, 0.73 en la figura 3.4) pueden ser evaluados por un administrador con base en
la experiencia y la intuición. Es posible deducirlos de datos históricos o calcularlos a partir de otros datos
disponibles usando el teorema de Bayes. La ventaja del teorema de Bayes es que incorpora tanto las esti-
maciones iniciales de las probabilidades, como información sobre la precisión de la fuente de información
(por ejemplo, una encuesta de investigación de mercado).
El enfoque del teorema de Bayes reconoce que un tomador de decisiones no sabe con certeza
qué estado de la naturaleza ocurrirá. Permite que el administrador revise sus evaluaciones iniciales
o de probabilidad previa sobre la base de información nueva. Las probabilidades revisadas se llaman
probabilidades posteriores. (Antes de continuar, es posible que desee repasar el teorema de Bayes en
el capítulo 2).
Cálculo de probabilidades revisadas
En el caso de Thompson Lumber, resuelto en la sección 3.8, adoptamos el supuesto de que se conocían las
siguientes cuatro probabilidades condicionales:
P(mercado favorable (MF)1resultados de encuesta positivos) = 0.78
P(mercado desfavorable (MD)Iresultados de encuesta positivos) = 0.22
P(mercado favorable (MF)1resultados de encuesta negativos) = 0.27
P(mercado desfavorable (MD)1resultados de encuesta negativos) = 0.73
86 CAPÍTULO 3 • ANÁLISIS DE DECISIONES

TABLA 3.16 ESTADO DE LA NATURALEZA

Confiabilidad de la
encuesta de mercado
para predecir los estados
de la naturaleza
.TADO DE LA
ENCUESTA
Positivo (predice un mercado
favorable para el producto)
Negativo (predice un mercado
desfavorable para el producto)
MERCADO FAVORABLE MERCADO DESFAVORABLE
( Ir) N'11))
P(encuesta positiva I MF) = 0.70 P(encuesta positiva I MD) = 0.20
P(encuesta negativa MF) = 0.30 P(encuesta negativa I MD) = 0.80

A continuación mostraremos cómo John Thompson rue capaz de obtener estos valores con el teorema de
Bayes. A partir de análisis con especialistas en investigación de mercados de la universidad local, John
sabe que las encuestas especiales como la suya pueden resultar tanto positivas (es decir, que predicen un
mercado favorable) como negativas (es decir, que predicen un mercado desfavorable). Los expertos han
dicho a John que, estadísticamente, de todos los nuevos productos con un mercado favorable (MF), los es-
tudios de mercado fueron positivos y predijeron correctamente el éxito 70% de las veces. El 30% de las ve-
ces las encuestas predijeron erróneamente resultados negativos o un mercado desfavorable (MD). Por otro
lado, cuando en realidad no había un mercado desfavorable para un nuevo producto, 80% de las encuestas
predijeron correctamente los resultados negativos. Las encuestas predijeron erróneamente resultados posi-
tivos el 20% restante de las veces. Estas probabilidades condicionales se resumen en la tabla 3.16 y son un
indicativo de la precisión de la encuesta que John está planeando para su empresa.
Recuerde que, sin ningún tipo de información de encuestas de mercado, las mejores estimaciones de
John de un mercado favorable y desfavorable son
P(MF) = 0.50
P(MD) = 0.50
Éstas se conocen como las probabilidades previas.
Ahora estamos listos para calcular probabilidades revisadas o posteriores de Thompson. Estas proba-
bilidades deseadas son el inverso de las probabilidades de la tabla 3.16. Necesitamos la probabilidad de un
mercado favorable o desfavorable, dado un resultado positivo o negativo del estudio de mercado. La forma
general del teorema de Bayes presentada en el capítulo 2 es

P(BIA)P(A)
"AlB) (3-6)
= P(BIA)P(A) + P(BIA')P(A')
donde
A, B = cualesq?iera dos eventos
A' = compleilnento de A

Consideremos que A representa un mercado favorable y B representa una encuesta positiva. Entonces,
al sustituir los números apropiados en esta ecuaciórIi, obtenemos las probabilidades condicionales, dado
que el estudio de mercado es positivo:
P(encuesta positiva1MF)P(MF)
P(MF I encuesta positiva)
P(encuesta positivalMF)P(MF) + P(encuesta positiva1MD)P(MD)
(0.70)(0.50) 0.35
=
- (0.70)(0.50) + (0.20)(0.50) 0.45 — 078

P( ncuesta positiva I MD)P(MD)

P(MDIencuesta positiva)
P(encuesta positiva! )P(MD) + P(encuesta positiva 1 MF )P(MF )
(0.20)(0.50) 0.10
— — 0.22
• (0.20)(0.50) + (0.70)(0.50) 0.45

Observe que el denominador (0.45) en estos cálculos es la probabilidad de una encuesta positiva. Un
método alternativo para realizar estos cálculos es usar una tabla de probabilidad, como la mostrada en la
tabla 3.17.
 3.9 CÓMO ESTIMAR VALORES DE PROBABILIDAD MEDIANTE EL ANÁLISIS BAYESIANO 87
TABLA 3.17
Revisiones de probabilidad dada una encuesta positiva

O> PROBABILIDAD
CONDICIONAL
P(EN('I ESTA
PROBABILIDAD POSTERIOR

PISTADO DE
ESTADO DE LA POSITIVA. ESTADO DE PROBABILIDAD PROBABILIDAD LA NATURALEZA!
NATURALEZA LA NATURALEZA) PREVIA CONJUNTA ENCUESTA POSITIVA)
MF 0.70 X 0.50 = 0.35 0.35/0.45 = 0.78
MD 0.20 X 0.50 =- 0.10 0.10/0.45 = 0.22
P(la encuesta resulta positiva) = 0.45 1.00

Las probabilidades condicionales, dado que el estudio de mercado es negativo, son

P(encuesta negativa MF)P(MF)
P(MF1 encuesta negativa) =
P(encuesta negativa 1 MF)P(MF) + P(encuesta negativa 1 MD)P(MD)
(0.30)(0.50) 0.15
= 027
▪ (0.30)(0.50) + (0.80)(0.50) = 0.55

P(encuesta negativa' MD)P(MD)

P(MD !encuesta negativa) =
P(encuesta negativa1MAP(MD) + P(encuesta negativa MF )P(MF )
(0.80)(0.50) 0.40 n 12
- (0.80)(0.50) + (0.30)(0.50) - 0.55 .= v."

Las probabilidades nuevas ofrecen
información valiosa.
Observe que el denominador (0.55) en estos cálculos es la probabilidad de una encuesta negativa. Estos
cálculos, dado un estudio negativo, también podrían realizarse en forma tabular, como se indica en la tabla
3.18.
Los cálculos mostrados en las tablas 3.17 y 3.18 se pueden realizar fácilmente en hojas de cálculo
de Excel. Los programas 3.3A y 3.3B muestran el resultado final de este ejemplo, así como sus fórmulas.
Ahora, las probabilidades posteriores dan a John Thompson estimaciones para cada estado de la natu-
raleza, si los resultados del estudio fueran positivos o negativos. Como usted sabe, la probabilidad previa
de éxito de John, sin un estudio de mercado, solamente era de 0.50. Ahora él está consciente de que la pro-
babilidad de éxito en el mercado de los cobertizos de almacenamiento será de 0.78, si su estudio muestra
resultados positivos. Sus posibilidades de éxito caerían a 27%, si el informe de la encuesta es negativo.
Ésta es información valiosa para la gerencia, como se observó en el análisis del árbol de decisión anterior.

Problema potencial del uso de los resultados de la encuesta

En muchos problemas de toma de decisiones, se examinan los resultados de las encuestas o los estudios
piloto antes de que se tome una decisión real (como la construcción de una nueva planta o la ejecución de
una acción específica). Como se mencionó anteriormente en esta sección, el análisis de Bayes se utiliza

TABLA 3.18
Revisiones de probabilidad dada una encuesta negativa

PROBABILIDAD PROBABILIDAD POSTERIOR

CONDICIONAL
P(ENUI ESTA P(ESTADO DE
ESTADO DE LA NEGATIVA ESTADO DE PROBA B11.1DA D PROBABILIDAD LA NATURALEZA
NATURALEZA LA NATURALEZA) PREVIA CONJUNTA ENCUESTA N ECATI VA)
MF 0.30 x 0.50 = 0.15 0.15/0.55 = 0.27
MD 0.80 X 0.50 = 0.40 0.40/0.55 = 0.73
P(la encuesta resulta negativa) = 0.55 1.00
88 CAPÍTULO 3 • ANÁLISIS DE DECISIONES

PROGRAMA 3.3A A
1 Bayes ~oran f9r Thoralpsen Lamber
Resultados de cálculos 2 i1
de Bayes en Excel 2013 3 !Fill In ceta f37, 138, and C
4
5 Probability Revisions Given a Positive Survey
6 State of Natura P(Sur.Pos. 1 state of nature) Prior Prob. Joint Prob. Posterior Probabillty
7 FM 0.7 r, 0.35 0.78
8 UM 0.7 0.5 0.1 0.22
9 P(Sur.pos.). 0.45
10
11 Probability Revisions Given a Negative Survey
17 State of Nature P(Sur.Pos.1state of nature) Prior Prob. Joint Prob. Posterior Probability
13 FM 0.3 0.5 0.15 0.27__
14 UM 0.8 0.5 0.4 0.73
15 P(Sur.neg.). 0.55

PROGRAMA 3.3B 8 E
7 0.1 0.5 =B7•C7 =07/$0$9
Fórmulas usadas para 8 0.7 =1-C7 =118"C8 =D8/$D$9
cálculos de Bayes en 9 P(Sur.pos.)= SUM(D7:D8)
11
Excel 2013 13 =1-B7 =07 =813"C13 =013/50515
14 =1-88 =C8 ,-814•C14 =014/50515
15 P(Sur.neg.). 'Ul1.411973 D1g

para ayudar a determinar las probabilidades condicionales correctas que se requieren para resolver este
tipo de problemas con la teoría de decisiones. Al calcular las probabilidades condicionales, es necesario
tener datos sobre las encuestas y sus precisiones. Si la decisión de construir una planta o tomar otro curso
de acción se hace realidad, podemos determinar la exactitud de nuestras encuestas. Por desgracia, no
siempre podemos obtener datos sobre situaciones en las que la decisión no debió ser construir una planta
o tomar algún curso de acción. Por lo tanto, cuando usamos resultados de una encuesta, en ocasiones
estamos basando nuestras probabilidades sólo en aquellos casos en los cuales la decisión de construir una
planta o tomar algún curso de acción se hace realidad. Esto significa que, en algunas situaciones, la infor-
mación de probabilidades condicionales quizá no sea tan precisa como nos gustaría. Aun así, el cálculo
de probabilidades condicionales ayuda a refinar el proceso de toma de decisiones y, en general, permite
tomar mejores decisiones.

3.10 Teoría de la utilidad

Hasta ahora, nos hemos centrado en el criterio de VME para la toma de decisiones con riesgo. Sin em-
bargo, hay muchas ocasiones en las que las person toman decisiones que parecerían ser incompatibles
con el criterio del VME. Cuando las personas com ran un seguro, la cantidad de la prima es mayor que
el pago que esperan de la compañía de seguros, po que la prima incluye el pago esperado, los gastos ge-
nerales y la utilidad para la aseguradora. Una pers na involucrada en un conflicto legal puede optar por
un acuerdo extrajudicial en lugar de ir a juicio, inc so si el valor esperado de ir a juicio es mayor que el
acuerdo propuesto. Una persona compra un billete de lotería a pesar de que el rendimiento esperado es
negativo. Los juegos de azar de todo tipo tienen rendimientos esperados negativos para el jugador y, sin
embargo, millones de personas participan en tales juegos. Un empresario puede descartar una sola decisión
potencial porque pondría a la empresa en bancarrota si las cosas salen mal, a pesar de que el rendimiento
esperado para esta decisión sea mejor que el de todas las demás alternativas.
¿Por qué las personas toman decisiones que no maximizan su VME? Lo hacen porque el valor mone-
tario no siempre es un verdadero indicador del valor total del resultado de la decisión. El valor general de

FIGURA 3.6
Su árbol de decisión para
el billete de lotería
El valor general del resultado de
una decisión se llama utilidad.
El VME no siempre es el mejor
enfoque.
La evaluación de la utilidad asigna
una utilidad de O al peor resultado,
y una utilidad de 1 al mejor
resultado.
Cuando usted es indiferente, las
utilidades esperadas son iguales.
3.10 TEORÍA DE LA UTILIDAD 89
$2,000,000
Aceptar
la oferta
SO
Cara
Rechazar (0.5)
la oferta
Cruz
(0.5)
VME = 52.500,000 S5,000,000
un resultado específico se denomina utilidad, y las personas racionales toman decisiones que maximizan
su utilidad esperada. Aunque a veces el valor monetario es un buen indicador de la utilidad, hay otras
ocasiones en las cuales no lo es. Esto es particularmente cierto cuando algunos de los valores implican
una ganancia o una pérdida extremadamente grandes. Suponga que usted es el afortunado poseedor de un
billete de lotería. Dentro de cinco minutos podría lanzar al aire una moneda y si sale cruz, usted ganaría
$5 millones; y si sale cara, usted no ganaría nada. Hace apenas un momento una persona acaudalada le
ofreció $2 millones por su billete. Suponga que usted no tiene dudas sobre la validez de la oferta, ya
que la persona le dará un cheque certificado por la cantidad total, y usted estará absolutamente seguro
de que el cheque es válido.
En la figura 3.6 se muestra un árbol de decisión para esta situación. El VME por rechazar la oferta in-
dica que usted debería conservar su billete, pero ¿qué haría? Basta pensar, $2 millones garantizados en vez
de un 50% de posibilidades de no obtener nada. Suponga que usted es lo suficientemente voraz como para
conservar el billete y después pierde. ¿Cómo explicárselo a sus amigos? ¿$2 millones no serían suficientes
para disfrutar durante un tiempo?
La mayoría de las personas elegiría vender el billete por $2 millones. De hecho, la mayor parte de
nosotros probablemente estaríamos dispuestos a conformarnos con mucho menos. ¿Qué tanto menos?
Desde luego, es una cuestión de preferencia individual. Las personas tienen diferentes sentimientos sobre
buscar o evitar riesgos. El uso del VME por sí solo no es siempre una buena manera de tomar este tipo de
decisiones.
El uso de la teoría de la utilidad representa una manera de incorporar sus propias actitudes hacia el
riesgo. En la siguiente sección, se explora primero la forma de medir la utilidad y, luego, cómo se usan las
medidas de utilidad para la toma de decisiones.
Medición de la utilidad y construcción de una curva de utilidad
El primer paso para usar la teoría de la utilidad es asignar valores de utilidad a cada valor monetario en una
situación dada. Resulta conveniente comenzar la evaluación de la utilidad asignando una utilidad de O al
peor resultado, y una utilidad de 1 al mejor resultado. Aunque se pueden usar cualesquiera valores, siempre
y cuando la utilidad del mejor resultado sea mayor que la utilidad del peor resultado, el uso de O y 1 tiene
algunas ventajas. Debido a que hemos optado por utilizar O y 1, todos los demás resultados tendrán un
valor de utilidad entre O y 1. Al determinar las utilidades de todos los resultados, que no son el mejor ni el
peor, se considera una apuesta estándar, la cual se presenta en la figura 3.7.
En la figura 3.7, p es la probabilidad de obtener el mejor resultado y (1 — p) es la probabilidad de
obtener el peor resultado. La evaluación de la utilidad de cualquier otro resultado consiste en determinar
la probabilidad (p), que lo hace indiferente entre la alternativa 1, que es la apuesta entre el mejor y el peor
resultados, y la alternativa 2, que es obtener el otro resultado seguro. Cuando usted es indiferente entre
90 CAPÍTULO 3 • ANÁLISIS DE DECISIONES
FIGURA 3.7
Apuesta estándar para la
evaluación de la utilidad
Una vez que se han determinado
valores de utilidad, es posible
construir una curva de utilidad.
FIGURA 3.8
Utilidad de $5,000
(P) Mejor resultado
Utilidad = 1
(1 — p) Peor resultado
Utilidad = O
44.65.00/
Otro resultado
Utilidad = ?
las alternativas 1 y 2, las utilidades esperadas de estas dos alternativas deben ser iguales. Esta relación se
muestra como
Utilidad esperada de la alternativa 2 = utilidad esperada de la alternativa 1
Utilidad de otro resultado = (p)(utilidad del mejor resultado, que es 1)
+ (1 — p)(utilidad del peor resultado, que es O)
Utilidad de otro resultado = (p)(1) + (1 — p)(0) = p (3-7)
Ahora, todo lo que usted debe hacer es determinar el valor de la probabilidad (p) que lo hace indife-
rente entre las alternativas 1 y 2. Al establecer la probabilidad, debería tener en cuenta que la evaluación
de la utilidad es completamente subjetiva. Es un valor fijado por el tomador de decisiones que no se puede
medir en una escala objetiva. Consideremos un ejemplo.
Jane Dickson desearía construir una curva de utilidad que revelara su preferencia por el dinero entre $0
y $10,000. Una curva de utilidad es una gráfica que representa el valor de la utilidad comparado con el valor
monetario. Jane puede invertir su dinero en una cuenta de ahorros bancaria, o bien, en un negocio inmobiliario.
Si invierte el dinero en el banco, en 3 años Jane tendría $5,000. Si invierte en el sector inmobiliario, des-
pués de 3 años podría tener nada o $10,000. Sin embargo, Jane es muy conservadora. A menos que haya un
80% de posibilidades de conseguir los $10,000 en el negocio de bienes raíces, Jane preferiría tener su dinero
en el banco, donde está seguro. Lo que Jane ha hecho aquí es valorar su utilidad por $5,000. Cuando hay una
probabilidad de 80% (esto significa que p es 0.8) de conseguir $10,000, Jane es indiferente entre poner su
dinero en bienes raíces o en el banco. Entonces, la utilidad de Jane por $5,000 es igual a 0.8, que es el mismo
valor de p. Esta evaluación de la utilidad se muestra en la figura 3.8.
Los demás valores de utilidad pueden ser evaluados de la misma manera. Por ejemplo, ¿cuál es la
utilidad de Jane por $7,000? ¿Qué valor de p haría que Jane fuera indiferente entre $7,000 y la apuesta que
daría como resultado $10,000 o bien $0? Para Jane, debe haber un 90% de posibilidades de conseguir los
$10,000. De lo contrario, ella preferiría los $7,000 en forma segura. Por lo tanto, su utilidad por $7,000 es
0.90. La utilidad de Jane por $3,000 se determina de la misma forma. Si hubieran 50% de posibilidades de
obtener los $10,000, Jane sería indiferente entre tener $3,000 seguros y tomar una apuesta en la que puede
ganar $10,000 o bien no conseguir nada. Por lo tanto. la utilidad de $3,000 para Jane es 0.5. Desde luego,
p= 0.80 $10.000
U ($10,000) = 1.0
en (1 — p) = 0.20 $0
u (So.00) = o.o
\"‘ste<.1
ces
tac
`-'ir3/kb
$5.000
U ($5,000) = p = 0.80
Utilidad para $5,000 = U ($5,000) = pU ($10.000) + (1 — p) U ($0) = (0.8)(1) + (0.2)(0) = 0.8
 3.10 TEORÍA DE LA UTILIDAD 91

FIGURA 3.9
U (S10.000) = 1.0
Curva de utilidad para 1.0
Jane Dickson U ($7,000) = 0.90
0.9
U ($5,000) = 0.80
0.8

0.7

0.6
-o
co
U ($3,000) = 0.50
0.5

0.4

0.3

0.2

0.1 U ($0) = O
.
4,7' I I I 1 I I
$0 S1,000 S3,000 $5,000 $7,000 $10,000
Valor monetario

La forma de la curva de utilidad de
una persona depende de muchos
factores.
FIGURA 3.10
Preferencias de riesgo
este proceso puede continuar hasta que Jane haya evaluado su utilidad para tantos valores monetarios como
ella desee. Sin embargo, las evaluaciones realizadas son suficientes para tener una idea de los sentimientos
de Jane hacia el riesgo. De hecho, estos puntos se pueden graficar en una curva de utilidad, como se mues-
tra en la figura 3.9. En la figura se muestran los puntos de utilidad evaluados para $3,000, $5,000 y $7,000;
el resto de la curva se infiere a partir de tales puntos.
La curva de utilidad de Jane es típica de alguien averso al riesgo. Una persona con aversión al riesgo
es un tomador de decisiones que recibe menos utilidad o placer de un mayor riesgo, y tiende a evitar situa-
ciones en las cuales podría obtener pérdidas elevadas. A medida que aumentan los valores monetarios en
su curva de utilidad, la utilidad aumenta a un ritmo más lento.
En la figura 3.10 se ilustra que alguien definido como un proclive al riesgo tiene una curva de utilidad
en forma opuesta. Este tomador de decisiones obtiene más utilidad de un mayor riesgo y un pago potencial
más alto. A medida que se incrementan los valores monetarios en su curva de utilidad, la utilidad aumenta
a un ritmo creciente. Una persona que es indiferente al riesgo tiene una curva de utilidad en forma de línea
recta. La forma de la curva de utilidad de una persona depende de la decisión específica a considerar, los
valores monetarios involucrados en la situación, el marco psicológico de la mente del sujeto y cómo se
siente la persona sobre el futuro. Es posible que usted tenga una curva de utilidad para algunas situaciones
que enfrenta y curvas completamente diferentes en otros escenarios.

Averso
al riesgo

Proclive
al riesgo

Resultado monetario
92 CAPÍTULO 3 • ANÁLISIS DE DECISIONES
FIGURA 3.11
Decisión que enfrenta
Mark Simkin
Los valores de utilidad reempla-
zan los valores monetarios.
El objetivo de Mark es maximizar
la utilidad esperada.
FIGURA 3.12
Curva de utilidad para
Mark Simkin
La tachuela aterriza
Apunta hacia arriba (0.45)
S10,000
La tachuela aterriza
2,50a.,/
92' Apunta hacia abajo (0.55)
O\c'
55e ,\92'. (lo $10,000
02i, e\-ye
-41/fet_
d fiLO s,
Mark no participa en el juego
So
Utilidad como criterio en la toma de decisiones
Después de haber determinado una curva de utilidad, los valores de utilidad en la curva se utilizan para
la toma de decisiones. Los resultados o valores monetarios se sustituyen por los valores de las utilidades
correspondientes y, después, se realiza el análisis de decisiones como de costumbre. Se calcula la utilidad
esperada para cada alternativa en lugar del VME. A continuación estudiaremos un ejemplo donde se utiliza
un árbol de decisión y se calculan los valores de utilidad esperados para seleccionar la mejor alternativa.
Mark Simkin es aficionado al juego y decide participar en un juego que involucra el lanzamiento de
tachuelas al aire. Si la punta de la tachuela se dirige hacia arriba después de aterrizar, Mark gana $10,000.
Si la punta de la tachuela se dirige hacia abajo, Mark pierde $10,000. ¿Debería Mark participar en el juego
(alternativa 1) o no debería hacerlo (alternativa 2)?
Las alternativas 1 y 2 se muestran en el árbol de la figura 3.11. Como puede verse, la alternativa 1
consiste en participar en el juego. Mark cree que hay una posibilidad de 45% de ganar $10,000 y una po-
sibilidad de 55% de sufrir la pérdida de $10,000. La alternativa 2 es no jugar. ¿Qué debería hacer Mark?
Por supuesto, la decisión depende de la utilidad de Mark por el dinero. Como se dijo en un inicio, le gusta
jugar. Con base en el procedimiento que acabamos de esbozar, Mark fue capaz de construir una curva de
utilidad que muestra su preferencia por el dinero. Mark tiene un total de $20,000 para jugar, de manera que
ha construido la curva de utilidad basada en un mejor pago de $20,000 y un peor pago con una pérdida de
$20,000. Esta curva se muestra en la figura 3.12.
Se observa que la utilidad de Mark por —$10,000 es 0.05, su utilidad por no jugar ($0) es 0.15, y su
utilidad por $10,000 es 0.30. Ahora, estos valores se pueden utilizar en el árbol de decisión. El objetivo de
Mark es maximizar su utilidad esperada, lo cual se puede hacer de la siguiente manera:
Paso 1. U(—$10,000) = 0.05
U(S0) = 0.15
U($10,000) = 0.30
—$10.000 SO $10,000 $20,000
Resultado monetario
 3.10 TEORÍA DE LA UTILIDAD 93

A EN ACCIÓN 1
Un modelo de utilidad con atributos múltiples
ayuda en la eliminación de armas nucleares

C uando terminó la Guerra Fría entre Estados Unidos y la URSS, am-

bos países acordaron desmantelar un gran número de armas nuclea-
res. El número exacto de armas no se conoce, pero el número total se
ha estimado en más de 40,000. El plutonio recuperado de las armas
desmanteladas era motivo de varias preocupaciones. La Academia Na-
cional de Ciencias caracterizó la posibilidad de que el plutonio pudiera
caer en manos de terroristas como un peligro muy real. Además, el plu-
tonio es muy tóxico para el medio ambiente, por lo que resultaba crítico
tener un proceso de eliminación seguro y confiable. La decisión de cuál
sería el proceso de eliminación a utilizar no resultó una tarea fácil.
Debido a la larga relación entre Estados Unidos y la Unión Sovié-
tica durante la Guerra Fría, era necesario que el proceso de elimina-
ción de plutonio en cada país se produjera aproximadamente al mismo
tiempo. Sin importar el método seleccionado por un país, éste tendría
que ser aprobado por el otro país. El Departamento de Energía de Es-
tados Unidos (DOE, por Department of Energy) formó la Oficina para
la Eliminación de Materiales Fisibles (OFMD, por Office of Fissile Mate-
rials Disposition) con la finalidad de supervisar el proceso de selección
del método a utilizar para la eliminación del plutonio. Con la concien-
cia de que la decisión podría ser objeto de controversia, la OFMD uti-
lizó un equipo de analistas en investigación de operaciones asociados
con el Centro Nacional de Investigación en Amarillo. Este grupo de
10 utilizó un modelo de utilidad con atributos múltiples (MUAM) para
combinar varias medidas de desempeño en una sola medida.
Se utilizó un total de 37 medidas de desempeño en la evalua-
ción de 13 diferentes alternativas posibles. El MUAM combinó estas
medidas y ayudó a clasificar las alternativas, así como a identificar
las deficiencias de algunas de ellas. La OFMD recomendó dos de las
alternativas con las calificaciones más altas, y se inició el desarrollo de
ambas. Este desarrollo paralelo permitióa Estados Unidos reaccionar
rápidamente cuando se elaboró el plan de la URSS. La Unión Soviética
utilizó un análisis basado en el mismo enfoque MUAM. Estados Uni-
dos y la URSS decidieron convertir el plutonio de las armas nucleares
en combustible de óxido mixto, que se utiliza en reactores nuclea-
res para producir electricidad. Una vez que el plutonio se convierte a
esta forma, no puede utilizarse en armas nucleares.
El MUAM ayudó a que Estados Unidos y la URSS llegaran a un
acuerdo en un tema muy sensible y potencialmente peligroso, de
un modo que consideró cuestiones económicas, la no proliferación
de armas y la ecología. El modelo sigue siendo utilizado por Rusia
para evaluar otras políticas relacionadas con la energía nuclear.
Fuente: Basado en John C. Butler et al. "The United States and Russia Eva-
luate Plutonium Disposition Options with Multiattribute Utility Theory", Inter-
faces 35, 1 (enero-febrero de 2005): 88-101.

Paso 2. Sustituir los valores monetarios por valores de utilidad. Consulte la figura 3.13. A continuación se
muestran las utilidades esperadas para las alternativas 1 y 2:

E(altemativa 1: participar en el juego) = (0.45)(0.30) + (0.55)(0.05)

= 0.135 + 0.027 = 0.162
E(alternativa 2: no participar en el juego) = 0.15

Por consiguiente, la alternativa 1 es la mejor estrategia con la utilidad como criterio de decisión. Si se hu-
biera utilizado el VME, la alternativa 2 habría sido la mejor estrategia. La curva de utilidad es de alguien
proclive al riesgo y, sin duda, la opción de participar en el juego refleja esta preferencia por el riesgo.

FIGURA 3.13
Uso de utilidades Utilidad
La tachuela aterriza
esperadas para la Apunta hacia arriba (0.45)
toma de decisiones 0.30
La tachuela aterriza
lik< Apunta hacia abajo (0.55)
N 0.05
02' ,e\14°
5>0
9254

No participar en el juego
r 0.15
94 CAPÍTULO 3 • ANÁLISIS DE DECISIONES
Resumen
La teoría de decisiones es un enfoque analítico y sistemático para
el estudio de la toma de decisiones. Por lo general, la toma de de-
cisiones implica la ejecución de seis pasos en tres entornos: la toma
de decisiones en condiciones de certidumbre, incertidumbre y riesgo.
En la toma de decisiones con incertidumbre, se construyen tablas
de decisión para calcular criterios como maximax, maximin, crite-
rio de realismo, igualmente probable y arrepentimiento minimax.
Los métodos como la determinación del valor monetario esperado
(VME), el valor esperado de la información perfecta (VEIP), la pér-
dida de oportunidad esperada (POE) y el análisis de sensibilidad se
utilizan en la toma de decisiones con riesgo.
Glosario
Alternativa Un curso de acción o una estrategia que puede ser ele-
gida por un tomador de decisiones.
Apuesta estándar El proceso utilizado para determinar valores de
utilidad.
Árbol de decisión Una representación gráfica de una situación en
la que se deben tomar decisiones.
Arrepentimiento Pérdida de oportunidad.
Arrepentimiento minimax Un criterio que minimiza la máxima
pérdida de oportunidad.
Averso al riesgo Una persona que evita el riesgo. En la curva de
utilidad, a medida que aumenta el valor monetario, la utilidad se
incrementa a un ritmo decreciente. Este tomador de decisiones re-
cibe menos utilidad por un mayor riesgo y un mayor rendimiento
potencial.
Coeficiente de realismo (a) Un número entre O y 1. Cuando el
coeficiente es cercano a 1, el criterio de decisión es optimista.
Cuando el coeficiente es cercano a O, el criterio de decisión es
pesimista.
Criterio de Hurwicz Criterio de realismo.
Criterio de Laplace Criterio igualmente probable.
Criterio de realismo Un criterio para la toma de decisiones que
utiliza un promedio ponderado de los mejores y peores pagos po-
sibles para cada alternativa.
Criterio del promedio ponderado Otro nombre para el criterio de
realismo.
Criterio optimista El criterio maximax.
Curva de utilidad Una gráfica o curva que revela la relación entre
la utilidad y los valores monetarios. Después de construir esta
curva, sus valores de utilidad se pueden utilizar en el proceso de
toma de decisiones.
Decisiones secuenciales Decisiones en las que el resultado de una
decisión influye sobre las demás.
Eficiencia de la información muestral Una medida de qué tan buena
es la información muestra]. en relación con la información perfecta.
Estado de la naturaleza Un resultado u ocurrencia sobre la que el
tomador de decisiones tiene poco o ningún control.
Evaluación de la utilidad El proceso que consiste en determinar
la utilidad de los distintos resultados. Por lo general, esto se hace
con una apuesta estándar entre cualquier resultado seguro, y una
apuesta entre el peor y el mejor de los resultados.
Igualmente probable Un criterio de decisión que coloca el mismo
peso en todos los estados de la naturaleza.
Los árboles de decisión son otra opción, especialmente para los
problemas de decisión más grandes, cuando es necesario tomar una
decisión antes de que sea posible tomar otras decisiones. Por ejemplo,
la decisión de tomar una muestra o efectuar estudios de mercado se
toma antes de decidirnos a construir una planta grande, una planta pe-
queña o no construir ninguna. En este caso, también podemos calcular
el valor esperado de la información muestral (VEIM) para determi-
nar el valor de la investigación de mercado. La eficiencia de la infor-
mación muestral compara el VEIM con el VEIP. El análisis bayesiano
se utiliza para revisar o actualizar los valores de probabilidad, usando
tanto las probabilidades previas como otras probabilidades relaciona-
das con la exactitud de la fuente de información.
Maximax Un criterio optimista para la toma de decisiones. Selec-
ciona la alternativa con el mayor rendimiento posible.
Maximin Un criterio pesimista para la toma de decisiones. Esta al-
ternativa maximiza la ganancia mínima. Selecciona la alternativa
con el mejor de los peores pagos posibles.
Nodo (punto) de decisión En un árbol de decisión, éste es un
punto donde se elige la mejor de las alternativas disponibles. Las
ramas representan las alternativas.
Nodo del estado de la naturaleza En un árbol de decisión, un
punto donde se calcula el VME. Las ramas que provienen de este
nodo representan estados de la naturaleza.
Pérdida de oportunidad Cantidad que se perdería por no elegir
la mejor alternativa. Para cualquier estado de la naturaleza, es la
diferencia entre las consecuencias de cualquier alternativa y las de
la mejor alternativa posible.
Probabilidad condicional Una probabilidad posterior.
Probabilidad posterior Una probabilidad condicional de un estado
de naturaleza que ha sido ajustada con base en información mues-
tral. Se encuéntra usando el teorema de Bayes.
Probabilidad previa La probabilidad inicial de un estado de la na-
turaleza antes de usar información muestral, que se utiliza con el
teorema de Bayes para obtener una probabilidad posterior.
Proclive al riesgo Una persona que busca el riesgo. En la curva
de utilidad, a medida que aumenta el valor monetario, la utilidad
se incrementa a un ritmo creciente. Este tomador de decisiones
obtiene más placer por un mayor riesgo y un mayor rendimiento
potencial.
Tabla de decisiones Una tabla de pagos.
Tabla de pagos Una tabla que lista las alternativas, los estados de
la naturaleza y los pagos en una situación de toma de decisiones.
Teoría de decisiones Un enfoque analítico y sistemático para la
toma de decisiones.
Teoría de la uti lidad Una teoría que permite a los tomadores de
decisiones ir corporar sus preferencias de riesgo y otros factores al
proceso de t ma de decisiones.
Toma de decisi mes con certidumbre Un entorno para la toma de
decisiones d nde se conocen los resultados o los estados de la
naturaleza f turos.
Toma de decisiones con incertidumbre Un entorno para la toma de
decisiones en el que pueden ocurrir varios resultados o estados de la
naturaleza. Sin embargo, las probabilidades de estos resultados no
se conocen.
 PROBLEMAS RESUELTOS 95

Toma de decisiones con riesgo Un entorno para la toma de deci-
siones en el cual pueden ocurrir varios resultados o estados de la
naturaleza, como consecuencia de una decisión o una alternativa.
Se conocen las probabilidades de los resultados o los estados de la
naturaleza.
Utilidad El valor o beneficio general de un resultado en particular.
Valor condicional o pago Una consecuencia, normalmente expre-
sada en un valor monetario, que se produce como resultado de una
alternativa en particular y un estado de la naturaleza.
Valor esperado con información perfecta (VEcIP) El valor pro-
medio o esperado de una decisión si se dispone del conocimiento
perfecto del futuro.
Valor esperado de la información muestral (VEIM) El aumento
del VME que resulta de tener información muestral o imperfecta.
Valor esperado de la información perfecta (VEIP) El valor
promedio o esperado de la información si fuera completamente
exacta. El aumento del VME que resulta de tener información
perfecta.
Valor monetario esperado (VME) El valor promedio de una deci-
sión si se puede repetir muchas veces. Esto se determina multipli-
cando los valores monetarios por sus respectivas probabilidades.
Después, los resultados se suman para obtener el VME.

Ecuaciones clave

(3-1) VME(alternativa i)=IXP(Xi) VEIM

(3-5) Eficiencia de la información muestral — 100%
VEIP
Una ecuación que calcula el valor monetario esperado.
Una ecuación que compara la información muestra] con la in-
(3-2) VEcIP = E(mejor pago en el estado de la naturaleza i) formación perfecta.
x (probabilidad del estado de la naturaleza i)
P(BIA)P(A)
Una ecuación que calcula el valor esperado con información (3-6) P(A I B) =
perfecta. P(BIA)P(A) + P(BIA')P(A')

(3-3) VEIP = VEcIP — Mejor VME
Una ecuación que calcula el valor esperado de la información
perfecta.
(3-4) VEIM = (VE con IM + costo) — (VE sin IM)
Una ecuación que calcula el valor esperado (VE) de la infor-
mación muestral (IM).
Teorema de Bayes, la probabilidad condicional del evento A
dado que ha ocurrido el evento B.
(3-7) Utilidad de otro resultado = (p)(1) + (1 — p)(0) = p
Una ecuación que determina la utilidad de un resultado
intermedio.

Problemas resueltos

Problema resuelto 3-1

María Rojas está considerando la posibilidad de abrir una pequeña tienda de ropa en Fairbanks Avenue, a pocas
cuadras de la universidad. Ha localizado un buen centro comercial que atrae a los estudiantes. Sus opciones son
abrir una tienda pequeña, una tienda de tamaño mediano o no abrir ninguna tienda. El mercado para una tienda de
ropa puede ser bueno, regular o malo. Las probabilidades de estos tres escenarios son 0.2 para un mercado bueno,
0.5 para un mercado regular y 0.3 para un mercado malo. La ganancia o pérdida neta para las tiendas mediana y
pequeña en las diferentes condiciones de mercado se dan en la siguiente tabla. La opción de no construir ninguna
tienda no produce ninguna pérdida o ganancia.
a. ¿Qué recomienda usted?
b. Calcule el VEIP.
c. Desarrolle la tabla de pérdida de oportunidad para esta situación. ¿Qué decisiones se tomarían utilizando el
criterio de arrepentimiento minimax y el criterio de la POE mínima?

MERCADO MERCADO MERCADO

BUENO REGULAR MALO
ALTERNATIVA ($) ($) ($)
Tienda pequeña 75,000 25,000 —40,000
Tienda de tamaño mediano 100,000 35,000 —60,000
Ninguna tienda O O
96 CAPÍTULO 3 • ANÁLISIS DE DECISIONES

Solución
a. Dado que el entorno de la toma de decisiones es el riesgo (se conocen las probabilidades), resulta apropiado
utilizar el criterio del VME. El problema se puede resolver mediante el desarrollo de una tabla de pagos que
contenga todas las alternativas, los estados de la naturaleza y los valores de probabilidad. También se calcula el
VME para cada alternativa, como se muestra en la siguiente tabla:

ESTADO DE LA NATURALEZA

MERCADO MERCADO MERCADO

BUENO REGULAR MALO VM E
ALTERNATIVA ($) ($) (S) ($1

Tienda pequeña 75,000 25,000 —40,000 15,500

Tienda de tamaño mediano 100,000 35,000 —60,000 19,500
Ninguna tienda o o o o
Probabilidades 0.20 0.50 0.30

VME (tienda pequeña) = (0.2)(S75,000) + (0.5)($25,000) + (0.3)(-540,000) = $15,500

VME (tienda mediana) = (0.2)($100,000) + (0.5)($35,000) + (0.3)( —$60,000) = $19,500
VME (ninguna tienda) = (0.2)($0) + (0.5)($0) + (0.3)($0) = $0

Como se observa, la mejor decisión es construir la tienda de tamaño mediano. El VME para esta alternativa es
S19,500.

b. VEcIP = (0.2)$100,000 + (0.5)$35,000 + (0.3)$0 = $37,500

VEIP = $37,500 — $19,500 = $18,000

c. A continuación se muestra la tabla de pérdida de oportunidad.

ESTADO DE LA NATURALEZA

MERCADO MERCADO MERCADO

BUENO REGULAR MALO MÁXIMO POE
ALTERNATIVA ($) ($) ($) ($1 ($)

Tienda pequeña 25.000 10,000 40,000 40,000 22,000

Tienda de tamaño mediano 0 0 60,000 60,000 18,000
Ninguna tienda 100,000 35,000 0 100,000 37,500
Probabilidades 0.20 0.50 0.30

El mejor pago en un mercado bueno es de 100,000, por lo que las pérdidas de oportunidad en la primera columna
indican cuán peor es cada pago con respecto a 100,000. El mejor pago en un mercado regular es de 35,000, por lo
que las pérdidas de oportunidad en la segunda columna indican cuán peor es cada pago con respecto a 35,000. El
mejor pago en un mercado malo es 0, por lo que las pérdidas de oportunidad en la tercera columna indican cuán
peor es cada pago con respecto a O.
El criterio de arrepentimiento minimax considera el arrepentimiento máximo para cada decisión, y selecciona
la decisión correspondiente al mínimo de éstos. La decisión sería construir una tienda pequeña porque el arrepen-
timiento máximo para esta alternativa es de 40,000, mientras que el arrepentimiento máximo para cada una de las
otras dos alternativas es mayor, como se muestra en la tabla de pérdida de oportunidad.
La decisión basada en el criterio POE sería construir la tienda de tamaño mediano. Observe que la POE mí-
nima ($18,000) es igual al VEIP calculado en el inciso b. Los cálculos son

POE (pequeña) = (0.2)25,000 + (0.5)10,000 + (0.3)40,000 = 22,000

POE (mediana) = (0.2)0 + (0.5)0 + (0.3)60,000 = 18,000
POE (ninguna) = (0.2)100,000 + (0.5)35,000 + (0.3)0 = 37,500
 PROBLEMAS RESUELTOS 97

Problema resuelto 3-2

Cal Bender y Becky Addison se conocen desde la escuela secundaria. Hace dos años que ingresaron en la misma
universidad y en la actualidad están tomando cursos de licenciatura en la escuela de negocios. Ambos esperan
graduarse con un título en finanzas. En un intento por hacer dinero extra y utilizar algunos de los conocimientos
adquiridos en sus cursos de negocios, Cal y Becky decidieron estudiar la posibilidad de iniciar una pequeña em-
presa que proporcione servicios de procesamiento de texto a los estudiantes que necesitan trabajos trimestrales
u otros informes elaborados de manera profesional. Con base en un enfoque de sistemas, Cal y Becky han iden-
tificado tres estrategias. La estrategia 1 es invertir en un sistema de microcomputadora bastante caro, con una
impresora láser de alta calidad. En un mercado favorable, deberían ser capaces de obtener una utilidad neta de
$10,000 durante los próximos 2 años. Si el mercado no es favorable, se pueden perder $8,000. La estrategia 2 es
la compra de un sistema menos costoso. Con un mercado favorable, durante los próximos 2 años podrían obtener
un rendimiento de $8,000. Con un mercado desfavorable, incurrirían en una pérdida de $4,000. Su estrategia
final, la 3, es no hacer nada. Cal es básicamente proclive al riesgo, mientras que Becky trata de evitarlos.
a. ¿Qué tipo de procedimiento de decisión debería utilizar Cal? ¿Cuál sería su decisión?
b. ¿Qué tipo de tomador de decisiones es Becky? ¿Qué decisión tomaría?
c. Si Cal y Becky fueran indiferentes al riesgo, ¿qué tipo de enfoque para la toma de decisiones deberían usar?
¿Qué les recomendaría si éste fuera el caso?
Solución
El problema es una toma de decisión con incertidumbre. Antes de responder a las preguntas específicas, es necesa-
rio desarrollar una tabla de decisiones que muestre las alternativas, los estados de la naturaleza y las consecuencias
relacionadas.

MERCADO MERCADO
FAVORABLE DESFAVORABLE
ALTERNATIVA ($) ($)
Estrategia 1 10,000 —8,000
Estrategia 2 8.000 —4,000
Estrategia 3

a. Dado que Cal es proclive al riesgo, debería utilizar el criterio de decisión maximax. Este enfoque selecciona la
fila que tiene el valor más alto o máximo. El valor de $10,000, que es el máximo de la tabla, se encuentra en
la fila 1. Por lo tanto, la decisión de Cal es seleccionar la estrategia 1, que es un enfoque de decisión optimista.
b. Becky debería utilizar el criterio de decisión maximin porque es aversa al riesgo. Se identifica el mínimo o peor
resultado para cada fila o estrategia. Estos resultados son —$8,000 para la estrategia 1, —$4,000 para la estrate-
gia 2 y $0 para la estrategia 3. Se selecciona el máximo de estos valores. Por lo tanto, Becky seleccionaría la
estrategia 3, que refleja un enfoque de decisión pesimista.
c. Si Cal y Becky son indiferentes al riesgo, podrían utilizar el enfoque igualmente probable, el cual selecciona
la alternativa que maximiza los promedios de las filas. El promedio de fila para la estrategia 1 es de $1,000 [es
decir, $1,000 = ($10,000 — $8,000)/2]. El promedio de fila para la estrategia 2 es de $2,000 y el promedio de
fila para la estrategia 3 es de $0. Por lo tanto, si se emplea el enfoque igualmente probable, la decisión es selec-
cionar la estrategia 2, con lo que se maximizan los promedios de fila.

Problema resuelto 3-3

Mónica Britt ha disfrutado navegar en pequeñas embarcaciones desde que tenía 7 años de edad, cuando su madre
comenzó a navegar con ella. En la actualidad, Mónica está considerando la posibilidad de iniciar una empresa para
producir veleros pequeños para el mercado recreativo. Sin embargo, a diferencia de otros veleros fabricados en
serie, estos veleros se fabricarán específicamente para niños entre 10 y 15 años de edad. Los veleros serán de la más
alta calidad y muy estables, y el tamaño de las velas se reducirá para evitar volcaduras.
Su decisión básica es si se debe construir una planta de manufactura grande, una planta pequeña o ninguna
instalación en absoluto. Con un mercado favorable, Mónica puede esperar ganar $90,000 con la planta grande
o $60,000 con la planta pequeña. Por otro lado, si el mercado no es favorable, Mónica estima que perdería
$30,000 con una planta grande y solamente $20,000 con la pequeña. Debido a los gastos que implica el desa-
rrollo de los moldes iniciales y la adquisición de los equipos necesarios para producir los pequeños veleros de
 98 CAPÍTULO 3 • ANÁLISIS DE DECISIONES

FIGURA 3.14
Árbol de decisión de (0.6) Mercado favorable
S60,000
Mónica, listado 5)\2` ‘°- •1\9, (0.4) Mercado desfavorable
$20,000
de alternativas, PeQJ
estados de la (0.6) Mercado favorable
$90.000
Planta
naturaleza, valores grande (0.4) Mercado desfavorable
de probabilidad y S30,000
resultados financieros
No realizar Ninguna planta
para el problema SO
el estudio
resuelto 3-3

(0.8) Mercado favorable

S50,000
02`°.2' (0.2) Mercado desfavorable
5,eo. \ $30,000

(0.8) Mercado favorable

Planta $80,000
IP e grande j1,...„, (0.2) Mercado desfavorable
540,000

Ninguna planta
—$10,000

Realizar
el estudio
1̀> (0.1) Mercado favorable
S50,000
9, O
°,r5 P~ao~ era (0.9) Mercado desfavorable
S30,000
PeQv
(0.1) Mercado favorable
Piante $80,000
grande (0.9) Mercado desfavorable
S40,000

Ninguna planta
—$10,000

fibra de vidrio para niños, Mónica decidió llevar a cabo un estudio piloto para asegurarse de que el mercado
de los veleros será adecuado. Estima que el estudio piloto le costaría $10,000. Por otro lado, el estudio piloto
puede ser favorable o desfavorable. Mónica estima que la probabilidad de un mercado favorable dado un es-
tudio piloto favorable es 0.8. La probabilidad de un mercado desfavorable dado un resultado desfavorable en
el estudio piloto se estima en 0.9. Mónica siente que hay una posibilidad de 0.65 de que el estudio piloto sea
favorable. Desde luego, Mónica podría pasar por alto el estudio piloto y simplemente tomar la decisión de si
debe construir una planta grande, una pequeña o ninguna instalación en absoluto. Sin hacer ninguna prueba
en un estudio piloto, se estima que la probabilidad de un mercado favorable es 0.6. ¿Qué recomienda usted?
Calcule el VEIM.
Solución
Antes de que Mónica comience a resolver este problema, debería desarrollar un árbol de decisión que muestre to-
das las alternativas, los estados de la naturaleza, los valores de probabilidad y las consecuencias económicas. Este
árbol de decisión se muestra en la figura 3.14.
El VME en cada uno de los nodos numerados se calcula de la siguiente manera:
VME(nodo 2) = 60,000(0.6) + -20,000)0.4 = 28,000
VME(nodo 3) = 90,000(0.6) + - 30,000)0.4 = 42,000
VME (nodo 4) = 50,000(0.8) + - 30,000)0.2 = 34,000
VME(nodo 5) = 80,000(0.8) + -40,000)0.2 = 56,000
VME(nodo 6) = 50,000(0.1) + (-30,000)0.9 = -22,000
VME(nodo 7) = 80,000(0.1) + (-40,000)0.9 = -28,000
VME(nodo 1) = 56,000(0.65) + (-10,000)0.35 = 32,900
4
 PROBLEMAS RESUELTOS 99

En cada uno de los nodos cuadrados con letras, las decisiones serían:

Nodo B: Elegir la instalación grande porque el VME = $42.000.

Nodo C: Elegir la instalación grande porque el VME = $56,000.
Nodo D: No construir ninguna instalación porque el VME = —$10,000.
Nodo A: No realizar el estudio porque el VME ($42,000) para esto es más alto
que el VME(nodo I), que es de $32,900.

Con base en el criterio del VME, Mónica elegiría no llevar a cabo el estudio y, después, optaría por una instalación
grande. El VME de esta decisión es de $42,000. La elección de llevar a cabo el estudio se traduciría en un VME de
tan sólo $32,900. Por lo tanto, el valor esperado de la información muestral es

VEIM = $32,900 + $10,000 — $42,000

= $900

Problema resuelto 3-4

El desarrollo de un pequeño campo de prácticas para golfistas de todos los niveles ha sido durante mucho
tiempo un deseo de John Jenkins. Sin embargo, John cree que la posibilidad de que el campo de prácticas tenga
éxito es de sólo 40%. Un amigo de John ha sugerido que realizar una encuesta en la comunidad para tener una
mejor noción de la demanda para este tipo de instalaciones. Hay 0.9 de probabilidades de que la investigación
sea favorable, si la instalación del campo de prácticas tendrá éxito. Por otro lado, se estima que hay 0.8 de
probabilidades de que la investigación de mercado sea desfavorable, si es que la instalación no tendrá éxito. A
John le gustaría determinar las posibilidades de éxito de un campo de prácticas dado un resultado favorable en
la encuesta de mercado.
Solución
Este problema requiere el uso del teorema de Bayes. Antes de empezar a resolver el problema, definamos los si-
guientes términos:

P(IE) = probabilidad de instalación exitosa del campo de prácticas

P(IN) = probabilidad de instalación no exitosa del campo de prácticas
P(EF1IE) = probabilidad de que la encuesta sea favorable dada una instalación exitosa del campo de prácticas
P(EDI1E) = probabilidad de que la encuesta sea desfavorable dada una instalación exitosa del campo de prácticas
P(ED1IN) = probabilidad de que la encuesta sea desfavorable dada una instalación no exitosa del campo de prácticas
P(EF1IN) = probabilidad de que la investigación sea favorable dada una instalación no exitosa del campo de prácticas

Ahora, podemos resumir lo que sabemos:

P(IE) = 0.4
P(EF 1 IE) = 0.9
P(ED 1 = 0.8

De esta información podemos calcular tres probabilidades adicionales que necesitamos para resolver el problema:

"IN) = 1 — P(IE) = 1 — 0.4 = 0.6

P(EDILE) = 1 — P(EFIFE) = 1 — 0.9 = 0.1
P(EF1IN) = 1 — P(ED1IN) = 1 — 0.8 = 0.2

Ahora podemos colocar estos valores en el teorema de Bayes para calcular la probabilidad deseada:

P(EF x P(IE)
P(IE I EF)
P(EF1IE) x P(IE) + P(EFIIN) x P(IN)
(0.9)(0.4)
(0.9)(0.4) + (0.2)(0.6)
0.360.36
= = 0.75
(0.36 + 0.12) 0.48
100 CAPÍTULO 3 • ANÁLISIS DE DECISIONES

Además de utilizar fórmulas para resolver el problema de J hn, es posible realizar todos los cálculos en forma
tabular:

Probabilidades revisadas dado un resultado favorable en la encuesta

ESTADO DE LA PROBABILIDAD PROBABII I ) D PROBABILIDAD PROBABILIDAD

2." • á CONDICIONAL PREVIA CONJUNTA POSTERIOR

Mercado favorable 0.9 0.4 0.36 0.36/0.48 = 0.75

Mercado desfavorable 0.2 0.6 0.12 0.12/0.48 = 0.25
0.48

Como se observa en la tabla, los resultados son los mismos. La probabilidad de que un campo de prácticas tenga
éxito dado un resultado favorable en la investigación es 0.36/0.48, o bien, 0.75.

Autoevaluación

• Antes de realizar la autoevaluación, consulte los objetivos de aprendizaje al comienzo del capítulo, las notas en los márgenes y el glosario
al final del capítulo.
• Use la clave de respuestas en la parte posterior del libro para corregir sus respuestas.
• Vuelva a estudiar las páginas que correspondan a todas las preguntas que respondió incorrectamente o al material del que no se sienta seguro.

1. En la terminología de la teoría de decisiones, un curso de b. describe el grado de optimismo del tomador de decisiones.
acción o una estrategia que puede ser elegido por un tomador c. describe el grado de pesimismo del tomador de decisiones.
de decisiones se llama d. por lo general, es menor que cero.
a. un pago. 7. Lo máximo que una persona debería pagar por la información
b. una alternativa. perfecta es
c. un estado de la naturaleza. a. el VEIP.
d. ninguna de las anteriores. b. el VME máximo menos el VME mínimo.
2. En teoría de decisiones, las probabilidades se asocian con c. la POE máxima.
a. pagos. d. el VME máximo.
b. alternativas. 8. El criterio de la POE mínima siempre dará lugar a la misma
c. estados de la naturaleza. decisión que
d. ninguna de las anteriores. a. el criterio maximax.
3. Si existen probabilidades disponibles para el tomador de b. el criterio de arrepentimiento minimax.
decisiones, entonces el entorno de toma de decisiones implica c. el criteno del VME máximo.
a. certeza. d. el criteno igualmente probable.
b. incertidumbre. 9. Un árbol de decisión es preferible a una tabla de decisiones
c. riesgo. cuando
d. ninguna de las anteriores. a. se debe tomar una serie de decisiones secuenciales.
4. ¿Cuál de los siguientes es un criterio de toma de decisiones que b. existen probabilidades disponibles.
se utilin para la toma de decisiones con riesgo? c. se utiliza el criterio maximax.
a. criterio del valor monetario esperado d. el objetivo es maximizar el arrepentimiento.
b. criterio de Hurwicz (criterio de realismo) 10. El teorema de Bayes se utiliza para revisar probabilidades. Las
c. criterio optimista (maximax) probabilidades nuevas (revisadas) se llaman
d. criterio igualmente probable a. probabi idades previas.
5. La pérdida de oportunidad esperada mínima b. probabi idades muestrales.
a. es igual al pago esperado más alto. c. probabi idades de la encuesta.
b. es mayor que el valor esperado con información perfecta. d. probab' 'dades posteriores.
c. es igual al valor esperado de la información perfecta. 11. En un 1 de decisión, en cada nodo del estado de la
d. se calcula al encontrar la decisión de arrepentimiento naturaleza
minimax. a. se selecciona la alternativa con mayor VME.
6. Al utilizar el criterio de realismo (criterio de Hurwicz), el b. se calcula un VME.
coeficiente de realismo (a) c. se suman todas las probabilidades.
a. es la probabilidad de un estado de la naturaleza bueno. d. se selecciona la rama con mayor probabilidad.

12. El VEIM
a. se encuentra restando el VME sin información muestra'
del VME con información muestral.
b. siempre es igual al valor esperado de la información
perfecta.
c. es igual al VME con información muestral suponiendo que
no hay ningún costo por la información menos el VME sin
información muestral.
d. suele ser negativo.
13. La eficiencia de la información muestral
a. es el VEIM/(VME máximo sin IM) expresado como un
porcentaje.
b. es el VEIPNEIM expresado como un porcentaje.
c. sería 100% si la información muestral fuera perfecta.
d. se calcula usando sólo el VEIP y el VME máximo.
14. En un árbol de decisión, una vez que se ha dibujado el árbol y
se han colocado en él los pagos y las probabilidades, el análisis
(cálculo del VME y la selección de la mejor alternativa)
Preguntas para análisis y problemas
Preguntas para análisis
3-1 Dé un ejemplo de una buena decisión que usted tomó y
que le haya dado lugar a un mal resultado. También men-
cione un ejemplo de una mala decisión que usted tomó y
que haya tenido un buen resultado. ¿Por qué razón cada
decisión fue buena o mala?
3-2 Describa qué está involucrado en el proceso de la decisión.
3-3 ¿Qué es una alternativa? ¿Qué es un estado de la naturaleza?
3-4 Analice las diferencias entre la toma de decisiones en con-
diciones de certidumbre, la toma de decisiones con riesgo
y la toma de decisiones con incertidumbre.
3-5 ¿Qué técnicas se utilizan para resolver problemas de toma
de decisiones en condiciones de incertidumbre? ¿Qué téc-
nica resulta en una decisión optimista? ¿Qué técnica re-
sulta en una decisión pesimista?
3-6 Defina la pérdida de oportunidad. ¿Qué criterios de toma
de decisiones se utilizan con una tabla de pérdida de
oportunidad?
3-7 ¿Qué información se debería colocar en un árbol de
decisión?
3-8 Describa cómo se determina la mejor decisión de acuerdo
con el criterio del VME empleando un árbol de decisión.
3-9 ¿Cuál es la diferencia entre las probabilidades anterior y
posterior?
3-10 ¿Cuál es el propósito del análisis bayesiano? Describa
cómo se usa el análisis bayesiano en el proceso de toma de
decisiones.
3-11 ¿Qué es el VEIM? ¿Cómo se calcula?
3-12 ¿Cómo se calcula la eficiencia de la información muestra!?
Nota: g significa que el problema puede resolverse con QM para Windows; significa que el problema puede resolverse con Excel QM, y M significa que el problema
puede resolverse con QM para Windows y/o Excel QM.
PREGUNTAS PARA ANÁLISIS Y PROBLEMAS 101
a. se trabaja hacia atrás (se inicia por la derecha y se avanza
hacia la izquierda).
b. se trabaja hacia adelante (se inicia por la izquierda y se
avanza hacia la derecha).
c. comienza en la parte superior del árbol y avanza hacia abajo.
d. comienza en la parte inferior del árbol y avanza hacia
arriba.
15. En la evaluación de los valores de utilidad,
a. al peor resultado se le da una utilidad de —1.
b. al mejor resultado se le da una utilidad de 0.
c. al peor resultado se le da una utilidad de 0.
d. al mejor resultado se le da un valor de —1.
16. Si una persona racional selecciona una alternativa que no
maximiza el VME, esperaríamos que esta alternativa
a. minimice el VME.
b. maximice la utilidad esperada.
c. minimice la utilidad esperada.
d. tenga una utilidad de cero asociada a cada pago posible.
3-13 ¿Cuál es el propósito general de la teoría de la utilidad?
3-14 Comente brevemente cómo se puede evaluar una función
de utilidad. ¿Qué es una apuesta estándar y cómo se uti-
liza en la determinación de los valores de utilidad?
3-15 ¿Cómo se usa una curva de utilidad en la selección de la
mejor decisión para un problema específico?
3-16 ¿Cómo se define a alguien proclive al riesgo? ¿Y a alguien
averso al riesgo? ¿En qué difiere la curva de utilidad para
estos tipos de tomadores de decisiones?
Problemas
3-17 Kenneth Brown es el principal propietario de Brown Oil,
Inc. Después de dejar su trabajo como profesor universita-
rio, Ken ha sido capaz de aumentar su salario anual en un
factor de más de 100. En la actualidad, Ken se ve obligado
a considerar la compra de algunos equipos adicionales
para Brown Oil, debido a la competencia. Sus alternativas
se muestran en la siguiente tabla:
MERCADO MERCADO
FAVORABLE DESFAVORABLE
EQUIPO ($) ($)
Sub 100 300,000 —200,000
Oiler J 250,000 —100,000
Texas 75,000 —18,000
Por ejemplo, si Ken compra un Sub 100 y hay un mer-
cado favorable, alcanzará una ganancia de $300,000. Por
otro lado, si el mercado no es favorable, Ken sufrirá una
102 CAPÍTULO 3 • ANÁLISIS DE DECISIONES
pérdida de $200,000. Pero Ken siempre ha sido un toma-
dor de decisiones muy optimista.
(a) ¿A qué tipo de decisión se enfrenta Ken?
(b) ¿Qué criterio de decisión debería utilizar?
(c) ¿Cuál alternativa es la mejor?
la • 3-18 Aunque Ken Brown (consulte el problema 3-17) es el
principal propietario de Brown Oil, su hermano Bob tiene
el crédito de haber hecho de la compañía un éxito finan-
ciero. Bob es vicepresidente de finanzas y atribuye su
éxito a su actitud pesimista acerca de los negocios y la in-
dustria petrolera. Dada la información del problema 3-17,
es probable que Bob llegue a una decisión diferente. ¿Qué
criterio de decisión debería utilizar Bob y qué alternativa
elegirá?
2 . 3-19 El Lubricante es un caro boletín de la industria petrolera
al que muchos gigantes del sector están suscritos, in-
cluido Ken Brown (consulte el problema 3-17 para ma-
yores detalles). En la última edición, el boletín afirmaba
que la demanda de productos derivados del petróleo sería
extremadamente alta. Al parecer, el consumidor estadou-
nidense seguiría utilizando productos derivados del pe-
tróleo, incluso si el precio de estos productos se duplica.
De hecho, uno de los artículos del Lubricante establecía
que las posibilidades de un mercado favorable para los
productos derivados del petróleo eran de 70%, mientras
que la posibilidad de un mercado desfavorable era sólo de
30%. A Ken le gustaría usar estas probabilidades para
determinar la mejor decisión.
(a) ¿Qué modelo de decisión debería utilizar?
(b) ¿Cuál es la decisión óptima?
(c) Ken cree que la cifra de $300,000 para el Sub 100
con un mercado favorable es demasiado alto. ¿Cuánto
menor debería ser esta cifra para que Ken cambie su
decisión tomada en el inciso b?
lb: 3-20 Mickey Lawson está considerando invertir algo del dinero
que heredó. La siguiente tabla de pagos proporciona los
beneficios que se lograrían durante el próximo año para
cada una de las tres alternativas de inversión que Mickey
está considerando:
ESTADO DE LA NATURALEZA
DECISIÓN BUENA MALA
ALTERNATIVA ECONOMÍA ECONOMÍA
80,000 —20,000
Bolsa de Valores
Bonos 30,000 20,000
Certificados de depósito 23,000 23,000
Probabilidad 0.5 0.5
(a) ¿Qué decisión maximizaría las ganancias esperadas?
(b) ¿Cuál es la cantidad máxima que debería pagarse
para obtener un pronóstico perfecto de la
economía?
ía: 3-21 Elabore una tabla de pérdidas de oportunidad para la de-
cisión de inversión que enfrenta Mickey Lawson en el
problema 3-20. ¿Qué decisión minimizaría la pérdida de
oportunidad esperada? ¿Cuál es la POE mínima?
11. 3-22 Alle Young siempre ha estado orgulloso de sus estrategias
perso ales de inversión y lo ha hecho muy bien en los últi-
mos os. Invierte principalmente en el mercado de valores.
Sin embargo, en los últimos meses Allen ha estado muy
preocupado por el mercado de valores como una buena
inversión. En algunos casos, hubiera sido mejor que Allen
tuviera su dinero en un banco que en el mercado. Durante
el próximo año, Allen debe decidir si invertir $10,000 en el
mercado de valores o en un certificado de depósito (CD) a
una tasa de interés de 9%. Si el mercado es bueno, Allen
cree que podría obtener un rendimiento en su dinero de
14% Con un mercado regular, espera obtener una renta-
bilidad de 8%. Si el mercado es malo, lo más probable es
que no tenga ningún rendimiento: en otras palabras, el ren-
dimiento sería de 0%. Allen estima que la probabilidad de
un buen mercado es de 0.4, la probabilidad de un mercado
regular es 0.4 y la probabilidad de un mal mercado es 0.2.
Él desea maximizar su rendimiento promedio a largo plazo.
(a) Desarrolle una tabla de decisiones para este problema.
(b) ¿ Cuál es la mejor decisión?
13: 3-23 En el problema 3-22, usted ayudó a Allen Young a determi-
nar la mejor estrategia de inversión. Ahora, Young está pen-
sando en pagar un boletín de noticias del mercado de valores.
Uno de sus amigos le dijo que este tipo de boletines podían
predecir con mucha exactitud si el mercado sería bueno, re-
gular o malo. Después, sobre la base de estos pronósticos,
Allen podría tomar mejores decisiones de inversión.
(a) Cuánto es lo máximo que Allen estaría dispuesto a
1 agar por un boletín de noticias?
(b) Young ahora cree que un buen mercado dará un rendi-
miento de sólo 11% en lugar de 14%. ¿Esta información
cambiará la cantidad que Allen estaría dispuesto a pagar
por el boletín de noticias? Si su respuesta es afirmativa,
determine la mayor cantidad que Allen estaría dispuesto
a pagar, teniendo en cuenta esta nueva información.
2 ' 3-24 Today's Electronics se especializa en la fabricación de
componentes electrónicos modernos. También construye
el equipo que produce los componentes. Phyllis Weinber-
ger, quien se encarga de asesorar al presidente de Today's
Electronics en la fabricación de equipos electrónicos, ha
desarrollado la siguiente tabla en relación con una instala-
ción propuesta:
GANANCIA ($)
MERCADO MERCADO MERCADO
FUERTE REGULAR DÉBIL
Instalación
110.000 —310,000
grande 550,000
In talación
m rana 300,000 129.000 —100,000
In talación
ueña 200,000 100,000 —32,000
N nguna
in talación O o o
(a) Desarrolle una tabla de pérdida de oportunidad.
(b) ¿Cuál es la decisión del arrepentimiento minimax')
 PREGUNTAS PARA ANÁLISIS Y PROBLEMAS 103

3-25 Brilliant Color es un pequeño proveedor de productos criterio optimista? ¿Qué decisión se tomaría empleando
químicos y equipos que son usados por algunas tiendas el criterio pesimista?
fotográficas para procesar película de 35 mm. Uno de los 3-29 Mick Karra es el gerente de MCZ Drilling Products, que
productos que Brilliant Color suministra es el BC-6. John produce una variedad de válvulas especiales para el equi-
Kubick, presidente de Brilliant Color, normalmente alma- pamiento de campos petroleros. La actividad en estos
cena 11, 12 o 13 cajas de BC-6 cada semana. Por cada campos ha provocado que la demanda aumente drástica-
caja que John vende, recibe una ganancia de $35. Al igual mente, y ha tomado la decisión de abrir una nueva planta
que muchos productos químicos fotográficos, el BC-6 de manufactura. Se están considerando tres lugares, y el
tiene una vida útil muy corta, por lo que si una caja no se tamaño de la planta no sería el mismo en cada lugar. Por
vende para el final de la semana, John debe desecharla. lo tanto, en ocasiones podrían necesitarse horas extras de
Dado que cada caja cuesta a John $56, pierde $56 por trabajo. La siguiente tabla muestra el costo mensual to-
cada caja que no vende al final de la semana. Hay una tal (en miles de dólares) para cada posible ubicación, con
probabilidad de 0.45 de vender 11 cajas, una probabilidad cada posibilidad de demanda. Las probabilidades para los
de 035 de vender 12 cajas y una probabilidad de 0.2 de niveles de demanda se han determinado como 20% para la
vender 13 cajas. demanda baja, 30% para la demanda media y 50% para
(a) Construya una tabla de decisiones para este problema. la demanda alta.
Incluya todos los valores y las probabilidades condi-
cionales en la tabla. LA LA LA
(b) ¿Cuál es el curso de acción recomendado? DEMANDA DEMANDA DEMANDA
(c) Si John es capaz de desarrollar BC-6 con un ingre- ES BAJA ES MEDIA ES ALTA
diente que lo estabiliza, de forma que ya no es nece- Ardmore, OK 85 110 150
sario desecharlo, ¿cómo cambiaría esto su curso de 120
Sweetwater, TX 90 100
acción recomendado?
Lake Charles, LA 110 120 130
2 * 3-26 Megley Cheese Company es un pequeño fabricante de
diferentes productos de queso. Uno de los productos es
(a) ¿Qué lugar sería seleccionado con base en el criterio
un queso para untar que se vende a comercios minoristas. optimista?
Jason Megley debe decidir el número de cajas de queso
(b) ¿Qué lugar sería seleccionado con base en el crite-
para untar que debe elaborar cada mes. La probabilidad rio pesimista?
de que la demanda sea de seis cajas es 0.1, de siete cajas
(c) ¿Qué lugar sería seleccionado con base en el criterio
es 0.3, de ocho cajas es 0.5 y de nueve cajas es 0.1. El
de arrepentimiento minimax?
costo de cada caja es de $45 y el precio que Jason pone a
(d) ¿Qué lugar debería seleccionarse para minimizar el
cada caja es de $95. Por desgracia, las cajas que no vende
costo de operación esperado?
al final del mes no tienen ningún valor, debido a su de-
(e) ¿Cuánto vale un pronóstico perfecto de la demanda?
terioro. ¿Cuántas cajas de queso debería fabricar Jason
(f) ¿Qué ubicación minimizará la pérdida de oportunidad
cada mes?
esperada?
Q ; 3-27 Farm Grown, Inc., produce cajas de productos alimenti- (g) ¿Cuál es el valor esperado de la información perfecta
cios perecederos. Cada caja contiene un surtido de vege- en esta situación?
tales y otros productos agrícolas. Cada caja cuesta $5 y Q; 3-30 A pesar de que las estaciones de gasolina independientes
se vende por $15. Si hay algunas cajas que no se venden últimamente han enfrentado tiempos difíciles, Susan So-
al final del día, son vendidas a una gran empresa procesa- lomon ha estado pensando en cómo iniciar su propia es-
dora de alimentos a $3 la caja. La probabilidad de que la tación de servicio independiente. El problema de Susan es
demanda diaria sea de 100 cajas es de 0.3, la probabilidad decidir qué tan grande debería ser su estación. La renta-
de que la demanda diaria sea de 200 cajas es de 0.4 y la bilidad anual dependerá tanto del tamaño de su estación,
probabilidad de que la demanda diaria sea de 300 cajas es como de una serie de factores de marketing relacionados
de 0.3. Grown Farm tiene una política de siempre satisfa- con la industria del petróleo y la demanda de gasolina.
cer las demandas del cliente. Si su propio suministro de Después de un cuidadoso análisis, Susan desarrolló la si-
cajas es inferior a la demanda, compra los vegetales nece- guiente tabla:
sarios a un competidor. El costo estimado de esta opción
es de $16 por caja. TAMAÑO DE MERCADO MERCADO MERCADO
(a) Construya una tabla de decisiones para este pro- LA PRIMERA BUENO REGULAR MALO
blema. ESTACIÓN ($) ($) ($)
(b) ¿Qué curso de acción recomienda usted? Pequeña 50,000 20.000 —10,000
al: 3-28 En el problema 3-27, Farm Grown, Inc. tiene razones para Mediana 80,000 30.000 —20,000
creer que las probabilidades pueden ser poco confiables Grande 100,000 30,000 —40,000
debido a las condiciones cambiantes. Si se ignoran estas
probabilidades, ¿qué decisión se tomaría utilizando el Muy grande 300,000 25,000 —160,000
104 CAPITULO 3 • ANÁLISIS DE DECISIONES
Por ejemplo, si Susan construye una estación pequeña y el
mercado es bueno, obtendrá una ganancia de $50,000.
(a) Desarrolle una tabla de decisiones para este problema.
(b) ¿Cuál es la decisión maximax?
(c) ¿Cuál es la decisión maximin?
(d) ¿Cuál es la decisión con el criterio igualmente pro-
bable?
(e) ¿Cuál es la decisión con el criterio de realismo? Uti-
lice un valor a de 0.8.
(O Desarrolle una tabla de pérdida de oportunidad.
(g) ¿Cuál es la decisión de arrepentimiento minimax?
QE 3-31 Beverly Mills ha decidido alquilar un automóvil híbrido
para ahorrar gastos de gasolina y poner su parte en la con-
servación del medio ambiente. El auto que ha seleccio-
nado lo vende sólo un distribuidor en el área local, pero
ese distribuidor tiene varias opciones de arrendamiento
para dar cabida a una variedad de patrones de conducción.
Todos los contratos de arrendamiento son por 3 años y no
requieren de dinero en el momento de la firma del con-
trato de arrendamiento. La primera opción tiene un costo
mensual de $330, un permiso de distancia total de 36,000
millas (un promedio de 12,000 millas por año), y un costo
de $0.35 por milla cuando éstas superen las 36,000 millas.
La siguiente tabla resume cada una de las tres opciones de
arrendamiento:
ARRENDAMIENTO COSTO MILLAJE COSTO POR MILLA
POR 3 AÑOS MENSUAL PERMITIDO EN EXCESO
Opción 1 $330 36,000 $0.35
$0.25
Opción 2 $380 45,000
Opción 3 $430 54,000 $0.15
Beverly ha estimado que, durante los 3 años del contrato
de arrendamiento, hay una probabilidad de 40% de que
conduzca un promedio de 12,000 millas por año, 30% de
probabilidad de que recorra un promedio de 15,000 millas
al año y 30% de que conduzca 18,000 millas por año. Al
evaluar las opciones de arrendamiento, a Beverly le gusta-
ría mantener sus costos lo más bajo posible.
(a) Desarrolle una tabla de pagos (costos) para esta
situación.
(b) ¿Qué decisión debería tomar Beverly si fuera op-
timista?
(c) ¿Qué decisión debería tomar Beverly si fuera pe-
simista?
(d) ¿Qué decisión debería tomar Beverly si quisiera mini-
mizar su costo (valor monetario) esperado?
(e) Calcule el valor esperado de la información perfecta
para este problema.
Q: 3-32 Consulte la decisión de arrendamiento que enfrenta Be-
verly Mills en el problema 3-31. Desarrolle la tabla de
pérdida de oportunidad para esta situación. ¿Qué opción
elegiría con base en el criterio de arrepentimiento mini-
max? ¿Qué alternativa daría como resultado la menor pér-
dida de oportunidad esperada?
Q: 3-33 El jut go de la ruleta es popular en muchos casinos de
todo 1 mundo. En Las Vegas, una rueda de ruleta típica
tiene os números del 1 al 36 en diferentes ranuras. La
mitad de estas ranuras son de color rojo, y la otra mitad
son d color negro. En Estados Unidos, la rueda de la ru-
leta s ele tener también los números O (cero) y 00 (doble
cero), y ambos están en la rueda en ranuras verdes. Por lo
tanto, hay 38 ranuras en la rueda. El crupier hace girar la
rueda y lanza una pequeña bola en dirección opuesta al
giro de la rueda. Mientras la rueda desacelera, la bola cae
en una de las ranuras, que tiene el número y el color ga-
nadores. Una de las apuestas disponibles es simplemente
rojo o negro, cuyas probabilidades son de 1 a I. Si el ju-
gador apuesta a rojo o negro, y su color gana, recibe la
cantidad que apostó. Por ejemplo, si el jugador apuesta
$5 al rojo y gana, recibe $5 y aún conserva su apues-
ta original. Por otro lado, si el color ganador es el negro o
el verde cuando el jugador apostó rojo, el jugador pierde
toda su apuesta.
(a) ¿Cuál es la probabilidad de que un jugador que le
apuesta al rojo gane su apuesta?
(b) Si un jugador apuesta $10 al rojo cada vez que inicia
un juego, ¿cuál es el valor monetario esperado (ga-
nancia esperada)?
(c) En Europa, generalmente no hay 00 en la rueda, sólo
el 0. En este tipo de juego, ¿cuál es la probabilidad de
que un jugador que le apuesta al rojo gane la apuesta?
S' un jugador apuesta $10 al rojo cada vez que ini-
c a un juego (sin 00), ¿cuál es el valor monetario
e perado?
(d) ado que el pago esperado (ganancia) en un juego de
ruleta es negativo, ¿por qué una persona racional par-
ticiparía en el juego?
Q: 3-34 Consulte el problema 3-33 para obtener más información
sobre el juego de la ruleta. Otra apuesta en un juego de
ruleta se llama una apuesta "hacia arriba", lo cual signi-
fica que el jugador apuesta que el número ganador será el
número que él eligió. En un juego con O y 00, hay un total
de 38 resultados posibles (los números 1 a 36 más O y 00),
y cada uno de ellos tiene la misma probabilidad de ocu-
rrir. El pago en este tipo de apuesta es de 35 a 1, lo cual
significa que el jugador gana 35 y se queda con la apuesta
original. Si un jugador apuesta $10 al número 7 (o cual-
quier otro número individual), ¿cuál es el valor monetario
esperado (ganancia esperada)?
2: 3-35 La compañía Technically Techno tiene varias patentes
para una variedad de diferentes dispositivos de memoria
flash que se usan en computadoras, teléfonos celulares
y varios artículos más. Un competidor ha presentado
recientemente un producto basado en tecnología muy
parea ida a algo patentado por Technically Tecno el año
pas o. En consecuencia, Technically Tecno ha deman-
dado a la otra empresa por infracción de derechos de
auto . Con base en los hechos del caso, así como en
el re istro de los abogados involucrados, Technically
Tecno cree que hay una probabilidad de 40% de que le
otorguen $300,000, si la demanda va a los tribunales.

Hay 30% de probabilidad de que le sean otorgados sólo
$50,000 si va a tribunales y gana, y hay una probabi-
lidad de 30% de que pierda el caso y no reciba nada.
El costo estimado de los honorarios legales si van a los
tribunales es de $50,000. Sin embargo, la otra empresa
ha ofrecido pagar a Technically Techno $75,000 para re-
solver el conflicto sin acudir a los tribunales. El costo
estimado de este trámite legal sólo sería de $10,000. Si
Technically Tecno desea maximizar la ganancia espe-
rada, ¿debería aceptar la oferta de arreglo fuera de los
tribunales?
• 3-36 Un grupo de profesionales de la medicina está consi-
derando la construcción de una clínica privada. Si la de-
manda médica es alta (es decir, hay un mercado favorable
para la clínica), los médicos podrían lograr un beneficio
neto de $100,000. Si el mercado no es favorable, podrían
perder $40,000. Desde luego, también es posible que no
hagan nada, en cuyo caso no habría ningún costo. En au-
sencia de datos del mercado, lo mejor que los médicos
pueden suponer es que hay una probabilidad de 50-50 de
que la clínica sea un éxito. Construya un árbol de decisión
para ayudar a analizar este problema. ¿Qué deberían ha-
cer los profesionales de la medicina?
Q: 3-37 Los médicos del problema 3-36 han sido abordados por
una compañía de investigación de mercados que ofrece
realizar un estudio sobre el mercado a un precio de $5,000.
Los investigadores afirman que su experiencia les permite
utilizar el teorema de Bayes para hacer las siguientes afir-
maciones probabilisticas:
probabilidad de un mercado favorable dado
un estudio favorable = 0.82
probabilidad de un mercado desfavorable dado
un estudio favorable = 0.18
probabilidad de un mercado favorable dado
un estudio desfavorable = 0.11
probabilidad de un mercado desfavorable dado
un estudio desfavorable = 0.89
probabilidad de un estudio de investigación
favorable = 0.55
probabilidad de un estudio de investigación
desfavorable = 0.45
(a) Desarrolle un nuevo árbol de decisión para los profe-
sionales de la medicina que refleje las opciones que
ahora se abren con el estudio de mercado.
(b) Utilice el enfoque del VME para recomendar una
estrategia.
(c) ¿Cuál es el valor esperado de la información mues-
tral? ¿Cuánto estarían dispuestos a pagar los médicos
por un estudio de mercado?
(d) Calcule la eficiencia de esta información muestral.
1' 3-38 Jerry Smith está pensando en abrir una tienda de bi-
cicletas en su ciudad natal. A Jerry le encanta montar
su propia bicicleta en viajes de 50 millas con sus ami-
gos, pero cree que cualquier pequeña empresa debería
PREGUNTAS PARA ANÁLISIS Y PROBLEMAS 105
iniciarse sólo si hay una buena probabilidad de obtener
ganancias. Jerry puede abrir una tienda pequeña, una
tienda grande o no abrir ninguna tienda. Los beneficios
dependerán del tamaño de la tienda, y de si el mercado
es favorable o desfavorable para sus productos. Debido
a que habrá un contrato de arrendamiento por 5 años en
el edificio que Jerry está pensando en usar, quiere ase-
gurarse de que tomará la decisión correcta. Jerry tam-
bién está pensando en contratar a su antiguo profesor
de marketing para llevar a cabo un estudio de investi-
gación de mercados. Si se realiza el estudio, éste podría
ser favorable (es decir, la predicción de un mercado fa-
vorable) o desfavorable (es decir, la predicción de un
mercado desfavorable). Elabore un árbol de decisión
para Jerry.
3-39 Jerry Smith (vea el problema 3-38) ha realizado un aná-
lisis sobre la rentabilidad de la tienda de bicicletas. Si
Jerry construye la tienda grande, ganará $60,000 si el
mercado es favorable, pero perderá $40,000 si el mer-
cado es desfavorable. La tienda pequeña le generará una
ganancia de $30,000 en un mercado favorable y una pér-
dida de $10,000 en un mercado desfavorable. En la ac-
tualidad, cree que hay una posibilidad de 50-50 de que
el mercado vaya a ser favorable. Su antiguo profesor
de marketing le cobrará $5,000 por la investigación de
mercados. Se estima que hay una probabilidad de 0.6
de que la encuesta sea favorable. Asimismo, hay una pro-
babilidad de 0.9 de que el mercado sea favorable dado un
resultado favorable del estudio. Por otro lado, el profesor
de marketing ha advertido a Jerry que sólo hay una pro-
babilidad de 0.12 de un mercado favorable, si los resul-
tados de la investigación de mercado no son favorables.
Jerry está confundido.
(a) ¿Debería Jerry utilizar la investigación de mercados
(b) Sin embargo, Jerry no está seguro de que la probabi-
lidad de 0.6 de un estudio de investigación de mer-
cados favorable sea correcta. ¿Qué tan sensible es la
decisión de Jerry a este valor de probabilidad? ¿Hasta
dónde puede este valor de probabilidad desviarse de
0.6 sin causar que Jerry cambie su decisión?
S¿3 3-40 Bill Holliday no está seguro de lo que debería hacer.
Puede construir un cuádruplex (es decir, un edificio con
cuatro apartamentos), construir un dúplex, reunir informa-
ción adicional, o simplemente no hacer nada. Si recaba in-
formación adicional, los resultados podrían ser favorables
o desfavorables, pero le costaría $3,000 hacer tal recopi-
lación. Bill cree que hay una posibilidad de 50-50 de que
la información sea favorable. Si el mercado del alquiler es
favorable, Bill ganará $15,000 con el cuádruplex o $5,000
con el dúplex. Bill no tiene los recursos financieros para
hacer ambas cosas. Con un mercado de alquiler desfa-
vorable, sin embargo, Bill podría perder $20,000 con el
cuádruplex o $10,000 con el dúplex. Sin la recopilación
de información adicional, Bill estima que la probabili-
dad de un mercado de alquiler favorable es 0.7. Un informe
favorable del estudio aumentaría la probabilidad de un
mercado de alquiler favorable a 0.9. Además, un informe
106 CAPITULO 3 • ANÁLISIS DE DECISIONES
desfavorable de la información adicional disminuiría la
probabilidad de un mercado de alquiler favorable a 0.4.
Por supuesto, Bill podría olvidar todos estos números y no
hacer nada. ¿Qué aconsejaría usted a Bill?
:3-41 Peter Martin va a ayudar a su hermano, que quiere abrir
una tienda de alimentos. Peter inicialmente cree que
hay una posibilidad de 50-50 de que la tienda de alimentos
de su hermano sea un éxito, y está considerando hacer un
estudio de investigación de mercados. Con base en datos
históricos, hay 0.8 de probabilidades de que la investiga-
ción de mercados sea favorable dada una tienda de ali-
mentos con éxito. Por otro lado, hay 0.7 de probabilidades
de que la investigación de mercados sea desfavorable dada
una tienda de alimentos sin éxito.
(a) Si la investigación de mercados-es favorable, ¿cuál es
la probabilidad revisada de una tienda de alimentos
exitosa para el hermano de Peter?
(b) Si la investigación de mercados no es favorable, ¿cuál
es la probabilidad revisada de una tienda de alimentos
exitosa para el hermano de Peter?
(c) Si la probabilidad inicial de una tienda de alimentos
con éxito es 0.60 (en vez de 0.50), encuentre las pro-
babilidades en los incisos a y b.
: 3-42 Mark Martinko ha sido un jugador de ráquetbol de clase A
durante los últimos 5 años, y uno de sus objetivos más impor-
tantes es poseer y operar una instalación de ráquetbol.
Por desgracia, Mark cree que la posibilidad de una instala-
ción de ráquetbol exitosa es tan sólo de 30%. El abogado
de Mark le ha recomendado que use uno de los grupos lo-
cales de investigación de mercados, para llevar a cabo una
encuesta en relación con el éxito o fracaso de una instala-
ción de ráquetbol. Hay 0.8 de probabilidades de que la in-
vestigación sea favorable dada una instalación de ráquetbol
exitosa. Además, hay 0.7 de probabilidades de que la in-
vestigación sea desfavorable dada una instalación sin éxito.
Calcule las probabilidades revisadas de una instalación de
ráquetbol exitosa dada una encuesta favorable y dada una
encuesta desfavorable.
QE 3-43 Un asesor financiero ha recomendado dos posibles fondos
mutuos de inversión: los fondos A y B. El rendimiento
que se logra mediante cada uno de ellos depende del es-
tado de la economía: bueno, regular o malo. Se ha cons-
truido una tabla de pagos para ilustrar esta situación:
ESTADO DE LA NATURALEZA
ECONOMÍA ECONOMÍA ECONOMÍA
INVERSIÓN BUENA REGULAR MALA
Fondo A $10,000 $2,000 —$5,000
Fondo B $6,000 $4,000
0.5
Probabilidad 0.2 0.3
(a) Construya un árbol de decisión para representar esta
situación.
(b) Realice los cálculos necesarios para determinar cuál
de los dos fondos de inversión es mejor. ¿Cuál debería
usted elegir para maximizar el valor esperado?
(c) Suponga que hay un cuestionamiento sobre el rendi-
miento del fondo A en una buena economía. Podría
s r superior o inferior a $10,000. ¿Qué valor de este
r ndimiento causaría que una persona fuera indi-
f rente entre el fondo A y el fondo B (es decir, que
1 s VME fueran iguales)?
Q E 3-44 Jim ellers está pensando producir un nuevo tipo de ma-
quini la para afeitar eléctrica para hombres. Si el mercado
fuera favorable, obtendría un rendimiento de $100,000,
pero si el mercado para este nuevo tipo de maquinilla
para afeitar fuera desfavorable, perdería $60,000. Dado
que Ron Bush es un buen amigo de Jim Sellers, Jim está
considerando la posibilidad de contratar a Bush Marketing
Research para reunir información adicional sobre el mer-
cado de maquinillas afeitadoras. Ron ha sugerido que Jim
utilice una encuesta, o bien un estudio piloto, para sondear
el mercado. La encuesta sería un cuestionario sofisticado
administrado a un mercado de prueba. Tiene un costo de
$5,000. Otra alternativa es realizar un estudio piloto, lo
cual mplicaría la producción de un número limitado de
las nuevas maquinillas para afeitar e intentar venderlas
en dós ciudades típicas estadounidenses. El estudio pi-
loto es más preciso, pero también más caro, pues costaría
$20,000. Ron Bush ha sugerido que sería una buena idea
que Jim aplicara la encuesta o realizara el estudio piloto,
antes de tomar la decisión sobre si se debe producir la
nueva maquinilla afeitadora. Sin embargo, Jim no está se-
guro de si el valor de la encuesta o del estudio compensan
su costo.
Jim estima que la probabilidad de un mercado exi-
toso Wn la realización de una encuesta o un estudio piloto
es de 0.5. Asimismo, la probabilidad de un resultado de
encuesta favorable dado un mercado favorable para las
maquinillas para afeitar es 0.7, y la probabilidad de un re-
sultado favorable en la encuesta dado un mercado sin éxito
para las maquinillas para afeitar es 0.2. Por otro lado, la
probabilidad de un estudio piloto desfavorable dado un
mercado desfavorable es 0.9, y la probabilidad de un re-
sultado desfavorable en el estudio piloto dado un mercado
favorable para las maquinillas es 0.2.
(a) Dibuje el árbol de decisión para este problema sin los
calores de probabilidad.
(b) Calcule las probabilidades revisadas que se requieren
para completar la decisión y ponga estos valores en el
árbol de decisión.
(c) ¿Cuál es la mejor decisión para Jim? Utilice el VME
como el criterio de decisión.
Q: 3-45 Jim Sellers ha sido capaz de estimar su utilidad para dife-
rentes valores. Le gustaría utilizar estos valores de utilidad
en la toma de la decisión del problema 3-44:
U(—$80,000) = 0, U(—$65,000) = 0.5, U(—$60,000) = 0.55,
U(— 20,000) = 0.7, U(—$5,000) = 0.8, U($0) = 0.81,
U($ 0,000) = 0.9, U($95,000) = 0.95 y U($100,000) = 1.
Res elva el problema 3-44 utilizando valores de utilidad.
¿Es im averso al riesgo?
: 3-46. Exi ten dos estados de la naturaleza para una situación
cular: una economía buena y una economía mala. Es
posil le realizar un estudio económico para obtener más
información acerca de cuál de ambos estados ocurrirá real-
mente el próximo año. El estudio puede pronosticar una
economía buena o una economía mala. En la actualidad

hay 60% de posibilidades de que la economía vaya a ser
buena y 40% de posibilidades de que vaya a ser mala. En
el pasado, cada vez que la economía fue buena, el estudio
económico predijo que sería buena 80% de las veces. (El
otro 20% de las veces, la predicción estuvo errada). De
acuerdo con los datos históricos, cada vez que la econo-
mía fue mala, el estudio económico predijo que sería mala
90% de las veces. (El otro 10% de las veces el pronóstico
estuvo equivocado).
(a) Use el teorema de Bayes y encuentre lo siguiente:
P(economía buena pronóstico de una economía buena)
P(economía mala i pronóstico de una economía buena)
P(economía buena i pronóstico de una economía mala)
P(economía mala pronóstico de una economía mala)
(b) Suponga que la probabilidad inicial (previa) de una
economía buena es de 70% (en lugar de 60%), y la
probabilidad de una economía mala es de 30% (en lu-
gar de 40%). Encuentre las probabilidades posteriores
del inciso a con base en estos nuevos valores.
Q: 3-47 La compañía Long Island Life Insurance vende una póliza
de seguro de vida. Si el titular de la póliza muere duran-
te la vigencia de la póliza, la compañía paga $100,000.
Si la persona no muere, la empresa no paga nada y no
hay un valor adicional a la póliza. La compañía utiliza
tablas actuariales para determinar la probabilidad de que
una persona con ciertas características muera durante el
próximo año. Para un individuo en particular, se deter-
mina que existe una posibilidad de 0.001 de que muera en
el próximo año, y una posibilidad de 0.999 de que sobre-
viva y la compañía no pague nada. El costo de esta póliza
es de $200 al año. Con base en el criterio del VME, ¿el
individuo debería comprar esta póliza de seguro? ¿Cómo
ayuda la teoría de la utilidad a explicar por qué una per-
sona compraría esta póliza de seguro?
Q: 3-48 En el problema 3-37, usted ayudó a los profesionales mé-
dicos a analizar su decisión utilizando el valor monetario
esperado como el criterio de decisión. Este grupo también
ha evaluado su utilidad por el dinero: U(—$45,000) = O,
U(—$40,000) = 0.1, U(—$5,000) = 0.7, U($0) = 0.9,
U($95,000) = 0.99 y 4100,000) = 1. Utilice la utilidad
esperada como el criterio de decisión y determine la mejor
decisión para los profesionales de la medicina. ¿Los pro-
fesionales médicos son proclives o aversos al riesgo?
Q: 3-49 En este capítulo se desarrolló un árbol de decisión para
John Thompson (consulte en la figura 3.5 el análisis
completo del árbol de decisión). Después de terminar el
análisis, John no estaba completamente seguro de ser indi-
ferente al riesgo. Después de pasar por una serie de apues-
tas estándar, John fue capaz de evaluar su utilidad por el
dinero. Éstas son algunas de sus evaluaciones de utilidad:
U(—$190,000) = 0, U(—$180,000) = 0.05,
U(—$30,000) = 0.10, U(—$20,000) = 0.15,
U(—$10,000) = 0.2, U($0) = 0.3, U($90,000) = 0.15,
U($100,000) = 0.6, U($190,000) = 0.95 y
PREGUNTAS PARA ANÁLISIS Y PROBLEMAS 107
U($200,000) = 1.0. Si John maximiza su utilidad espe-
rada, ¿cambia su decisión?
In 3-50 En los últimos años, los problemas de tránsito vehicular en
la ciudad natal de Lynn McKell han empeorado. Ahora,
Broad Street está congestionada la mitad del tiempo. El
viaje normal a su trabajo le toma sólo 15 minutos cuando
utiliza Broad Street y no hay congestión. Sin embargo, con
tránsito pesado Lynn necesita 40 minutos para llegar a su tra-
bajo. Si Lynn decide tomar la autopista, tardará 30 minutos,
independientemente de las condiciones del tránsito. La
utilidad de Lynn para el tiempo de viaje es: U(15 minu-
tos) = 0.9, U(30 minutos) = 0.7 y U(40 minutos) = 0.2.
(a) ¿Qué ruta minimizará el tiempo de viaje esperado
para Lynn?
(b) ¿Qué ruta maximizará la utilidad de Lynn?
(c) Cuando se trata de su tiempo de viaje, ¿es Lynn pro-
clive o aversa al riesgo?
tet i 3-51 Coren Chemical, Inc., desarrolla productos químicos in-
dustriales que son utilizados por otros fabricantes para
elaborar productos químicos fotográficos, conservadores y
lubricantes. Uno de sus productos, el K-1000, es utilizado
por varias compañías fotográficas para hacer un producto
químico que se emplea en el proceso de fabricación de
películas. Para producir el K-1000 de manera eficiente,
Coren Chemical utiliza el enfoque de procesamiento por
lotes, en el cual se produce cierto número de galones al
mismo tiempo. Esto reduce los costos de instalación y per-
mite que Coren Chemical produzca el K-1000 a un precio
competitivo. Por desgracia, el K-1000 tiene una vida útil
muy corta de aproximadamente 1 mes.
Coren Chemical produce el K-1000 en lotes de 500,
1,000, 1,500 y 2,000 galones. Con base en datos histó-
ricos, David Coren fue capaz de determinar que la pro-
babilidad de venta de 500 galones de K-1000 es 0.2. Las
probabilidades de venta de 1,000, 1,500 y 2,000 galones
son 0.3, 0.4 y 0.1, respectivamente. La pregunta que en-
frenta David es cuántos galones de K-1000 debe produ-
cir en el siguiente procesamiento por lotes. El K-1000 se
vende a $20 por galón. El costo de fabricación es de $12
por galón, y los costos de manejo y almacenaje se estiman
en $1 por galón. En el pasado, David ha asignado gastos
de publicidad al K-1000 a razón de $3 por galón. Si el
K-1000 no se vende después del procesamiento por lotes,
el producto químico pierde gran parte de sus propiedades.
Sin embargo, se puede vender a un valor residual de $13
por galón. Por otro lado, David ha garantizado a sus pro-
veedores que siempre habrá un suministro adecuado del
K-1000. Si David se queda sin producto, ha acordado
comprar un producto químico similar a un competidor en
$25 por galón. David vende la totalidad de los químicos
en $20 por galón, por lo que la escasez significa una pér-
dida de $5 por comprar el producto químico más caro.
(a) Desarrolle un árbol de decisión para este problema.
(b) ¿Cuál es la mejor solución?
(c) Determine el valor esperado de la información
perfecta.
108 CAPITULO 3 • ANÁLISIS DE DECISIONES
Qc 3-52 La Jamis Corporation está involucrada en la adminis-
tración de residuos. Durante los últimos 10 años se ha
convertido en una de las mayores empresas dedicadas a
la eliminación de residuos en el medio oeste estadouni-
dense, atendiendo principalmente a Wisconsin, Illinois
y Michigan. Bob Jamis, presidente de la compañía, está
considerando la posibilidad de establecer una planta de
tratamiento de residuos en Mississippi. A partir de la ex-
periencia pasada, Bob cree que una pequeña planta en el
norte de Mississippi produciría una utilidad de $500,000
sin importar el mercado para la instalación. El éxito de
una planta de tratamiento de residuos de tamaño me-
diano dependería del mercado. Con una baja demanda
de tratamiento de residuos, Bob espera un rendimiento de
$200,000. Una demanda mediana produciría un rendi-
miento de $700,000 en la estimación de Bob, y una alta
demanda implicaría $800,000 de ganancia. Aunque una
instalación grande es mucho más arriesgada, la rentabi-
lidad potencial es mucho mayor. Con una alta demanda
de tratamiento de residuos en Mississippi, la instalación
grande debería rendir un millón de dólares. Con una
demanda mediana, la instalación grande generaría úni-
camente $400,000 de ganancia. Bob estima que la ins-
talación grande resultaría en una gran pérdida si hubiera
una baja demanda para el tratamiento de residuos; en ese
caso, estima que perdería aproximadamente $200,000. En
cuanto a las condiciones económicas del norte del estado
de Mississippi y, usando su experiencia en el campo, Bob
estima que la probabilidad de una demanda baja para plan-
tas de tratamiento es 0.15, la probabilidad de una demanda
mediana es de aproximadamente 0.40 y la probabilidad de
una demanda alta es 0.45.
Debido a la gran inversión potencial y a la posibili-
dad de una pérdida, Bob ha decidido contratar a un equipo
de investigación de mercado con base en Jackson, Mis-
sissippi, el cual realizará una encuesta para obtener una
mejor sensación de la probabilidad de una demanda baja,
mediana o alta para una planta de tratamiento de resi-
duos. El costo de la encuesta es de $50,000. Para ayudar
a Bob a determinar si procede con la encuesta, la firma
de investigación de mercados le ha presentado la siguiente
información:
P(resultados de la encuesta J resultados
posibles)
RESULTADOS DE LA ENCUESTA
RESULTADO RESULTADO RESULTADO RESULTADO
POSIBLE BAJO MEDIO ALTO
Demanda baja 0.7 0.2 0.1
Demanda
media 0.4 0.5 0.1
Demanda alta 0.1 0.3 0.6
Como se observa en la tabla, la encuesta podría dar
lugar a tres resultados posibles. La encuesta con resultados
bajos implica que es probable tener una demanda baja. De
manera similar, la encuesta con resultados medios o altos
significaría una demanda media o alta, respectivamente.
¿Qué debería hacer Bob?
Q : 3-53 Mary está considerando la apertura de una nueva tienda de
come tibies en la ciudad, por lo que evalúa tres ubicacio-
nes: centro de la ciudad, el centro comercial y los subur-
bios. Mary calcula el valor de las tiendas exitosas en estos
lugt de ola siguiente manera: en el centro, $250,000; en
el ce comercial, $300,000; en los suburbios, $400,000.
Mary calculó las pérdidas en caso de fracaso como
$100,000 en el centro o el centro comercial, y $200,000 en
los suburbios. Mary calcula su oportunidad de éxito como
50% en el centro, 60% en el centro comercial y 75% en los
suburbios.
(a) Construya un árbol de decisión para Mary y selec-
cione su mejor alternativa.
(b) Mary ha sido contactada por una firma de investiga-
ción de mercados que le ofrece un estudio de la zona
para determinar si se necesita otra tienda de comes-
tibles. El costo de este estudio es de $30,000. Mary
cree que hay una probabilidad de 60% de que los
resultados de la encuesta sean positivos (que mues-
tren la necesidad de otra tienda de comestibles).
ERP = la encuesta resulta positiva, ERN = la en-
cuesta resulta negativa, EC = éxito en el centro,
EM = éxito en el centro comercial, ES = éxito en los
suburbios, EC' = sin éxito en el centro, y así sucesi-
vamente. Para los estudios de esta naturaleza:
P(ERPléxito) = 0.7,
P(ERN1éxito) = 0.3,
P(ERP1sin éxito) = 0.2 y
P(ERN1sin éxito) = 0.8.
Calcule las probabilidades revisadas de tener éxito (y
de no tenerlo) para cada ubicación, dependiendo de
los resultados de la encuesta.
(c) ¿Cuánto vale la investigación de mercados para Mary?
Calcule el VEIM.
Qi 3-54. Sue Reynolds tiene que decidir si debería recibir informa-
ción (a un costo de $20,000) para invertir en una tienda
al por menor. Si obtiene la información, hay una proba-
bilidad de 0.6 de que la información sea favorable y una
probabilidad de 0.4 de que no lo sea. Si la información es
favorable, hay 0.9 de probabilidad de que la tienda sea un
éxito. Si la información no es favorable, la probabilidad
de una tienda de éxito sólo es de 0.2. Sin ningún tipo de
información, Sue estima que la probabilidad de una tienda
de Ocito es 0.6. Una tienda de éxito daría un rendimien-
to 4 $100,000. Si la tienda se construye, pero no tiene
éxito, Sue tendrá una pérdida de $80,000. Desde luego,
siempre podría decidir no construir la tienda al por menor.
(a) ¿Qué recomienda usted?
(b) ¿Qué impacto tendría sobre la decisión de Sue una
probabilidad de 0.7 de obtener información favorable?
probabilidad de obtener información desfavorable
learía de 0.3.
(c) ue cree que las probabilidades de una tienda al por
enor exitosa y sin éxito dada una información favo-
iable podrían ser de 0.8 y 0.2, respectivamente, en lu-
gar de 0.9 y 0.1. ¿Qué impacto, si lo hay, tendría esto
n la decisión de Sue y en el mejor VME?
(d) ue tendría que pagar $20,000 para obtener informa-
ión. ¿Cambiaría su decisión si el costo de la infor-
ación aumentara a $30.000?

(e) Con los datos de este problema y la siguiente tabla de
utilidad, calcule la utilidad esperada. ¿Es ésta la curva
de una persona proclive o aversa al riesgo?
VALOR
MONETARIO UTILIDAD
$100,000 1 $100,000
$80,000 0.4
$0 0.2
—$20,000 0.1
—$80,000 0.05
—$100,000
Estudio de caso
Starting Right Corporation
Después de ver una película sobre una joven que abandonó una ca-
rrera corporativa exitosa para iniciar su propia empresa de alimentos
para bebé, Julia Day decidió que quería hacer lo mismo. En la pe-
lícula, la compañía de alimentos para bebés tuvo mucho éxito. Julia
sabía, sin embargo, que es mucho más fácil hacer una película sobre
una mujer exitosa que inicia su propia compañía que hacerlo real-
mente. El producto debería tener la más alta calidad, y Julia tenía que
involucrar a las mejores personas para lanzar la nueva compañía. Julia
renunció a su trabajo y lanzó la nueva compañía: Starting Right.
Julia decidió enfocarse en el extremo superior del mercado de
alimentos para bebés mediante la producción de alimentos que no
contenían conservadores, pero tenían un muy buen sabor. Aunque el
precio sería ligeramente superior al de los alimentos para bebés exis-
tentes, Julia creía que los padres estarían dispuestos a pagar más por
una comida para bebés de alta calidad. En lugar de poner la comida
del bebé en frascos, lo cual requeriría conservadores para estabilizar
el alimento, Julia decidió probar un nuevo enfoque. La comida del
bebé se congelaría. Esto permitiría ingredientes naturales, sin conser-
vadores y una nutrición excepcional.
También era importante conseguir buen personal que trabajara
para la nueva empresa. Julia decidió buscar a personas con experien-
cia en finanzas, marketing y producción para que se involucraran en
Starting Right. Con su entusiasmo y carisma, Julia fue capaz de
encontrar tal grupo de personas. Su primer paso fue desarrollar proto-
tipos de la nueva comida para bebés congelada y realizar una pequeña
prueba piloto del nuevo producto. La prueba piloto recibió críticas
muy favorables.
ESTUDIO DE CASO 109
(f) Calcule la utilidad esperada dada la siguiente tabla de
utilidad. ¿Esta tabla representa a alguien proclive o
averso al riesgo?
VALOR
MONETARIO UTILIDAD
$80,000 0.9
$0 0.8
—$20,000 0.6
—$80,000 0.4
—$100,000 0
La clave final para conseguir que la joven compañía tuviera un
buen inicio fue recaudar fondos. Se consideraron tres opciones: bonos
corporativos, acciones preferentes y acciones comunes. Julia decidió
que cada inversión tendría que realizarse en bloques de $30,000. Ade-
más, cada inversor debía tener un ingreso anual de al menos $40,000
y un patrimonio neto de $100,000 para ser elegible como inversionista
en Starting Right. Los bonos corporativos rendirían 13% anual du-
rante los próximos 5 años. Julia, además, garantizaba que los inver-
sores en bonos corporativos obtendrían al menos $20,000 de regreso
al final de 5 años. Los inversores en acciones preferentes deberían ver
un aumento de su inversión inicial en un factor de 4, con un mercado
bueno, o ver el valor de su inversión sólo a la mitad con un merca-
do desfavorable. La acción ordinaria tenía el potencial más grande. Se
esperaba que la inversión inicial aumentara en un factor de 8 con un
buen mercado, pero los inversionistas perderían todo si el mercado era
desfavorable. Durante los próximos 5 años, se esperaba que la infla-
ción aumentara en un factor de 4.5% cada año.
Preguntas para análisis
1.Sue Pansky, una maestra de escuela primaria jubilada, está con-
siderando invertir en Starting Right. Ella es muy conservadora y
aversa al riesgo. ¿Qué le recomendaría usted?
2. Ray Cahn, quien actualmente es un distribuidor de mercancías,
también está considerando una inversión, aunque cree que sólo
hay una probabilidad de 11% de tener éxito. ¿Qué le recomen-
daría usted?
110 CAPÍTULO 3 • ANÁLISIS DE DECISIONES
3. Lila Battle ha decidido invertir en Starting Right. Aunque cree
que Julia tiene una buena oportunidad de éxito, Lila es aversa al
riesgo y muy conservadora. ¿Cuál es su consejo para Lila?
4. George Yates cree que hay la misma posibilidad de éxito o de
fracaso. ¿Cuál es su recomendación?
5. Peter Metarko es muy optimista sobre el mercado de la nueva
comida para bebé. ¿Cuál es su consejo para Pete?
Estudio de caso
Blake Electronics
En 1979 Steve Blake fundó Blake Electronics en Long Beach, Cali-
fornia, para la fabricación de resistencias, condensadores, inductores y
otros componentes electrónicos. Durante la guerra de Vietnam, Steve
era un operador de radio, y fue durante este tiempo que se convirtió en
experto en la reparación de radios y otros equipos de comunicación.
Steve veía su experiencia de 4 años en el ejército con sentimientos
encontrados. Odiaba la vida militar, pero esta experiencia le dio la
confianza y la iniciativa para comenzar su propia firma electrónica.
A través de los años, Steve mantuvo el negocio relativamente sin
cambios. En 1992 las ventas anuales totales fueron de más de $2 mi-
llones. En 1996 el hijo de Steve, Jim, se unió a la compañía después de
terminar la escuela secundaria y 2 años de cursos de electrónica en la
Long Beach Community College. Jim siempre fue dinámico al practi-
car atletismo en la escuela secundaria, y se volvió aún más dinámico
como gerente general de ventas en Blake Electronics. Este dinamismo
molestaba a Steve, que era más conservador. Jim ofrecía suminis-
trar componentes electrónicos a los clientes antes de molestarse en
averiguar si Blake Electronics tenía la habilidad o la capacidad para
producirlos. En varias ocasiones, este comportamiento le causó a la
compañía algunos momentos embarazosos cuando Blake Electronics
fue incapaz de producir los componentes electrónicos para empresas a
las que Jim había hecho ofertas.
En 2000 Jim comenzó a perseguir contratos de componentes elec-
trónicos para el gobierno. Para 2002, las ventas anuales totales habían
aumentado a más de $10 millones, y el número de empleados superaba
los 200. Muchos de estos empleados eran especialistas en electrónica
y graduados de los programas de ingeniería eléctrica de las principales
universidades. Pero la tendencia de Jim a involucrar a Blake Electro-
nics en contratos difíciles también continuó y, en 2007, Blake Elec-
tronics tenía la reputación con los organismos gubernamentales de ser
una empresa que no podía cumplir lo que prometía. Casi de la noche a
la mañana, los contratos con el gobierno se detuvieron, y Blake Elec-
tronics se quedó con mano de obra ociosa y equipos de manufactura
sin usar. Esta subutilización comenzó a acabar con las ganancias y, en
2009, Blake Electronics se enfrentaba a la posibilidad de sufrir pérdi-
das por primera vez en su historia.
En 2010 Steve decidió estudiar la posibilidad de fabricar com-
ponentes electrónicos para uso doméstico. Aunque se trataba de un
mercado totalmente nuevo para Blake Electronics, Steve estaba con-
vencido de que ésta era la única manera de evitar que su empresa
comenzara a operar con números rojos. El equipo de investigación
de Blake Electronics recibió la encomienda de desarrollar nuevos
6. Le han dich a Julia Day que el desarrollo de documentos le-
gales para c da alternativa de recaudación de fondos es caro. A
Julia le gust la ofrecer alternativas tanto para los inversionistas
aversos al ri sgo como para los proclives al riesgo. ¿Puede Julia
eliminar una de las alternativas financieras y aun así ofrecer op-
ciones de inversión para ambos tipos de inversionista?
Figura 3.15 Centro de control
maestro
co
3>
0 0 0 0 0 m
0 0 0 0 0
Caja del control maestro
O
1.1
—
o O
Adaptador Adaptador de Disco para
de enchufe interruptor bombilla
de luz
dispositivos electrónicos para uso doméstico. La primera idea del
equipo de investigación fue el centro de control maestro. Los compo-
nentes básicos de este sistema se ilustran en la figura 3.15.
El corazón del sistema es la caja del control maestro. Esta unidad,
que tendría un precio de venta de $250, tiene dos filas de cinco boto-
nes. Cada botón controla una luz o un aparato y se puede configurar
como un interruptor o un reóstato. Cuando se configura como un inte-
rruptor, un ligero toque del dedo sobre un botón enciende o apaga una
luz o un aparar . Cuando se establece como un reóstato, un toque del
dedo sobre el tón controla la intensidad de la luz. Al dejar el dedo
sobre el botón ace que la luz pase por un ciclo completo que va desde
apagado hasta 1 z brillante y apagado de nuevo.
Para per itir una máxima flexibilidad, cada caja del control
maestro se ali enta mediante dos baterías de tamaño D, que pueden
durar hasta un año, dependiendo de su uso. Además, el equipo de
investigación ha desarrollado tres versiones para la caja del control
maestro: A, B y C. Si una familia quiere controlar más de 10 luces o
electrodomésticos, es posible comprar otra caja de control maestro.
 ESTUDIO DE CASO 111

El disco para bombilla, que tendría un precio de venta de $2.50, TABLA 3.19 Cifras de éxito para MAI
se controla mediante la caja del control maestro y se utiliza para con-
trolar la intensidad de cualquier luz. Existe un disco diferente para RESULTADOS DE LA ENCWITA
cada posición del botón en tres cajas del control maestro. Al inser-
RESt ITADO FAVORABLE DESFAVORABLE TOTAL
tar el disco para bombilla entre la bombilla y la toma de corriente, el
botón correspondiente en la caja del control maestro puede controlar Empresa
por completo la intensidad de la luz. Si se utiliza un interruptor de luz exitosa 35 20 55
estándar, debe estar encendido en todo momento para que la caja del
Empresa sin
control maestro pueda funcionar. éxito 15 30 45
Una desventaja del uso de un interruptor de luz estándar es que
sólo se puede utilizar la caja del control maestro para controlar esa
luz específica. Para evitar este problema, el equipo de investigación
investigación de mercados. Las principales fortalezas de MAI pare-
desarrolló'un adaptador de interruptor de luz especial, que se vendería
cían ser la atención individual a cada cuenta, su personal experimen-
por $15. Cuando se instala este dispositivo, es posible usar indistin-
tado y el trabajo rápido. Steve estaba particularmente interesado en
tamente la caja del control maestro o el adaptador de interruptor para
una parte de la propuesta, que revelaba el registro de éxitos de MAI
controlar la luz.
en estudios anteriores. Esto se muestra en la tabla 3.19.
Cuando se usa para controlar aparatos distintos a las luces, la
La única propuesta diferente fue de una sucursal de Iverstine and
caja del control maestro debe usarse en conjunto con uno o más adap-
Walker, una de las mayores empresas de investigación de mercados
tadores de salida. Los adaptadores están conectados a una toma de
en el país. El costo de un estudio completo sería de $300,000. Si bien
corriente estándar, y el aparato se enchufa en el adaptador. Cada adap-
la propuesta no contenía el mismo registro de éxitos que MAI, la pro-
tador de salida tiene un interruptor en la parte superior que permite
puesta de Iverstine and Walker contenía información interesante. La
que el aparato se pueda controlar desde la caja de control maestro o
posibilidad de obtener un resultado favorable en la encuesta, dada una
el adaptador de salida. El precio de cada adaptador de salida sería de
$25. empresa exitosa, era de 90%. Por otro lado, la posibilidad de obtener
El equipo de investigación estima que le costaría $500,000 desa- un resultado desfavorable en la encuesta, dada una empresa sin éxito,
rrollar el equipo y los procedimientos necesarios para fabricar la caja era de 80%. Por lo tanto, a Steve le parecía que Iverstine and Walker
sería capaz de predecir el éxito o el fracaso de las cajas del control
del control maestro y sus accesorios. Si tiene éxito, esta empresa po-
maestro con una gran certidumbre.
dría aumentar las ventas en aproximadamente $2 millones. Pero, ¿se-
rán exitosas las cajas del control maestro? Con 60% de posibilidades Steve reflexionó sobre la situación. Por desgracia, los dos equi-
de éxito estimado por el equipo de investigación, Steve tenía serias pos de investigación de mercados proporcionaron diferentes tipos de
información en sus propuestas. Steve llegó a la conclusión de que no
dudas acerca de tratar de comercializar las cajas del control maestro,
habría manera de comparar las dos propuestas a menos que tuviera
a pesar de que le gustaba la idea básica. Debido a sus reservas, Steve
información adicional de Iverstine and Walker. Asimismo, Steve no
decidió enviar solicitudes de propuestas (SP) para realizar una inves-
tigación adicional a 30 empresas de investigación de mercados en el estaba seguro de qué hacer con la información, y si valdría la pena el
sur de California. gasto de contratar a una de las empresas de investigación de mercados.
La primera SP en regresar fue la de una pequeña compañía lla-
mada Marketing Associates, Inc. (MAI), que cobraba $100,000 .por Preguntas para análisis
el estudio. De acuerdo con su propuesta, MAI ha estado en el ne- 1.¿Necesita Steve información adicional de Iverstine and Walker?
gocio durante 3 años y ha llevado a cabo cerca de 100 proyectos de 2. ¿Qué le recomendaría usted?

Estudios de caso en Internet

Visite nuestra página en Internet, www.pearsonenespañol.com/render, y consulte estos estudios de

caso adicionales:
(1) Drink-At-Home, Inc.: Este caso implica el desarrollo y la comercialización de una nueva bebida.
(2) Ruth Jones' Heart Bypass Operation: Este caso se refiere a una decisión médica con respecto a una
cirugía.
(3) Ski Right: Este caso implica el desarrollo y la comercialización de un nuevo casco para esquiar.
(4) Study Time: Este caso trata sobre un estudiante que debe programar su tiempo, mientras estudia para
un examen final.
112 CAPÍTULO 3 • ANÁLISIS DE DECISIONES
Bibliografía
Abbas, Ali E. "Invariant Utility Functions and Certain Equivalent Transforma-
tions", Decision Analysis 4, 1 (marzo de 2007): 17-31.
Carassus, Laurence y Mikl6s Rásonyi. "Optimal Strategies and Utility-Based
Prices Converge When Agents' Preferences Do", Marhematics of Operations
Research 32, 1 (febrero de 2007): 102-117.
Congdon, Peter. Bayesian Statistical Modeling. Nueva York: John Wiley & Sons,
Inc., 2001.
Ewing, Paul L, Jr. "Use of Decision Analysis in the Army Base Realignment and
Closure (BRAC) 2005 Military Value Analysis", Decision Analysis 3 (mano
de 2006): 33-49.
Hammond, J. S., R. L Kenney y H. Raiffa. "The Hidden Traps in Decision Making",
Harvard Business Review (septiembre-octubre de 1998): 47-60.
Hurley, William J. "The 2002 Ryder Cup: Was Strange's Decision to Put Tiger
Woods in the Anchor Match a Good One?", Decision Analysis 4,1 (mano
de 2007): 41-45.
Kirkwood, C. W. "An Overview of Methods for Applied Decision Analysis",
Interfaces 22, 6 (noviembre-diciembre de 1992): 28-39.
Kirkwood, C. W. "Approximating Risk Aversion in Decision Analysis Applications",
Decision Analysis 1 (marzo de 2004): 51-67.
Luce, R. y H. Raiffa. Games and Decisions. Nueva York: John Wiley & Sons, Inc.,
1957.
Maxwell, Daniel T. "Improving Hard Decisions", ORÍMS Today 33, 6 (diciembre
de 2006): 51-61.
Patchak, William M. "Software Survey: Decision Analysis". OR/MS Today 39, 5
(octubre de 2012).
Paté-Comell, M. Elisabeth y Robin L. Dillon. "The Respective Roles of Risk and
Decision Analyses in Decision Support", Decision Analysis 3 (diciembre de
2006): 220-232.
Pennings, Joost M. E. y Ale Smidts. "The Shape of Utility Functions and Orga-
nizational Behavior", Management Science 49, 9 (septiembre de 2003):
1251-1263.
Raiffa, Howard, John W. Pratt y Robert Schlaifer. Introduction to Statistical Deci-
sion Theory. Boston: MIT Press, 1995.
Raiffa, Howard y Robert Schlaifer. Applied Statistical Decision Theory. Nueva
York: John Wiley & Sons, Inc., 2000.
Rendez; B. y R. M. Stair. Cases and Readings in Management Science, 2a. ed.
Boston: Allyn & Bacon, Inc., 1988.
Schlaifer, R. Analysis of Decisions Under Uncertainty. Nueva York: McGraw-Hill
Book Company, 1969.
Smith, James E. y Robert L. Winkler. "The Optimizer's Curse: Skepticism and
Postdecision Surprise in Decision Analysis", Management Science 52
(marzo de 2006): 311-322.
Van Binsbergen, hiles H. y Leslie M. Marx. "Exploring Relations Between Decision
Analysis and Game Theory", Decision Analysis 4, 1 (marzo de 2007): 32-40.
Wallace, Stein W. "Decision Making Under Uncertainty: Is Sensitivity Analysis of
Any Use?", Operations Research 48, 1 (2000): 20-25.

OBJETIVOS DE APRENDIZAJE
Después de estudiar este capítulo, el alumno será capaz de:
1. Comprender la importancia del control de
inventarios y el análisis ABC.
2. Utilizar la cantidad económica de pedido (EOQ)
para determinar la cantidad a ordenar.
3. Calcular el punto de reorden (ROP) para determinar
cuándo se debe pedir más inventario.
4. Manejar problemas de inventario que permiten
descuentos por cantidad o recepción no instantánea.
5. Entender el uso del inventario de seguridad.
CONTENIDO DEL CAPÍTULO
6.1 Introducción
6.2 Importancia del control de inventarios
6.3 Decisiones de inventario
6.4 Cantidad económica de pedido: determinación de
la cantidad a ordenar
6.5 Punto de reorden: determinación de cuándo hacer
un pedido
6.6 EOQ sin el supuesto de recepción instantánea
Resumen • Glosario • Ecuaciones clave • Problemas resueltos • Autoevaluación • Preguntas para análisis y problemas •
Estudio de caso: Martin-Pullin Bicycle Corporation • Estudios de caso en Internet • Bibliografía
Apéndice 6.1: Control de inventarios con QM para Windows
Modelos de control
de inventarios
6. Describir el uso de la planeación de las
necesidades de materiales para resolver
problemas de inventario y de demanda
dependiente.
7. Analizar los conceptos del inventario justo a
tiempo para reducir los niveles y los costos de
inventario.
8. Analizar los sistemas de planeación de recursos
empresariales.
6.7 Modelos de descuento por cantidad
6.8 Uso del inventario de seguridad
6.9 Modelos de inventario de un solo periodo
6.10 Análisis ABC
6.11 Demanda dependiente: el caso de la planeación
de las necesidades de materiales
6.12 Control de inventarios justo a tiempo
6.13 Planeación de recursos empresariales
187
188 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS

6.1 Introducción
El inventario es cualquier recurso
almacenado que se utiliza para
satisfacer una necesidad actual
ofutura.
El inventario es uno de los activos más costosos e importantes para muchas empresas, en ocasiones repre-
senta hasta 50% del capital total invertido. Los ad *stradores han reconocido desde hace tiempo que
un buen control del inventario es crucial. Por un lado una empresa puede tratar de reducir los costos me-
diante la reducción de los niveles de inventario disponible. Por otro lado, los clientes pueden estar insatis-
fechos cuando existe escasez de inventarios, llamado desabasto, en forma frecuente. Por consiguiente, las
empresas deben encontrar un equilibrio entre los nive es bajos y altos de inventario. Como es de esperarse,
la minimización de costos es el factor principal en la obtención de este delicado equilibrio.
El inventario es cualquier recurso almacenado que se utiliza para satisfacer una necesidad actual o
futura. Las materias primas, el trabajo en proceso y los productos terminados son ejemplos de inventario.
Los niveles de inventario de productos terminados están en función directa de la demanda. Por ejemplo,
cuando se determina la demanda de secadoras de ropa terminarlas, es posible utilizar esta información para
calcular la cantidad de lámina metálica, pintura, motores eléctricos, interruptores y otras materias primas,
así como el trabajo en proceso, que son necesarios p obtener el producto terminado.
Todas las organizaciones tienen algún tipo de s stema para la planeación y el control del inventario.
Un banco tiene métodos para controlar su inventan de efectivo. Un hospital cuenta con métodos para
controlar los suministros de sangre y otros elemento importantes. Los gobiernos estatales y federales, las
escuelas, y prácticamente todas las organizaciones de manufactura y producción, se ocupan de la planea-
ción y el control de inventarios. El estudio de la forma en que las organizaciones controlan su inventario
es equivalente a estudiar cómo alcanzan sus objetivos mediante el suministro de bienes y servicios a sus
clientes. El inventario es el hilo común que une a todas las funciones y los departamentos de la organiza-
ción en su conjunto.
En la figura 6.1 se ilustran los componentes básicos de un sistema de planeación y control de inven-
tarios. La fase de planeación se ocupa principalmente del inventario que debe ser almacenado y la forma
en que se va a adquirir (si se va a fabricar o a comprar). Esta información se utiliza luego en el pronóstico
de la demanda para el inventario y en el control de los niveles de inventario. El ciclo de retroalimentación
en la figura 6.1 presenta una manera de revisar el plan y el pronóstico con base en la experiencia y la
observación.
A través de la planeación del inventario, una organización determina qué bienes y/o servicios se van a
producir. En el caso de los productos físicos, la organización también debe decidir si producirá estos bienes
o los comprará a otro fabricante. Cuando esto se ha determinado, el siguiente paso consiste en pronosticar
la demanda. Como se estudió en el capítulo 5, hay muchas técnicas matemáticas que pueden utilizarse para
pronosticar la demanda de un producto específico. En este capítulo se da énfasis al control de inventarios,
es decir, a la forma de mantener los niveles de inventario adecuados dentro de una organización.

FIGURA 6.1
Planeación y control Planeación
del inventario sobre qué
almacenar y
cómo adquirirlo

Mediciones de
retroalimentación Pronóstico
para revisar de la demanda de
los planes y piezas/productos
pronósticos

Control de
los niveles
de inventario

6.2 Importancia del control de inventarlos
El inventario puede actuar como
amortiguador.
Los recursos se pueden almacenar
en el trabajo en proceso.
El inventario puede compensar
los patrones de demanda y oferta
irregulares.
Las compras a granel pueden
representar una ventaja económica.
La conservación de un inventario
de seguridad puede aumentar la
satisfacción del diente.
6.2 IMPORTANCIA DEL CONTROL DE INVENTARIOS 189
El control de inventarios cumple varias funciones importantes y agrega una gran flexibilidad a la operación
de las compañías. Considere los siguientes cinco usos del inventario:
1. La función de desacoplamiento
2. Almacenamiento de recursos
3. Oferta y demanda irregulares
4. Descuentos por cantidad
5. Prevención del desabasto y la escasez
Función de desacoplamiento
Una de las principales funciones del inventario es desacoplar los procesos de fabricación dentro de la
organización. Si no se almacenara inventario, podría haber muchos retrasos e ineficiencias. Por ejemplo,
cuando es necesario completar una actividad de fabricación antes de que se inicie una segunda actividad, la
falta de inventario podría detener todo el proceso. Sin embargo, cuando existe algún inventario almacenado
entre los procesos, éste podría actuar como amortiguador.
Almacenamiento de recursos
Los productos agrícolas y del mar suelen tener estaciones definidas en las que pueden cosecharse o captu-
rarse, pero la demanda de estos productos es algo constante durante el año. En estos y otros casos simila-
res, el inventario se suele utilizar para almacenar los recursos.
En un proceso de fabricación, las materias primas pueden almacenarse como tales, como trabajo
en proceso o como producto terminado. Por lo tanto, si su compañía fabrica cortadoras de césped,
es posible que pueda adquirir neumáticos para cortadora de césped de otro fabricante. Si usted tiene
400 cortadoras de césped terminadas y 300 neumáticos en inventario, en realidad tiene 1,900 neumáti-
cos almacenados en inventario. Trescientos neumáticos están almacenados como tales y 1,600 neumáticos
(1,600 = 4 neumáticos por cortadora de césped X 400 cortadoras de césped) están almacenados en las
cortadoras de césped terminadas. En el mismo sentido, la mano de obra se puede almacenar en inven-
tario. Si usted tiene 500 subensambles y se requieren 50 horas de trabajo para producir cada ensamble,
en realidad tiene 25,000 horas de trabajo almacenadas en el inventario de subensambles. En general,
cualquier recurso, físico o de otro tipo, se puede almacenar en inventario.
Oferta y demanda irregulares
Cuando la oferta o la demanda de un artículo en inventario son irregulares, el almacenamiento de ciertas
cantidades de inventario puede ser importante. Si la mayor demanda de la bebida de dieta Delight se da
durante el verano, es necesario asegurarse de que haya suficiente oferta para satisfacer esta demanda irre-
gular. Lo anterior puede requerir la producción de una mayor cantidad de bebida en el invierno que la que
realmente se necesita para satisfacer la demanda de esa temporada. Los niveles de inventario de la bebida
Delight se acumularían gradualmente durante el invierno, pero se utilizarían en el verano. El mismo princi-
pio es aplicable para la oferta irregular.
Descuentos por cantidad
Otro uso del inventario es tomar ventaja de los descuentos por cantidad. Muchos proveedores ofrecen
descuentos por realizar grandes pedidos. Por ejemplo, una sierra eléctrica podría costar normalmente $20
por unidad. Si pide 300 o más sierras en una orden, su proveedor disminuiría el costo a $18.75. La compra
en cantidades más grandes suele reducir significativamente el costo de los productos. Sin embargo, existen
algunas desventajas de comprar en grandes cantidades. Se tendrán mayores costos de almacenamiento y
costos más altos debido a deterioro, inventario dañado, hurtos, seguros, etcétera. Por otro lado, al invertir
en más inventario, habrá menos dinero disponible para invertir en otros sitios.
Prevención del desabasto y la escasez
Otra función importante del inventario es evitar la escasez o el desabasto. Si una compañía presenta desa-
basto en varias ocasiones, los clientes tenderán a ir a otra parte para satisfacer sus necesidades. La pérdida
de la buena imagen generalmente es un alto precio a pagar por no tener el producto correcto en el momento
adecuado.
190 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS

6.3 Decisiones de inventario

A pesar de que literalmente existen millones de difere ltes tipos de artículos producidos en nuestra socie-
dad, sólo hay dos decisiones fundamentales que deben tomarse cuando se controla el inventario:

Un objetivo principal de todos los
modelos de inventario es minimizar
los costos de inventario.
1. Cuánto ordenar
2. Cuándo ordenar
El propósito de todos los modelos y las técnicas de inventario es determinar racionalmente cuánto
ordenar y cuándo ordenar. Como es sabido, el inventario cumple muchas funciones importantes dentro de
una organización. Pero a medida que los niveles de inventario suben para realizar esas funciones, el costo
de almacenar y mantener inventarios también aumenta. Por lo tanto, es necesario alcanzar un delicado
equilibrio al establecer los niveles de inventario. Un objetivo importante en el control de inventarios es
minimizar sus costos totales. Algunos de los costos de inventario más significativos son los siguientes:

1. Costo de los artículos (costo de adquisición o costo de materiales)

2. Costo de pedido
3. Costo de almacenamiento o de mantener inventario
4. Costo de desabasto

Gestión de la cadena de suministro

MODELADO EN EL MUNDO REAL energética en la actualidad

Definición del problema

Definición
La gestión de la cadena de suministro energética en la actualidad es un problema cada vez más complejo.
del problema
Aun así, las empresas de petróleo y gas deben optimizar sus cadenas de suministro para sobrevivir en el mer-
cado actual.

Desarrollo de un modelo
Desarrollo de
Investigadores de Portugal desarrollaron un modelo unidireccional de los productos de petróleo y gas desde
un modelo
las refinerías hasta los centros de distribución. El modelo incorpora muchos parámetros distintos, entre ellos el
número de productos, las capacidades de almacenamiento máximas para cada producto, la capacidad de los
ductos, así como la demanda de cada producto.

Adquisición de datos de entrada

Adquisición de
Los datos de entrada consistieron en los niveles actuales de inventario de productos específicos de petróleo y
datos de entrada
gas en diferentes puntos a lo largo de la cadena de suministro.

1
Desarrollo de una solución
Desarrollo de
una solución Se desarrolló un gran programa mixto lineal-entero (vea el capítulo 10 de este libro), como parte del procedi-
miento de solución para optimizar la cadena de suministro.

Pruebas a la solución
Pruebas
a la solución Todos los problemas resueltos por los investigadores portugueses se basaron en datos reales de la Companhia
Logistica Combustiveis, una gran empresa portuguesa dedicada a la distribución de petróleo y gas. Se realiza-
ron pruebas y los resultados fueron comparados con escenarios del mundo real.

Análisis de resultados
Análisis
Los resultados obtenidos a partir del modelo se compararon con la operación real. Los resultados identificaron
de resultados
oportunidades de mejoras significativas en las tasas de flujo y en la reducción de costos de bombeo.

Implementación de resultados
Implementación
Como resultado, las compañías de petróleo y gas pueden mejorar la planeación y la gestión de sus cadenas de
de resultados
suministro, con menos interrupciones y costos generales más bajos.

Fuente: S. Relvas. S.N.B. Magatáo. A.P.F.D. Barbosa-P6voa y E Neves. "Integrated Scheduling and Inventory Management
of an Oil Products Distribution System", Omega 41 (2013): 955-968.
 6.4 CANTIDAD ECONÓMICA DE PEDIDO: DETERMINACIÓN DE LA CANTIDAD A ORDENAR 191

TABLA 6.1 Factores de los costos de inventario

FACTORES DE COSTOS
FACTORES DE COSTOS DE PEDIDO DE ALMACENAMIENTO
Desarrollo y envío de órdenes de compra Costo de capital
Procesamiento e inspección del inventario entrante Impuestos
Pago de facturas Seguros
Consultas de inventario Deterioro
Servicios públicos, facturas de teléfono, etcétera, para el departamento de compras Hurtos
Sueldos y salarios para los empleados del departamento de compras Obsolescencia
Suministros como formularios y papel para el departamento de compras Sueldos y salarios de los empleados del almacén
Servicios públicos y costos de construcción del
almacén
Suministros como formularios y papel para el
almacén

En la tabla 6.1, se muestran los factores más comunes asociados con los costos de pedido y los costos
de almacenamiento. Observe que los costos de pedido suelen ser independientes del tamaño de la orden, y
muchos de ellos implican tiempo del personal. Cada vez que se realiza una orden se incurre en un costo de
pedido, sin importar que la orden sea de 1 unidad o de 1,000 unidades. El tiempo para procesar el papeleo,
pagar la factura, etcétera, no depende del número de unidades pedidas.
Por otro lado, el costo de almacenamiento varía a medida que cambia el tamaño de las existencias. Si
se colocan 1,000 unidades en inventario, los impuestos, los seguros, el costo de capital y otros costos por
mantenerlo serán mayores, que si sólo se colocara 1 unidad en inventario. Del mismo modo, si el nivel de
inventario es bajo, hay pocas posibilidades de deterioro y obsolescencia.
El costo de los artículos, o el costo de compra, es lo que se paga por adquirir el inventario. El costo
de desabasto indica la pérdida de ventas y de buena imagen (ventas futuras) que resultan de no contar con
artículos disponibles para los clientes. Esto se analiza más adelante en el capítulo.

6.4 Cantidad económica de pedido: determinación de la cantidad a ordenar

La curva de uso del inventario tiene
forma de dientes de sierra.
La cantidad económica de pedido (EOQ, economic order quantity) es una de las técnicas más antiguas
y conocidas para el control de inventarios. La investigación sobre su uso se remonta a una publicación de
1915 realizada por Ford W. Harris. Esta técnica sigue siendo utilizada por un gran número de organizacio-
nes en la actualidad. Es relativamente fácil de usar, pero requiere hacer una serie de supuestos. Algunos de
los supuestos más importantes son:
1. La demanda es conocida y constante a través del tiempo.
2. El tiempo de entrega —es decir, el tiempo entre la colocación de la orden y la recepción del ped ido—
se conoce y es constante.
3. La recepción del inventario es instantánea. En otras palabras, el inventario de un pedido llega en un
lote yen un punto del tiempo.
4. El costo de compra por unidad es constante durante todo el año. No existen descuentos por cantidad.
5. Los únicos costos variables son el costo por colocar una orden, el costo de pedido, y el costo por
almacenar inventario en el tiempo, el costo de almacenamiento o costo por mantener inventario. El
costo de almacenamiento por unidad, por año, y el costo de pedido, por orden colocada, son constan-
tes durante todo el año.
6. Los pedidos se realizan para evitar por completo cualquier desabasto o escasez.
Cuando no se cumplen estos supuestos, es necesario realizar ajustes al modelo de la EOQ. Los ajustes
se analizan más adelante en el capítulo.
Con estos supuestos, el uso del inventario tiene forma de dientes de sierra, como se indica en la figura
6.2, donde Q representa la cantidad que se ordenó. Si tal cantidad es de 500 vestidos, todos ellos llegan
en el momento en que se recibe el pedido. Por lo tanto, el nivel de inventario salta de O a 500 vestidos. En
general, un nivel de inventario aumenta de O a Q unidades cuando llega una orden.
Debido a que la demanda es constante a través del tiempo, el inventario disminuye a una velocidad
uniforme. (Observe las líneas inclinadas en la figura 6.2). Se coloca otro pedido, de forma que cuando el ni-
vel de inventario llegue a 0, se reciba la nueva orden y el nivel de inventario salte de nuevo a Q unidades, lo
cual se representa mediante las líneas verticales. Este proceso continúa indefinidamente a través del tiempo.
192 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS
FIGURA 6.2
Uso del inventario
a través del tiempo
El objetivo del modelo de la EOQ
simple es minimizar el costo total
del inventario. Los costos relevantes
son los costos de pedido y los costos
de almacenamiento.
El nivel de inventario promedio es la
mitad del nivel máximo.
TABLA 6.2
Cálculo del inventario
promedio
Nivel de
inventario
Ontidad de pedido = Q
o' d 1 Nirel máximo de inventario
Inventario
mínimo
o
Tiempo
Costos de inventario en la situación de la EOQ
El objetivo de la mayoría de los modelos de inventarios es minimizar los costos totales. Con los supuestos
listados, los costos relevantes son el costo de pedido y el costo de almacenamiento. Todos los demás cos-
tos, como el costo del inventario en sí (el costo de compra), son constantes. Por lo tanto, si minimizamos la
suma de los costos de pedido y los costos de almacenamiento, también estaríamos minimizando los costos
totales.
El costo anual de pedidos es simplemente el número de pedidos anual multiplicado por el costo de
colocar cada pedido. Dado que el nivel de inventario cambia diariamente, es apropiado utilizar el nivel
de inventario promedio para determinar el costo anual de almacenamiento o costo por mantener inventa-
rios. El costo anual de almacenamiento será igual al inventario promedio multiplicado por el costo por
mantener una unidad de inventario al año. Una vez más, al consultar la figura 6.2, se observa que el in-
ventario máximo es la cantidad de pedido (Q) y el inventario promedio será de la mitad de ésta. En la
tabla 6.2 se proporciona un ejemplo numérico para ilustrar el inventario promedio. Note que, para esta si-
tuación, si la cantidad de pedido es 10, el inventario promedio será 5, o la mitad de Q. Por lo tanto:
Q
Nivel de inventario promedio = 16-1)
Mediante el uso de las siguientes variables, es posible desarrollar expresiones matemáticas para los costos
anuales de pedido y de almacenamiento:
Q = número de piezas a ordenar
EOQ = Q* = número óptimo de piezas a ordenar
D = demanda anual en unidades para el artículo de inventario
C, = costo de pedido de cada orden
Ch = costo de almacenamiento por unidad anual
NIVEL DE INVENTARIO
DÍA INICIO FINAL PROMEDIO
1 de abril (orden recibida) 10 8
2 de abril 8 6 7
3 de abril 6 4 5
4 de abril 2 3
5 de abril 2 o 1
Nivel máximo del 1 de abril = 10 unidades
Total de promedios diarios = 9 + 7 + 5 + 3 1 = 25
Número de días = 5
Nivel de inventario promedio = 25/5 = 5 unidades
 6.4 CANTIDAD ECONÓMICA DE PEDIDO: DETERMINACIÓN DE LA CANTIDAD A ORDENAR 193

A EN ACCIÓN
Una compañía de moda global modela un sistema
de administración de inventarios

administración de inventarios. El nuevo sistema centralizado de toma

F undada en 1975, la minorista española Zara cuenta actualmente con
más de 1,600 tiendas en todo el mundo, lanza más de 10,000 nuevos
diseños cada año y es reconocida como una de las principales distribui-
doras de moda en el mundo. Las mercancías se enviaban desde dos al-
macenes centrales hasta cada una de las tiendas, con base en solicitudes
de los gerentes de los almacenes individuales. Estas decisiones locales
conducían inevitablemente a almacenajes, envíos y operaciones logísti-
cas ineficientes, cuando eran evaluados a escala global. Recientemente
se presentaron excesos de producción, cadenas de suministro ineficientes
y un mercado en constante cambio (por decir lo menos), lo cual ocasionó
que Zara hiciera frente a este problema.
Se utilizó una variedad de modelos de investigación de opera-
ciones para el rediseño y la implementación de un nuevo sistema de
\_.
de decisiones reemplazó todas las decisiones de inventario a nivel
tienda, lo que proporcionó resultados globalmente óptimos. Al tener
los productos adecuados en los sitios correctos en el momento apro-
piado para los clientes, se logró un incremento de las ventas entre 3 y
4% desde el inicio de su aplicación. Esto se tradujo en un aumento en
los ingresos de más de $230 millones en 2007 y más de $350 millones
en 2008. ¡Piensen en eso fashionistas!
Fuente: Basado en F. Caro, J. Gallien, M. Díaz, J. García, J. M. Corredoira,
M. Montes. J. A. Ramos y J. Correa. "Zara Uses Operations Research to Re-
engineer lis Global Distribution Process", Interfaces 40. 1 (enero-febrero de
2010): 71-84.

Costo de pedido anual = (Número de pedidos realizados al año) X (Costo de pedido por orden)
Demanda anual
X (Costo de pedido por orden)
Número de unidades en cada pedido
D
= — Co

Costo anual de almacenamiento = (Inventario promedio) X (Costo de almacenamiento por unidad anual)
Cantidad de pedido
X (Costo de almacenamiento por unidad anual)
2

= —
Q Ch

En la figura 6.3, se muestra una gráfica del costo de almacenamiento, el costo de pedido y el total de estos
dos costos. El punto más bajo de la curva de costo total se produce cuando el costo de pedido es igual al
costo de almacenamiento. Por lo tanto, para minimizar los costos totales ante esta situación, la cantidad de
pedido debería ser aquella donde ambos costos son iguales.

FIGURA 6.3
Costo total en función de Costo
la cantidad de pedido Curva de costo total
de pedido y
almacenamiento

Costo
total
mínimo
Curva de costo
de almacenamiento
Curva de costo de pedido

Cantidad Cantidad de pedido

de pedido
óptima
194 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS

Determinación de la EOQ
La ecuación de la EOQ se obtiene Cuando se cumplen los supuestos de la EOQ, el cost total se minimiza si:
al igualar el costo de pedido con
el costo de almacenamiento. Costo de almacenamiento anual = Costo de pedido anual

— Ch = co
2

Cuando despejamos Q, obtenemos la cantidad óptima de pedido:

Q2 Ch = 2DC„,
Q, 2DC,
Ch

Q= V2Dco
Ch

Con frecuencia, esta cantidad óptima de pedido se denota mediante Q•. Por consiguiente. la cantidad eco-
nómica de pedido está dada por la siguiente fórmula:

2DC,
EOQ =
\1 Ch
Esta fórmula de la EOQ es la base de muchos modelos más avanzados, algunos de los cuales se analizan
más adelante en este capítulo.

Modelo de la cantidad económica de pedido (EOQ)

D
Costo de pedido anual = — Co (6-2)

Costo de almacenamiento anual = 2 Ch (6-3)

2DC,,
EOQ = = (6-4)
Ch

Ejemplo de la compañía Sumco Pump

Sumco, una empresa que vende carcasas para bomba a otros fabricantes, desearía reducir sus costos de
inventario, mediante la determinación del número óptimo de carcasas para bomba a obtener por pedido. La
demanda anual es de 1,000 unidades, el costo de pedido es de $10 por pedido y el costo promedio de alma-
cenamiento por unidad anual es de $0.50. A partir de estas cifras, si se cumplen los supuestos de la EOQ,
podemos calcular el número óptimo de unidades por pedido:

Q„ i2DC,
Ch
2(1,000)(10)
V 0.50
4 ,000
= 200 unidades

El costo de inventario anual total correspondient es la suma de los costos de pedido y los costos de
almacenamiento:
Costo anual total = Costo de pedido + Costo de almacenamiento
 6.4 CANTIDAD ECONÓMICA DE PEDIDO: DETERMINACIÓN DE LA CANTIDAD A ORDENAR 195

El costo de inventario anual total En términos de las variables del modelo, el costo total (CT) se expresa ahora como
es igual al costo de pedido más el
costo de almacenamiento para Q
CT = — C, + — Ch (6-5)
el modelo de la EOQ simple. Q 2

El costo de inventario anual total para Sumco se calcula de la siguiente manera:

D
— C, + Q
CT = Q — Ch
2
1,000 200
(10) + — (0.5)
200
= $50 + $50 = $100

El número de pedidos al año (DIO es 5, y el inventario promedio (Q/2) es 100.

Como era de esperarse, el costo de pedido es igual al costo de almacenamiento. Es posible que desee
probar diferentes valores de Q, como 100 o 300 bombas. Encontrará que el costo total mínimo se produce
cuando Q es igual a 200 unidades. La EOQ, Q es de 200 bombas.

USO DE EXCEL PARA PROBLEMAS BÁSICOS DE INVENTARIO CON EOQ El ejemplo de la compañía
Sumco Pump, y una variedad de problemas de inventario que estudiamos en este capítulo, pueden resol-
verse con facilidad mediante Excel QM. El programa 6.1A muestra los datos de entrada para Sumco y
las fórmulas de Excel necesarias para el modelo de la EOQ. El programa 6.1B contiene la solución a este
ejemplo, incluyendo la cantidad óptima de pedido, el nivel máximo de inventario, el nivel de inventario
promedio y el número de pedidos u órdenes.

Costo de compra de los artículos en inventario

En ocasiones, la expresión para el costo total de inventario se escribe de modo que incluya el costo real del
material comprado. Con los supuestos de la EOQ, el costo de compra no depende de la política de pedidos
específica que resultó ser óptima, porque independientemente del número de pedidos realizado cada año,
se sigue incurriendo en el mismo costo de compra anual de D X C, donde C es el costo de compra por uni-
dad y D es la demanda anual en unidades.*

PROGRAMA 6.1A A c
Datos de entrada y com• n
2 Introduzca aquí la tasa de demanda, el costo
fórmulas de Excel QM 3
4 de pedido, el costo de almacenamiento y, si
para el ejemplo de la 5 está disponible, el precio unitario.
compañía Sumco Pump 6
7 Data
8 Demand rata. O
9_ dTdenng cost, S EalgrA~~i
10. 19olcing cosí. II
1.1 DM e. P 01.1~~1

13 Results
14, Dlisnal Order.1:1t.~I~rBBI39/13
15 Maximum Inventory X14
16_ ..Werage
/ Inventory =1314/2
17 biombo< ol Orders =138/614
18
19 Hoidrng cost :.tquí se da el costo unitario total.
20 Setup cost
21
22 Unit costs 14311'88
23 Total cosí. T, 4319+8200322

Más adelante en este capítulo, se analiza el caso donde el precio puede afectar la política de pedidos; es decir, cuando se
ofrecen descuentos por cantidad.
196 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS

PROGRAMA 6.1B A [.} E F O

Solución de Excel QM Su mco Punip Company

2
para el ejemplo de la 3 liiventory Economtc Order Quantoy Morid
compañía Sumco Pump 4 gligil~

7 Data —
8 Domad tate. D 1000
P—011efino post s 10
10n9 .cosí. 0.5 (fixed arnount)
11 Gral price, P O
12 Inventory: Cost vs Quantity
13 Results
14 Optima' Orear Ouanoty, 0' 200 450
15 Maximum Inventin 200 400
15 ik,urage Inventory 100 350 - setup COSI
1/ Number Orders 5 — 300
e 250
18 I 200 HOldin COSI
19 Holding cosí _ 550.00 o 150
20 Setup cosi _ 550.00 100 - Total CCVII
21 50
22 Unit coses T $0.00 o
25 115 205 295
23 Total cosí. T. i 5100.00
Order fitY (0)
25 Aquí se calcula el costo tota que incluye los
76
costos de almacenamiento y de pedido, así
lomo el precio unitario, si éste se proporcionay

1 es el costo anual de mantener
inventarios como un porcentaje
del costo unitario.
Es útil saber cómo se calcula el nivel de inventario promedio en términos monetarios, cuando se pro-
porciona el precio unitario. Esto puede hacerse de la siguiente manera. Si la variable Q representa la can-
tidad de unidades ordenadas, y se supone un costo unitario de C, podemos determinar el valor monetario
promedio del inventario:
(CQ)
Nivel monetario promedio = (6-6)
2
Esta fórmula es similar a la ecuación 6-1.
Los costos por mantener inventario para muchos negocios e industrias también se expresan frecuen-
temente como un porcentaje anual sobre el costo o precio unitario. Cuando esto es así, se introduce una
nueva variable. Sea / el cargo anual por mantener inventario como porcentaje del precio o el costo unitario.
Entonces el costo de almacenar una unidad de inventario para el año, Ch, está dado por Ch =1C, donde C
es el precio unitario o el costo de un artículo en inventario. En este caso, Q* se expresa como

V2DG
(6-7)
IC

Análisis de sensibilidad con el modelo (ile la EOQ

El modelo de la EOQ supone que todos los valores e entrada son fijos y se conocen con certeza. Sin em-
bargo, dado que estos valores suelen ser estimados o pueden cambiar con el tiempo, es importante entender
cómo puede cambiar la cantidad de pedido si se utilizan valores de entrada diferentes. La determinación de
los efectos de estos cambios se denomina análisis d sensibilidad.
La fórmula de la EOQ se da como sigue:

,,
EOQ = V
J2DC
Ch

Debido a la raíz cuadrada en la fórmula, cualquier cambio en las entradas (D, Co, Ch) dará lugar a cambios
relativamente menores en la cantidad óptima de pedido. Por ejemplo, si Co aumentara en un factor de 4,
la EOQ sólo aumentaría en un factor de 2. Conside1e el ejemplo de Sumco que se acaba de presentar. La
EOQ para esta compañía es:

V2(1,000)(10)
EOQ = = 200
0.50
 6.5 PUNTO DE REORDEN: DETERMINACIÓN DE CUANDO HACER UN PEDIDO 197

Si aumentamos Co de $10 a $40,

V2(1,000)(40) — 400
EOQ =
0.50

En general, la EOQ cambia por la raíz cuadrada de un cambio en cualquiera de las entradas.

6.5 Punto de reorden: determinación de cuándo hacer un pedido

El punto de reorden (ROP)
determina cuándo ordenar
inventario. Se encuentra al
multiplicar la demanda diaria
por el tiempo de entrega en días.
Ahora que hemos decidido cuánto ordenar, nos enfocaremos en la segunda pregunta sobre el inventario:
cuándo ordenar. Con frecuencia, el tiempo entre la colocación y la recepción de un pedido, llamado el
tiempo de entrega o plazo de recepción, es de un par de días o incluso de unas cuantas semanas. Debe
existir inventario disponible para satisfacer la demanda durante ese tiempo, y el inventario puede poseerse
ahora mismo o haberse ordenado, sin haberlo recibido aún. El total de éstos se llama la posición de inven-
tario. Por lo tanto, la decisión de cuándo ordenar se expresa generalmente en términos de un punto de
reorden (ROP, reorder point), la posición de inventario en la cual se debería colocar un pedido. El ROP
se da como
ROP = (Demanda por día) X (Tiempo de entrega en días para un nuevo pedido)
=dXL (6-8)

En la figura 6.4, se presentan dos gráficas que muestran el ROP. Uno de ellos tiene un tiempo de entrega
relativamente corto, mientras que el otro tiene uno más grande. Cuando la posición de inventario llega
al ROP, es necesario colocar una nueva orden. Mientras se espera que llegue ese pedido, la demanda se

FIGURA 6.4 Nivel de

Gráficas del punto inventario
de reorden

ROP

Tiempo
Tiempo de entrega = L
ROP <

Nivel de
á
inventario
En pedido

Disponible

Tiempo
Tiempo de entrega = L
ROP >
198 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS
6.6 EOQ sin el supuesto de recepción instantánea
El modelo de corrida de la
producción elimina el supuesto
de recepción instantánea.
FIGURA 6.5
Control del inventario y
el proceso de producción
satisfará con el inventario actualmente disponible o co el inventario que ya se ha pedido, pero que llegará
cuando el inventario disponible alcance el nivel de cer . Veamos un ejemplo.
EJEMPLO DE LOS CHIPS DE COMPUTADORA DE ROCOMP La demanda de Procomp de chips de
computadora es de 8,000 por año. La compañía cien una demanda diaria de 40 unidades, y la cantidad
de pedido es de 400 unidades. La entrega de un pedido tarda tres días hábiles. El punto de reorden para
los chips se calcula de la siguiente manera:
ROP = d X L = 40 uni1
ades por día X 3 días
= 120 unidades
Por lo tanto, cuando las existencias de chips en el inventario se reducen a 120, es necesario colocar una
orden. El pedido llegará tres días más tarde, al mismo tiempo que las existencias de la compañía alcanzan
un nivel de 0. Dado que la cantidad de pedido es de 400 unidades, el ROP es simplemente el inventario
disponible. Ésta es la situación que se presenta en la primera gráfica de la figura 6.4.
Suponga que el tiempo de entrega de los chips del computadora para Procomp es de 12 días en vez de
3 días. El punto de reorden sería:
ROP = 40 unidades por día X 12 días
= 480 unidades
Dado que el nivel máximo de inventario disponible es la cantidad de pedido, 400 unidades, una posición de
inventario de 480 sería:
Posición de inventario = (Inventario disponible) + (Inventario en pedido)
480 = 80 + 400
Por lo tanto, sería necesario colocar una nueva orden cuando el inventario disponible cayera a 80, al tiempo
que habría otro pedido en tránsito. La segunda gráfic de la figura 6.4 ilustra este tipo de situación.
Cuando una compañía recibe su inventario a lo largo de un periodo de tiempo, necesita un nuevo mo-
delo que no utilice el supuesto de recepción instantánea de inventario. Este nuevo modelo es aplicable
cuando de forma continua el inventario fluye o se acumula durante un periodo de tiempo, después de haber
realizado un pedido, o cuando se producen y se venden unidades al mismo tiempo. En tales circunstan-
cias, debe tomarse en cuenta la tasa de demanda diaria. La figura 6.5 muestra los niveles de inventario en
función del tiempo. Debido a que este modelo es especialmente adecuado para el entorno de producción,
comúnmente se denomina modelo de corrida de la producción.
En este modelo, en vez de tener un costo de pedido, habrá un costo de instalación. Éste es el costo
por preparar la planta de producción para fabricar el producto deseado. Normalmente incluye los sueldos
y salarios de los trabajadores que son responsables de configurar los equipos, los costos de ingeniería y di-
seño para realizar la configuración, el papeleo, los suministros, los servicios públicos, etcétera. El costo de
almacenamiento por unidad se compone de los mismos factores que en el modelo de la EOQ tradicional,
aunque la ecuación del costo anual de almacenamiento se modifica debido a un cambio en el inventario
promedio.
Nivel de
inventario 'arte del ciclo del inventario Licitante esta parte del ciclo
durante el cual se realiza / del inventario. no hay
la producción / producción
Inventario
máximo
Tiempo
t --1

La resolución del modelo de corrida
de la producción implica igualar los
costos de instalación con los costos
de almacenamiento y despejar Q.
El nivel máximo de inventario
en el modelo de producción es
inferior a Q.
6.6 EOQ SIN EL SUPUESTO DE RECEPCIÓN INSTANTÁNEA 199
La cantidad de producción óptima se puede obtener al igualar los costos de instalación con los
costos por mantener inventarios para, después, despejar la cantidad de pedido. Comenzaremos por
el desarrollo de la expresión para los costos de almacenamiento. Sin embargo, deberíamos tener en
cuenta que la igualación del costo de instalación con el costo de almacenamiento no siempre garantiza
soluciones óptimas para modelos más complejos que el modelo de corrida de la producción.
Costo anual de almacenamiento para el modelo de corrida de la producción
Al igual que con el modelo de la EOQ, los costos de almacenamiento del modelo de corrida de la produc-
ción se basan en el inventario promedio y éste es la mitad del nivel máximo de inventario. Sin embargo,
dado que la reposición del inventario se produce durante un periodo de tiempo y la demanda continúa du-
rante este tiempo, el inventario máximo será menor que la cantidad de pedido Q. Es posible desarrollar la
expresión del costo anual de almacenamiento utilizando las siguientes variables:
Q = número de piezas por orden, o corrida de la producción
Cs = costo de instalación
Ch = costo de almacenamiento por unidad por año
p = tasa de producción diaria
d = tasa de demanda diaria
t = duración de corrida de la producción en días
El nivel máximo de inventario es el siguiente:
(Total producido durante la corrida de la producción) — (Total utilizado durante la corrida de la producción)
= (Tasa de producción diaria)(Número de días de producción)
— (Demanda diaria)(Número de días de producción)
= (PI) — (dt)
Dado que
total producido = Q = pt,
sabemos que
Q
t=—
Q
Nivel máximo de inventario = pt — dt = p — — d —
Q
= Q (1 — —
P P
Dado que el inventario promedio es la mitad del máximo, tenemos
Q
Inventario promedio = — — —
d) (6-9)
p
Y
Costo anual de almacenamiento = Q
— d )Ch
—— (6-10)
p
Costo anual de instalación o costo anual de pedido
Cuando un producto se fabrica a través del tiempo, el costo de instalación reemplaza al costo de pedido.
Ambos son independientes del tamaño de pedido y del tamaño de corrida de la producción. Este costo es
simplemente el número de pedidos (o corridas de la producción) por el costo de pedido (costo de instala-
ción). Así,
Costo anual de instalación = — CS (6-11)
Q
Y
Costo anual de pedido = — o (6-12)
Q
200 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS

Determinación de la cantidad óptima de producción

Cuando se cumplen los supuestos del modelo de co da de la producción, los costos se minimizan si el
costo de instalación es igual al costo de almacenarnien . Es posible encontrar la cantidad óptima al igualar
estos costos para después despejar Q. Por lo tanto,
Costo anual de almacenamiento = Costo anual de instalación

2
Q 1 - h =Q s

Ésta es la fórmula para la cantidad Cuando encontramos el valor de Q, obtenemos la cantidad óptima de producción (Q*):
óptima de producción. Observe la
2DC,
similitud con el modelo básico Q" = (6-13)
de la EOQ.
Ch (1 —

Cabe señalar que si la situación no implica producción, sino más bien consiste en la recepción de inventa-
rio en forma gradual durante un periodo de tiempo, la aplicación de este mismo modelo es adecuada, pero
en la fórmula Co sustituye a Cs.

Modelo de corrida de la producción

d CC,,
Costoanual de almacenamiento = 1 (1 — —
2 p
D
Costo anual de instalación = — cs
Q
2DC,
Cantidad óptima de producción Q* =
C —
P/

Ejemplo de Brown Manufacturing

Brown Manufacturing produce unidades de refrigeración comercial por lotes. La demanda estimada de la
empresa para el año es de 10,000 unidades. Cuesta alrededor de $100 configurar el proceso de fabricación,
y el costo de almacenamiento es de unos 50 centavos por unidad anual. Cuando se ha instalado el proceso
de producción, se pueden fabricar hasta 80 unidades de refrigeración a diario. Históricamente, la demanda
durante el periodo de producción ha sido de 60 unidades al día. Brown opera su área de producción de uni-
dades de refrigeración durante 167 días al año. ¿Cuántas unidades de refrigeración debería producir Brown
Manufacturing en cada lote? ¿Cuánto tiempo tiene que durar la parte de producción del ciclo mostrada en
la figura 6.5? A continuación se resuelve este problema:
Demanda anual =D 10,000 unidades
Costo de instalación = CS = $100
Costo de almacenamiento = Ch = $0.50 por unidad por día
Tasa de producción diaria = p = 80 unidades diarias
Tasa de demanda diaria = d = 60 unidades diarias

2DC,
1.Q• =
Ch —

/2 x 10,000 x 100
2. Q =
0.5 —

= 2MCIM0 — x/16,000,000
V 0.5( x /4)
= 4,000 unidades
PROGRAMA 6.2A Introduzca la tasa de demanda, el
A
Fórmulas en Excel QM y 'Brown Manufacturing costo de instalación y el costo de
datos de entrada para 2 almacenamiento. Tenga en cuenta que
3 ilaveneocy ~hm Oder Quantity Morid el costo de almacenamiento es una
el problema de Brown 4
cantidad monetaria fija en vez de un
Manufacturing 6 Data porcentaje del precio unitario.
7 Dernand tate, D 10000
8 'Setup cost, S 100
9 Holding cost, H 0.5 Introduzca la tasa de producción
10 Daily produchon rato, p 80 diaria y la tasa de demanda diaria
11 Daily demand rale, d 60
12 Una pece, P
13 /Calcula la cantidad de producción óptima. )
14 Resulta
15 OpOmal productlon quantrty. Q' =SQRT(?81118/89rSQ8T(610/(310.811))/
16 IlAaxlmum Inventan/ .81511.3104311y910
17 :Average Inventory
-(Determina el nivel máximo de inventario)
4316/2
18 tiumber afSetups 437
Calcula el número
19 . promedio de
20 et1olding cost =e1re configuraciones.
21 iSetup cost =818'
221-
23 ;Una coda =612'87 Determina los costos anuales
de almacenamiento y de
25 Total cosi.; .820.82114323 \ instalación.

PROGRAMA 6.2B A E
Soluciones de Excel QM Brown Manufacturing
para el problema de Production Quantity Mode'
Brown Manufacturing 2

6 Data
7 Demand rafe. D 10000
8 Setup cost, S 100
9 Holding cost. H 0.5 tfixed amourt)
10 Daily production tate. p 80
11 Daily dernand cate, d 60 Inventory: Cost vs Quantity
12 Unit price, P
13
1.200.00
11 Results
15 lOptimal production quantity. Q* ........ .... 4000 1,000.00
16 Maximum Inventory 1000 800.00 —Setup cost
17 Average Irrrentow 500 e 600.00
Hoinng cosi
18 :Number of Setups
19 I
2.5
y 400.00 -Total cost
20 Holding cosi 200.00
21 .Setup cost 0.00
22
23 Unit costs § (si
24
25 Total cosi. Tc Production Quantity (Q)
202 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS

Compañía de Fortune 100 mejora a política

EN ACCIÓN de inventarios para vehículos de s rvicio

reducir el inventario de piezas en cada camión, ya que esto representa

La mayoría de los fabricantes de electrodomésticos ofrecen repa-
ración a domicilio de los aparatos que se encuentran bajo garantía.
Una de estas compañías clasificada en Fortune 100 tenía alrededor
de 70,000 diferentes piezas que fueron utilizadas en la reparación de
sus electrodomésticos. El valor anual del inventario de esas piezas era
mayor a $7 millones. La empresa contaba con más de 1,300 vehículos
de servicio que eran enviados al recibir solicitudes de reparación. De-
bido al espacio limitado en estos vehículos, solían transportarse sólo
alrededor de 400 piezas en cada uno. Si un técnico de servicio llegaba
a reparar un electrodoméstico y no tenía la pieza necesaria (es de-
cir, ocurría un desabasto), se hacía un pedido especial que se recibía
por aire para que el técnico pudiera regresar y arreglar el aparato tan
pronto como fuera posible.
La decisión de qué piezas debían transportarse era un problema es-
pecialmente difícil. Se ideó un proyecto para encontrar una mejor ma-
nera de pronosticar la demanda de piezas e identificar cuáles de ellas
deberían almacenarse en cada vehículo. En un inicio, la intención era
un costo importante por mantener inventarios. Sin embargo, tras un
análisis más detallado, se decidió que el objetivo debería ser la minimi-
zación del costo general, incluyendo los costos de las entregas especia-
les de piezas, de las dobles visitas al cliente si la pieza de repuesto no
estaba inicialmente disponible y de la satisfacción general del cliente.
El equipo del proyecto ha mejorado el sistema de pronósticos uti-
lizado para proyectar el número de piezas necesarias en cada vehículo.
Como resultado, el número real de piezas conservadas en cada auto-
móvil aumentó. Sin embargo, el número de reparaciones en la primera
visita se incrementó de 86 a 90%. Esto resultó en un ahorro de $3
millones al año en el costo de estas reparaciones. También mejoró la
satisfacción del cliente, debido a que el problema se resolvía sin que el
técnico de servicio tuviera que volver una segunda vez.
Fuente: Basado en Michael E Gorman y Sanjay Ahire. "A Major Appliance
Manufacturer Rethinks Its Inventorv Policies for Service Vehicles", Interfaces
36, 5 (septiembre-octubre de 2006): 407-4 I 9.

6.7 Modelos de descuento por cantidad

En el desarrollo del modelo de la EOQ, se supuso que no existían descuentos por cantidad. Sin embargo,
muchas empresas ofrecen este tipo de opción. Si existe la posibilidad de un descuento y se cumplen todos
los demás supuestos de la EOQ, es posible encontrar la cantidad que minimiza el costo total del inventario
mediante el modelo de la EOQ con ciertos ajustes.
Cuando existen descuentos por cantidad, el costo de adquisición o costo de material se convierte en
un costo relevante. puesto que cambia con base en la cantidad ordenada. Los costos totales correspondien-
tes son los siguientes:

Costo total = Costo de material + Costo de pedido + Costo de almacenamiento

D Q
Costo total = DC + — C0 + — (6-14)
Q 2

donde

D = demanda anual en unidades

C, = costo de pedido por cada orden
C = costo por unidad
Ch = costo de almacenamiento por unidad anual

Dado que el costo de almacenamiento por unidad anual se basa en el costo de los artículos, es conveniente
expresarlo como
Ch = IC
donde
/ = costo de almacenamiento como un porcentaje del costo unitario (C)

El objetivo general del modelo
de descuentos por cantidad es
minimizar los costos de inventario
totales, que ahora incluyen los costos
de materiales reales.
Para un costo de compra específico (C), dados los supuestos que hemos realizado, colocar el pedido de la
EOQ minimizará los costos totales de inventario. Sin embargo, en la situación de descuento, esta cantidad
quizá no sea suficientemente grande como para obtener un descuento; por ello, también se debe considerar
la orden de esta cantidad mínima para el descuento. En la tabla 6.3, se muestra un programa típico de des-
cuentos por cantidad.
Como se observa en la tabla, el costo normal del artículo es $5. Cuando se piden de 1,000 a 1,999
unidades a la vez, el costo por unidad se reduce a $4.80, y cuando la cantidad pedida a la vez es de
2,000 unidades o más, el costo es de $4.75 por unidad. Como siempre, la administración debe decidir
cuándo y cuánto ordenar. Pero con descuentos por cantidad, ¿cómo debería el administrador tomar estas
decisiones?
 6.7 MODELOS DE DESCUENTO POR CANTIDAD 203

TABLA 6.3
NÚMERO DE CANTIDAD PARA DESCUENTO COSTO (:()N
Programa de descuentos DESCUENTOS DESCI:ENTO t %) DESCUENTO (S)
por cantidad
1 0 a 999 0 5.00
2 1,000 a 1,999 4 4.80
3 2,000 y más 5 4.75

Al igual que con otros modelos de inventario analizados hasta ahora, el objetivo general será minimi-
zar el costo total. Debido a que el costo unitario del tercer descuento en la tabla 6.3 es el más bajo, usted
podría verse tentado a pedir 2,000 unidades o más para aprovechar el costo inferior del material. Sin em-
bargo, colocar un pedido por esa cantidad con el mayor descuento en el costo podría no minimizar el costo
total del inventario. A medida que aumenta la cantidad de descuento, el costo del material disminuye, pero
los costos de almacenamiento se incrementan porque los pedidos son grandes. Por lo tanto, la principal
disyuntiva al considerar descuentos por cantidad está entre la reducción del costo de material y el aumento
del costo de almacenamiento.
En la figura 6.6, se proporciona una representación gráfica del costo total para esta situación. Observe
que la curva de costo disminuye considerablemente cuando la cantidad de pedido alcanza el mínimo para
cada descuento. Con los costos específicos de este ejemplo, vemos que la EOQ para la segunda categoría
de precio (1,000 s Q 1,999) es inferior a 1,000 unidades. Aunque el costo total para esta EOQ es menor
que el costo total de la EOQ con el costo de la categoría 1, la EOQ no es suficientemente grande como para
obtener este descuento. Por consiguiente, el costo total más bajo posible para este descuento se produce en
la cantidad mínima necesaria para obtener el descuento (Q = 1,000). El proceso para determinar la canti-
dad de costo mínimo en esta situación se resume en el siguiente cuadro.

Modelo de descuentos por cantidad

2DC,,
1. Para cada precio con descuento (C), calcule la EOQ =
\1 IC •
2. Si la EOQ < Mínimo para el descuento, ajuste la cantidad a Q = Mínimo para el descuento.

3. Para cada EOQ o Q ajustada, calcule el costo total = DC +

Q- C° + Ch .
4. Elija la cantidad de menor costo.

FIGURA 6.6
Curva de costo total para Costo A Curva de CT para
el modelo de descuento total el descuento 3
S
por cantidad
Curva de CT para
el descuento 1

Curva de CT para el descuento 2

EOQ para el descuento 2

0 1,000 2,000

Cantidad de pedido
204 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS

EN ACCIÓN Intel mejora sus operaciones de inventario

el sistema MEI° redujo los niveles de inventario globales en aproxima-

F rente a los altos costos de distribución, Intel abordó el análisis
cuantitativo para diseñar, construir y poner en práctica un sistema
damente 11%, sin sacrificar los plazos de entrega, mejoró los nive-
les de servicio en ocho puntos porcentuales, y logró una reducción en la
de optimización de inventarios multinivel (MEZO, multi-echelon in- magnitud de los costos de aceleración.
ventory optimization). El sistema se extendió por toda la cadena de
suministro global de Intel e incluye a sus proveedores, la logística
de terceros proveedores (3PL), sus distribuidores y minoristas, entre
otros. Debido a la complejidad inherente, el diseño y la construcción
del sistema en sí mismo tomó varios años. Fuente: Basado en B. Wieland, P. Mastrantonio, S. Willems y K. G. Kempf.
Sin embargo, como resultado, Intel fue capaz de optimizar sus ni- "Optimizing Inventory Levels within Inters Channel Supply Demand Opera-
veles de inventario en todo el mundo. Después de un año de operación, tions", Interfaces 42, 6 (noviembre-diciembre de 2012): 517-527.

Ejemplo de la tienda departamental Brass

A continuación veremos cómo se aplica este procedimiento mediante un ejemplo. La tienda departamental
Brass almacena automóviles de carreras de juguete. Recientemente, recibió un programa de descuentos
por cantidad para estos autos; en la tabla 6.3, se presenta el programa propuesto. Así, el costo normal de
los autos de juguete es de $5. Para pedidos entre 1,000 y 1,999 unidades, el costo unitario es de $4.80, y
para pedidos de 2.000 o más unidades, el costo unitario es de $4.75. Por otro lado, el costo de pedido es
de $49 por orden, la demanda anual es de 5,000 automóviles, y el cargo por almacenar inventario como un
porcentaje del costo, 1, es de 20% o 0.2. ¿Qué cantidad de pedido minimizará el costo total de inventario?
El primer paso es calcular la EOQ para todos los descuentos en la tabla 6.3, lo cual se hace de la si-
guiente manera:
(2)(5,000)(49)
EOQ = (0.2)(5.00) = 700 autos por pedido

(2)(5,000)(49)
Se calculan los valores de la EOQ. EOQ2 = = 714 autos por pedido
\/ (0.2)(4.80)
V(2)(5,000)(49)
EOQ3 = = 718 autos por pedido
(0.2)(4.75)

Se ajustan los valores de la EOQ.
El segundo paso es ajustar las cantidades que estén por debajo del rango de descuento permisible. Como la
EOQ1 está entre O y 999, no tiene que ser ajustada. La EOQ, está por debajo del rango permisible de 1,000
a 1,999 y, por lo tanto, debe ajustarse a 1,000 unidades. Lo mismo ocurre para la EOQ3: debe ajustarse a
2,000 unidades. Después de este paso, es necesario probar las siguientes cantidades de pedido en la ecua-
ción de costo total:
Q1 = 700
Q2 = 1,000
Q3 = 2,000

El tercer paso es usar la ecuación 6-14 y calcular un costo total para cada una de las cantidades de pedido.
Se calcula el costo total. Esto se logra con la ayuda de la tabla 6.4.

TABLA 6.4 Cálculos del costo total para la tienda departamental Brass

COSTO ANUAL COSTO) DE

COSTO ANUAL DE DE PEDIDO MANTENIMIENTO
NÚMERO PRECIO CANTIDAD
UNITARIO DE PEDIDO MATERIAL Q
DE DES- ($) = Co ($
CUENTOS (CV ($).= DC TOTAL ($)
•
1 $5.00 700 25,000 350.00 350.00 25,700.00
2 4.80 1,000 24,000 245.00 480.00 24,725.00
3 4.75 2,000 23,750 122.50 950.00 24,822.50
 6.7 MODELOS DE DESCUENTO POR CANTIDAD 205

El cuarto paso es seleccionar la cantidad de pedido con el menor costo total. En la tabla 6.4, se ob-
serva que una cantidad de pedido de 1,000 autos de carreras minimiza el costo total. Sin embargo, debería
Se selecciona la Q*. tenerse en cuenta que el costo total por ordenar 2,000 autos es sólo ligeramente mayor que el costo total
por ordenar 1,000. Por lo tanto, si el tercer costo de descuento baja a $4.65, por ejemplo, esta cantidad de
pedido sería la que minimice el costo total de inventario.

USO DE EXCEL QM PARA PROBLEMAS CON DESCUENTOS POR CANTIDAD Como pudo verse en
el análisis anterior, el modelo de descuentos por cantidad es más complejo que los modelos de inventario
estudiados hasta ahora en este capítulo. Por fortuna, podemos usar la computadora para simplificar los
cálculos. En el programa 6.3A, se muestran las fórmulas de Excel y los datos de entrada necesarios en
Excel QM para el problema de la tienda departamental Brass. En el programa 6.3B, se proporciona la solu-
ción al problema, incluyendo las cantidades ajustadas y los costos totales para cada nivel de precio.

PROGRAMA 6.3A A ...............E......,........._.._. F

Brass Department Store 'i
ntroduzca la tasa de demanda, el costo
Fórmulas y datos de de instalación y el costo de almacenamiento/
entrada en Excel QM . nvesí .
1 QuanolyDisccont
4
'Introduzca el programa de descuentos
para el problema 5 Data
6 Deward ratesp_ 5000 por cantidad y los precios unitarios para
con descuentos por T. ~coakt 49 jcada nivel de precio.
8 1,1~ cosi 95.1 0.2
cantidad de la tienda 9 1

departamental Brass 10 Ranga 1 Rango 2 (-

Calcula la cantidad de pedido
11 11~^ o 000
para cada nivel de precio y los
12 Día ac.,P 5 .8 4.
75
13 justa hacia arriba, si es necesario.,
14 itisults
15 .810 10 4D10 I-
—
16 EOl (Squas root formas) =SORT(21)35618$74585r1312» ~(2-9356•5857/(5858-812)) oizrcrsass-sasNsess- Determina los costos
17 Orden Quantay .F(1316>A911.816.1311) .4F(C16,11,C16.811) F(316.".1911,016.011)
18
de instalación y
19 Holding cost ..11:.7rtehr0•121,2/1 17'5858012/2 •=1)17'SE1581312/2 -- almacenamiento.
20 Setup cosi (Determina la cantidad - 1 716S6/C17 ---- 311711356/017
21 Determina el costo total
22 fitit costs óptima ordenada, Q*. ) 175855 D12'5856
23 de cada nivel de precio.
24 Total cosi, T. 4319032044322 =C19443204C22 ::19-1020.822 Ihnirnurn Cosi: .4484(324:024)
25 Optima' Oder Quarialy, siF(5124.5F521,817,D_ - 4F(024.SF524.017,—)

PROGRAMA 6.3B A o E
Soluciones en Excel Brass Department Store
2
QM para el problema 3 Inventor" Quantity Descount Model
4
con descuentos por 5 Data
cantidad de la tienda 6 Demand rata. D 5000
7 Setup cost, S 49
departamental Brass 8 Holding cost 51, 20%

Range 1 Range 2 Ronce 3

11Viriostmgyantiy o 1000 2000
12 Una price, P 5 4.8 4.75
13
14 "itesults
15 Rine I Range 2 Range 3
'0 E004(Square root formula) 700 714.4345083 718 1848465
17 : Ordeibtiantoty 700 1000 2000
18
19 li--foílnicost 5350.00 5480.00 5950.00
•;c1 Setup cosí 5350.00 5245 00 5122.50
21
22 U 'Id costS:_ . 525,00100 524,000 00 523.750 09
23
24 ; Total cosi. ; 525.700,00 524.725.00 524.822.50 Mimmum Con? 524.725 00
Ortmal Oder Quantilv. 1000
206 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS
6.8 Uso del inventario de seguridad
El inventario de seguridad ayuda
a evitare! desabasto. Consiste en
conservar inventario adicional
disponible.
FIGURA 6.7
Uso del inventario
de seguridad
Cuando se cumplen los supuestos de la EOQ, es posi le programar los pedidos de modo que eviten por
completo el desabasto. No obstante, si la demanda o el tiempo de entrega son inciertos, la demanda exacta
durante el tiempo de entrega (que es el ROP en la sito ión de EOQ) no se conoce con certeza. Por lo tanto,
para evitar desabasto, es necesario conservar existenci adicionales llamadas inventario de seguridad.
Cuando la demanda es inusualmente alta durante el tiempo de entrega, se acude al inventario de segu-
ridad en vez de encontrarse con un desabasto. Por lo tanto, el objetivo principal del inventario de seguridad
es evitar desabasto cuando la demanda es mayor de lo esperado. Su uso se muestra en la figura 6.7. Ob-
serve que, aunque los desabastos se pueden evitar con frecuencia mediante el uso del inventario de seguri-
dad, aún existe una posibilidad de que aquéllos puedan producirse. La demanda puede ser tan alta que todo
el inventario de seguridad se agote, por lo que seguiría habiendo un desabasto.
Una de las mejores formas de implementar una política de inventarios de seguridad es ajustar el pun-
to de reorden. En la situación de la EOQ, donde la demanda y el tiempo de entrega son constantes, el punto
de reorden es simplemente la cantidad de inventario que se utilizaría durante el tiempo de entrega (es decir,
la demanda diaria por el tiempo de entrega en días). Se supone que esto se conoce con certeza, por lo que
no hay necesidad de hacer un pedido cuando la posición del inventario es más alta que esta cantidad. Sin
embargo, cuando la demanda diaria o el tiempo de entrega fluctúan y son inciertos, la cantidad exacta de
inventario que se utilizará durante el tiempo de entrega es incierta. En tales situaciones se debe calcular el
uso del inventario promedio durante el tiempo de entrega y agregarle un poco de inventario de seguridad
para evitar desabasto. El punto de reorden se convierte en
ROP = (Demanda promedio durante el tiempo de entrega) + (Inventario de seguridad)
ROP = (Demanda promedio durante el tiempo de entrega) + IS (6-15)
donde
IS = inventario de seguridad
Inventario
disponible
O unidades
Tiempo
Desabasto
Inventario
disponible
Inventario de
seguridad. IS
.---- Se evita el desabast,
O unidades
Tiempo

El inventario de seguridad está
incluido en el ROP.
6.8 USO DEL INVENTARIO DE SEGURIDAD 207
La única pregunta que queda por responder es cómo se determina el tamaño correcto del inventario
de seguridad. Dos factores importantes en esta decisión son el costo de desabasto y el costo de almace-
namiento. Por lo general, el costo de desabasto implica la pérdida de ventas y el daño a la reputación,
lo que resulta en pérdida de ventas futuras. Si el costo de almacenamiento es bajo, mientras que el costo
de desabasto es alto, es recomendable conservar una gran cantidad de inventario de seguridad para evi-
tar desabasto, ya que cuesta muy poco conservarlo; mientras que el desabasto resulta caro. Por otro lado,
si el costo de desabasto es bajo, pero el costo de almacenamiento es alto, sería preferible un inventario de
seguridad menor, ya que un desabasto costaría muy poco, pero el exceso de inventario de seguridad daría
lugar a costos anuales de almacenamiento mucho mayores.
¿Cómo se determina el nivel óptimo del inventario? Si la demanda fluctúa, pero el tiempo de entrega
es constante, y se conocen tanto el costo de desabasto como el costo de almacenamiento unitario, es posi-
ble considerar el uso de una tabla de costo/beneficio. Con sólo un pequeño número de posibles valores de
demanda durante el tiempo de entrega, podría construirse una tabla de costos donde los diferentes niveles
posibles de demanda serían los estados de la naturaleza, y los distintos tamaños del inventario de seguridad
serían las alternativas. Con base en las técnicas descritas en el capítulo 3, podría calcularse el costo espe-
rado para cada nivel del inventario de seguridad, y sería posible encontrar la solución de costo mínimo.
No obstante, un enfoque más general consiste en determinar el nivel de servicio que se desea y, des-
pués, encontrar el nivel del inventario de seguridad que podría lograr esto. Un administrador prudente toma
en cuenta el costo de almacenamiento y el costo de desabasto para ayudar a determinar un nivel de servicio
adecuado. El nivel de servicio indica qué porcentaje del tiempo se cumple con la demanda de los clientes.
En otras palabras, el nivel de servicio es el porcentaje de tiempo que evita los desabastos. Así,
Nivel de servicio = 1 — Probabilidad de un desabasto
o
Probabilidad de un desabasto = 1 — Nivel de servicio
Una vez establecido el nivel de servicio deseado, la cantidad del inventario de seguridad a conservar puede
encontrarse mediante la distribución de probabilidad de la demanda durante el tiempo de entrega.
INVENTARIO DE SEGURIDAD CON LA DISTRIBUCIÓN NORMAL La ecuación 6.15 proporciona la
fórmula general para determinar el punto de reorden. Cuando la demanda durante el tiempo de entrega
se distribuye normalmente, el punto de reorden se convierte en
ROP = (Demanda promedio durante el tiempo de entrega) (6-16)
donde
Z = número de desviaciones estándar para un nivel de servicio dado
TdLT = desviación estándar de la demanda durante el tiempo de entrega
Por lo tanto, la cantidad de inventario de seguridad es simplemente Zcraz. En el siguiente ejemplo se busca
determinar el nivel adecuado de inventario de seguridad, cuando la demanda durante el tiempo de entrega
se distribuye normalmente y se conocen la media y la desviación estándar.
EJEMPLO DE LA COMPAÑÍA HINSDALE La compañía Hinsdale mantiene una variedad de artículos
electrónicos en inventario, y éstos se identifican típicamente mediante su clave SKU. Un artículo en par-
ticular, el SKU A3378, tiene una demanda que se distribuye normalmente durante el tiempo de entrega,
con una media de 350 unidades y una desviación estándar de 10. Hinsdale quiere seguir una política que
implique la ocurrencia de desabastos sólo en 5% de los pedidos. ¿Cuánto inventario de seguridad se de-
bería mantener y cuál es el punto de reorden? La figura 6.8 ayuda a visualizar este ejemplo.
De la tabla de la distribución normal (apéndice A) tenemos que Z = 1.65:
ROP = (Demanda promedio durante el tiempo de entrega)7-- LrdLT
= 350 + 1.65(10)
= 350 + 16.5 = 366.5 unidades (o alrededor de 367 unidades)
Así que el punto de rcorden es 366.5, y el inventario de seguridad es de 16.5 unidades.
CÁLCULO DE LA DEMANDA Y LA DESVIACIÓN ESTÁNDAR EN EL TIEMPO DE ENTREGA Si no se
conocen la media y la desviación estándar de la demanda durante el tiempo de entrega, se deben calcular a
partir de la demanda histórica y de los datos del tiempo de entrega. Una vez encontradas, puede utilizarse
208 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS

FIGURA 6.8
Inventario de seguridad
y la distribución normal
5 del área de
la urva normal

IS

N. =350 X =?
= Demanda media = 350
(T = Desviación estándar . 10
X = Demanda media + Inventario de seguridad
IS = Inventario de seguridad = X-1.1 = Z(T
X -µ
=

la ecuación 6-16 para encontrar el inventario de seguridad y el punto de reorden. A lo largo de esta sec-
ción, se supondrá que el tiempo de entrega está en das,
1 aunque el mismo procedimiento se puede aplicar
a semanas, meses o cualquier otro periodo de tiemp . También se supondrá que si la demanda fluctúa, la
distribución de la demanda cada día es idéntica e independiente de la demanda en otros días. Si tanto la de-
manda diaria como el plazo de entrega fluctúan, se supone que éstos son independientes.
Existen tres situaciones a considerar. En cada una de las siguientes fórmulas del ROP, la demanda pro-
medio durante el tiempo de entrega es el primer término y el inventario de seguridad (Ziar) es el segundo
término.
1. La demanda es variable, pero el tiempo de entrnga es constante:

ROP = a'+ Z(crd1/7.,) (6-17)

donde
= demanda diaria xromedio
crd = desviación estándar de la demanda diaria
L = tiempo de entrega en días

2. La demanda es constante, pero el tiempo de entrega es variable:

ROP = dL + Z(do (6-18)

donde
= tiempo de entrega promedio
crz, = desviación estándar del tiempo de entrega
d = demanda diaria

3. Tanto la demanda como el tiempo de entrega son variables:

ROP = dL + lz(/Lcd + 22i) (6-19)

Observe que la tercera situación es el caso más g neral y los demás casos se pueden obtener de éste. Si
ya sea la demanda o el tiempo de entrega son cons antes, la desviación estándar y la varianza en este caso
sería 0, y el promedio sería simplemente igual a la antidad constante. Por lo tanto, la fórmula del ROP en
la situación 3 se puede simplificar como la fórmula del ROP dada para esa situación.

CONTINUACIÓN DEL EJEMPLO DE LA COMPAÑIA HINSDALE Hinsdale ha decidido determinar el

inventario de seguridad y el ROP para otros tres artículos: SKU F5402, SKU B7319 y SKU F9004.
Para el SKU F5402, la demanda diaria se distribuye normalmente, con una media de 15 unidades y
una desviación estándar de 3. El tiempo de entrega es exactamente 4 días. Hinsdale quiere mantener un ni-
vel de servicio de 97%. ¿Cuáles deberían ser el punto de reorden y el tamaño del inventario de seguridad?
 6.8 USO DEL INVENTARIO DE SEGURIDAD 209

Con base en el apéndice A, para un nivel de servicio de 97%, Z = 1.88. Puesto que la demanda es
variable, pero el tiempo de entrega es constante, encontramos que
ROP = dL + Z(o-d 1rt) = 15(4) + 1.88(3'1/4) = 15(4) + 1.88(6)
= 60 + 11.28 = 71.28

Así que la demanda promedio durante el tiempo de entrega es de 60, y el inventario de seguridad es 11.28
unidades.
Para el SKU B7319, la demanda diaria es constante en 25 unidades diarias, y el tiempo de entrega se
distribuye normalmente, con una media de 6 días y una desviación estándar de 3. Hinsdale quiere mantener
un nivel de servicio de 98% para este producto en particular. ¿Cuál es el punto de reorden?
A partir del apéndice A, para un nivel de servicio de 98%, Z = 2.05. Como la demanda es constante,
pero el tiempo de entrega es variable, encontramos
ROP = dL + Z(dcrL) = 25(6) + 2.05(25)(3) = 150 + 2.05(75)
= 150 + 153.75 = 303.75

Así que la demanda promedio durante el tiempo de entrega es de 150, y el inventario de seguridad es de
154.03 unidades.
Para el SKU F9004, la demanda diaria se distribuye normalmente, con una media de 20 unidades y
una desviación estándar de 4; y el tiempo de entrega se distribuye normalmente, con una media de 5 días
y una desviación estándar de 2. Hinsdale quiere mantener un nivel de servicio de 94% para este producto
en particular. ¿Cuál es el punto de reorden?
Con base en el apéndice A, para un nivel de servicio de 94%, Z = 1.55. Dado que tanto la demanda
como el tiempo de entrega son variables, encontramos

ROP = 2L + z(1/.L0-3 + d20) = (20)(5) + 1.55(N/5(4)2 + (20)2(2)2)

Se determina un tamaño del
inventario de seguridad para
cada nivel de servicio.
= 100 + 1.55V1761071
= 100 + 1.55(40.99)
= 100 + 63.53
= 163.53
Por lo que la demanda promedio durante el tiempo de entrega es de 100 y el inventario de seguridad es de
63.53 unidades.
A medida que aumenta el nivel de servicio, el inventario de seguridad se incrementa a un ritmo cada
vez mayor. En la tabla 6.5, se ilustra la forma en que el tamaño del inventario de seguridad cambiaría para
el ejemplo de Hinsdale Company (SKU A3378) de acuerdo con el nivel de servicio. Cuando aumenta el
tamaño del inventario de seguridad, también se incrementan los costos anuales de almacenamiento.

CÁLCULO DEL COSTO ANUAL DE ALMACENAMIENTO CON INVENTARIO DE SEGURIDAD Cuando

se cumplen los supuestos de la EOQ de demanda y tiempo de entrega constantes, el inventario promedio es
Q/2, y el costo anual de almacenamiento es (Q/2) Ch. Cuando se mantiene inventario de seguridad porque

TABLA 6.5
NIVEL, 1W VALOR DE Z EN LA TABLA INVENTARIO DE
Inventario de seguridad (2101('‹1 DE LA CURVA NORMAL SEGURIDAD (UNIDADES)
para el SKU A3378 con
diferentes niveles de
90 1.28 12.8
servicio 91 1.34 13.4
92 1.41 14.1
93 1.48 14.8
94 1.55 15.5
1.65 165
96 1.75 17.5
97 1.88 18.8
98 2.05 20.5
99 2.33 23.3
99.99 3.72 37.2
210 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS
El costo de almacenamiento aumenta
a un ritmo creciente a medida que se
incrementa el nivel de servicio.
FIGURA 6.9
Nivel de servicio contra
los costos anuales de
almacenamiento
la demanda fluctúa, se agrega el costo de almacenan ento de este inventario de seguridad al costo por
mantener el inventario regular con la finalidad de ob ner el costo total anual de almacenamiento. Si la
demanda durante el tiempo de entrega se distribuye n rmalmente y se utiliza un inventario de seguridad,
el inventario promedio sobre la cantidad de pedido (Q) sigue siendo Q/2, pero el tamaño promedio del in-
ventario de seguridad que se mantiene es simplemente 1 inventario de sepridad (IS) y no la mitad de esa
cantidad. Dado que la demanda durante el tiempo de e trega se distribuye normalmente, habría momentos
en los que el uso de inventarios durante el tiempo de entrega superaría la cantidad esperada y se usaría un
poco del inventario de seguridad. No obstante, es igual de probable que el uso de inventarios durante el
tiempo de entrega fuera menor que la cantidad esperada y la orden llegará aunque algunas existencias re-
gulares se sigan conservando, junto con todo el inventario de seguridad. Por lo tanto, en promedio, la com-
pañía siempre debería tener disponible esta cantidad de inventario de seguridad, con lo cual se aplicaría un
costo de almacenamiento al total. De lo anterior, tenemos
Costo total anual de almacenamiento = Costo de almacenamiento del inventario regular
+ Costo de almacenamiento del inventario de seguridad
Q (6-20)
CTA = — Ch (IS)Ch
donde
CTA = costo total anual de almacenamiento
Q = cantidad de pedido
C1, = costo de almacenamiento por unidad por año
IS = inventario de seguridad
En el ejemplo de Hinsdale para el SKU A3378, supongamos que el costo de almacenamiento es de $2 por
unidad anual. En la tabla 6.5, se muestra la cantidad de inventario de seguridad necesaria para alcanzar
diversos niveles de servicio. El costo por mantener el inventario de seguridad serían estas cantidades multi-
plicadas por $2 por unidad. Como se ilustra en la figura 6.9, este costo de almacenamiento aumentaría muy
rápidamente una vez alcanzado el nivel de servicio de 98 por ciento.
USO DE EXCEL QM PARA PROBLEMAS CON INVENTARIO DE SEGURIDAD Si desea utilizar Excel
QM para determinar el inventario de seguridad y el punto de reorden, seleccione Excel QM de la pestaña
Add-1ns y elija Inventory—Reorder Point/Safety Stock (normal distribution). Introduzca un título cuando
($)
80
Costos de almacenamiento de inventario ( $)
70
60
50
40
30
20
90 91 92 93 94 95 96 97 98 99 99.99 (%)
Nivel de servicio (%)
 6.9 MODELOS DE INVENTARIO DE UN SOLO PERIODO 211

PROGRAMA 6.4A
Fórmulas y entrada de datos en Excel QM para el problema del inventario de seguridad de Hinsdale

/La demanda promedio y la desviación (Si la demanda diaria se distribuye

1"' estándar durante el tiempo de entrega normalmente, pero el tiempo de
z ---- se introducen aquí, si están disponibles. ety 120,3$ :toles.' di,. entrega es constante, los datos se
iilaeeht~~
introducen aquí.
6 Monee CleSamil hely blidlime and as standard de,nallon grven

e Data Daga
5 Aya eso demand duma lead the, 3sg Ama*. dad dernand
10 Stand•IddeditiOn019,,, lo Standerd dedatkmof ddy demand.o. 3
5..wae ateel 0.1 ti demand me0 095 Leed une de"
SamvioefraeiEZ of derrundmet) 0.97
11
u Results
Si la demanda diaria y/o el tiempo de entregil •NORMSINV(H12)
duermo 10;4 time • H9-Ittl
se distribuyen normalmente, los datos se Stanclocd deatintion o£ demand ctuting load time. e. •H1ITSORT7_
introducen aquí. Si una o el otro es constante, Salety stook •1415-1117
Weneder Point ..nem vH18.11116
anote cero para la desviación estándar,
21
22 :Mochas: Eithet dally ~ad.
respectivamente. La desviación estándar 1111
a3 de la demanda durante
fData
31 Amas* dally demand 25 el tiempo de entrega
161 Standatd deviation oí dalla demand o Enter 0 II demand b oonstant
se calcula aquí.
11 I Amaste hilad ame Dr.d..vs) e
la IStandud d.uladn, oí 4.d time.ek, 3 Enter O O leed time le enastan.
• Sawoelevelí% el demand met) aso
• Results La desviación estándar de lá
demanda durante el tiempo
de entrega se calcula aquí.

PROGRAMA 6.4B --A—

Soluciones de Excel QM ( Solución al primer ejemplo de Hinsdale\

cuando se da la desviación estándar
para el problema del
de la demanda durante el tiempo de den,ind end tia standard
inventario de seguridad entrega.
de Hinsdale

20
ra
22114.241:kallme dalle feawad, wad tame
ase variable Solución al segundo ejemplo
$i Data
Avatage dedy demand
de Hinsdale donde la demanda
Standud de,oancna£ dad d diaria se distribuye normalmente.,
Avneerrleedrne In de
es Sudad devimon ot leed 7~6 «einem

30
tiernita _--(Solución al tercer ejemplo de
Hinsdale en el que la demanda
diaria es constante, pero el
tiempo de entrega se distribuye

aparezca la ventana de entrada y haga clic en OK. El programa 6.4A muestra la pantalla de entrada y las
fórmulas para los tres primeros ejemplos de Hinsdale Company. El programa 6.4B muestra la solución.

6.9 Modelos de inventario de un solo periodo

Hasta ahora, hemos considerado decisiones de inventario en las cuales la demanda continúa en el futuro
y posteriormente se colocarán pedidos del mismo producto. Existen algunos productos para los que se
toma la decisión de atender la demanda de un solo periodo, y los artículos que no se venden durante este
periodo de tiempo no tienen valor o poseen un valor muy reducido en el futuro. Por ejemplo, un perió-
dico diario no sirve para nada después de que se imprime la siguiente edición. Otros ejemplos incluyen
revistas semanales, programas impresos para eventos deportivos, ciertos alimentos preparados que tienen
una vida corta y alguna ropa de temporada que tienen un valor bastante reducido al final de cada estación.
212 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS

Con frecuencia, este tipo de problema se denomina pr lema del voceador o modelo de inventarios de un
solo periodo.
Por ejemplo, un restaurante grande podría ser de almacenar entre 20 y 100 cajas de rosquillas
(donas) para satisfacer una demanda que va de 20 a 00 cajas por día. Aunque esto podría modelarse
utilizando una tabla de pagos (vea el capítulo 3), serí analizar 101 posibles alternativas y estados de la
naturaleza, lo cual sería bastante tedioso. Un enfoque más sencillo para este tipo de decisión es utilizar el
análisis marginal o incremental.
Un enfoque para la toma de decisiones por medio la utilidad marginal y la pérdida marginal se llama
análisis marginal. La utilidad marginal (MP, marginal pmfit) es la utilidad adicional lograda si se alma-
cena y se vende una unidad adicional. La pérdida marginal (ML) es la pérdida que se produce cuando se
surte una unidad adicional, pero no se puede vender.
Cuando hay un número manejable de alternativas y estados de la naturaleza, y sabemos las probabi-
lidades para cada uno de éstos, se puede utilizar el análisis marginal con distribuciones discretas. Cuando
hay un número muy grande de posibles alternativas y estados de la naturaleza y la distribución de proba-
bilidad de los estados de la naturaleza puede describirse con una distribución normal, resulta apropiado el
análisis marginal con la distribución normal.

Análisis marginal con distribuciones discretas

La determinación del nivel de inventario con el menor costo no es difícil cuando se sigue el procedimiento
del análisis marginal. Este enfoque indica que almacenaríamos una unidad adicional sólo si la utilidad mar-
ginal esperada para esa unidad es igual o superior a la pérdida marginal esperada. Esta relación se expresa
simbólicamente como sigue:
P = probabilidad de que la demanda sea mayor o igual a un suministro dado (o la probabilidad de
vender al menos una unidad adicional)
1 — P = probabilidad de que la demanda sea menor que la oferta (o la probabilidad de que una uni-
dad adicional no se venda)
La utilidad marginal esperada se calcula al multiplicar la probabilidad de que una determinada unidad
se venda por la utilidad marginal, P(MP). Asimismo, la pérdida marginal esperada es la probabilidad de no
vender la unidad multiplicada por la pérdida marginal, o (1 — P)(ML).
La regla de decisión óptima es almacenar la unidad adicional si

P(MP) > (1 — P)ML

Con algunas manipulaciones matemáticas básicas, podemos determinar el nivel de P para el que esta
relación se cumple:

P(MP) ML — P(ML)
P(MP) + P(ML) > ML
P(MP + ML) ML

o
ML
P (6-21)
ML + MP

En otras palabras, siempre que la probabilidad de vender una unidad más (P) sea mayor o igual que
ML/(MP + ML), almacenaríamos la unidad adicional.

Pasos del análisis marginal con distribuciones discretas

ML
1. Determine el valor de ML + para el problema.
MP
2. Construya una tabla de probabilidades y agregue una columna con la probabilidad acumulada.
3. Siga ordenando inventario, siempre que la probabilidad (P) de vender al menos una unidad adicional
ML
sea mayor quc
ML + MP
 6.9 MODELOS DE INVENTARIO DE UN SOLO PERIODO 213

TABLA 6.6
VENTAS DIARIAS OBABILII) 0) DE QUE
Distribución de - ILLAS) DEMANDA TENGA ESTE NIVEL.
probabilidad
de Café du Donut 4 0.05
5 0.15
6 0.15
7 0.20
8 0.25
9 0.10
10 0.10
Total 1.00

Ejemplo del Café du Donut

Café du Donut es un popular sitio para comer en Nueva Orleans, ubicado en el límite del Barrio Francés,
cuya especialidad es el café y las rosquillas. El Café compra rosquillas frescas todos los días a una gran pa-
nadería industrial. La cafetería paga $4 por cada caja (que contiene dos docenas de rosquillas) entregadas
por la mañana. Cualquier caja que no se vende al final del día se desecha, porque no serían suficientemente
frescas para cumplir las normas de la cafetería. Si se vende una caja de rosquillas, el ingreso total es de $6.
Por lo tanto, la utilidad marginal por caja de rosquillas es
MP = Utilidad marginal = $6 - $4 = $2
La pérdida marginal es ML = $4, porque las rosquillas no pueden ser devueltas ni recuperadas al final
del día.
A partir de las ventas históricas, el gerente de la cafetería estima que la demanda diaria sigue la dis-
tribución de probabilidad que se muestra en la tabla 6.6. Así, el gerente sigue tres pasos para encontrar el
número óptimo de cajas de rosquillas a ordenar cada día.

ML
Paso 1. Determinar el valor de ML + para la regla de decisión
MP
ML $4 4
P = = 0.67
ML + MP $4 + $2 6
P 0.67

Entonces, la regla de decisión respecto al inventario es abastecerse de una unidad adicional si P 0.67.
Paso 2. Agregar una nueva columna ala tabla que refleje la probabilidad de que las ventas de rosquillas
estarán en cada nivel o por encima de éste. Lo anterior se muestra en la columna derecha de la tabla 6.7.
Por ejemplo, la probabilidad de que la demanda sea de 4 cajas o más es 1.00(= 0.05 + 0.15 + 0.15 +
0.20 + 0.25 + 0.10 + 0.10). Del mismo modo, la probabilidad de que las ventas sean de 8 cajas o más
es 0.45(= 0.25 + 0.10 + 0.10); es decir, la suma de las probabilidades para ventas de 8, 9 o 10 cajas.

TABLA 6.7
VENTAS DIARIAS PROBABILIDAD (P) PROBABILIDAD (P) DE QUE
Análisis marginal del (CAJAS DE DE QUE LA DEMANDA LA DEMANDA TENGA
Café du Donut ROSQUILLAS) TENGA ESTE NIVEL ESTE NIVEL O UNO MAYOR

4 0.05 1.00'' 0.66

5 0.15 0.95 a 0.66
6 0.15 0.80 a 0.66
7 0.20 0.65
8 0.25 0.45
9 0.10 0.20
10 0.10 0.10
Total 1.00
214 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS

Paso 3. Seguir ordenando cajas adicionales, siempr que la probabilidad de venta de al menos una caja
adicional sea mayor que P, la cual es la probabilidad e indiferencia. Si el Café du Donut pide 6 cajas, la
utilidad marginal seguirá siendo mayor que la pérdida arginal, porque
P en 6 cajas = 0.80 > 0.67

Análisis marginal con la distribución no mal

Cuando la demanda del producto o las ventas sigue una distribución normal, lo cual es una situación
común de los negocios, es posible aplicar el análisis marginal con la distribución normal. En primer lugar,
debemos encontrar cuatro valores:
1. Las ventas promedio o medias del producto,At
2. La desviación estándar de las ventas, o-
3. La utilidad marginal para el producto, MP
4. La pérdida marginal para el producto, ML
Una vez que se conocen estas cantidades, el proceso de encontrar la mejor política de almacenamiento es
similar al análisis marginal con distribuciones discretas. Sea X* = nivel de almacenamiento óptimo.

Pasos del análisis marginal con la distribución normal

ML
1. Determinar el valor de para el problema.
ML + MP
2. Localizar P en la distribución normal (apéndice y encontrar el valor Z asociado.
3. Calcular X* utilizando la relación
X* —
Z=
o-

para encontrar la política de almacenamiento resultante:

X* = + Zcr

Ejemplo del periódico

La demanda de ejemplares del periódico Chicago Tribune en el quiosco (puesto) de Joe se distribuye nor-
malmente y tiene una media de 60 periódicos al día, con una desviación estándar de 10 ejemplares. Con
una pérdida marginal de 20 centavos y una utilidad marginal de 30 centavos, ¿qué política de almacena-
miento diario debería seguir Joe?
Paso 1. Joe debe almacenar el Chicago Tribune, siempre que la probabilidad de vender la última unidad
sea al menos de ML/(ML + MP):
ML 20 centavos_20
= 0.40
ML + MP 20 centavos + 30 centavos 50

Sea P = 0.40.
Paso 2. La figura 6.10 muestra la distribución normal. Dado que la tabla normal muestra las áreas
acumuladas bajo la curva entre el lado izquierdo y cualquier punto, debemos buscar 0.60 (= 1.0 — 0.40)
con la finalidad de obtener el valor de Z correspondiente:
Z = 0.25 desviaciones estándar desde la media
Paso 3. En este problema, tt. = 60 y cr = 10, por 1 que

X" - 60
0.25 =
10

o
Xs = 60 + 0.25(10) = 62.5, o 62 periódicos.
Por lo tanto, Joe debería ordenar 62 ejemplares del Chicago Tribune cada día, dado que la probabilidad
de vender 63 es ligeramente menor que 0.40.
 6.9 MODELOS DE INVENTARIO DE UN SOLO PERIODO 215

FIGURA 6.10
El área bajo la curva es 1 — 0.40 = 0.60
Decisión de Joe sobre (Z= 0.25)
Ventas diarias medias
el almacenamiento del
Chicago Tribune

El área bajo la curva es 0.40

= 60 X* X= Demanda

Política de almacenamiento óptima (62 periódicos)

Cuando P es mayor que 0.50, se utiliza el mismo procedimiento básico, aunque se debería tener pre-
caución cuando se busca el valor Z. Digamos que el quiosco de Joe también vende el Chicago Sun-Times,
y que su pérdida marginal es de 40 centavos y su utilidad marginal es de 10 centavos. Las ventas diarias
tienen un promedio de 100 copias del Chicago Sun-Times, con una desviación estándar de 10 ejemplares.
La política de almacenamiento óptima es la siguiente:

ML 40 centavos 40
= — = 0.80
ML + MP 40 centavos + 10 centavos 50

En la figura 6.11, se muestra la curva normal. Dado que la curva normal es simétrica, encontramos Z
para un área bajo la curva de 0.80 y multiplicamos este número por -1 porque todos los valores por debajo
de la media se asocian con un valor Z negativo:
Z = -0.84 desviaciones estándar desde la media para un área de 0.80
Con /./.. = 100 y cr = 10,

X* - 100
-0.84 =
10

o bien,
X* = 100 - 0.84(10) = 91.6, o 91 periódicos.
Así que Joe debe ordenar 91 copias del Chicago Sun-Times cada día.
Las políticas óptimas de abastecimiento en estos dos ejemplos son intuitivamente consistentes.
r
Cuando la utilidad marginal es mayor que la pérdida marginal, esperaríamos que fuera mayor que la
demanda promedio, p, y cuando la utilidad marginal es inferior a la pérdida marginal, esperaríamos que
la política de almacenamiento óptima, X*, fuera inferior a tc.

FIGURA 6.11
Decisión de Joe sobre
el almacenamiento del
Chicago Sun-Times El área bajo la curva es 0.80
(Z= —0.84)

X. Ec = 100 X = Demanda

Política de almacenamiento óptima (91 periódicos)

216 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS

TABLA 6.8 USO ARTÍCULOS EN ¿SE USAN TÉCNICAS

Resumen del GRUPO DE MONETARIO INVENTARIO CUANTITATIVAS DE
análisis ABC INVENTARIO (%) 1%1 CONTROL?
A 70 Sí
B 20 2 En algunos casos
C 10 70 No

6.10 Análisis ABC

Anteriormente, demostramos cómo se desarrollan políticas de inventario utilizando técnicas cuantitativas.
También existen algunas consideraciones muy prácticas que deberían incorporarse en la implementación
de las decisiones de inventario, como el análisis ABC.
El propósito del análisis ABC es dividir todos los artículos del inventario de una compañía en tres
grupos (A, B y C), con base en el valor general del inventario de los artículos. Un administrador prudente
debería dedicar más tiempo al manejo de los artículos que representan el mayor costo monetario de inven-
tario, ya que es ahí donde existen los mayores ahorros potenciales. A continuación se da una breve descrip-
ción de cada grupo, con las directrices generales en cuanto a la forma de clasificar los artículos.
Los artículos de inventario en el grupo A representan una parte importante de los costos de inventario de
la organización. Como resultado, sus niveles de inventario deben monitorearse con cuidado. Estos artículos
constituyen normalmente más de 70% del negocio de la compañía en valor monetario, pero pueden consistir
sólo en 10% de todos los artículos en inventario. En otras palabras, unos cuantos artículos del inventario son
muy costosos para la empresa. Por lo tanto, se debería tener gran cuidado al pronosticar la demanda y al de-
sarrollar buenas políticas para el manejo del inventario de este grupo de artículos (vea la tabla 6.8). Como hay
relativamente pocos artículos de este tipo, el tiempo empleado no sería excesivo.
Los artículos del grupo B suelen tener un precio moderado y representan una inversión mucho menor
que los artículos del tipo A. Por lo tanto, no es recomendable dedicar tanto tiempo al desarrollo de políti-
cas de inventario óptimas para este grupo como para el grupo A, puesto que estos costos de inventario son
mucho más bajos. Por lo general, los artículos del grupo B representan alrededor de 20% del negocio de la
compañía en valor monetario, y aproximadamente 20% de los artículos en inventario.
Los artículos del grupo C son los artículos de muy bajo costo que representan muy poco en térmi-
nos del dinero total invertido en el inventario. Estos artículos pueden constituir sólo 10% del negocio de
la compañía, pero consistir en 70% de los artículos en inventario. Desde una perspectiva de costo-be-
neficio, no es recomendable invertir tanto tiempo en el manejo de estos artículos, como en el de los
artículos A y B.
Para el grupo de artículos C, la empresa tiene que desarrollar una política de inventario muy simple, y
esto puede incluir una magnitud relativamente grande del inventario de seguridad. Dado que los artículos
cuestan muy poco, el costo de almacenamiento asociado con un inventario de seguridad grande también
será muy bajo. Se debe tener más cuidado en la determinación del inventario de seguridad de los artículos
del grupo B, con mayores precios. Para los artículos muy costosos del grupo A, el costo de mantener inven-
tario es tan alto que resulta beneficioso analizar con cuidado su demanda, de manera que el inventario de
seguridad se encuentre en un nivel adecuado. De lo contrario, la empresa enfrentaría costos muy altos por
mantener artículos del grupo A.

6.11 Demanda dependiente: el caso de la planeación de las necesidades de materiales

En todos los modelos de inventario analizados anteriormente, suponemos que la demanda de un artículo
es independiente de la demanda de otros artículos. Por ejemplo, la demanda de refrigeradores suele ser
independiente de la demanda de hornos tostadores. in embargo, muchos de los problemas de inventario
están relacionados entre sí: la demanda de un artíc lo depende de la demanda de otro. Considere a un
fabricante de pequeñas cortadoras eléctricas de c,és . La demanda de ruedas y bujías para cortadoras de
césped depende de la demanda de las cortadoras de ésped en sí. Se requieren cuatro ruedas y una bujía
para cada cortadora de césped terminada. Por lo gen ral, cuando la demanda de los diferentes artículos es
dependiente, la relación entre ellos es conocida y con tante. Por lo tanto, se debería pronosticar la demanda
de los productos finales y calcular las necesidades de las piezas componentes.
Al igual que con los modelos de inventario analizados previamente, las principales preguntas que
deben contestarse son cuánto ordenar y cuándo hacer el pedido. Pero con una demanda dependiente,
la programación y la planeación del inventario suelen ser realmente complejas. En tales situaciones, es
 6.11 DEMANDA DEPENDIENTE: EL CASO DE LA PLANEACIÓN DE LAS NECESIDADES DE MATERIALES
En el árbol de estructura de
materiales se identifican los
padres y los componentes.
El árbol de estructura de materiales
muestra cuántas unidades
se necesitan en cada nivel de
producción.
FIGURA 6.12
Árbol de estructura
de materiales para
el artículo A
217
posible usar con eficacia la planeación de las necesidades de materiales (MRP, materials requirements
planning). Algunos de los beneficios de la MRP son:
1. Aumento de la atención al cliente y la satisfacción de éste
2. Reducción de los costos de inventario
3. Mejor planeación y programación del inventario
4. Mayores ventas totales
5. Respuesta más rápida ante los cambios y movimientos del mercado
6. Disminución de los niveles de inventario sin reducir la atención al cliente
Aunque la mayoría de los sistemas de MRP están computarizados, el análisis es directo y similar de
un sistema computarizado a otro. A continuación se presenta el procedimiento típico.
Árbol de estructura de materiales
Iniciamos con el desarrollo de una lista de materiales (BOM, bill of materials). La BOM identifica los
componentes, sus descripciones y el número requerido para la producción de una unidad del producto fi-
nal. A partir de la BOM, desarrollamos un árbol de estructura de materiales. Digamos que la demanda de
un producto A es de 50 unidades. Cada unidad A requiere 2 unidades de B y 3 unidades de C. Ahora, cada
unidad de B requiere 2 unidades de D y 3 unidades de E. Además, cada unidad de C requiere 1 unidad de E
y 2 unidades de F. Por lo tanto, la demanda de B, C, D, E y F es totalmente dependiente de la demanda de
A. Dada esta información, es posible desarrollar un árbol de estructura de materiales para los artículos
de inventario relacionados (vea la figura 6.12).
El árbol de estructura tiene tres niveles: 0, 1 y 2. Los artículos que están por encima de cualquier nivel
se llaman padres, y los artículos que están por debajo de cualquier nivel se llaman componentes. Existen
tres padres: A, B y C. Cada elemento padre tiene al menos un nivel por debajo de él. Los productos B, C,
D, E y F son componentes debido a que cada artículo tiene al menos un nivel por encima de él. En este
árbol de estructura, B y C son tanto padres como componentes.
Observe que el número entre paréntesis de la figura 6.12 indica cuántas unidades se necesitan de ese
artículo en particular para fabricar el elemento inmediatamente superior. Por lo tanto, B(2) significa que se
requieren 2 unidades de B por cada unidad de A, y F(2) significa que se necesitan 2 unidades de F por cada
unidad de C.
Después de desarrollar el árbol de estructura de materiales, es posible determinar el número de uni-
dades de cada artículo requerido para satisfacer la demanda. Esta información se representa de la siguiente
manera:
Pieza B: 2 xnúmerodeAs=2X 50 = 100
Pieza C: 3 x número de As = 3 x 50 = 150
Pieza D: 2 XnúmerodeBs=2X 100 = 200
Pieza E: 3 x número de Bs = 1 x número de Cs = 3 x 100 + 1 x 150 = 450
Pieza F: 2 X número de Cs = 2 X 150 = 300
Así, para 50 unidades de A necesitamos 100 unidades de B, 150 unidades de C, 200 unidades de D,
450 unidades de E y 300 unidades de F. Desde luego, los números en esta tabla podrían haberse determi-
nado directamente sobre el árbol de estructura de materiales al multiplicar los números a lo largo de las
Árbol de estructura de materiales para el artículo A
Nivel A
B 2) C(3)
2 D(2) E(3) E(1) F(2)
218 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS
FIGURA 6.13
Plan de necesidades
brutas de material para
50 unidades de A
Uso del inventario disponible para
calcular las necesidades netas.
TABLA 6.9
Inventario disponible
Semana
1 2 3 4 5 6
Fecha requerida 50 Tiempo de entrega
A = 1 semana
Liberación de orden «,,... 50
Cada pieza A requiere 2 piezas
en la semana 5
Fecha requerida 100 Tiempo de entrega
B = 2 semanas
Liberación de orden 100
Fecha requerida 150 Tiempo de entrega
C Liberación de orden = 1 semana
Fecha requerida 200 Tiempo de entrega
D = 1 semana
Liberación de orden 200
Fecha requerida 300 150 Tiempo de entrega
E = 2 semanas
Liberación de orden 300 150
Fecha requerida
Tiempo de entrega
F = 3 semanas
Liberación de orden
ramas por la demanda de A, que es de 50 unidades en este problema. Por ejemplo, el número de unidades
necesarias de Des simplemente 2 X 2 X 50 = 200 unidades.
Plan de necesidades brutas y netas de material
Una vez desarrollado el árbol de estructura de materiales, se construye un plan de necesidades brutas de
material, que es un calendario que muestra cuándo se debe pedir un artículo a los proveedores si no hay
inventario disponible, o cuándo debe iniciar la producción de un artículo con la finalidad de satisfacer la
demanda de un producto terminado en una fecha en particular. Suponga que todos los artículos son produ-
cidos o fabricados por la misma empresa. Se requiere una semana para fabricar A, dos semanas para hacer
B, una semana para fabricar C, una semana para hacer D, dos semanas para fabricar E y tres semanas para
hacer F. Con esta información, es posible construir el plan de necesidades brutas de material con el propó-
sito de revelar el programa de producción necesario para satisfacer la demanda de 50 unidades de A en una
fecha futura. (Consulte la figura 6.13).
La interpretación del material en la figura 6.13 es la siguiente: si se desean 50 unidades de A en la
semana 6, es necesario iniciar el proceso de fabricación en la semana 5. Por lo tanto, en la semana 5 se
requieren 100 unidades de B y 150 unidades de C. Estos dos artículos necesitan 2 semanas y 1 semana
para ser producidos. (Vea los tiempos de entrega). La producción de B debería iniciarse en la semana 3, y
C debe comenzar en la semana 4. (Vea las liberaciones de orden para estos artículos). Trabaje hacia atrás;
es posible realizar los mismos cálculos para el resto de los artículos. El plan de necesidades de materiales
revela gráficamente cuándo se tiene que iniciar y completar cada artículo para tener 50 unidades de A en la
semana 6. Ahora se puede desarrollar un plan de necesidades netas de material, dado el inventario disponi-
ble de la tabla 6.9; a continuación se muestra la manera de hacer esto.
ARTÍCULO INVENTARIO 1)ISPONIBLE
A 10
15
20
D 10
B 10
F 5
 6.11 DEMANDA DEPENDIENTE: EL CASO DE LA PLANEACIÓN DE LAS NECESIDADES DE MATERIALES 219

FIGURA 6.14 Semana

Tiempo
Plan de necesidades Artículo 1 2 3 4 5 6 de entrega
netas de materiales para
A Bruto 50
50 unidades de A 10
Disponible: 10
Neto 40
Recepción de orden 40
..-----
Liberación de orden 40

B Bruto 80"
Disponible: 15 15
Neto 65
Liberación de orden 65
Liberación de orden ..

C Bruto 120
Disponible: 20 20
Neto 100
Liberación de orden _,..--- 100
Liberación de orden 100"

D Bruto 130 6
Disponible: 10 10
Neto 120
Liberación de orden ,,, 120
Liberación de orden 120
6 c
E Bruto 195 100
Disponible: 10 10 0
Neto 185 100
Liberación de orden ._____ ________-95--- 100
Liberación de orden 185 100

F Bruto 200 c .,,

Disponible: 5 5
Neto 195
Liberación de orden 195
Liberación de orden 195—

Con base en estos datos, podemos desarrollar un plan de necesidades netas de material que incluya las
necesidades brutas, el inventario disponible, las necesidades netas, las recepciones de órdenes planificadas
y las liberaciones de órdenes previstas para cada artículo. Se desarrolla empezando por A y trabajando
hacia atrás a través de los demás artículos. En la figura 6.14 se muestra un plan de necesidades netas de
material para el producto A.
El plan de necesidades netas se construye como el plan de necesidades brutas. Comenzando con
el artículo A, trabajamos hacia atrás para determinar las necesidades netas de todos los artículos. Estos
cálculos se hacen consultando constantemente el árbol de estructura y los tiempos de entrega. Las nece-
sidades brutas de A son 50 unidades en la semana 6. Existen 10 artículos disponibles y, por lo tanto, las
necesidades netas y la recepción de pedidos planificada son de 40 artículos en la semana 6. Debido al
tiempo de entrega de una semana, la liberación de orden planificada tiene 40 artículos en la semana 5.
(Vea la flecha que conecta la recepción y la liberación de la orden). Observe la columna 5 y consulte
el árbol de estructura en la figura 6.13. Se requieren 80 (2 X 40) artículos B y 120 = 3 X 40 artículos C
en la semana 5 con la finalidad de tener un total de 50 artículos A en la semana 6. La letra A en la esquina
superior derecha para los artículos B y C significa que esta demanda de B y C fue generada como resul-
tado de la demanda del padre, A. Ahora, realice el mismo tipo de análisis para B y C, con el propósito de
determinar las necesidades netas para D, E y F.

Dos o más productos finales

Hasta ahora, hemos considerado sólo un producto final. Es común que la mayoría de las empresas de ma-
nufactura tengan dos o más productos finales que utilizan algunas de las mismas piezas o componentes.
Todos los productos finales deben incorporarse en un solo plan de necesidades netas de material.
En el ejemplo de MRF que acabamos de analizar, desarrollamos un plan de necesidades netas de
material para el producto A. Ahora, mostraremos cómo modificar el plan de necesidades netas de material
220 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS

cuando se introduce un segundo producto final. Llamemos AA al segundo producto final. El árbol de es-
tructura de materiales para el producto AA es el siguieite:
AA

D(3) F(2)

Supongamos que tenemos 10 unidades de AA. Con esta información podemos calcular las necesidades
brutas de AA:

Pieza D: 3 X número de AAs = 3 x 10 = 30

Pieza F: 2 X número de AAs = 2 X 10 = 20

Para desarrollar un plan de necesidades netas de material, debemos saber el tiempo de entrega para
AA. Supongamos que es de una semana. También supongamos que necesitamos 10 unidades de AA en
la semana 6 y que no tenemos unidades de AA disponibles.
Ahora, estamos en condiciones de modificar el plan de necesidades netas de material para el pro-
ducto A, con la finalidad de incluir AA. Esto se hace en la figura 6.15.

FIGURA 6.15 Semana

1--
Plan de necesidades Artículo Inventario 1 2 3 4 5 6 entrega
netas de material,
incluyendo AA AA Bruto 10 I semana
Disponible: 0 0
Neto 10
Recepción de orden 10
Liberación de orden 10 .---

A Bruto 50 1 semana
Disponible: 10 10
Neto 40
Recepción de orden _.... 40
..----
Liberación de orden 40

B Bruto 80 A an,,-_
Disponible: 15 15
Neto 65
Recepción de orden — 65
65 ._.------
Liberación de orden

C Bruto 120" 1 semana

Disponible: 20 20
Neto 100
Recepción de orden 100
100..-----
Liberación de orden

D Bruto 130' 30" 1 semana

Disponible: 10 10 0
Neto 120 30
Recepción de orden 120 ,,„_. 30
Liberación de orden 120E 30 "---

E Bruto 195 ''' 100

Disponible: 10 10 0
Neto 185 100
Recepción de orden 185 100
Liberación de orden 185 100 . i

F Bruto 200 c 20 "" 3 semanas

Disponible: 5 5 0
Neto 195 20
Recepción de orden 195 20
Liberación de orden 195 20 - 1

6.12 Control de inventarios justo a tiempo
Con el JIT, el inventario llega justo
antes de que sea necesario.
6.12 CONTROL DE INVENTARIOS JUSTO A TIEMPO 221
Observe la fila superior de la figura. Como se observa, tenemos una necesidad bruta de 10 unidades
de AA en la semana 6. No tenemos ninguna unidad de AA disponible, por lo que la necesidad neta también
es de 10 unidades de AA. Debido a que toma una semana hacer AA, la liberación de la orden de 10 unida-
des de AA se da en la semana 5. Esto significa que empezamos a hacer AA en la semana 5 y tenemos las
unidades terminadas en la semana 6.
Debido a que empezamos a hacer AA en la semana 5, debemos tener 30 unidades de D y 20 unida-
des de F en esa semana. (Vea las filas de D y F en la figura 6.15). El tiempo de entrega para D es de una
semana. Por lo tanto, debemos liberar la orden en la semana 4 para tener las unidades terminadas de D
en la semana 5. Note que no había inventario disponible de D en la semana 5. Las 10 unidades originales
de inventario de D se utilizaron en la semana 5 para hacer B, que posteriormente se utilizó para hacer A.
También es necesario tener 20 unidades de F en la semana 5 para producir 10 unidades de AA para la se-
mana 6. Una vez más, no tenemos inventario disponible de F en la semana 5. Las 5 unidades originales
se utilizaron en la semana 4 para hacer C, que posteriormente se utilizó para hacer A. El tiempo de entrega
para F es de tres semanas. Por lo tanto, se requiere liberar la orden de 20 unidades de F en la semana 2.
(Vea la fila de F en la figura 6.15).
Este ejemplo muestra cómo se pueden reflejar las necesidades de inventario de dos productos en el
mismo plan de necesidades netas de material. Algunas empresas de manufactura pueden tener más de 100
productos finales que deben coordinarse en el mismo plan de necesidades netas de material. Aunque tal si-
tuación puede ser muy complicada, se emplean los mismos principios que hemos utilizado en este ejemplo.
Recuerde que se han desarrollado programas computacionales para manejar operaciones de manufactura
grandes y complejas.
Además de utilizar la MRP para manejar productos finales y terminados, esta técnica también sirve
para manejar piezas de repuesto y componentes. Lo anterior es importante porque la mayoría de las empre-
sas de manufactura venden repuestos y componentes para mantenimiento. Un plan de necesidades netas de
material también debería reflejar estas piezas de repuesto y componentes.
Durante las décadas más recientes, ha habido una tendencia a hacer que los procesos de manufactura sean
más eficientes. Uno de los objetivos es tener de manera constante menos inventario en proceso. Esto se
conoce como inventario JIT (just in time). Con este enfoque, el inventario llega justo a tiempo para ser
utilizado durante el proceso de fabricación con la finalidad de producir subensambles, ensambles o pro-
ductos terminados. Una de las técnicas para aplicar el JIT es un procedimiento manual llamado kanban,
que significa "tarjeta" en japonés. Con un sistema kanban de tarjeta dual, hay un kanban de transporte,
o kanban C, y un kanban de producción, o kanban P. El sistema kanban es muy sencillo. Así es como
funciona:
Cuatro pasos de kanban
Flecha 1: Como se indica en la figura 6.16, desde el área de almacenamiento, se llevan contenedores
llenos junto con su tarjeta kanban C hasta un área de usuario, por lo general en una línea
de manufactura (vea la flecha 1).
Flecha 2: Durante el proceso de manufactura, el usuario utiliza las piezas del contenedor. Cuando el
contenedor está vacío, se lleva con la misma tarjeta kanban C de regreso al área de almacena-
miento (representada por la flecha número 2). Aquí, el usuario recoge un nuevo contenedor
lleno, separa la tarjeta kanban P de éste, le coloca su tarjeta kanban C y regresa con el
contenedor al área de usuario (representada nuevamente por la flecha número 1).
Flecha 3: Esta tarjeta kanban P individual se une después a un recipiente vacío en el área de almace-
namiento y, sólo entonces, el recipiente vacío se lleva de regreso al área de producción
(representada por la flecha número 3).
Flecha 4: Este contenedor vacío se rellena con piezas y es llevado con su tarjeta kanban P de nuevo
al área de almacenamiento (representada por la flecha número 4). Este proceso kanban se
repite en forma continua durante todo el día. En ocasiones, kanban se conoce como un sis-
tema de producción "tipo tirar de".
222 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS

FIGURA 6.16 Kanban P Kanban C

Y Y
El sistema kanban contenedor contenedor

Área de Área de Área de

producción almacenamiento usuario

3 2

Para utilizar el sistema kanban se requieren como mínimo dos contenedores. Un contenedor se utiliza
en el área de usuario, y otro está siendo rellenado para uso futuro. En realidad, generalmente hay más de
dos contenedores. Es así como se logra el control de inventarios. Los gerentes de inventarios pueden in-
troducir al sistema contenedores adicionales y sus kanban P asociadas. De manera similar, el gerente de
inventarios puede retirar contenedores y sus kanban P, para tener un control más estricto sobre las acumu-
laciones de inventario.
Además de ser un sistema simple y fácil de implementar, kanban también puede ser muy eficaz para
controlar los costos de inventario y descubrir cuellos de botella en la producción. El inventario llega al área
de usuario o a la línea de producción justo antes de que sea necesario. El inventario no se acumula innece-
sariamente, ni satura la línea de producción o agrega costos de inventario innecesarios. El sistema kanban
reduce los niveles de inventario y logra un funcionamiento más eficaz. Puede equipararse a poner la línea
de producción a dieta de inventarios. Al igual que cualquier dieta, la dieta de inventarios impuesta por el
sistema kanban hace que la operación de producción sea más ágil. Por otro lado, permite descubrir los
cuellos de botella y los problemas de producción. Muchos gerentes de producción eliminan contenedores y
sus kanban P asociadas del sistema, con el fin de "matar de hambre" la línea de producción, y así descubrir
cuellos de botella y problemas potenciales.
En la implementación de un sistema kanban, normalmente se ponen en práctica una serie de reglas
de trabajo o reglas kanban. Una regla kanban típica es que ningún contenedor se llena sin la kanban P co-
rrespondiente. Otra regla es que cada contenedor debe tener exactamente un número específico de piezas o
artículos de inventario. Estas reglas y otras similares hacen que el proceso de producción sea más eficiente.
Sólo se producen aquellas piezas que son realmente necesarias. El departamento de producción no produce
inventario sólo para mantenerse ocupado. Produce inventario o piezas sólo cuando se necesitan en el área
del usuario o en una línea de manufactura real.

6.13 Planeación de recursos empresariales

A través de los años, la MRP ha evolucionado para incluir no sólo los materiales requeridos en la produc-
ción, sino también las horas de mano de obra, el costo del material y otros recursos relacionados con la
producción. Cuando se enfoca de este modo, es común utilizar el término MRP II, y la palabra recursos se
sustituye por el término necesidades. Cuando este concepto evolucionó y se desarrollaron programas de
computación avanzados, estos sistemas fueron llamados planeación de recursos empresariales (ERP,
enterprise resource planning).
El objetivo de un sistema ERP es reducir los costos mediante la integración de todas las operaciones
de una empresa. Esto comienza con el proveedor de los materiales y fluye a través de la organización
hasta incluir la facturación al cliente del producto final. Los datos se introducen una sola vez en una base
de datos y, luego, estos datos pueden ser accesados de forma rápida y fácil por cualquier persona en la
organización. Lo anterior beneficia a las funciones relacionadas con la planeación y la administración de
inventarios, así como a otros procesos del negocio, o contabilidad, finanzas y recursos humanos.
Los beneficios de un sistema ERP bien desarr lado son la reducción de los costos de transacción,
así como un incremento de la velocidad y la precis' de la información. Sin embargo, también hay des-
ventajas. El software es caro y su ajuste para cada e presa es costoso. La implementación de un sistema
ERP puede requerir que una empresa cambie sus o ciones normales, y los empleados suelen presentar
resistencia al cambio. Asimismo, la capacitación de 1 s empleados para el uso del nuevo software suele ser
costosa.
Existen muchos sistemas ERP disponibles. Los más comunes son SAP, Oracle y PeopleSoft, entre
otros. Incluso los sistemas pequeños pueden costar cientos de miles de dólares. Los sistemas más grandes
pueden costar cientos de millones de dólares.

Resumen
En este capítulo se presentan los fundamentos de la teoría del control
de inventarios. Se demuestra que los dos problemas más importantes
son: 1. cuánto ordenar y 2. cuándo hacer el pedido.
Investigamos la cantidad económica de pedido, que determina la
cantidad a ordenar, y el punto de pedido, que indica cuándo se debe
hacer el pedido. Además, se exploró el uso del análisis de sensibilidad
para determinar qué ocurre con los cálculos cuando cambia uno o más
de los valores utilizados en una de las ecuaciones.
El modelo de inventario de la EOQ básico presentado en este
capítulo adopta una serie de supuestos: 1. la demanda y los tiempos de
entrega son conocidos y constantes, 2. la recepción del inventario es
instantánea, 3. no hay descuentos por cantidad, 4. no hay desabasto ni
escasez y 5. los únicos costos variables son los costos de pedido y los
costos de almacenamiento. Si estos supuestos son válidos, el modelo
de inventario de la EOQ ofrece soluciones óptimas. Por otro lado, si
estos supuestos no se cumplen, el modelo de la EOQ básico no es
aplicable. En tales casos, se requieren modelos más complejos, inclu-
yendo los modelos de corrida de la producción, de los descuentos por
Glosario
Análisis ABC Un análisis que divide el inventario en tres grupos.
El grupo A es más importante que el grupo B, que a su vez es más
importante que el grupo C.
Análisis de sensibilidad El proceso para determinar qué tan
sensible es la solución óptima ante los cambios en los valores
utilizados en las ecuaciones.
Análisis marginal Una técnica que utiliza la utilidad y la pérdida
marginales para determinar las políticas óptimas para la toma de
decisiones. El análisis marginal se utiliza cuando el número
de alternativas y estados de la naturaleza es grande.
Cantidad económica de pedido (EOQ) La cantidad de inventario
ordenada que minimiza el costo total de inventario. También se
conoce como cantidad de pedido óptima, o Q.
Costo anual de instalación El costo por configurar el proceso
de fabricación o de producción para ejecutar el modelo de
producción.
Desabasto Una situación que se produce cuando no existe inventario
disponible.
Descuentos por cantidad El costo por unidad cuando se colocan
grandes pedidos de un artículo de inventario.
Inventario de seguridad Inventario adicional que se utiliza para
ayudar a evitar desabasto.
Inventario justo a tiempo (JIT) Un enfoque en el que el inventario
llega justo a tiempo para utilizarse en el proceso de manufactura.
Inventario promedio El promedio del inventario disponible. En
este capítulo, el inventario promedio es Q/2 para el modelo de
la EOQ.
Kanban Un sistema JIT manual desarrollado por los japoneses.
Kanban significa "tarjeta" en japonés.
Lista de materiales (BOM) Un árbol de estructura de materiales de
los componentes para un producto, que contiene la descripción y
la cantidad necesaria de componentes para fabricar una unidad de
ese producto.
GLOSARIO 223
cantidad y del inventario de seguridad. Cuando el artículo de inventario
se usará en un solo periodo de tiempo, se utiliza el método del análi-
sis marginal. El análisis ABC sirve para determinar qué elementos re-
presentan el mayor costo potencial de inventario, de modo que estos
artículos se puedan manejar con más cuidado.
Cuando la demanda de inventario no es independiente de la de-
manda de otro producto, se requiere una técnica como la MRP, la cual
se puede utilizar para determinar las necesidades brutas y netas de
material para los productos. Para implementar grandes sistemas de in-
ventario, es necesario aplicar con éxito aplicaciones computacionales,
incluyendo sistemas de MRP. En la actualidad, muchas empresas es-
tán utilizando el software de ERP para integrar todas las operaciones
dentro de una organización, incluyendo el inventario, la contabilidad,
las finanzas y los recursos humanos.
El sistema JIT puede reducir los niveles de inventario, disminuir
los costos y hacer que un proceso de manufactura sea más eficiente.
Kanban es una palabra japonesa que significa "tarjeta", y es una
forma de poner en práctica el enfoque JIT.
Modelo de corrida de la producción Un modelo de inventarios
donde el inventario se produce o fabrica a través del tiempo en
lugar de ser ordenado o comprado. Este modelo elimina el
supuesto de la recepción instantánea.
Nivel de servicio La probabilidad, expresada como un porcentaje,
de que no haya un desabasto. Nivel de servicio = 1— Probabili-
dad de un desabasto.
Pérdida marginal La pérdida en que se incurriría por almacenar y
no vender una unidad adicional.
Planeación de las necesidades de materiales (MRP) Un modelo
de inventarios que puede manejar la demanda dependiente.
Planeación de recursos empresariales (ERP) Un sistema de
información computarizado que integra y coordina las operaciones
de una empresa.
Posición de inventario La cantidad de inventario disponible, más
la cantidad de los pedidos que se han realizado, pero que aún no
se reciben.
Punto de reorden (ROP) El número disponible de unidades
cuando se hace un pedido de más inventario.
Recepción instantánea de inventario Un sistema en el cual se
recibe o se obtiene el inventario en un instante y no en un periodo
de tiempo.
Tiempo de entrega El tiempo que transcurre hasta recibir un
pedido después de haber colocado la orden (en el capítulo se
llama L).
Utilidad marginal La utilidad adicional que se obtiene por
almacenar y vender una unidad más.
224 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS

Ecuaciones clave
Las ecuaciones 6-1 a 6-8 están relacionadas con la cantidad econó- La ecuación 6-14 se utiliza para el modelo de descuentos por
mica de pedido (EOQ). cantidad.

Q D Q
(6-1) Nivel de inventario promedio = — (6-14) Costo total = DC + —
Q C, + —
2 Ch
2
Costo total de inventario (incluyendo el costo de compra).
(6-2) Costo anual de pedido = — Co Las ecuaciones 6-15 a 6-20 se utilizan cuando se requiere un inventa-
rio de seguridad.
Q (6-15) ROP = (Demanda promedio durante el tiempo de
(6-3) Costo anual de almacenamiento = — Ch
entrega) + IS
Fórmula general del punto de reorden para determinar cuándo
• V2DC„ se almacena un inventario de seguridad (IS).
(6-4) EOQ = = C„ (6-16) ROP = (Demanda promedio durante el tiempo de
D entrega) + Zeraur
(6-5) C7' = — C, + — Ch Fórmula del punto de reorden cuando la demanda durante el
Q 2
tiempo de entrega se distribuye normalmente, con una desvia-
Costo de inventario relevante total. ción estándar de <yaz
(CQ) (6-17) ROP = dL + Z(crd\rL)
(6-6) Nivel monetario promedio =
2 Fórmula para determinar el punto de reorden cuando la de-
manda diaria se distribuye normalmente, pero el tiempo de
V2DC, entrega es constante; donde des la demanda diaria promedio,
(6-7) Q = L es el tiempo de entrega constante en días y d es la desvia-
/C
ción estándar de la demanda diaria.
EOQ con Ch expresado como porcentaje del costo unitario.
(6-18) ROP = dL + Z(dcrL)
(6-8) ROP =dXL
Fórmula para determinar el punto de reorden cuando la
Punto de reorden: d es la demanda diaria y L es el tiempo de demanda diaria es constante pero el tiempo de entrega se
entrega en días. distribuye normalmente, donde T. es el tiempo de entrega
promedio en días, d es la demanda diaria constante y cri, es
Las ecuaciones 6-9 a 6-13 se relacionan con el modelo de corrida la desviación estándar del tiempo de entrega.
de la producción.
(6-19) ROP = dL + z(V1cr3 + 7/2(71)
d Fórmula para determinar el punto de reorden cuando la
(6-9) Inventario promedio = 2 (1 — —
p demanda diaria y el tiempo de entrega se distribuyen nor-
malmente; donde d es la demanda diaria promedio, L es el
Q tiempo de entrega promedio en días, 7L es la desviación es-
(6-10) Costo anual de almacenamiento = — (1 — (1)ch tándar del tiempo de entrega y crd es la desviación estándar
p
de la demanda diaria.

(6-11) Costo anual de instalación = Cr Q

(6-20) CTA = — Ch (IS)Ch
Q•
Fórmula del costo total anual de almacenamiento cuando se
(6-12) Costo anual de pedido = Q Co mantiene un inventario de seguridad.

La ecuación 6-21 se utiliza para el análisis marginal.

(6-13) d' ML
(6-21) P
ML + MP
Regla de decisión en el análisis marginal para el almacena-
Cantidad óptima de producción. miento de unidades adicionales.
 PROBLEMAS RESUELTOS 225

Problemas resueltos

Problema resuelto 6-1

Patterson Electronics suministra circuitos de microcomputadoras a una compañía que incorpora microprocesadores
en refrigeradores y otros electrodomésticos. Uno de los componentes tiene una demanda anual de 250 unidades y
esto es constante durante todo el año. El costo de almacenamiento se estima en $1 por unidad anual, y el costo de
pedido es de $20 por pedido.
a. Para minimizar el costo, ¿cuántas unidades deberían ordenarse cada vez que se hace un pedido?
b. ¿Cuántos pedidos al año se necesitan con una política óptima?
c. ¿Cuál es el inventario promedio, si los costos se reducen al mínimo?
d. Suponga que el costo de pedido no es de $20 y que Patterson ha estado ordenando 150 unidades cada vez que
hace un pedido. Para que esta política sea óptima, ¿cuál debería ser el costo de pedido?
Solución
a. Los supuestos de la EOQ se cumplen, por lo que la cantidad de pedido óptima es

\12DC, /2(250)20
EOQ = Q= = 100 unidades
Ch 1

D 250
b. Número de pedidos al año = —= = 2.5 pedidos por año
Q 100
Observe que esto significa que la empresa colocaría tres pedidos en un año y que el próximo año sólo necesi-
taría dos pedido, dado que se conservaría algún inventario del año pasado. En promedio, se harían 2.5 pedidos
al año.
Q 100
c. Inventario promedio = — = = 500 unidades
2 2
d. Dada una demanda anual de 250, un costo de almacenamiento de $1 y una cantidad a ordenar de 150, Patterson
Electronics debe determinar cuál tendría que ser el costo de pedido para que una política de ordenar 150 uni-
dades sea óptima. Con la finalidad de encontrar la respuesta a este problema, debemos resolver la ecuación de
la EOQ tradicional para el costo de pedido. Como se observa en los cálculos siguientes, se requiere un costo
de pedido de $45 para que la cantidad de pedido de 150 unidades sea óptima.

\12DC„
Q=
Ch

G= Q2 c1
15
(150)2(1)
2(250)
22,500
= = $45
500

Problema resuelto 6-2

Flemming Accesories produce cortadoras de papel utilizadas en oficinas y tiendas de arte. La minicortadora ha
sido uno de sus artículos más populares: su demanda anual es de 6,750 unidades y es constante durante todo el
año. Kristen Flemming, propietario de la compañía, produce las minicortadoras en lotes. En promedio, Kristen
puede fabricar 125 minicortadoras al día. La demanda de estas máquinas durante el proceso de producción es
de 30 por día. El costo de instalación de los equipos necesarios para producir las minicortadoras es de $150. El
costo de almacenamiento es de $1 por minicortadora al año. ¿Cuántas minicortadoras debería fabricar Kristen
en cada lote?
226 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS

Solución
Los datos para Flemming Accesories se resumen como sigue:

D = 6,750 unidades
= $150
Ch = 51
d = 30 unidades
p = 125 unidades

Éste es un problema de corrida de la producción que implica una tasa de producción diaria y una tasa de demanda
diaria. Los cálculos apropiados se muestran a continuación:

2DC,
Q.= Ch(1 — d p)
2(6,750)(150)
1(1 — 30/125)
= 1,632

Problema resuelto 6-3

Dorsey Distributors tiene una demanda anual de un detector de metales de 1,400 unidades. Para Dorsey, el costo
de un detector típico es de $400. El costo de almacenamiento se estima en 20% del costo unitario y el costo de
pedido es de $25 por orden. Si Dorsey ordena en cantidades de 300 o más puede obtener un descuento de 5%
sobre el costo de los detectores. ¿Debería Dorsey tomar el descuento por cantidad? Suponga que la demanda es
constante.

Solución
La solución a cualquier modelo de descuento por cantidad implica determinar el costo total de cada alternativa des-
pués de haber calculado las cantidades y haberlas ajustado para el problema original y para todos los descuentos. El
análisis inicia considerando la opción sin descuento:
2(1,400)(25)
EOQ (sin descuento) =
\I 0.2(400)
= 29.6 unidades
Costo total (sin descuento) = Costo del material + Costo de pedido + Costo de almacenamiento
1,400($25) 29.6($400)(0.2)
= $400(1,400) +
29.6 2
= $560,000 + $1,183 + $1,183 = $562,366

El siguiente paso es calcular el costo total para el descuento:

/2(1,400) (25 )
EOQ (con descuento) =
0.2($380)
= 30.3 unidades
Q(ajustada) = 300 unidades

Debido a que esta última cantidad económica de pedido está por debajo del precio de descuento, es necesario ajus-
tar la cantidad hasta 300 unidades. El siguiente paso consiste en calcular el costo total:
Costo total (con descuento) = Costo del material + Costo de pedido + Costo de almacenamiento
300($380)(0.2)
= $380(1,400) + 1,400(25)
300 2
= $532,000 + $117 + $11,400 = $543,517

La estrategia óptima es ordenar 300 unidades a un costo total de $543.517.

 AUTOEVALUACIÓN 227

Problema resuelto 6-4

La compañía F. W. Harris vende un limpiador industrial a un gran número de plantas de producción en el área de
Houston. Un análisis de la demanda y los costos se ha traducido en una política de ordenar 300 unidades de este
producto cada vez que se hace un pedido. La demanda es constante, en 25 unidades por día. Por un acuerdo con
un proveedor, F. W. Harris está dispuesta a aceptar un tiempo de entrega de 20 días dado que dicho proveedor ha
proporcionado un excelente precio. ¿Cuál es el punto de reorden? ¿Cuántas unidades debería haber realmente en el
inventario al momento de colocar una orden?
Solución
El punto de reorden es
ROP = dxL = 25(20) = 500 unidades
Esto significa que es necesario colocar una orden en la posición de inventario de 500. Dado que el ROP es mayor
que la cantidad de pedido, Q = 300, una orden ya debe haber sido colocada, pero aún no ha sido recibida. Así que
la posición de inventario debe ser
Posición de inventario = (Inventario disponible) + (Inventario ordenado)
500 = 200 + 300
Habría 200 unidades disponibles y un pedido de 300 unidades en tránsito.

Problema resuelto 6-5

La B. N. Thayer y D. N. Thaht Computer Company vende una computadora de escritorio que es popular entre los
entusiastas de los juegos de video. En los últimos meses, la demanda se ha mantenido relativamente constante,
aunque fluctúa día con día. La compañía ordena las cajas para computadora a un proveedor. Cada pedido es de
5,000 cajas en el momento adecuado para evitar desabasto. La demanda durante el tiempo de entrega se distribuye
normalmente, con una media de 1,000 unidades y una desviación estándar de 200 unidades. El costo de almace-
namiento por unidad por año se estima en $4. ¿Cuánto inventario de seguridad debería conservar la empresa para
mantener un nivel de servicio de 96%? ¿Cuál es el punto de reorden? ¿Cuál sería el costo total anual de almacena-
miento si se siguiera esta política?
Solución
Con base en la tabla de distribución normal, el valor Z para un nivel de servicio de 96% es aproximadamente de
1.75. La desviación estándar es de 200. El inventario de seguridad se calcula como
IS = ZOdLT = 1.75(200) = 375 unidades
Para una distribución normal con una media de 1,000, el punto de reorden es
ROP = (Demanda promedio durante el tiempo entrega) + IS
= 1000 + 350 = 1,350 unidades
El costo total anual de almacenamiento es
5,000
CTA = -9-- Ch + (/S)Ch = -4 + (375)4 = $11,500
2 2

Autoevaluación

• Antes de realizar la autoevaluación, consulte los objetivos de aprendizaje al comienzo del capítulo, las notas en los márgenes y el glosario
al final del capítulo.
• Consulte las soluciones en la parte final del libro para corregir sus respuestas.
• Vuelva a estudiar las páginas que correspondan a todas las preguntas que respondió incorrectamente o al material del que no se sienta seguro.
1. ¿Cuál de los siguientes es un componente básico de un sistema e. todos los anteriores son componentes de un sistema de con-
de control de inventarios? trol de inventarios
a. la planeación de qué inventario almacenar y cómo adquirirlo 2. ¿Cuál de los siguientes es un uso válido del inventario?
b. el pronóstico de la demanda de piezas y productos a. la función de desacoplamiento
c. el control de los niveles de inventario b. aprovechar los descuentos por cantidad
d. el desarrollo y la implementación de medidas de retroali- c. evitar la escasez y el desabasto
mentación para revisar los planes y pronósticos d. suavizar la oferta y la demanda irregulares
e. todos los anteriores son usos válidos del inventario
228 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS
3. Uno de los supuestos necesarios para el modelo de la EOQ es
el abastecimiento instantáneo. Esto significa que
a. el tiempo de entrega es cero.
b. se supone que el tiempo de producción es cero.
c. todo el pedido se entrega a la vez.
d. no puede ocurrir reabastecimiento hasta que el inventario
disponible sea cero.
4. Si se cumplen los supuestos de la EOQ y una empresa ordena
la EOQ cada vez que se hace un pedido, entonces
a. se minimiza el total de los costos anuales de almacenamiento.
b. se minimiza el total de los costos anuales de pedido.
c. se minimiza el total de los costos de inventario.
d. la cantidad de pedido siempre será menor que el inventario
promedio.
5. Si se cumplen los supuestos de la EOQ y una empresa ordena
más que la cantidad económica de pedido, entonces
a. el costo total anual de almacenamiento será mayor que el
costo total anual de pedido.
b. el costo total anual de almacenamiento será menor que el
costo total anual de pedido.
c. el costo total anual de almacenamiento será igual que el
costo total anual de pedido.
d. el costo total anual de almacenamiento será igual que el
costo total anual de compra.
6. El punto de reorden
a. es la cantidad que se ordena cada vez que se realiza un pedido.
b. es la cantidad de inventario que sería necesaria para satisfacer
la demanda durante el tiempo de entrega.
c. es igual al inventario promedio cuando se cumplen los
supuestos de la EOQ.
d. se supone que es cero si hay reabastecimiento instantáneo.
7. Si se cumplen los supuestos de la EOQ, entonces
a. el costo anual por desabasto será cero.
b. el costo total anual de abastecimiento será igual al costo total
anual de pedido.
c. el inventario promedio será la mitad de la cantidad de pedido.
d. todo lo anterior.
8. En el modelo de corrida de la producción, el nivel máximo de
inventario será
a. mayor que la cantidad de producción.
b. igual que la cantidad de producción.
c. menor que la cantidad de producción.
d. igual que la tasa de producción diaria más la demanda diaria.
Preguntas para análisis y problemas
Preguntas de análisis
6-1 ¿Por qué es el inventario una consideración importante
para los administradores?
6-2 ¿Cuál es el propósito del control de inventarios?
6-3 ¿En qué circunstancias puede usarse el inventario como
una cobertura contra la inflación?
6-4 ¿Por qué una empresa no almacena siempre grandes
cantidades de inventario para eliminar la escasez y el
desabasto?
9. ¿Por qué el osto anual de compra (de material) no se considera
un costo de ventano relevante si se cumplen los supuestos de
la EOQ?
a. Este cost será cero.
b. Este cost es constante y no se ve afectado por la cantidad de
pedido.
c. Este costo es insignificante en comparación con el resto de
los costos de inventario.
d. Se considera que este costo no es un costo de inventario.
10. Un sistema JIT suele dar como resultado
a. un bajo costo anual de almacenamiento.
b. muy pocos pedidos al año.
c. interrupciones frecuentes en una línea de ensamble.
d. altos niveles de inventario de seguridad.
11. Los fabricantes utilizan la MRP cuando
a. la demanda de un producto depende de la demanda de otros
productos.
b. la demanda de cada producto es independiente de la
demanda de otros productos.
c. la demanda es totalmente impredecible.
d. el costo de compra es extremadamente alto.
12. Al usar el análisis marginal, es necesario abastecer una unidad
adicional si
a. MP = ML.
b. la probabilidad de vender esa unidad es mayor o igual que
MP/(MP + ML).
c. la probabilidad de vender esa unidad es menor o igual que
ML/(MP + ML).
d. la probabilidad de vender esa unidad es mayor o igual que
ML/(MP + ML).
13. Al usar análisis marginal con la distribución normal, si la
utilidad marginal es menor que la pérdida marginal, espbramos
que la cantidad óptima de abastecimiento sea
a. mayor que la desviación estándar.
b. menor que la desviación estándar.
c. mayor que la media.
d. menor que la media.
14. La posición de inventario se define como
a. la cantidad de inventario necesario para satisfacer la demanda
durante el tiempo de entrega.
b. la cantidad de inventario disponible.
e. la cantidad de inventario pedido.
d. la suma del inventario disponible y el inventario pedido.
6-5 ¿Cu les son algunos de los supuestos que se adoptan al
u la EOQ?
6-6 Co ente los principales costos de inventario que se utili-
zan ara determinar la EOQ.
6-7 ¿Q é es el ROP? ¿Cómo se determina?
6-8 Si 1 ROP es mayor que la cantidad de pedido, explique
có o se implementa el ROP. ¿Puede el ROP ser más del
doble de la cantidad de pedido y, si es así, ¿cómo se ma-
neja una situación de este tipo?

6-9 Considere que la demanda anual de un producto arbitrario
es de 1,000 unidades al año y que la EOQ asociada es de
400 unidades por pedido. En tales circunstancias, el nú-
mero de pedidos por año sería (D/Q) = 2.5 pedidos al año.
¿Cómo puede implementarse esto?
6-10 ¿Cuál es el propósito del análisis de sensibilidad?
6-11 ¿Qué supuestos se adoptan en el modelo de corrida de la
producción?
6-12 ¿Qué sucede con el modelo de corrida de la producción
cuando la tasa de producción diaria se vuelve muy grande?
6-13 Describa brevemente qué está involucrado en la solución
de un modelo de descuentos por cantidad.
6-14 Cuando se utiliza un inventario de seguridad, ¿cómo se
calcula la desviación estándar de la demanda durante el
tiempo de entrega si la demanda diaria se distribuye nor-
malmente, pero el tiempo de entrega es constante? ¿Cómo
se calcula si la demanda diaria es constante pero el tiempo
de entrega se distribuye normalmente? ¿Cómo se calcula
si tanto la demanda diaria como el tiempo de entrega se
distribuyen normalmente?
6-15 Explique brevemente el enfoque del análisis marginal en
problemas con un solo periodo de inventario.
6-16 Describa brevemente qué se entiende por análisis ABC.
¿Cuál es el propósito de esta técnica de inventarios?
6-17 ¿Cuál es el propósito general de la MRP?
6-18 ¿Cuál es la diferencia entre el plan de necesidades brutas
de material y el plan de necesidades netas de material?
6-19 ¿Cuál es el objetivo del J1T?
Problemas
• 6-20 Lila Battle ha determinado que la demanda anual de tomi-
llos del número 6 es de 100,000 unidades. Lila, que trabaja
en la ferretería de su hermano, está a cargo de las compras.
Ella estima que tiene un costo de $10 cada vez que hace
un pedido. Este costo incluye sus salarios, el costo de los
formatos utilizados en la colocación de pedido, etcétera.
Por otro lado, estima que el costo de conservar un tornillo
en inventario durante un año es la mitad de 1 centavo. Su-
ponga que la demanda es constante durante todo el año.
(a) ¿Cuántos tornillos del número 6 debería ordenar
Lila cada vez si desea minimizar el costo total del
inventario?
(b) ¿Cuántos pedidos al año colocaría? ¿Cuál sería el
costo anual de pedido?
(c) ¿Cuál sería el inventario promedio? ¿Cuál sería
el costo anual de almacenamiento?
• 6-21 Una orden de tornillos del número 6 tarda aproximada-
mente 8 días hábiles en llegar, una vez que se ha realizado
el pedido (consulte el problema 6-20). La demanda de tor-
nillos del número 6 es bastante constante y, en promedio,
Lila ha observado que la ferretería de su hermano vende
Nota: í significa que el problema puede resolverse con QM para Windows;24 significa que el problema puede resolverse con Excel QM, y .x significa que el problema
puede resolverse con QM para Windows y/o Excel QM.
PREGUNTAS PARA ANÁLISIS Y PROBLEMAS 229
500 de estos tornillos cada día. Debido a que la demanda
tiene estas características, Lila cree que puede evitar desa-
basto por completo si sólo pide tornillos del número 6 en
el momento correcto. ¿Cuál es el ROP?
: 6-22 El hermano de Lila cree que ella realiza demasiados pe-
didos de tornillos al año, y considera que se debe colocar
un pedido sólo dos veces al año. Si Lila sigue la política
de su hermano, ¿cuánto más costaría esto cada año que la
política de pedidos que desarrolló en el problema 6-20? Si
se colocaran sólo dos pedido cada año, ¿qué efecto tendría
esto en el ROP?
42. 6-23 Barbara Bright es la agente de compras de la compañía
24*
West Valve, la cual vende válvulas industriales y disposi-
tivos de control de fluidos. Una de las válvulas más popu-
lares es la Western, que tiene una demanda anual de 4,000
unidades. El costo de cada válvula es $90, y se estima que
el costo de conservarla en inventario es 10% del costo de
cada válvula. Barbara ha hecho un estudio de los costos
involucrados en la colocación de un pedido de cualquiera
de las válvulas que almacena West Valve, y ha llegado a la
conclusión de que el costo promedio de pedido es de $25
por orden. Además, el proveedor tarda alrededor de dos
semanas en entregar un pedido y, durante ese tiempo, la
demanda por semana de válvulas West es de aproximada-
mente 80.
(a) ¿Cuál es la EOQ?
(b) ¿Cuál es el ROP?
(c) ¿El ROP es mayor que la EOQ? Si es así, ¿cómo se
maneja esta situación?
(d) ¿Cuál es el inventario promedio? ¿Cuál es el costo
anual de almacenamiento?
(e) ¿Cuántos pedidos al año se colocarían? ¿Cuál es el
costo anual de pedido?
• 6-24 Ken Ramsing ha estado en el negocio de la madera du-
rante la mayor parte de su vida. El mayor competidor de
Ken es Pacific Woods. A través de muchos años de expe-
riencia, Ken sabe que el costo de pedido de una orden de
madera contrachapada es de $25 y que el costo de alma-
cenamiento es 25% del costo unitario. Tanto Ken como
Pacific Woods reciben cargas de madera contrachapada
que cuestan $100 por carga. Por otro lado, Ken y Paci-
fic Woods utilizan el mismo proveedor de madera contra-
chapada, y Ken pudo averiguar que los pedidos de Pacific
Woods son de 4,000 cargas a la vez. Ken también sabe que
la EOQ para Pacific Woods es de 4,000 cargas. ¿Cuál es la
demanda anual en cargas de madera contrachapada de
Pacific Woods.
• 6-25 Shoe Shine es una tienda local de zapatos al menudeo ubi-
cada en la parte norte de Centerville. La demanda anual
de una sandalia popular es de 500 pares y John Dirk, el
dueño del Shoe Shine, ha tenido la costumbre de ordenar
100 pares a la vez. John estima que el costo de pedido es
I?
230 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS
de $10 por orden. El costo de las sandalias es de $5 por
par. Para que la política de pedidos de John fuera correcta,
¿cuál tendría que ser el costo de almacenamiento como
porcentaje del costo unitario? Si el costo de almacena-
miento fuera 10% del costo, ¿cuál sería la cantidad óptima
de pedido?
6-26 En el problema 6-20, usted ayudó a Lila Battle a deter-
minar la cantidad de pedido óptima para los tornillos del
número 6. Ella había estimado que el costo de pedido era
de $10 por orden. No obstante, en este momento cree que
esta estimación era demasiado baja. Aunque no conoce el
costo exacto de pedido, cree que podría llegar a ser hasta
de $40 por orden. ¿Cómo cambiaría la cantidad de pedido
óptima, si el costo de pedido fuera de $20, $30 y $40?
6-27 El taller de maquinado de Ross White utiliza 2,500 so-
portes durante el transcurso de un año, y este uso es re-
lativamente constante. Los soportes son comprados a
un proveedor ubicado a 100 millas por $15 la pieza, y
el tiempo de entrega es de 2 días. El costo de almacena-
miento por soporte por año es de $1.50 (o 10% del costo
unitario) y el costo de pedido por pedido es de $18.75. Se
tienen 250 días de trabajo al año.
(a) ¿Cuál es la EOQ?
(b) Dada la EOQ, ¿cuál es el inventario promedio? ¿Cuál
es el costo anual por mantener inventarios?
(e) Para minimizar los costos, ¿cuántos pedidos se harían
cada año? ¿Cuál sería el costo anual de pedido?
(d) Dada la EOQ, ¿cuál es el costo anual total de inventa-
rio (incluyendo el costo de compra)?
(e) ¿Cuál es el tiempo entre pedidos?
(f) ¿Cuál es el ROP?
6-28 Ross White (vea el problema 6-27) quiere reconsiderar
su decisión de comprar los soportes y está pensando en
fabricar los soportes el mismo. Ha determinado que los
costos de instalación serían de $25 por el tiempo del ma-
quinista y el tiempo de producción perdido, y podría pro-
ducir 50 soportes al día después de haber configurado la
máquina. Ross estima que el costo (incluyendo el tiempo
de mano de obra y los materiales) de producir un soporte
sería $14.80. El costo de almacenamiento sería el 10% de
este costo.
(a) ¿Cuál es la tasa de demanda diaria?
(b) ¿Cuál es la cantidad óptima de producción?
(c) ¿Cuánto tiempo se necesita para producir la cantidad
óptima? ¿Cuánto inventario se vendería durante este
tiempo?
(d) Si Ross utiliza la cantidad óptima de producción,
¿cuál sería el nivel máximo de inventario? ¿Cuál sería
el nivel de inventario promedio? ¿Cuál sería el costo
anual de almacenamiento?
(e) ¿Cuántas corridas de la producción habría cada año?
¿Cuál sería el costo anual de instalación?
(f) Considerando una corrida de la producción de tamaño
óptimo, ¿cuál sería el costo total anual del inventario?
(g) Si el tiempo de entrega fuera de solo medio día, ¿cuál
sería el ROP?
Q.
zo* 6-29 Al ent ararse de que Ross White (vea los problemas 6-27
y 6-28 está considerando producir él mismo los soportes,
el pro eedor ha notificado a Ross que reduciría el precio
de con pra del soporte de $15 a $14.50, si Ross adquiere
los so ortes en lotes de 1,000. Sin embargo, los tiempos
de entrega aumentarían a 3 días para esta cantidad más
grande.
(a) ¿Cuál es la suma del costo anual de inventario más el
costo anual de compra, si Ross adquiere los soportes
en lotes de 1,000 a $14.50 cada uno?
(b) Si Ross compra en lotes de 1,000 soportes, ¿cuál sería
el nuevo ROP?
(c) Dadas las opciones de comprar los soportes a $15
cada uno, producirlos en el taller a $14.80 y aprove-
char el descuento, ¿cuál es su recomendación para
Ross White?
6-30 Tras analizar los costos de las distintas opciones para ob-
tener los soportes, Ross White (consulte los problemas
6-27 a 6-29) reconoce que, aunque sabe que el tiempo
de entrega es de 2 días y la demanda promedio diaria es de
10 unidades, dicha demanda durante el tiempo de entrega
suele variar. Ross mantiene registros muy cuidadosos y ha
determinado que la demanda en el tiempo de entrega se
distribuye normalmente con una desviación estándar de
1.5 unidades.
(a) ¿Qué valor Z sería apropiado para un nivel de servicio
de 98%?
(b) ¿Qué inventario de seguridad debería mantener Ross
si quiere un nivel de servicio de 98%?
(c) ¿Cuál es el ROP ajustado para los soportes?
(d) ¿Cuál es el costo anual de almacenamiento del inven-
tario de seguridad, si el costo de almacenamiento por
unidad anual es de $1.50?
Ge.
xt• 6-31 Douglas Boats es un proveedor de equipos de navegación
para los estados de Oregon y Washington. Vende 5,000
motores a diesel White Marine WM-4 cada año. Douglas
recibe estos motores en contenedores de 100 pies cúbicos,
y mantiene su almacén lleno de los motores WM4. El al-
macén puede contener 5,000 pies cúbicos de suministros
de navegación. Douglas estima que el costo de pedido es de
$10 por orden, y el costo de almacenamiento se estima
en $10 por motor por año. Douglas Boats está conside-
rando la posibilidad de ampliar el almacén de los motores
WM-4. ¿Cuánto debería expandirse Douglas Boats, y qué
utilidad tendría la empresa por realizar esa expansión? Su-
ponga que la demanda es constante durante todo el año.
$: 6-32 Northem Distributors es una organización mayorista que
x.
abastece a tiendas minoristas de productos para el cuidado
del ardín y limpieza del hogar. Un edificio se utiliza para
alm cenar las cortadoras de césped Neverfail. El edificio
tien 25 pies de ancho por 40 pies de profundidad por 8
pi de altura. Anna Oldham, gerente del almacén, estima
que alrededor de 60% de éste se puede utilizar para al-
macenar las cortadoras de césped Neverfail. El 40% res-
tante se utiliza para pasarelas y una pequeña oficina. Cada
cortadora de césped Neverfail viene en una caja que mide
 PREGUNTAS PARA ANÁLISIS Y PROBLEMAS 231

5 pies por 4 pies por 2 pies de altura. La demanda anual por lotes. En promedio, Jan puede producir 150 tijeras al
de estas cortadoras de césped es de 12,000, y el costo de día y, durante el proceso de producción, la demanda de
los pedidos realizados por Northem Distributors es de $30 las tijeras ha sido de unas 40 tijeras diarias. El costo por
por orden. Se estima que a Northem le cuesta $2 alma- configurar el proceso de producción es de $100, y a Jan le
cenar cada cortadora de césped por un año. La empreáa cuesta 30 centavos almacenar unas tijeras durante un año.
está pensando en aumentar el tamaño del almacén. La ¿Cuántas tijeras debería Jan producir en cada lote?
empresa sólo puede hacerlo aumentando la profundidad 31. 6-35 Jim Overstreet, gerente de control de inventarios de Itex,
del depósito. En la actualidad, el almacén tiene 40 pies de
x recibe cojinetes para rueda de Wheel-Rite, un pequeño
profundidad. ¿Cuántos pies de profundidad se deberían productor de piezas metálicas. Por desgracia, Whe-
agregar al almacén para minimizar los costos anuales de el-Rite sólo puede producir 500 cojinetes para rueda al
inventario? ¿Cuánto tendría que estar dispuesta a pagar día. Itex recibe 10,000 cojinetes de Wheel-Rite al año.
la empresa por esta expansión? Recuerde que sólo 60% Como Itex opera 200 días al año, la demanda diaria
de la superficie total se puede utilizar para almacenar las promedio de cojinetes para rueda es de 50. El costo de
cortadoras de césped Neverfail. Suponga que se cumplen pedido para Itex es de $40 por orden, y el costo de al-
todos los supuestos de la EOQ. macenamiento es de 60 centavos por cojinete por año.
6-33 Lisa Surowsky recibió la encomienda de ayudar a deter- ¿Cuántos cojinetes debería ordenar Itex a Wheel-Rite a
minar la mejor política de pedidos para un nuevo pro- la vez? Wheel-Rite se ha comprometido a enviar el nú-
ducto. Actualmente, se ha proyectado que la demanda mero máximo de cojinetes que produce cada día cuando
de este producto será cercana a 1,000 unidades anuales. reciba un pedido de Itex.
Para tener una noción de los costos de almacenamiento y 6-36 North Manufacturing tiene una demanda de 1,000 bombas
x*
de pedido, Lisa preparó una serie de costos de inventario cada año. El costo de una bomba es de $50. A North Ma-
promedio. Lisa pensó que estos costos serían adecuados nufacturing le cuesta $40 hacer un pedido, y el costo de
para el nuevo producto. Los resultados se resumen en la almacenamiento es 25% del costo unitario. Si las bombas
siguiente tabla. Estos datos se recopilaron para 10,000 se ordenan en cantidades de 200, North Manufacturing
artículos de inventario almacenados durante el año y que puede obtener un descuento de 3% sobre el costo de las
fueron ordenados 100 veces durante el año pasado. Ayude bombas. ¿Debería North Manufacturing pedir 200 bombas
a Lisa a determinar la EOQ. a la vez y tomar el descuento de 3 por ciento?
6-37 Linda Lechner está a cargo de mantener los suministros
FACTOR DE COSTO COSTO ($) hospitalarios en el Hospital General. Durante el año pa-
sado, la demanda media durante el tiempo de entrega del
Impuestos 2,000
vendaje BX-5 fue de 60. Además, la desviación estándar
Procesamiento e inspección 1,500 para el BX-5 fue de 7. A Linda le gustaría mantener un
Desarrollo del nuevo producto 2,500 nivel de servicio de 90%. ¿Qué nivel de inventario de se-
Pago de factura 500 guridad le recomienda usted para el BX-5?
Suministros de pedido 50 6-38 Linda Lechner acaba de ser severamente reprendida por
su política de inventarios. (Vea el problema 6-37). Sue
Seguro del inventario 600
Surrowski, su jefa, cree que el nivel de servicio debe ser
Publicidad del producto 800 de 95 o 98%. Calcule los niveles de inventario de seguri-
Deterioro 750 dad para los niveles de servicio de 95 y 98%. Linda sabe
Envío de órdenes de compra 800 que el costo de almacenamiento del BX-5 es de 50 cen-
Consultas de inventario 450 tavos por unidad anuales. Calcule el costo de almacena-
miento que se asocia con un nivel de servicio de 90, 95 y
Suministros de almacén 280 98 por ciento.
Investigación y desarrollo 2,750 6-39 Ralph Janaro simplemente no tiene tiempo para anali-
Salarios de compras 3,000 zar todos los artículos en el inventario de su compañía.
Salarios de almacén 2,800 Como joven administrador, tiene cosas más importantes
Robo de inventario que hacer. La siguiente es una tabla de seis artículos en
800
inventario, junto con el costo unitario y la demanda
Suministros de órdenes de compra 500 en unidades.
Obsolescencia del inventario 300 (a) Calcule la cantidad total gastada en cada artículo du-
rante el año. ¿Cuál es la inversión total para todos los
t• 6-34 Janproduce
Gentry es el dueño de una pequeña empresa que
tijeras eléctricas utilizadas para cortar tela. La
artículos?
(b) Determine el porcentaje de la inversión total en inven-
demanda anual es de 8,000 tijeras, y Jan produce tijeras tario que se gasta en cada artículo.
232 CAPITULO 6 • MODELOS DE CONTROL DE INVENTARIOS

DEMANDA EN Ql ality Suppliers Inc.? Para simplificar los cálculos,

CÓDIGO DE COSTO
su onga que el inventario promedio es igual a la mi-
IDENTIFICACIÓN UNITARIO ($) UNIDADES
tad del nivel máximo de inventario para la nueva op-
XX 1 5.84 1,200 ci4n de Quality.
B66 5.40 1,110 (c) Ccule el costo total de cada opción. ¿Qué recomen-
1.12 896 daría usted?
3CP0
74.54 1,104 : 6-42 Quality Suppliers, Inc., ha decidido ampliar su opción de
33CP
envío. (Para mayores detalles, consulte el problema 6-41).
R2D2 2.00 1,110
Ahora, Quality Suppliers está ofreciendo enviar la cantidad
RMS 2.08 961 ordenada en cinco partes iguales, una cada semana. La or-
den completa se recibirá durante cinco semanas. ¿Cuáles
(c) Con base en los porcentajes del inciso (b), ¿qué ar- son la cantidad de pedido y el costo total de esta nueva op-
tículo(s) se clasifica(n) en las categorías A, B y C uti- ción de envío?
lizando el análisis ABC? Q • 6-43 Hardware Warehouse está evaluando la política de inven-
(d) ¿Qué artículo(s) debería controlar Ralph más cuida- X•
tario cíe seguridad para todos sus artículos, que se iden-
dosamente utilizando técnicas cuantitativas? tifican mediante códigos SKU. Para el SKU M4389, la
6-40 Thaarugo, Inc., produce un dispositivo GPS que se está empresa siempre ordena 80 unidades cada vez que hace
volviendo popular en partes de Escandinavia. Cuando un pedido. La demanda diaria es constante, de 5 unidades
Thaarugo produce uno de estos dispositivos, utiliza una por día; el tiempo de entrega se distribuye normalmente,
tarjeta de circuitos impresos (PCB) y la llena con varios con una media de 3 días y una desviación estándar de 2.
componentes electrónicos. Thaarugo determina que nece- El costo de almacenamiento es de $3 por unidad anual. Es
sita alrededor de 16,000 de estas PCB cada año. La de- necesario mantener un nivel de servicio de 95 por ciento.
manda es relativamente constante durante todo el año y el (a) ¿Cuál es la desviación estándar de la demanda durante
costo de pedido es aproximadamente de $25 por orden; el tiempo de entrega?
el costo de almacenamiento es 20% del precio de cada (b) ¿Cuánto inventario de seguridad debería conservarse
PCB. Dos empresas están compitiendo para convertirse en y cuál debería ser el punto de reorden?
el proveedor dominante de las PCB, y ambas han ofreci- (c) ¿Cuál es el costo total anual de almacenamiento?
do descuentos, como se muestra en la siguiente tabla. Q:
¿Cuál de los dos proveedores debería seleccionar Thaa- x • 6-44 Para el SKU A3510 en Hardware Warehouse, la cantidad
rugo si desea minimizar el costo total anual de inventario? de pedido se ha fijado en 150 unidades cada vez que se co-
¿Cuál sería ese costo? loca una orden. La demanda diaria se distribuye normal-
mente, con una media de 12 unidades y una desviación
estándar de 4. Este artículo siempre llega exactamente 5
PROVEEDOR A PROVEEDOR B
días después de haber sido pedido. Se ha determinado que
CANTIDAD PRECIO CANTIDAD PRECIO el costo de almacenamiento es de $10 por unidad anual.
Debido al gran volumen de ventas de este artículo, la
1-199 38.40 1-299 39.50
gerencia quiere mantener un nivel de servicio de 99 por
200-499 35.80 300-999 35.40 ciento.
500 o más 34.70 1,000 o más 34.60 (a) ¿Cuál es la desviación estándar de la demanda durante
el tiempo de entrega?
: (b) ¿Cuánto inventario de seguridad se debería mantener,
X • 6-41 Dillard Travey recibe 5,000 trípodes anualmente de Qua-
lity Suppliers para satisfacer su demanda anual. Dillard y cuál debería ser el punto de reorden?
opera una tienda fotográfica grande, y los trípodes se (c) ¿Cuál es el costo total anual de almacenamiento?
utilizan principalmente con cámaras de 35 mm. El costo Q•
X • 6-45 H & K Electronics Warehouse vende un paquete de 12 ba-
de pedido es de $15 por orden, y el costo de almacena- terías AAA, que es un artículo muy popular. La demanda
miento es de 50 centavos por unidad anual. Quality está delquete se distribuye normalmente, con un promedio
ofreciendo una nueva opción a sus clientes. Cuando hagan de 57 paquetes por día y una desviación estándar de 16. El
un pedido, Quality enviará una tercera parte de la orden tiempo de entrega promedio es de 5 días, con una desvia-
cada semana durante tres semanas, en lugar de enviar el ción estándar de 2 días. Se ha encontrado que el tiempo
pedido completo de una sola vez. La demanda semanal en de entrega se distribuye normalmente y se desea un ni-
el tiempo de entrega es de 100 trípodes. vel servicio de 96 por ciento.
(a) ¿Cuál es la cantidad de pedido si Dillard recibe la or- (a) Cuál es la desviación estándar de la demanda durante
den completa de una sola vez? 1 tiempo de entrega?
(b) ¿Cuál es la cantidad del pedido si Dillard recibe la (b) Cuánto inventario de seguridad se debería mantener,
orden en tres semanas, usando la nueva opción de cuál debería ser el punto de reorden?
 PREGUNTAS PARA ANÁLISIS Y PROBLEMAS 233

SI. 6-46 Xemex ha recopilado los siguientes datos de inventario gratis para dos personas. El valor aproximado del viaje es
X" para los seis artículos que almacena: de $5,000. Se espera que cerca de 800 empresas entren al
sorteo de este viaje.
Sunbright estima que su demanda anual de concen-
COSTO DE
trado de frutas es de 1,000 latas. Además, el costo de pe-
COSTO ALMACENA-
DE MIENTO COMO dido se estima en $10, y el costo de almacenamiento en
CÓDIGO COSTO DEMANDA
DEL UNITARIO ANUAL PEDIDO PORCENTAJE DEL 10%, o aproximadamente $1 por unidad. La compañía
ARTÍCULO ($) (UNIDADES) ($) COSTO UNITARIO está intrigada con el plan de bonos por incentivos. Si la
empresa decide que conservaría las latas gratis, el viaje o
1 10.60 600 40 20 la computadora si los gana, ¿qué debería hacer?
2 11.00 450 30 25 1: 6-49 John Lindsay vende discos compactos con 25 paquetes
2
3 2.25 500 50 15 de software que realizan una variedad de funciones finan-
4 150.00 560 40 15 cieras, incluyendo el valor actual neto, la tasa interna de
rendimiento y otros programas financieros normalmente
5 4.00 540 35 16
utilizados por los estudiantes de negocios con especializa-
6 4.10 490 40 17 ción en finanzas. Dependiendo de la cantidad pedida, John
ofrece los siguientes descuentos en los precios. La de-
Lynn Robinson, la gerente de inventarios en Xemex, no manda anual es de 2,000 unidades en promedio. Su costo
siente que todos los artículos se puedan controlar. ¿Qué de instalación para producir los CD es de $250. Estima
cantidades de pedido recomienda usted para cuál(es) pro- que los costos de almacenamiento son de 10% del precio,
ducto(s) de inventario? o alrededor de $1 por unidad anual.
Q• 6-47 Georgia Products ofrece el siguiente programa de des-
X'
cuentos para sus hojas de madera contrachapada de buena CANTIDAD PEDIDA
calidad de 4 por 8 pies:
RANGOS DE PRECIOS DE A PRECIO
1 500 $10.00
PEDIDO COSTO UNITARIO ($)
501 1,000 9.95
9 hojas o menos 18.00
1,001 1,500 9.90
De 10 a 50 hojas 17.50
1,500 2,000 9.85
Más de 50 hojas 17.25

(a) ¿Cuál es el número óptimo de CD a producir cada

La Home Sweet Home Company le ordena madera con-
vez?
trachapada a Georgia Products. Home Sweet Home tiene
(b) ¿Cuál es el impacto del siguiente programa de canti-
un costo de pedido de $45. El costo de almacenamiento es
dad-precio sobre la cantidad óptima de pedido?
de 20%, y la demanda anual es de 100 hojas. ¿Qué reco-
mienda usted?
X' 6-48 Sunbright Citrus Products elabora jugo de naranja, jugo CANTIDAD PEDIDA
de toronja y otros artículos relacionados con los cítricos. RANGOS DE PRECIOS DE A PRECIO
Sunbright obtiene concentrado de frutas de una coopera-
tiva en Orlando integrada por aproximadamente 50 pro- 1 500 $10.00
ductores de cítricos. La cooperativa vende un mínimo de 501 1,000 9.99
100 latas de concentrado de frutas a los procesadores 1,001 1,500 9.98
de cítricos como Sunbright. El costo por lata es $9.90. 1,500 2,000 9.97
El año pasado, la cooperativa desarrolló el Progra-
ma de Incentivos por Bonos para motivar a sus clientes
6-50 Teresa Granger es la gerente de Chicago Cheese, que pro-
grandes a comprar en cantidad. Funciona de la siguiente
duce queso para untar y otros productos lácteos. El queso
manera: si se compran 200 latas de concentrado, el trato
para untar E-Z es un producto que siempre ha sido popu-
incluye 10 latas de concentrado gratis. Además, los nom-
lar. Su probabilidad de ventas, en cajas, es la siguiente:
bres de las empresas que compran el concentrado se ins-
criben a un sorteo de una computadora personal nueva. La
computadora tiene un valor de alrededor de $3,000, y ac- DEMANDA (CAJAS) PROBABILIDAD
tualmente cerca de 1,000 empresas pueden participar en el 10 0.2
sorteo. Con una compra de 300 latas, la cooperativa rega-
11 0.3
lará 30 latas y también inscribirá a la empresa compradora
en el sorteo de la computadora. Cuando la cantidad sube 12 0.2
a 400 latas de concentrado, se regalan 40 latas de con- 13 0.2
centrado con el pedido. Además, la empresa compradora 14 0.1
también entra al sorteo de la computadora y de un viaje
234 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS
Una caja de queso para untar E-Z se vende a $100 y tie-
ne un costo de $75. Cualquier queso que no se vende al fi-
nal de la semana es vendido a un procesador de alimentos
local por $50. Teresa nunca vende queso con antigüedad
mayor a una semana. Use el análisis marginal para deter-
minar el número de cajas de queso E-Z que debe produ-
cirse cada semana para maximizar la utilidad promedio.
6-51 Harry's Hardware hace un buen negocio durante el año.
En la época navideña, Harry's Hardware vende árboles de
Navidad con una utilidad sustancial. Por desgracia, los ár-
boles no vendidos al final de la temporada son totalmente
inútiles. Por lo tanto, el número de árboles que se almacena
para una estación dada es una decisión muy importante. La
siguiente tabla muestra la demanda de árboles de Navidad:
DEMANDA DE
ÁRBOLES DE NAVIDAD PROBABILIDAD
50 0.05
75 0.1
100 0.2
125 0.3
150 0.2
175 0.1
200 0.05
Harry vende los árboles a $80 cada uno, pero su costo es
de sólo $20.
(a) Use el análisis marginal para determinar cuántos árbo-
les debería almacenar Harry.
(b) Si el costo se incrementa a $35 por árbol y Harry si-
gue vendiendo los árboles a $80 cada uno, ¿cuántos
árboles debe almacenar Harry?
(c) Harry está pensando en aumentar el precio a $100 por
árbol. Suponga que el costo por árbol es de $20. Con
el nuevo precio, se espera que la probabilidad de ven-
der 50, 75, 100 o 125 árboles sea de 0.25 para cada
nivel de ventas. Harry no espera vender más de 125
árboles con este aumento de precio. ¿Qué le reco-
mienda usted?
: 6-52 Además de vender árboles de Navidad durante la tempo-
rada de fin de año, Harry's Hardware vende todos los ar-
tículos ordinarios de ferretería (vea el problema 6-51). Uno
de los artículos más populares es el pegamento fuerte HH,
un artículo que se fabrica sólo para Harry's Hardware. El
precio de venta es de $4 por botella, pero por desgracia,
el pegamento se endurece y queda inutilizable después de
un mes. El costo del pegamento es de $1.20. Durante los úl-
timos meses, las ventas medias del pegamento han sido de
60 unidades, y la desviación estándar es de 7. ¿Cuántas bo-
tellas de pegamento debería almacenar Harry's Hardware?
Suponga que las ventas siguen una distribución normal.
: 6-53 La pérdida marginal en Washington Reds, una marca de
manzanas del estado de Washington, es de $35 por caja. La
utilidacj marginal es de $15 por caja. Durante el año pasado,
las venias medias de Washington Reds fueron de 45,000 ca-
jas, y 11 desviación estándar fue de 4,450. ¿Cuántas cajas de
Washirigton Reds deberían llevarse al mercado? Suponga
que lasiventas siguen una distribución normal.
6-54 Linda Stanyon ha sido la gerente de producción de Plano
Produce durante más de ocho años. Plano Produce es una
pequeña empresa ubicada cerca de Plano, Illinois. Uno
de sus productos, el tomate, se vende en cajas, con ventas
diarias promedio de 400 cajas. Se supone que las ven-
tas diarias se distribuyen normalmente. Además, 85%
de las veces las ventas están entre 350 y 450 cajas. Cada
caja cuesta $10 y se vende por $15. Todas las cajas que no
se venden deben desecharse.
(a) Con base en la información proporcionada, estime la
desviación estándar de las ventas.
(b) Use la desviación estándar del inciso (a) para determi-
nar el número de cajas de tomates que Linda debería
almacenar.
: 6-55 Paula Shoemaker produce un informe semanal del mer-
cado de valores para un público exclusivo. Normalmen-
te vende 3,000 informes por semana, y 70% de las veces
sus véntas van de 2,900 a 3,100. La producción de cada
informe cuesta a Paula $15, pero puede venderlos a $350
cada uno. Desde luego, cualquier informe que no vende al
final de la semana no tiene ningún valor. ¿Cuántos infor-
mes debe producir Paula cada semana?
: 6-56 Emarpy Appliance produce todo tipo de electrodomésti-
cos. Richard Feehan, el presidente de Emarpy, está pre-
ocupado por la política de producción del refrigerador
con mejores ventas de la compañía. La demanda de éste
se ha mantenido relativamente constante en alrededor
de 8,000 unidades al año. La capacidad de producción de
este producto es de 200 unidades por día. Cada vez que
inicia la producción, la compañía gasta $120 en mover
los materiales hasta su lugar, restablecer la línea de mon-
taje y limpiar el equipo. El costo de almacenamiento de
un refrigerador es de $50 al año. El plan de producción
actual exige la producción de 400 refrigeradores en cada
corrida de la producción. Suponga que hay 250 días de
trabajo al año.
(a) ¿Cuál es la demanda diaria de este producto?
(b) Si la empresa tuviera que seguir produciendo 400 uni-
dades cada vez que inicia la producción, ¿cuántos días
continuaría la producción?
(c) De acuerdo con la política actual, ¿cuántas corridas de
la producción serían necesarias al año? ¿Cuál sería el
costo anual de instalación?
(d) Si la política actual continúa, ¿cuántos refrigeradores
estarían en inventario cuando se detuviera la produc-
ción? ¿Cuál sería el nivel promedio del inventario?
(e) i la compañía produce 400 refrigeradores a la vez,
cuál sería el costo anual total de instalación y de
acenamiento?

6-57 Considere la situación de Emarpy Appliance en el pro-
blema 6-56. Si Richard Feehan quiere minimizar el costo
total anual de inventario, ¿cuántos refrigeradores deberían
producirse en cada corrida de la producción? ¿Cuánto
ahorraría la compañía en costos de inventario comparados
con la política actual de producir 400 en cada corrida de la
producción?
6-58 En este capítulo se presenta un árbol de estructura de ma-
teriales para el artículo A de la figura 6.12. Suponga que
ahora se requiere 1 unidad del artículo B para cada unidad
del artículo A. ¿Qué impacto tiene esto en el árbol de es-
tructura materiales y en el número de artículos D y E que
se requieren?
6-59 Dada la información del problema 6-58, desarrolle un plan
de necesidades brutas de material para 50 unidades del ar-
tículo A.
6-60 Utilice los datos de las figuras 6.12 a 6.14 para desarrollar
un plan de necesidades netas de material para 50 unida-
des del artículo A, suponiendo que sólo se requiere 1 uni-
dad del artículo B por cada unidad de artículo A.
6-61 La demanda del producto S es de 100 unidades. Cada uni-
dad de S requiere 1 unidad de T y 0.5 onzas de U. Cada
unidad de T requiere 1 unidad de V, 2 unidades de W y
1 unidad de X. Finalmente, cada unidad de U requiere 0.5
onzas de Y y 3 unidades de Z. Todos los artículos son fa-
bricados por la misma empresa. Se necesitan dos semanas
para hacer S, una semana para hacer T, dos semanas para
hacer U, dos semanas para hacer V, tres semanas para ha-
cer W, una semana para hacer X, dos semanas para hacer
Y y una semana para hacer Z.
(a) Construya un árbol de estructura de materiales y un
plan de necesidades brutas de material para los artícu-
los dependientes del inventario.
(b) Identifique todos los niveles, padres y componentes.
Estudio de caso
Martin-Pullin Bicycle Corporation
Martin-Pullin Bicycle Corporation (MPBC), que se encuentra en Da-
llas, es un distribuidor mayorista de bicicletas y piezas de bicicleta.
Formada en 1981 por los primos Ray Martin y Jim Pullin, los pun-
tos de venta principales de la empresa se encuentran dentro de un ra-
dio de 400 millas desde el centro de distribución. Estos puntos
de venta reciben los pedidos enviados por Martin-Pullin en un plazo
ESTUDIO DE CASO 235
(c) Construya un plan de necesidades netas de mate-
rial utilizando los siguientes datos del inventario
disponible:
ARTÍCULO S T U V W X Y Z
Inventario
disponible 20 20 10 30 30 25 15 10
6-62 La compañía Webster Manufacturing produce un tipo
popular de carrito servicio. Este producto, el SL72, se
fabrica con las siguientes piezas: 1 unidad de la pieza A,
1 unidad de la pieza B y 1 unidad del subensamble C. Cada
subensamble C se compone de 2 unidades de la pieza D,
4 unidades de la pieza E y 2 unidades de la pieza E Elabore
un árbol de estructura de materiales para esto.
6-63 Blair H. Dodds, III, dirige un negocio en casa por eBay;
éste es de tamaño mediano y vende fotografías antiguas.
La demanda anual de sus fotos es de aproximadamente
50,000. El costo general anual (sin incluir el precio de
compra) por las fotografías es de $4,000 al año. Si se con-
sidera que este costo representa el costo anual de pedido
óptimo y que la cantidad óptima de pedido es de 400 fo-
tografías a la vez, determine el costo de pedido y el nivel
promedio del inventario.
6-64 El tiempo de entrega para cada una de las piezas del SL72
(problema 6-62) es de una semana, con excepción de la
pieza B, que tiene un tiempo de entrega de dos semanas.
Desarrolle un plan de necesidades netas de material para
un pedido de 800 SL72s. Suponga que actualmente no hay
piezas en inventario.
6-65 Consulte el problema 6-64. Desarrolle un plan de necesi-
dades netas de material suponiendo que en la actualidad se
dispone de 150 unidades de la pieza A, 40 unidades de la
pieza B, 50 unidades del subensamble C y 100 unidades
de la pieza F en inventario.
de dos días después de notificar al centro de distribución, siempre que
haya inventario disponible. Sin embargo, si la empresa no cumple con
algún pedido, no se coloca una orden de respaldo; los minoristas se
las arreglan para conseguir el pedido con otro distribuidor y MPBC
pierde ese negocio.
236 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS

Demandas del modelo AirWing fabricante extranj ro, y el envío tarda hasta cuatro semanas desde el
momento en que e hace un pedido. Con el costo de la comunica-
11111~2.01 010 .ÁPR0NOSTICO PARA 2011 ción, el papeleo y 1 despacho de aduanas incluido, MPBC estima que
Enero 6 7 8 cada vez que hace un pedido, incurre en un costo de $65. El precio de
compra pagado p r bicicleta, es aproximadamente 60% del precio
Febrero 12 14 15
de venta sugerido ara todos los estilos disponibles, y el costo por al-
Marzo 24 27 31 macenar inventarió es de 1% mensual (12% anual) del precio de com-
Abril 46 53 59 pra pagado por MPBC. El precio de venta (pagado por los clientes)
del AirWing es de $170 por bicicleta.
Mayo 75 86 97
MPBC está interesada en hacer un plan de inventarios para el año
Junio 47 54 60 2011. La empresa quiere mantener un nivel de servicio de 95% para
Julio 30 34 39 sus clientes, con la finalidad de minimizar las pérdidas por pedidos
perdidos. Los datos recogidos durante los últimos dos años se resu-
Agosto 18 21 24
men en la siguiente tabla. Se ha desarrollado un pronóstico de ventas
Septiembre 13 15 16 para el modelo Airwing en el próximo año 2011 y se utiliza para hacer
Octubre 12 13 15 un plan de inventarios de MPBC.
Noviembre 22 25 28
Preguntas para análisis
Diciembre 38 42 47
343 391 439 1. Desarrolle un plan de inventarios para ayudar a MPBC.
Total
2. Analice los ROP y los costos totales.
3. ¿Cómo se puede hacer frente a la demanda que no está al nivel
La compañía distribuye una amplia variedad de bicicletas. El del horizonte de planeación?
modelo más popular, y la principal fuente de ingresos para la em-
presa, es el AirWing. MPBC recibe todos los modelos de un solo Fuente: Profesora Kala Chand Seal, Loyola Marymount University.

Estudios de caso en Internet

Visite nuestra página en Internet, www.pearsonenespañol.com/render, y consulte estos estudios de caso

adicionales:
(1) LaPlace Power and Light: Este caso involucra un servicio público en Luisiana y su uso de cables
eléctricos para conectar las casas a las líneas eléctricas.
(2) Western Ranchman Outfitters: Este caso involucra la gestión de inventarios para un estilo popular
de pantalones vaqueros cuando la fecha de entrega es a veces impredecible.
(3) Professional Video Management: Este caso se refiere a un sistema de videos en el que es posible
acceder a descuentos de los proveedores.
(4) Drake Radio: Este caso implica pedidos de sintonizadores de FM.

Bibliografía
Anderson, Eric T., Gavan J. Fitzsimons y Duncan Simester. "Measuring and Mid-
gating the Costs of Stockouts", Management Science 52, 11 (noviembre de
2006): 1751-1763.
Bradley, James R. y Richard W. Conway. "Managing Cyclic !mentones", Produc-
tion and Operations Management 12, 4 (invierno de 2003): 464-479.
Chan, Lap Mui Ann, David Simchi-Levi y Julia Swann. "Pricing, Production,
and hiventory Policies for Manufacturing with Stochastic Demand and Dis-
cretionary Sales", Manufacturing & Service Operations Management 8, 2
(primavera de 2006): 149-168.
Chickering, David Maxwell y David Heckerman. "Targeted Advertising on the
Web with Inventory Management", Interfaces 33.5 (septiembre-octubre de
2003): 71-77.
Chopra, Sunil, Gillds Reinhardt y Maqbool Dada. "The Effect of Lead Time
Uncertainty o Safety Stocks", Decision Sciences 35, 1 (invierno de 2004):
1-24.
Desai, Preyas S. y ed Koenigsberg. "The Role of Production Lead Time and
Demand Unc nainty in Marketing Durable Goods", Management Science
53, 1 (enero 2007): 150-158.
Jayaraman, Vaidy athan, Cindy Burnett y Derek Frank. "Separating Inventory
Flows in the aterials Management Department of Hancock Medical Cen-
ter", Interfac s 30, 4 (julio-agosto de 2000): 56-64.
Kapuscinski, Rom Rachel Q. Zhang, Paul Carbonneau, Robert Moore y Bill
Reeves. "Inventory Decisions in Dell's Supply Chain", Interfaces 34, 3
(mayo-junio de 2004): 191-205.
 APÉNDICE 6.1: CONTROL DE INVENTARIOS CON QM PARA WINDOWS 237

Karabakal, Nejat, Ab Gunal y Warren Witchie. "Supply-Chain Analysis at
Volkswagen of America", Interfaces 30, 4 (julio-agosto de 2000): 46-55.
Kük, A. Gürhan y Kevin H. Shang. "Inspection and Replenishment Policies for
Systems with Inventory Record Inaccuracy", Manufacturing & Service Ope-
rations Management 9, 2 (primavera de 2007): 185-205.
Ramasesh, Ranga V. y Ram Rachmadugu. "Lot-Sizing Decision Under Limi-
ted-Time Price Reduction", Decision Sciences 32, 1 (invierno de 2001):
125-143.
Ramdas, Karnalini y Robert E. Spekrnan. "Chain or Shackles: Understanding
What Drives Supply-Chain Performance", Interfaces 30, 4 (julio-agosto de
2000): 3-21.
Rubin, Paul A. y W. C. Benton. "A Generalized Framework for Quantity Discount
Pricing Schedules", Decision Sciences 34, 1 (invierno de 2003): 173-188.
Shin, Hojung y W. C. Benton. "Quantity Discount-Based Inventory Coordination:
Effectiveness and Critica! Environmental Factors", Production and Opera-
tions Management 13, 1 (primavera de 2004): 63-76.

Apéndice 6.1: Control de inventarlos con QM para Windows

En este capítulo se presenta una variedad de modelos de control de inventarios. Cada modelo tiene diferentes
supuestos y utiliza enfoques ligeramente diferentes. El uso de QM para Windows es similar para los diferen-
tes tipos de problemas de inventario. Como se observa en el menú de inventarios en QM para Windows, la
mayoría de los problemas de inventario estudiados en este capítulo se pueden resolver por computadora.
Para hacer una demostración de QM para Windows, comenzamos con el modelo básico de la EOQ.
Sumco, una empresa de manufactura analizada en el capítulo, tiene una demanda anual de 1,000 unidades,
con un costo de pedido de $10 por unidad y un costo de almacenamiento de $0.50 por unidad anual. Con estos
datos, podemos utilizar QM para Windows para determinar la cantidad económica de pedido. Los resultados
se muestran en el programa 6.5.
En este capítulo también se cubre el problema de inventario de corrida de la producción, que requiere la
producción diaria y la tasa de demanda diaria, además de la demanda anual, el costo de pedido por orden y
el costo de almacenamiento por unidad anual. El ejemplo de Brown Manufacturing se utiliza en este capítulo
para mostrar cómo hacer los cálculos de forma manual. Estos datos también pueden usarse con QM para
Windows. El programa 6.6 muestra los resultados.

PROGRAMA 6.5 1114 lo t VII:atuve.

9 Efe firlt Yayo Module Formal Iota: ~ort Heip

Resultados en QM r Reader Met Ordet Ouenary (NEM) butrucban
para Windows para
el modelo de la EOQ
01meada
No meadaint
re oe
Compute morder mai In
o
I r hele are more cestita avarlable in additional uándows. T hale mey be apenad b9
uing the WINDOW cola:n al the 1~ Merar.

JQJ_<.!
)
(u-titled) Sokben
%remeter Va!ue Perarneter

Dem&oI rablID) 11300 Comal arder camote), (0`)

SetupfOreferhg cost(S) 10 Maxenken Inventory Level (Amax) 200.
Beduina cost(H) 0.5 Average Inventory 100.
UnR cal o Orden, per perlo«year) 5.
Amad Saha me so.
Annual Holding coa!

Una code (PD) O.

Total CM 100.

PROGRAMA 6.6
11 Ele Eát »toa Modie fi:~ Iook klidow tido
Resultados en QM
para Windows para
el modelo de corrida
de la producción
238 CAPITULO 6 • MODELOS DE CONTROL DE INVENTARIOS

El modelo de descuentos por cantidad permite que e costo de material varíe con la cantidad pedida. En
este caso, el modelo debe considerar y minimizar los co tos de materiales, de pedido y de almacenamiento
examinando cada precio de descuento. El programa 6.7 nuestra cómo se puede utilizar QM para Windows
para resolver el modelo con descuentos por cantidad anal zado en el capítulo. Observe que la salida del pro-
grama muestra los datos de entrada, además de los resulta los.

PROGRAMA 6.7 (JM for W,n,low,

ll Ele kdt yiew tdockile Fofmat Iooh Window tisk,
Resultados en QM neetroben
here me ame tenis avalable in addliond windows. These rnay be oponed by ming the W1NDOW option Silbe Ilaii Mena
para Windows para
el modelo de fT

descuentos por 1=11.11~11/11~1111111~~

(uritle05~on
cantidad PSral^eter Value Pera/hetet oüe

()mond ratea>) =CCC0( xxxxxxx Opina order quarety (09 1,000

S".0.0rdennq =8S) 1000:0= aSCOCCa Maximum hventory Level 1,000.
Holding cost~20% XCCOSOt Average rrrertory 500.
Ordere por period(yeer) 5.
From To Annual Setup wat 245.
1109. 5. Maui Honro cosi
1000 1998. 42
2000 999,999. 4.75 Unt poeta (PO) 24,000.
'Total Cost 24.725.

Cuando una organización tiene un gran número de artículos de inventario, con frecuencia se utiliza el
análisis ABC. Como se estudia en este capítulo, el volumen total monetario de un artículo en inventario es una
manera de determinar si se deben utilizar técnicas de control cuantitativo. Los cálculos necesarios se realizan en
el programa 6.8, donde se muestra cómo puede usarse QM para Windows para calcular el volumen monetario
y determinar si las técnicas de control cuantitativo se justifican para cada artículo en inventario con este nuevo.
ejemplo.

OH for Windows - C: \My D ocumentsUdiikekR&ShWeisslRender.Stair.7 \OH for Winckwes obetiew

PROGRAMA 6.8
Ede Ed8 ,Ylou, Modula Format boas [ndow HolP
Resultados en QM Pocerl zioiliern: y Peqcert et lean, t1,81 - Inthuebon
20 en Ed* lo retan to date
para Windows para _d
el análisis ABC
(reted) 50.~
tem r....vr:e Cvnond. Price Dolor Percert ot Osnutv 1-co
Volurue 5-Vol

Com1 7800. 10. 70,000. 56.59 5659 A

Kern 2 2000. 10. 20,000. 16.17 72.76 e
len 3 1 pon. 10. 10,000. 8.08 80.84 e
tem 4 2000. 5. 10,000 828 88.92 c
Itern 5 2500. 3. 7,500 626 94.99 c
len 6 803. 4. 3,200. 2.59 97.57
ten? 600. s. 3,000. 2.43 100.
TOTAL 15,900. 123,700.
 Modelos de programación
lineal: métodos gráficos
y computacionales

OBJETIVOS DE APRENDIZAJE

Después de estudiar este capítulo, el alumno será capaz de:

1. Comprender los supuestos y las propiedades
básicas de la programación lineal (PL).
2. Resolver en forma gráfica cualquier problema
de PL que sólo tenga dos variables, usando
los métodos de los vértices y de la recta de
isoutilidad.
3. Entender aspectos especiales de la PL como
región no factible, solución no acotada,
redundancia y soluciones óptimas múltiples.
4. Comprender el papel del análisis de sensibilidad.
5. Usar hojas de cálculo en Excel para resolver
problemas de PL.

CONTENIDO DEL CAPÍTULO

7.1 Introducción
7.2 Requisitos de un problema de programación lineal
7.3 Formulación de problemas de PL
7.4 Solución gráfica a un problema de PL
7.5 Resolución del problema de PL de Flair Furniture
usando QM para Windows, Excel 2013 y Excel QM
7.6 Resolución de problemas de minimización
7.7 Cuatro casos especiales de PL
7.8 Análisis de sensibilidad

Resumen • Glosario • Problemas resueltos • Autoevaluación • Preguntas para análisis y problemas • Estudio de caso:
Trabajo en Mexicana Wire • Estudio de caso en Internet • Bibliografía

239
240 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES
7.1 Introducción
La programación lineal es una
técnica que ayuda a tomar decisiones
para la asignación de recursos.
7.2 Requisitos de un problema de programación lineal
Los problemas buscan maximizar
o minimizar un objetivo.
Las restricciones limitan el grado en
el que se puede alcanzar el objetivo.
Debe haber alternativas disponibles.
Las relaciones matemáticas
son lineales.
Muchas de las decisiones administrativas implica n la búsqueda del uso más eficaz de los recursos de
una organización. Por lo general, los recursos ix cluyen maquinaria, mano de obra, dinero, tiempo,
espacio de almacenamiento y materias primas. les recursos pueden usarse para fabricar productos
(como maquinaria, muebles, alimentos o ropa) u ofrecer servicios (como los programas de las com-
pañías aéreas o las líneas de producción, las políticas de publicidad o las decisiones de inversión). La
programación lineal (PL) es una técnica de modelado matemático que se utiliza ampliamente y que
está diseñada para ayudar a los gerentes a planear y a tomar decisiones en relación con la asignación
de recursos. El presente capítulo y el siguiente están dedicados a ilustrar cómo y por qué funciona la
programación lineal.
A pesar de su nombre, la PL y la categoría más general de las llamadas técnicas de programa-
ción "matemática" tienen muy poco que ver con la programación por computadora. En el mundo de
las ciencias de la administración, programación se refiere al modelado y la resolución de un problema
matemático. La programación por computadora tiene, desde luego, un papel relevante en el avance y el
uso de la PL. Los problemas de PL en la vida real son demasiado engorrosos como para resolverse ma-
nualmente o con una calculadora. Así que a lo largo de los capítulos sobre PL se ofrecen ejemplos de lo
valioso que puede ser un programa de cómputo en la resolución de un problema de PL.
En los últimos 60 años, la PL se ha aplicado ampliamente en problemas militares, industriales, financieros,
de marketing, contables y agrícolas. A pesar de que estas aplicaciones son diversas, todos los problemas de
PL tienen varias propiedades y supuestos en común.
Todos los problemas buscan maximizar o minimizar alguna cantidad, por lo general la utilidad o el
costo. Esta propiedad se conoce como la función objetivo de un problema de PL. El principal objetivo de
un fabricante típico es maximizar las utilidades monetarias. En el caso de un sistema de transporte o distri-
bución ferrocarrilero, el objetivo sería minimizar 1 costos de envío. En cualquier caso, este objetivo debe
quedar claro y definirse matemáticamente. Por cie o, no importa si las utilidades y los costos se miden en
centavos, dólares o millones de dólares.
La segunda propiedad que tienen en común os problemas de PL es la presencia de restricciones,
que limitan el grado en que podemos perseguir nuestro objetivo. Por ejemplo, la decisión de cuántas
unidades de cada producto se deben fabricar en la línea de productos de una empresa está restringida
por el personal y la maquinaria disponibles. La selección de una política de publicidad o de un porta-
folios financiero está limitada por la cantidad de dinero disponible para ser gastado o invertido. Por lo
tanto, se desea maximizar o minimizar una cantidad (la función objetivo) sujeta a recursos limitados (las
restricciones).
Es necesario tener alternativas de acción a elegir. Por ejemplo, si una empresa fabrica tres productos
diferentes, la gerencia puede utilizar PL para decidir cómo distribuir entre ellos sus recursos de pro-
ducción limitados (de personal, maquinaria, etcétera). ¿Es recomendable dedicar toda la capacidad de
fabricación solamente al primer producto? ¿Se debería producir la misma cantidad de cada producto?
¿O tienen que asignarse los recursos de alguna otra forma? Si no hubiera alternativas a seleccionar, no
necesitaríamos la PL. l
El objetivo y las restricciones en los problemas de PL deben expresarse en términos de ecuaciones
o desigualdades lineales. Las relaciones matemáticas lineales sólo implican que todos los términos uti-
lizados en la función objetivo y las restricciones son de primer grado (es decir, no están elevados al cua-
drado, a la tercera potencia o a una potencia mayor, ni aparecen más de una vez). Por lo tanto, la ecuación
2A ± 5B = 10 es una función lineal aceptable; mientras que la ecuación 2A2 + 5B3 + 3AB = 10 no es
lineal, porque la variable A está elevada al cuadr do, la variable B está elevada al cubo y las dos varia-
bles aparecen de nuevo como un producto entre sí
El término lineal implica tanto proporcionali ad como aditividad. La proporcionalidad significa que
si la producción de 1 unidad de un producto u 3 horas, la producción de 10 unidades usaría 30 horas.
La aditividad significa que el total de todas las ac idades es igual a la suma de las actividades individua-
les. Si la producción de un producto genera $3 de tilidad y la producción de otro producto genera $8 de
utilidad, la utilidad total sería la suma de estas dos, que son $11.
Suponemos que existen condiciones de cera mbre: las cifras en el objetivo y en las restricciones se
conocen con certeza y no cambian durante el perioflo de estudio.
Adoptamos el supuesto de divisibilidad de que las soluciones no tienen que estar en números enteros.
En cambio, son divisibles y pueden tomar cualquier valor fraccionario. En los problemas de producción,
a menudo definirnos variables como el número de unidades producidas por semana o por mes, y un valor

TABLA 7.1
Propiedades y supuestos
de la PL
7.3 Formulación de problemas de PL
Los problemas de mezcla de
productos utilizan PL para decidir
qué cantidad de cada producto se
debe fabricar, dada una serie de
restricciones en recursos.
7.3 FORMULACIÓN DE PROBLEMAS DE PL 241
OPIEDADES DE LOS PROGRMAS LINEA LES
1. Una función objetivo
2. Una o más restricciones
3. Cursos de acción alternativos
4. La función objetivo y las restricciones son lineales:
proporcionalidad y divisibilidad
5. Certidumbre
6. Divisibilidad
7. Variables no negativas
fraccionario (por ejemplo, 0.3 sillas) simplemente significaría que hay trabajo en proceso. Algo que se ini-
ció en una semana puede terminarse en la siguiente. Sin embargo, en otros tipos de problemas, los valores
fraccionarios no tienen sentido. Si no es posible comprar una fracción de un producto (por ejemplo, un
tercio de un submarino), existe un problema de programación entera. La programación entera se analiza
con más detalle en el capítulo 10.
Por último, suponemos que todas las respuestas o variables son no negativas. Los valores negativos de
las cantidades fisicas son imposibles; usted simplemente no puede producir un número negativo de sillas,
camisas, lámparas o computadoras. Sin embargo, hay algunas variables que pueden tener valores negati-
vos, como la utilidad, donde un valor negativo indica una pérdida. Una simple operación matemática puede
transformar una variable de este tipo en dos variables no negativas, y ese proceso puede encontrarse en los
libros de programación lineal. Sin embargo, al trabajar con programación lineal en este texto, usaremos
sólo variables no negativas. En la tabla 7.1 se resumen tales propiedades y supuestos.
La formulación de un programa lineal implica el desarrollo de un modelo matemático para representar un
problema administrativo. Por consiguiente, para formular un programa lineal, es necesario entender por
completo el problema administrativo que se enfrenta. Una vez entendido éste, es posible empezar a desa-
rrollar el enunciado matemático del problema. Los pasos de la formulación de un programa lineal son los
siguientes:
1. Entender por completo el problema administrativo que se enfrenta.
2. Identificar el objetivo y las restricciones.
3. Definir las variables de decisión.
4. Utilizar las variables de decisión para escribir expresiones matemáticas de la función objetivo y las
restricciones.
Una de las aplicaciones más comunes de la PL es el problema de mezcla de productos. Por lo gene-
ral, se elaboran dos o más productos con recursos limitados, como personal, maquinaria, materias primas,
etcétera. La utilidad que la empresa busca maximizar se basa en la contribución a la utilidad por unidad de
cada producto. (Como se recordará, la contribución a la utilidad es el precio de venta por unidad menos el
costo variable por unidad).* La empresa desea determinar cuántas unidades de cada producto debería pro-
ducir con la finalidad de maximizar la utilidad total dados sus recursos limitados. En el siguiente ejemplo,
se formula un problema de este tipo.
Compañía Flair Furniture
La compañía Flair Furniture produce mesas y sillas de bajo precio. El proceso de producción de cada pro-
ducto se parece en que ambos requieren cierto número de horas de trabajo de carpintería, y cierto número
de horas de trabajo en el departamento de pintura y barnizado. Cada mesa requiere 4 horas de carpintería y
2 horas en el taller de pintura y barnizado. Cada silla necesita 3 horas en carpintería y 1 hora en pintura
y barnizado. Durante el periodo de producción actual, hay 240 horas de tiempo de carpintería disponibles, y
100 horas de tiempo disponibles en pintura y barnizado. Cada mesa vendida produce una utilidad de $70;
cada silla vendida produce $50 de utilidad.
" Técnicamente, maximizamos el margen de contribución total, que es la diferencia entre el precio de venta unitario y los
costos que varían en proporción con la cantidad de artículos producidos. La depreciación, los gastos generales fijos y la
publicidad se excluyen de los cálculos.
242 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES

HISTORIA Los inicios de la programación lineal

Mundial y fue asIgnado a trabajar en problemas de logística. Él vio

A ntes de 1945, los economistas, entre otros, habían sugerido al-
gunos problemas conceptuales referentes a la asignación de recursos
escasos. Dos de estas personas, Leonid Kantorovich y Tjalling Koop-
mans, compartieron el Premio Nobel de Economía en 1975 por el
avance en su trabajo conceptual sobre planeación óptima, que inició
durante la década de 1940. En 1945 George Stigler propuso el "pro-
blema de la dieta", que ahora es el nombre dado a una categoría ge-
neral de aplicaciones de programación lineal. Sin embargo, Stigler se
basó en técnicas heurísticas para encontrar una buena solución a este
problema, ya que no había ningún método disponible para encontrar
la solución óptima.
Posteriormente hubo grandes avances en el campo, cuando en
1947 George D. Dantzig, a menudo llamado el "padre de la progra-
mación lineal", publicó su trabajo sobre un procedimiento de solución
conocido como el algoritmo símplex. Dantzig había sido un matemá-
tico de la Fuerza Aérea de Estados Unidos durante la Segunda Guerra
que muchos de lOs problemas relacionados con recursos limitados y
más de una demanda podrían representarse en términos de una serie
de ecuaciones y desigualdades y, posteriormente, desarrolló el algo-
ritmo símplex para resolver tales problemas.
Aunque las primeras aplicaciones de la programación lineal te-
nían una naturaleza militar, las aplicaciones industriales se volvieron
evidentes con el uso generalizado de las computadoras en los nego-
cios. A medida que los problemas se volvieron más grandes, conti-
nuaron las investigaciones para encontrar incluso mejores maneras de
resolver los programas lineales. Los trabajos de Leonid Kachiyan en
1979 y Narendra Karmarkar en 1984 estimularon a otros investiga-
dores a estudiar el uso de métodos de punto interior para resolver
programas lineales, algunos de los cuales se siguen utilizando en la
actualidad. Sin embargo, el algoritmo símplex desarrollado por Dant-
zig sigue siendo la base para la mayoría del software utilizado en la
resolución de programas lineales de la actualidad.
-)

El problema de Flair Furniture es determinar la mejor combinación posible de mesas y sillas a fabri-
car con la finalidad de alcanzar la máxima utilidad. La compañía desea formular esta situación de mezcla
de producción como un problema de PL.
Empezamos con un resumen de la información necesaria para formular y resolver este problema (vea
la tabla 7.2). Esto nos ayuda a entender el problema que enfrentamos. En seguida, identificamos el objetivo
y las restricciones. El objetivo es

Maximizar la utilidad

Las restricciones son

1. Las horas de tiempo de carpintería usadas no pueden exceder 240 horas a la semana.
2. Las horas de tiempo de pintura y barnizado utilizadas no pueden exceder 100 horas a la semana.

Las variables de decisión que representan las decisiones reales que tomaremos se definen como

T = número de mesas a producir por semana

C = número de sillas a producir por semana

Ahora es posible crear la función objetivo de PL en términos de T y C. La función objetivo es maximizar

la utilidad = $70T + $50C.
El próximo paso consiste en desarrollar relaciones matemáticas para describir las dos restricciones del
problema. Una relación general es que la cantidad de un recurso utilizado debe ser menor o igual que (5-)
la cantidad de recurso disponible.
En el caso del departamento de carpintería, el tiempo total utilizado es

(4 horas por mesa)(Número de mesas producidas)

+ (3 horas por silla)(Número de sillas producidas)

TABLA 7.2 )ETOR PARA

Datos de la compañía PRODUCIR l'UNIDAD
Flair Furniture

Carpintería 4 3 240
Pintura y barnizado 2 1 100
Utilidad por unidad $70 $50

Las restricciones de recursos
ponen límites en forma matemática
al recurso de mano de obra de
carpintería y de pintura. •
Aquí se muestra un enunciado
matemático completo del problema
de PL.
7.4 Solución gráfica a un problema de PL
El método gráfico sólo funciona
cuando hay dos variables de decisión,
pero ofrece información valiosa
sobre cómo están estructurados los
problemas más grandes.
Las restricciones de no negatividad
implican que T.Oyc
7.4 SOLUCIÓN GRÁFICA A UN PROBLEMA DE PL 243
Así que la primera restricción puede expresarse de la siguiente manera:
Tiempo de carpintería utilizado 5 Tiempo de carpintería disponible
4T+ 3C 5 240 (horas del tiempo de carpintería)
Del mismo modo, la segunda restricción es la siguiente:
Tiempo de pintura y barnizado utilizado -5 Tiempo de pintura y barnizado disponible
T 1C 5- 100 (horas del tiempo de pintura y barnizado)
Esto significa que cada mesa producida requiere 2 horas del recurso de pintura y barnizado).
Ambas restricciones representan las limitaciones a la capacidad de producción y, desde luego, afec-
tan la utilidad total. Por ejemplo, Flair Furniture no puede producir 80 mesas durante el periodo de pro-
ducción, porque si T = 80, se quebrantarían las dos restricciones. Tampoco puede hacer T = 50 mesas y
C = 10 sillas. ¿Por qué? Debido a que esto transgrediría la segunda restricción de que no se asignen más
de 100 horas del tiempo de pintura y barnizado.
Para obtener soluciones significativas, los valores de T y C deben ser números no negativos. Es decir,
todas las soluciones posibles tienen que representar mesas reales y sillas reales. Matemáticamente, esto
significa que
T > O (el número de mesas producido es mayor o igual que 0)
C O (el número de sillas producido es mayor o igual que 0)
Ahora es posible replantear matemáticamente el problema completo como
Maximizar la utilidad = $70T + $50C
sujeta a las restricciones
4T + 3C 240 (restricción de carpintería)
2T + 1C 100 (restricción de pintura y barnizado)
T 0 (primera restricción de no negatividad)
C O (segunda restricción de no negatividad)
Aunque técnicamente las restricciones de no negatividad son restricciones independientes, suelen escri-
birse en una sola línea con las variables separadas por comas. En este ejemplo, se escriben como
T, C O
La forma más fácil de resolver un problema sencillo de PL como el de la compañía Flair Furniture
consiste en usar el método de solución gráfica. El procedimiento gráfico es útil sólo cuando hay dos
variables de decisión (como el número de mesas, T, y el número de sillas, C, a producir) en el problema.
Si hay más de dos variables, no es posible trazar la solución en una gráfica de dos dimensiones y es
necesario recurrir a enfoques más complejos. Pero el método gráfico es muy valioso y nos proporciona
una idea de cómo funcionan otras técnicas. Por esa sola razón, vale la pena pasar el resto de este capítulo
explorando soluciones gráficas como una base intuitiva para los capítulos sobre programación matemá-
tica que siguen.
Representación gráfica de las restricciones
Para encontrar la solución óptima a un problema de PL, primero debemos identificar un conjunto, o región,
de soluciones factibles. El primer paso para hacerlo es trazar cada una de las restricciones del problema en
una gráfica. La variable T (mesas) se representa gráficamente en el eje horizontal, y la variable C (sillas)
se representa gráficamente en el eje vertical. Se utiliza la notación (T, C) para identificar los puntos sobre
la gráfica. Las restricciones de no negatividad implican que siempre estaremos trabajando en el primer
cuadrante (o noreste) de una gráfica (vea la figura 7.1).
Para representar gráficamente la primera restricción, 4T + 3C 5 240, debemos graficar primero la
parte de la igualdad de esto, que es
4T + 3C = 240
244 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES

FIGURA 7.1
Cuadrante que contiene
todos los valores
100
positivos
Este eje representa la restricción T O

80

Número de sillas
60

40 Este eje representa

la restricción C > O

20

1111111 I I
0 20 40 60 80 100 T

Número de mesas

El trazado de la primera restricción
implica encontrar los puntos donde
la recta cruza los ejes T y C.
Como se recordará del álgebra elemental, una ecuación lineal con dos variables es una línea recta. La
forma más fácil de trazar la recta es encontrar dos puntos que satisfagan la ecuación y, después, se dibuja
una línea recta a través de ellos.
Los dos puntos más fáciles de encontrar suelen ser los puntos en los que la recta cruza los ejes T y C.
Cuando Flair Furniture no produce mesas, es decir T = 0, esto implica que

4(0) + 3C = 240
o
3C = 240

o
C = 80

En otras palabras, si se utiliza todo el tiempo de carpintería disponible para producir sillas, podrían hacerse
80 sillas. Por lo tanto, esta ecuación de restricción cruza el eje vertical en 80.
Para encontrar el punto donde la recta cruza el eje horizontal, se supone que la compañía no produce
sillas, es decir, C = 0. Entonces,

4T + 3(0) = 240
o
4T = 240
o
T= 60

Por consiguiente, cuando C = 0, vemos que 4T = y que T = 60.

La restricción de carpintería se ilustra en la fi ura 7.2. Está delimitada por la línea que va desde el
punto (T = 0, C = 80) hasta el punto (T = 60, C =
Sin embargo, recuerde que la restricción de carpintería real es la desigualdad 4T + 3C s 240.
¿Cómo identificamos todos los puntos de solución e satisfacen esta restricción? Resulta que hay tres po-
sibilidades. En primer lugar, sabemos que cualquier punto que se encuentre sobre la recta 4T + 3C = 24()
satisface la restricción. Cualquier combinación de esas y sillas sobre esta recta utilizará las 240 horas del
tiempo de carpintería.' Ahora debemos encontrar el conjunto de puntos de solución que utilizarían menos

Por lo tanto, lo que hemos hecho es graficar la ecuación de restricción en su posición más limítrofe, es decir, usando todos
los recursos de carpintería.
 7.4 SOLUCIÓN GRÁFICA A UN PROBLEMA DE PL 245

FIGURA 7.2
Gráfica de la ecuación
de la restricción de
carpintería, 4T+ 3C= 240 100

80 (T=0, C = 80)

Número de s illas
60

40

20
(T= 60, C= O)

1 1 1 1
O 80 100 T

Número de mesas

de las 240 horas. Los puntos que satisfacen la porción < de la restricción (es decir, 4T + 3C < 240) serán
todos los puntos a un lado de la recta; mientras que todos los puntos en el otro lado de la línea no satis-
farán esta condición. Para determinar cuál es el lado de la recta indicado, basta con elegir cualquier punto
a cada lado de la recta de restricción mostrada en la figura 7.2 y verificar si satisface la condición.
Por ejemplo, elija el punto (30, 20), como se ilustra en la figura 7.3:

4(30) + 3 (20) = 180

Dado que 180 < 240, este punto satisface la restricción, y todos los puntos de este lado de la línea también
satisfarán esa condición. Este conjunto de puntos se indica mediante la región sombreada de la figura 7.3.
Para saber lo que sucedería si el punto no satisficiera la restricción, seleccione un punto en el otro lado
de la recta, por ejemplo, (70, 40). La restricción no se cumpliría en este punto porque

4 (70) + 3 (40) = 400

Dado que 400 > 240, este punto y cualquier otro en ese lado de la recta no satisfarían la restricción. Por
consiguiente, la solución representada por el punto (70, 40) requeriría más de las 240 horas que están dis-
ponibles. No hay suficientes horas de carpintería para producir 70 mesas y 40 sillas.

FIGURA 7.3
Región que satisface la
restricción de carpintería
100

80
Número de sillas

60

40 • (70, 40)

20 •
(30, 20)

1111 1 ',111111 •
0 20 40 60 80 100

Número de mesas
246 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES

FIGURA 7.4
Región que satisface la
restricción de pintura
100 (T= O, C= 100)
y barnizado

80

Número de si llas
60

40

20
(T=50, C= 0)
1 l1 1 1 I I
0
20 40 60 80 100 T

Número de mesas

A continuación, identificaremos la solución que corresponde a la segunda restricción, la cual limita el

tiempo disponible en el departamento de pintura y barnizado. Esa restricción se dio como 2T + 1C 5-100.
Como antes, comenzamos por graficar la porción de igualdad en esta restricción, que es

2T + 1C = 100

Para encontrar dos puntos sobre la recta, seleccione T = O y despeje C:

2(0) + 1C = 100
C = 100

Entonces, un punto sobre la recta es (0, 100). Para encontrar el segundo punto, seleccione C = O y
despeje T:

2T + 1(0) = 100
T = 50

El segundo punto usado para graficar la recta es (50, 0). Al graficar este punto, (50, 0), y el otro, (0, 100),
se obtiene la recta que representa todas las soluciones en las cuales se utilizan exactamente 100 horas del
tiempo de pintura y barnizado, como se muestra en la figura 7.4.
Para encontrar los puntos que requieren menos de 100 horas, seleccione un punto a ambos lados de
esta recta, con la finalidad de verificar si se satisface la parte de desigualdad en la restricción. Al seleccio-
nar (0, 0), resulta

2(0) + 1(0) = 0 < 100

En los problemas de PL estamos
interesados en satisfacer todas las
restricciones al mismo tiempo.
La región factible es el conjunto
de puntos que satisfacen todas las
restricciones.
Lo anterior indica que éste y todos los puntos por debajo de la recta satisfacen la restricción; esta región se
muestra sombreada en la figura 7.4.
Ahora que cada restricción individual ha sido representada gráficamente, es el momento de pasar a la
siguiente etapa. Se sabe que, para producir una silla o una mesa, es necesario utilizar tanto el departamento
de carpintería como el de pintura y barnizado. En un problema de PL debemos encontrar el conjunto de
puntos de solución que satisfagan todas las restricciones de manera simultánea. Por lo tanto, las restriccio-
nes deberían representarse nuevamente en una gráf ca (o superponer una sobre otra). Esto se muestra en la
figura 7.5.
Ahora, la región sombreada representa el área de soluciones que no excede ninguna de las dos restric-
ciones de Flair Furniture. Se conoce por el término área de soluciones factibles o, de forma más sencilla,
región factible. En un problema de PL esta región debe satisfacer todas las condiciones especificadas por
las restricciones del problema y, por lo tanto, es la región donde se superponen todas las restricciones.
Cualquier punto de la región sería una solución factible para el problema de Flaír Furniture; cualquier
punto fuera del área sombreada representaría una solución no factible. Por consiguiente, sería posible

FIGURA 7.5
Región de soluciones
factibles para el
problema de la compañía
Flair Furniture
El primer método para encontrar la
solución óptima que presentamos es
el método de isoutilidad.
7.4 SOLUCIÓN GRÁFICA A UN PROBLEMA DE PL 247
100
•
•
•
•
80 •
Número de sillas
Restricción de pintura/barnizado
•
•
•
60
40
Región Restricción de carpintería
20
factible
20 40 60 80 100
Número de mesas
fabricar 30 mesas y 20 sillas (T = 30, C = 20) durante un periodo de producción, ya que se cumplen las
dos restricciones:
Restricción de carpintería 4T + 3C 240 horas disponibles
(4)(30) + (3)(20) = 180 horas usadas e
Restricción de pintura 2T + 1C 5- 100 horas disponibles
(2)(30) + (1)(20) = 80 horas usadas e
Pero quebrantaría las restricciones de producir 70 mesas y 40 sillas, como se muestra matemáticamente:
Restricción de carpintería 4T + 3C s 240 horas disponibles
(4)(70) + (3)(40) = 400 horas usadas O
Restricción de pintura 2T + 1C 100 horas disponibles
(2)(70) + (1)(40) = 180 horas usadas O
Además, también no sería factible fabricar 50 mesas y 5 sillas (T = 50, C = 5). ¿Puede usted ver por qué?
Restricción de carpintería 4T + 3C 240 horas disponibles
(4)(50) + (3)(5) = 215 horas usadas e
Restricción de pintura 2T + 1C 100 horas disponibles
(2)(50) + (1)(5) = 105 horas usadas O
Esta posible solución se encuentra dentro del tiempo disponible en carpintería, pero excede el tiempo dis-
ponible en pintura y barnizado; por lo tanto, está fuera de la región factible.
Método de solución de la recta de isoutilidad
Ahora que se ha graficado la región factible, podemos proceder a encontrar la solución óptima del pro-
blema. La solución óptima es el punto situado en la región factible que produce la mayor utilidad. Sin
embargo, hay muchos puntos de solución posibles en la región. ¿Cómo hacemos para seleccionar el mejor,
el que da la utilidad más alta?
Existen algunos enfoques diferentes que se pueden adoptar para encontrar la solución óptima, cuando
la región factible ya se ha establecido en forma gráfica. El más rápido de aplicar se llama método de la
recta de isoutilidad.
La técnica inicia considerando que la utilidad equivale a cierta cantidad monetaria arbitraria pero
pequeña. Para el problema de Flair Furniture podemos elegir una utilidad de $2,100. Éste es un nivel de
248 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFII OS Y COMPUTACIONALES

utilidad que se obtiene fácilmente sin vulnerar ninguna de las dos restricciones. La función objetivo se
puede escribir como $2,100 = 70T + 50C.
Esta expresión es la ecuación de una recta; la llamamos recta de isoutilidad. Representa todas las
combinaciones de (T, C) que producirían una utilidad total de $2,100. Para trazar una recta de utilidad, se
procede exactamente como lo hicimos para graficar lás rectas de las restricciones. En primer lugar, consi-
dere que T = O y encuentre el punto donde la recta cruza el eje C:
$2,100 = $70(0) = $50C
C = 42 sillas
Después, considere que C = O y despeje T:
$2,100 = $70T+ 50(0)
T = 30 mesas

Incremento de las ventas

MODELADO EN EL MUNDO REAL en Hewlett Packard

Definición
Definición del problema
del problema Hewlett Packard (HP) lanzó HPDirect.com a finales de la década de 1990 y abrió la venta online de produc-
tos HP, incluyendo computadoras, impresoras, accesorios y consumibles (suministros). En 2008 se avisó a la
gerencia de HPDirect.com que las ventas online tenían que crecer 150% en los próximos tres años, y esto
tenía que hacerse sin exceder los presupuestos de marketing. Para ello, debían atraer a más visitantes al sitio,
convertir a los visitantes en clientes mediante esfuerzos de marketing dirigidos, y retener a los clientes leales
al proporcionarles una experiencia satisfactoria de manera rentable.

Desarrollo de
Desarrollo de un modelo
un modelo La naturaleza masiva de este proyecto requirió el uso de una variedad de modelos de investigación de ope-
raciones para alcanzar los objetivos. La regresión múltiple se utilizó para identificar los factores clave de
los visitantes online, y se combinó con modelos de series de tiempo (que identifican la estacionalidad y la
tendencia) para pronosticar el número de visitas en todas las páginas Web, así como las ventas de la gran
variedad de productos. Se utilizaron modelos bayesianos y modelos de Markov para ayudar a predecir la
probabilidad de hacer una compra. La programación lineal se utilizó para determinar qué canales de comer-
cialización debían utilizarse con los diferentes clientes y para optimizar estas decisiones.

Adquisición de
Adquisición de datos de entrada
datos de entrada Los datos se recopilaron durante un periodo de 2 años, no sólo con base en los visitantes de la página web y
en su comportamiento, sino también a partir de las ventas y las actividades de marketing durante este mismo
periodo de 2 años. Los datos se separaron en dos grupos: un conjunto de entrenamiento para desarrollar el
modelo y un conjunto de prueba para validarlo.

Desarrollo de
Desarrollo de una solución
una solución El conjunto de datos de entrenamiento se usó para desarrollar los modelos utilizados en este proyecto, inclu-
yendo programas lineales para asignar de manera óptima el presupuesto de marketing.

Pruebas
Pruebas a la solución
a la solución Los datos en el conjunto de prueba se usaron para validar los modelos y asegurar que los modelos funcio-
naran según lo previsto. Cuando se llevaron a cabo las diferentes partes del proyecto, un grupo de clientes
de prueba recibió material de marketing personalizado con base en su perfil de segmento, mientras que un
grupo de control recibió el material genérico.

Análisis Análisis de resultados

de resultados El grupo de prueba obtuvo mejores resultados que el grupo de control en todas las mediciones clave, inclu-
yendo el tamaño promedio de los pedidos, la tasa de conversión y las ventas totales por dólar gastado en
marketing. Durante un periodo determinado, la tasa de conversión del grupo meta fue 58% más alta que la
del grupo de control, y las ventas medidas en dólares per artículo de marketing fueron 33% más altas.

Implementación
Implementación de resultados
de resultados Al comienzo de cada trimestre, los modelos se ejecutan para ayudar a los esfuerzos de planeación del equipo
de marketing en ese periodo. Los propios modelos se actualizan cada trimestre. Desde 2009, los modelos han
recibido el crédito por un aumento de los ingresos en $117 millones, un incremento de los tamaños de pedido
y una reducción del costo total de inventario.

Fuente: Basado en R. Randon eral., -Hewlett Packard: Delive ring Profitable Growth for HPDirect.com Using Operations
Research", Interfaces 43, 1 (enero-febrero de 2013): 48-61.
 7.4 SOLUCIÓN GRÁFICA A UN PROBLEMA DE PL 249
FIGURA 7.6
Gráfica de la recta de
utilidad de $2,100 para la
100
compañía Flair Furniture

80

Número de sillas
60

$2,100 = $70 T+ $50 C

40
(30,0)

20

20 40 60 80 100

Número de mesas

La isoutilidad implica graficar rectas
de utilidad paralelas.
Ahora podemos conectar estos dos puntos mediante una recta. Esta recta de utilidad se ilustra en
la figura 7.6. Todos los puntos sobre la recta representan soluciones factibles que producen una utilidad
de $2,100.*
Ahora, es evidente que la recta de isoutilidad para $2,100 no produce la mayor utilidad posible a la
compañía. En la figura 7.7 se grafican dos líneas más, cada una de ellas proporciona una utilidad mayor.
La ecuación en el medio, $2,800 = $70T + $50C, se representó en la misma forma que la recta inferior.
Cuando T = 0,

$2,800 = $70(0) + $50C

C = 56

Cuando C = 0,

$2,800 = $70T + $50(C)

T = 40

FIGURA 7.7
Gráfica de cuatro rectas
de isoutilidad para la
compañía Flair Furniture 100

80
Número de sillas

$3,500 = $70 T+ $50C

60 $2,800 = $70T+ $50C

$2,100 = $70 T + $50C

40

$4,200 = $70 T + $50C

20

20 40 60 80 100

Número de mesas

¡so significa "igual" o "similar". Por lo tanto, una recta de isoutilidad representa una línea donde todos sus puntos tienen la
misma utilidad, en este caso $2,100.
250 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES
FIGURA 7.8
Solución óptima al
problema de Flair
Furniture
Trazamos una serie de rectas de
isoutilidad paralelas hasta encontrar
la recta de isoutilidad más alta, es
decir, la que contiene la solución
óptima.
La teoría matemática detrás de la PL
es que la solución óptima debe estar
en uno de los vértices de la región
factible.
100
Recta de utilidad máxima
80
Número de sillas
60 Punto de solución óptima
(T=30, C= 40)
40
$4,100 = $70T+ $50C
20
20 40 60 80 100
Número de mesas
De nuevo, cualquier combinación de mesas (T) y sillas (C) sobre esta recta de isoutilidad produce
una utilidad total de $2,800. Observe que la tercera recta genera una utilidad de $3,500; esto es más
que una mejora. Cuanto más nos alejemos del origen, mayor será nuestra utilidad. Otro punto importante
es que estas rectas de isoutilidad son paralelas. Ahora tenemos dos pistas sobre cómo encontrar la solución
óptima al problema original. Podemos dibujar una serie de rectas paralelas (moviendo cuidadosamente
nuestra regla en un plano paralelo a la primera recta de utilidad). La recta de utilidad más alta que aún
toque algún punto de la región factible señala la solución óptima. Observe que la cuarta línea ($4,200) es
demasiado alta para ser considerada.
El último punto que una recta de isoutilidad tocaría en esta región factible sería el punto en el vértice,
donde se intersecan las dos rectas de restricción, por lo que este punto se traducirá en la máxima utilidad
posible. Para encontrar las coordenadas de este punto, resolvemos las dos ecuaciones en forma simultánea
(como se indica en la siguiente sección). Lo anterior resulta en el punto (30, 40) como se muestra en la
figura 7.8. Al calcular la utilidad en este punto, obtenemos
Utilidad = 70T + 50C = 70(30) + 50(40) = $4,100
Así que la producción de 30 mesas y 40 sillas genera la utilidad máxima de $4,100.
Método de solución de los vértices
Un segundo enfoque para la resolución de problemas de PL emplea el método de los vértices. Concep-
tualmente, esta técnica es más sencilla que el enfoque de la recta de isoutilidad, pero consiste en buscar la
utilidad en cada vértice de la región factible.
La teoría matemática detrás de la PL establece que una solución óptima a cualquier problema (es de-
cir, los valores de T, C que proporcionan la utilidad máxima) se encontrará en un vértice o punto extremo,
de la región factible. Por lo tanto, sólo es necesario encontrar los valores de las variables en cada vértice;
una solución óptima se encontrará en uno (o más) dg ellos.
El primer paso en el método de los vértices es representar gráficamente las restricciones y encontrar
la región factible. Éste es también el primer paso en 1 método de isoutilidad y la región factible se muestra
de nuevo en la figura 7.9. El segundo paso es encon ar los vértices de la región factible. Para el ejemplo de
Flair Furniture, las coordenadas de tres de los vértic s son evidentes a partir de la observación de la gráfica.
Éstos son (0, 0), (50, 0) y (0, 80). El cuarto vértic es aquél donde las dos rectas de restricción se inter-
secan, y sus coordenadas se deben encontrar algeb camente resolviendo las dos ecuaciones de manera
simultánea para encontrar los valores de las dos varihbles.
Hay varias maneras de resolver ecuaciones en forma simultánea, y es posible usar cualquiera de éstas.
Aquí se ilustrará el método de eliminación. Para iniciar con este método, seleccione una variable que será
eliminada. En este ejemplo seleccionaremos T. Luego, multiplique una ecuación por un número o divídala
 7.4 SOLUCIÓN GRÁFICA A UN PROBLEMA DE PL 251

FIGURA 7.9
Cuatro vértices de la
región factible
100

80

Número de sillas
60

40

20

0 • 1 1 1 1 1 1 1 1 1 1
20 40 60 80 100 T

Número de mesas

entre éste, de modo que el coeficiente de esa variable (T) en una ecuación sea el negativo del coeficiente de .
la misma variable en la otra ecuación. Las dos ecuaciones de restricción son

4T + 3C = 240 (carpintería)
2T + 1C = 100 (pintura)

Para eliminar T, multiplicamos la segunda ecuación por —2:

—2(2T+ 1C= 100) = —4T — 2C = —200

y, después, la sumamos a la primera ecuación:

+4T + 3C = 240
+ 1C = 40

C = 40

Al hacer esto hemos podido eliminar una variable, T, y despejar C. Ahora podemos sustituir 40 por C
en cualquiera de las ecuaciones originales y despejar T. Usaremos la primera ecuación. Cuando C = 40,
entonces

4T + (3)(40) = 240
4T + 120 = 240
o

4T= 120
T = 30

Por lo tanto, el último vértice es (30, 40).

El siguiente paso consiste en calcular el valor de la función objetivo en cada uno de los vértices. El
último paso es seleccionar el vértice con el mejor valor que, en este ejemplo, sería aquél con la mayor
utilidad. En la tabla 7.3 se presentan estos vértices con sus utilidades. Se observa que la utilidad más
alta es $4,100, que se obtiene al producir 30 mesas y 40 sillas. Esto es exactamente lo que se obtiene
por el método de isoutilidad.
La tabla 7.4 proporciona un resumen de los métodos de isoutilidad y de los vértices. Cualquiera
de ellos se puede utilizar cuando hay dos variables de decisión. Si un problema tiene más de dos
252 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES

TABLA 7.3
NÚMERO DE MESAS (T) NIER" SILLAS (C) UTILIDAD — $70T $50C
Vértices factibles y
utilidades para Flair $0
Furniture 50 $3,500
0 $4,000
30 $4,100

variables de decisión, debemos confiar en el software o utilizar el algoritmo símplex que se estudia en
el módulo 7.

Holgura y excedente
El término holgura se asocia con Además de conocer la solución óptima de un programa lineal, resulta útil saber si se están utilizando todos
restricciones del tipo los recursos disponibles. El término holgura se utiliza para la cantidad de un recurso que no se utiliza. Para
una restricción del tipo menor o igual que,

Holgura = (Cantidad de recurso disponible) — (Cantidad de recurso utilizado)

En el ejemplo de Flair Fumiture, había 240 horas de tiempo de carpintería disponibles. Si la empresa
decidiera producir 20 mesas y 25 sillas en vez de la solución óptima, la cantidad de tiempo de carpintería
usada (4T + 3C) sería 4(20) + 3(25) = 155. Por lo tanto,

Tiempo de holgura en carpintería = 240 — 155 = 85

Para la solución óptima (30, 40) del problema de Flair Furniture, la holgura es O puesto que se utilizan
todas las 240 horas.
El término excedente se asocia con El término excedente se utiliza con las restricciones del tipo mayor o igual que para indicar la canti-
las restricciones del tipo a-. dad en la que se excede el lado derecho de una restricción. Para un restricción del tipo mayor o igual que,

Excedente = (Cantidad real) — (Cantidad mínima)

Suponga que hubo una restricción en el ejemplo que pedía un número total de mesas y sillas com-
binado de al menos 42 unidades (es decir, T + C 42), y que la empresa decidió producir 20 mesas y
25 sillas. La cantidad total producida sería 20 + 25 = 45, por lo que el excedente sería

Excedente = 45 — 42 = 3

lo cual significa que se produjeron 3 unidades más que el mínimo. Para la solución óptima (30, 40) del
problema de Flair Furniture, si esta restricción hubiera estado en el problema, el excedente habrías sido
70 — 42 = 28.

TABLA 7.4 MI:1'0W) DE ISOUTILIDAD

Resúmenes de los
métodos de solución 1. Grafique todas las restricciones y encuentre la gión factible.
gráficos 2. Seleccione una recta de utilidad (o costo) espec ca y grafiquela para encontrar la pendiente.
3. Traslade la línea de la función objetivo en direcl ión de la utilidad creciente (o el costo decreciente)
manteniendo la pendiente. El último punto que toque la región factible es la solución óptima.
4. Encuentre los valores de las variables de decisi o n en este último punto y calcule la utilidad
(o el costo).

MÉTODO DE LOS VÉRTICES

1. Grafique todas las restricciones y encuentre la región factible.
2. Encuentre los vértices de la región factible.
3. Calcule la utilidad (o el costo) en cada uno de los vértices factibles.
4. Seleccione el vértice con el mejor valor de la función objetivo encontrado en el paso 3. Ésta es la
solución óptima.
 7.5 RESOLUCIÓN DEL PROBLEMA DE PL DE FLAIR FURNITURE USANDO QM PARA WINDOWS, EXCEL 2013 Y EXCEL QM 253

Así que la holgura y el excedente representan la diferencia entre el lado izquierdo (LI) y el lado de-
recho (LD) de una restricción. El término holgura se utiliza al hacer referencia a las restricciones del tipo
menor o igual que, y el término excedente se usa para referirse a las restricciones del tipo mayor o igual
que. La mayoría del software para programación lineal proporciona la cantidad de holgura y excedente que
existe para cada restricción en la solución óptima.
Una restricción que tiene cero holgura o excedente para la solución óptima se llama una restricción
vinculante. Una restricción con holgura o excedente positivos para la solución óptima se llama una res-
tricción no vinculante. Algunos resultados de computadora especifican si la restricción es vinculante o no
vinculante.

7.5 Resolución del problema de PL de Flair Furniture usando QM para Windows,

Excel 2013 y Excel QM
Casi todas las organizaciones tienen acceso a programas de cómputo que son capaces de resolver enor-
mes problemas de PL. Aunque cada programa es un poco diferente, el enfoque que cada uno tiene para
manejar los problemas de PL es básicamente el mismo. El formato de los datos de entrada y el nivel de
detalle de los resultados de salida pueden diferir de un programa a otro y de una computadora a otra, pero
una vez que usted tenga experiencia en el uso de los algoritmos computarizados de PL, podrá ajustarse
fácilmente a los cambios menores.

Uso de QM para Windows

Comencemos por mostrar el uso de QM para Windows en el problema de Flair Furniture Company. Para
utilizar QM para Windows, seleccione el módulo de programación lineal. Después, especifique el número
de restricciones (además de las restricciones de no negatividad, porque se supone que las variables deben
ser no negativas), el número de variables, y si el objetivo es maximizar o minimizar. Para el problema de
la compañía Flair Furniture, hay dos restricciones y dos variables. Una vez que se especifican estos nú-
meros, se abre una ventana de entrada como la mostrada en el programa 7.1A. Después, puede introducir
los coeficientes de la función objetivo y las restricciones. Coloque el cursor sobre X1 o X2 y escriba un
nuevo nombre como T y C para cambiar los nombres de las variables. Los nombres de las restricciones se
pueden modificar de manera similar. El programa 7.1B muestra la pantalla de QM para Windows después
de haber introducido los datos y antes de que el problema se haya resuelto. Al hacer clic en el botón Solve,
se obtiene el resultado mostrado en el programa 7.1C.

PROGRAMA 7.1A ( Las ecuaciones aparecerán

Pantalla de entrada
de Objective Inttruction I automáticamente al introducir los
Use tuse °°°°" buttons to set the obiective
coeficientes en las otras columnas.
datos para programación mirnee .
Escriba sobre X1 y X2 para cambiar
Lineal en QM para los nombres de las variables. Fleir Fumiture Compeny
1
Windows
X1 X2 RHS Equation fan:
Maximize o Max
Constraint 1 o o <= O
Constraint 2 o O l<= o <= 0
—CIntroduzca los coeficientes en las columnas adecuadas)

PROGRAMA 7.1B Ed:t View ?•.lociu!tr le.rnat Iools tidp

Introducción de datos w 1001 " ea! filf I 031 1 sw is°"
en QM para Windows 9 7! - la .r so m! .0000 - iii ¿t'e' " —
para el problema de Flair • Obactrre
l' 4(Haga clic aquí para cambiar
huct Haga clic en Solve después
G phoirrizet Use
Furniture el tipo de restricción. de introducir los datos. ,
Flei Fumiture Company

T C RHS Equation forre

Maximiza 70 50 Max 70T + 50C
Constraint 1 4 3 <= 240 4T + 3C <= 240
Canberra 2 2 1 <= 100 2T+C<= 100
254 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES

PROGRAMA 7.1C
Salida y gráfica en QM (El valor de la función objetivo RHS
( Los valores de las variables" T Dual
para Windows para se muestran aquí. \(utilidad) se muestra aquí
el problema de Flair Maxim 70 50
Furniture Carpently 4 3 240 15
Painting 2 100
Sohition-> 30 40 4.100

nstrakit Dirplag
Flair Fumiture Problem C' Ma< 70T+50C
t Haga clic en Window y seleccione Graph r 4T4C<.240
C 2T+1C<.1 00
`para ver esta gráfica y los vértices. none
Constaints
Comer PoMts
z
0 ENIZI111311111
0 DEM 4,000.
isoproft Line
EIRIERIE11111130M1

Una vez que el problema se haya resuelto, se puede visualizar una gráfica seleccionando Window—
Graph desde la barra de menú en QM para Windows. El programa 7.1C muestra la salida para la solu-
ción gráfica. Observe que, además de la gráfica, también se muestran los vértices y el problema original.
Posteriormente, regresaremos a ver información adicional relacionada con el análisis de sensibilidad que
proporciona QM para Windows.

Uso del comando Solver de Excel para resolver problemas de PL

Excel 2013 (al igual que las versiones anteriores) tiene un complemento llamado Solver que se puede uti-
lizar para resolver programas lineales. Si este complemento no aparece en la pestaña Data de Excel 2013,
aún no se ha activado. Consulte el apéndice F para obtener detalles sobre cómo activarlo.

PREPARACIÓN DE LA HOJA DE CÁLCULO PARA SOLVER La hoja de cálculo debe prepararse con
datos y fórmulas para ciertos cálculos antes de que Solver se pueda utilizar. Es posible usar Excel QM para
simplificar el proceso (vea el apéndice 7.1). Describiremos brevemente los pasos, y un mayor análisis y
más sugerencias cuando se presente el ejemplo de Flair Furniture. A continuación damos un resumen de
los pasos para preparar la hoja de cálculo:
1. Introduzca los datos del problema, los cuales se componen de los coeficientes de la función objetivo
y las restricciones, además de los valores del LD para cada una de las restricciones. Se recomienda
organizar esto de manera lógica y significativa. Los coeficientes serán utilizados al escribir fórmulas
en los pasos 3 y 4, y el LD se introducirá en Solver.
2. Designe celdas específicas para los valores de las variables de decisión. Posteriormente, estas direc-
ciones de celda se introducirán en Solver.
3. Escriba una fórmula para calcular el valor de la función objetivo, utilizando los coeficientes de la
función objetivo (del paso 1) que ha introducido y las celdas que contienen los valores de las varia-
bles de decisión (del paso 2). Después, esta dirección de celda se introducirá en Solver.
4. Escriba una fórmula para calcular el valor del LI de cada restricción, utilizando los coeficientes de
las restricciones (del paso 1) que ha introducido y las celdas que contienen los valores de las varia-
bles de decisión (del paso 2). Posteriormente, se introducirán en Solver estas direcciones de celda
y las direcciones de celda para el valor del LD correspondiente.
 7.5 RESOLUCIÓN DEL PROBLEMA DE PL DE FLAIR FURNITURE USANDO QM PARA WINDOWS, EXCEL 2013 Y EXCEL QM 255

PROGRAMA 7.2A
Datos de entrada en
Excel para el ejemplo ,,aquí, pero usted también puede ingresar números aquí.
de Flair Furniture
Estas celdas se seleccionan para contener los valores de las
variables de decisión. Solver introducirá la solución óptima
A 8 I C
1 Flair Furniture Los signos para las restricciones se
2
introducen aquí sólo como referencia.
3 Variabkts T (rabie) C (Chairs)
units Produccd Profit
Objective function I 70 50 o

Constraints 1145 (Hours used) RHS

5 Carpentry 4 3 o 240
Painting 2 o 100

PROGRAMA 7.2B
Profit
Fórmulas del ejemplo "4-5UMPRODUCT(5854:5054,135:C5)
de Flair Furniture
LH5 (Hours uscd)
..SUIVIPRODUCT(5354:5C$4,138:03)
5 rSUMPRODUCT($13$4:$C$4,39:C9)

PROGRAMA 7.2C A Debido a que hay un 1 en cada una de estas celdas,

Hoja de cálculo en Excel Flair Furniture los valores del LI se calculan muy fácilmente para
para el ejemplo de Flair saber si se ha cometido algún error.
3 Variables T ("rabies) C (Ch ws)
Furniture 4 Units Produced 1 1 roflt
5 Objcctive function 70 50 120 Usted puede cambiar estos valores para
ver cómo cambian la utilidad y la utilización
Constraints Lin (Hours u de recursos.
Carpentry 4 3 7
Paintine 2 3

Estos cuatro pasos se deben completar de alguna manera con todos los programas lineales en Excel.
Es posible agregar información adicional a la hoja de cálculo para hacer más claro el modelo. Esto se ilus-
trará con un ejemplo.
I. El programa 7.2A presenta los datos de entrada para el ejemplo de Flair Furniture. Usted debería
ingresar los números en las celdas que se indican. Las palabras pueden ser cualquier descripción que
usted elija. Los símbolos se introducen sólo como referencia. No son usados de manera especí-
fica por Solver de Excel.
2. Las celdas designadas para los valores de las variables son B4 para T (mesas) y C4 para C (sillas).
Estas direcciones de celda serán introducidas en Solver como By Changing Variable Cells. Solver
cambiará los valores de estas celdas para encontrar la solución óptima. En ocasiones es útil introdu-
cir un 1 en cada una de estas celdas para ayudar a identificar errores evidentes, cometidos al escribir
las fórmulas correspondienes al objetivo y a las restricciones.
3. Se escribe una fórmula en Excel para la función objetivo (D5), y esto se muestra en el programa
7.2B. La función Sumproduct es muy útil, aunque hay otras maneras de escribir el objetivo. Esta di-
rección de celda se introducirá en Solver como la ubicación Set Objective.
4. Las horas utilizadas en carpintería (LI de la restricción de carpintería) se calculan con la fórmula de
la celda D8; mientras que la celda D9 calcula las horas usadas en pintura, como se ilustra en el pro-
grama 7.2B. Estas celdas y las que contienen los valores del LD se utilizarán al introducir las restric-
ciones en Solver.
El problema ahora está listo para usar Solver. Sin embargo, incluso si no se encuentra la solución óp-
tima, esta hoja de cálculo tiene beneficios. Puede introducir valores diferentes para T y C en las celdas B4
y C4 sólo para ver cómo cambian la utilización de recursos (LI) la utilidad.
256 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES

ItOME INSERT PAGE LAYOUT FORMULAS DATA REYEW VIEW G,1 QM 1,

PROGRAMA 7.2D
ni '.n *«n. ril gi In. 1Connectbro 1.1, 7 Ilir II <.., (4. la Flash FM
kin 1. Conalid. Qii Group - • _ ZS Dna Analph
.,..
' 11-11Remove Duptiorta E? Whart-If Msly.- Lfreoup - -.: 9.11~
Inicialización de Solver II F:""kb irasC.« Ey..
'Ll° ,ra Imp..
FiRt9
Yo P.ppLy
...
[13 Femn T. s„,,....• c...,,,,,„„, jui . a E& link, 14 9.....g. c.,,,,,,,,,. F.1 Dm 94...... • ng ErIthorsv9p. Eti Subtoul
en Excel 2013 Get OMInd D. Connecta% Senf 44 Fin.. G... DM.< Arunpn

A9 Painting (En la pestaña Data, haga clic en Solver.

A ' O o ~.- _—
Fleir F0701107.

3 Varlda41 TiTabim) CrhairL)

(Si Jolver no aparece en la pestaña Data, aún no
Unat4Preekned 1 1 1 Pral* k se ha activado. Consulte la ayuda del apéndice E
functon 70 50 120

Constraint. LES (Hours usecf) ROS

8 Carpentyy 3 7 240
Llting
PR 2 1 3 100

PROGRAMA 7.2E Cuadro de diálogo de los parámetros de Solver

Solver Parameters :•.---.1•1117,S,4.• •

'introduzca la dirección
Set Objective SDS5
de celda para el valor de
To:
la función objetivo.
Ift) itax Value Of:

Changing Variable Ceilw Especifique Max o Min)

SBS4:SCS4
Introduzca la ubicació—n
Sgbject to the Constraints:
de los valores para las
variables.
t-Siempre seleccione Simplex LP\ Plaine
\..como el método de solución.
i2eirte
Haga clic en Add ...
para introducir
Marque esta casilla para las _é_stricciones.
variables no negativas.
joadtSaire

Unconsbabsed Variables

Seled a Sobring Method 1 Simple< LP H ()Pilar»

Sohing Odeltiod
Seied the GRG Mosdinear engine for Soker Probieras that are smooth nonlinear. Select the LP
Skop.= engine for ralear Solver Prohibas, and select the Evolutionary engine lar Solver 1
prohibas that ase non-so:00th (Haga clic en Solve después-'\
de haber añadido las
restricciones.
..•:,4"01J4411.1i L I V.,111.19151

USO DE SOLVER Para comenzar a utilizar Solver, vaya a la pestaña Data en Excel 2013 y haga clic en
Solver, como se muestra en el programa 7.2D. Si Solver no aparece en la pestaña de datos, consulte el
apéndice F para obtener instrucciones sobre cóm activar este complemento. Una vez que haga clic en
Solver, se abre el cuadro de diálogo Solver P ters, como se muestra en el programa 7.2E, y se de-
ben ingresar las siguientes entradas, aunque el orde no es importante:
1. En el cuadro Set Objective, introduzca la dirección de celda para la utilidad total (D5).
2. En el cuadro By Changing Variable Cells, introduzca las direcciones de las celdas para los valores de
las variables (B4:C4). Solver hará que los valores de estas celdas cambien durante la búsqueda del
mejor valor en la celda Set Objective.
 7.5 RESOLUCIÓN DEL PROBLEMA DE PL DE FLAIR FURNITURE USANDO QM PARA WINDOWS, EXCEL 2013 Y EXCEL QM 257

PROGRAMA 7.2F Add Constraint

Introduzca la dirección
Cuadro de diálogo en introduzca la dirección del LÍ\ del lado derecho de las
Solver para agregar de las restricciones. Éstas se Cell Reference: Con restricciones.
restricciones pueden ingresar una a la vez
SDS8:5059 =SFSES:SFS9
o todas juntas, si son del
mismo tipo, por ej. "all <"
o "all >". lancei

Haga clic en OK cuando haya terminado. Haga clic en el botón para seleccionar el tipo de relación
de la restricción.

3. Haga clic en Max para un problema de maximización y Min para un problema de minimización.
4. Marque la casilla Make Unconstrained Variables Non-Negative, puesto que las variables T y C deben
ser mayores o iguales a cero.
5. Haga clic en el botón Select Solving Method y seleccione Simplex LP en el menú que aparece.
6. Haga clic en Add para agregar las restricciones. Al hacerlo, aparece el cuadro de diálogo que se
muestra en el programa 7.2F.
7. En el cuadro Cell Reference, introduzca las referencias de celda para los valores del LI (D8:D9).
Haga clic en el botón para abrir el menú desplegable y elija <=, que es para restricciones del
tipo Después, introduzca las referencias de celda para los valores del LD (F8:F9). Como todas
estas restricciones son del tipo menor o igual que, pueden introducirse a la vez, especificando los
rangos. Si hubiera otros tipos de restricciones, como restricciones usted podría hacer clic en Add
luego de ingresar estas primeras limitaciones, y el cuadro de diálogo Add Constraint le permitiría
introducir restricciones adicionales. En la preparación de la hoja de cálculo para Solver, es más fácil
si todas las restricciones s están juntas y las restricciones también lo están. Después de introducir
todas las restricciones, haga clic en OK. El cuadro de diálogo para agregar restricciones se cierra y
se reabre el cuadro de diálogo Solver Parameters.
8. Haga clic en Solve en el cuadro de diálogo Solver Parameters, y habrá encontrado la solución. El
cuadro de diálogo Solver Results se abre e indica que se encontró una solución, como se indica en
el programa 7.2G. En situaciones donde no hay solución factible, este cuadro lo indicará. Es posible
obtener información adicional en la sección de reportes, lo cual se verá más adelante. El programa
7.2H muestra los resultados de la hoja de cálculo con la solución óptima.

Uso de Excel QM
La utilización del complemento Excel QM puede ayudarle a resolver fácilmente problemas de programa-
ción lineal. Además de todas las fórmulas creadas automáticamente por Excel QM, la preparación de hojas

PROGRAMA 7.2G Solver Resulta

Cuadro de diálogo con

resultados de Solver Solver found a sol Hay información tima ity
conditions are Reoorts
adicional disponible://
Answer
e Keep Solver Solution Sensitivity
Limits
O Restore Original values

111 Return to Solver Parameters Dialog ❑ outtine Reports

OK Cancel Save Scenari I

1
Solver found a solution. AH Constraints and optimality conditions are
satisfied.
When the GRG engine I e,i Solver has found at least a local optima'
solution. When Simples LP is usect-tn" meansSolver has found a global
optima) solution
(Verifique esto para asegurarse de que se ha encontrado una solución)
258 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES

PROGRAMA 7.2H A
(La solución óptima es T= 30, C = 40, la utilidad = 4,100)
1 Flair Fumiture
Solución para Flair 2
Furniture encontrada 3 Variables T (Tablas) C (Chairs
4 Units Produeed ; 30 40 Profit
mediante Solver
5 Objective function I 50 4100
horas utilizadas se dan aquí)
7 Constraints LHS (Hours used_____
)
a Carpentry 240 <
9 Painting 100 5.

de cálculo para el uso del complemento Solver también se realiza de forma automática. Esto se ilustrará
con el ejemplo de Flair Furniture.
Para comenzar, desde la pestaña de Excel QM en Excel 2013, haga clic en el menú Alphabetical
y luego seleccione Lineal, Integer & Mixed Integer Programming en el menú desplegable, como se indica
en el programa 7.3A. Se abrirá la ventana de inicio de la hoja de cálculo en Excel QM, y en ella se escri-
birá el título del problema, el número de variables y el número de restricciones (no cuentan las restric-
ciones de no negatividad). Especifique si el problema es un problema de maximización o minimización
y, después, haga clic en OK. Cuando finalice el proceso de inicialización, se preparará una hoja de cálculo
para la introducción de datos, como se indica en el programa 7.3B. En esta hoja de cálculo, introduzca los
datos en la sección denominada Data. Especifique el tipo de restricción (menor que, mayor que o igual a)
y cambie los nombres de las variables y los nombres de las restricciones, si así lo desea. Usted no tiene
que escribir ninguna fórmula.
Una vez introducidos los datos, en la pestaña Data, seleccione Solver. Se abre la ventana Solver
Parameters (consulte de nuevo el programa 7.2E para ver qué entradas se requieren normalmente en una
ventana típica de parámetros en Solver); verá que Excel QM ha hecho todas las entradas y selecciones
necesarias. Usted no introduce información alguna y, simplemente, hace clic en Solve para encontrar la
solución. Tal solución se muestra en el programa 7.3C.

PROGRAMA 7.3A Uso de Excel QM en Excel 2013 para el ejemplo de Flair Furniture

F LE HOME INSERT PAGE LAYOUT FORMULAS DATA REVIEW VIEW Excel QM

01 2 Gridlines Headings Instruction ej Default preferentes

34 Viebv 2 Viey Formulas

User Color
Default colora
By Alphabeti
chapter Assignment preferentes selection
Fñe us Breakeven Analysis Settings
"En la pestaña de Excel QM, hag- Decision Analysis
clic en el menú Alphabetical y, Forecasting
luego, seleccione Lineal, Integer Games (Zero Sum) 14 1
& Mixed Integer Programming b
Inventory
del menú.
3 Linear, Integer & Mixed Integer Programming "Cuando aparezca la ventana de
Markov Chaina inicialización, introduzca el número
Material Requirements Planning de variables, el número de
6
restricciones e indique maximizar
Network Analysis
minimizar.
Network Analysis as LP
9
Project Management
10 1
11 Quality Control
12 Simulation
13
14 Statistics (mean, var, sck Normal Dist) ►
15 Transportatíon
16 Waffing Unes
11.
18 Display 011 Modele Only
19 Display QM Models Only
20
Display Al) Modela
21
 7.6 SOLUCIÓN DE PROBLEMAS DE MINIMIZACIÓN 259

PROGRAMA 7.3B Introducción de datos en Excel QM para el ejemplo de Flair Furniture

A B C D E
1 Flair Furniture
2 Lotos the vanas in the shaded ama Then go to the DATA Tab on the rthon, di& on Sonierla he Data Analysis
3 Group and /hen ciidc SOLVE.
SOLVER is sol os the tala Tab lEen pieasasee the Hala ate (SoNer) forjas/ro/ora
5 sien
Después de introducir el 6 e less than or equal to
problema, haga clic en 1 o equals You need to estar a n apostrophe first. (Las instrucciones para el
pestaña de datos y seleccione 8. greater than or equal to
9 '
.acceso a Solver están aquí)
Solver de la barra Data. Cuando 10 :Dato Results
se abre la ventana de Solver, 11 X1 x2 1115 Slack/Surplus
12 ObJective 70 50 ign RI1S 0
simplemente haga clic en Solve, 13 con.traint 1 4 3 240 o 240
puesto que todas las entradas 14 Constraint 2 2 1 CO o 100
necesarias han sido introducidas 15
16 Results
por Excel QM. 17 Variables {Introduzca los datos en las celdas adecuadas.
18 Objective
No cambie las demás celdas de la hoja de cálculo.)

PROGRAMA 7.3C A 6 C I) E F G H
1 Flair Furniture
Salida de Excel QM 2 Éritaidailialiata110asSaOadataa. Then gota the BATA 3-ab )11)300, 01148.00301yet In 8u/tata/surf*
.
para el ejemplo de 3
ItSOLVERsívt
4 oalve asta ttibliirn ovaise-seálle 601 081e (Solval, for icatmellíS•
Flair Furniture 5 iSigns
6 less than or equalto
7 equals {YOu need to enteran apostrophe first.)
8 greater than or equa I to

10 Data Results
11 X1 X2 1.85 Slack/Surplus
12 Objective 70 - sien RUS 4100
13 :consunint 3 240 240
14 :Constraint 2 1 100 100
15
16 r. Results La solución se muestra aqui)
•u:1
17 i Variables 30
18 lohiecti00 4100
•

7.6 Solución de problemas de minimización

Muchos problemas de PL implican minimizar un objetivo, como el costo, en vez de maximizar una función
de utilidad. Un restaurante, por ejemplo, tal vez desee desarrollar un cronograma de trabajo para satisfacer
las necesidades de personal y reducir al mínimo el número total de empleados. Un fabricante quizás inten-
tre distribuir sus productos de varias fábricas entre sus numerosos almacenes regionales, de manera que se
minimicen los costos totales de envío. Es posible que un hospital desee proporcionar un plan de alimenta-
ción diaria a sus pacientes que cumplan ciertos estándares nutricionales y reducir al mínimo los costos por
la compra de alimentos.
Los problemas de minimización con sólo dos variables se resuelven gráficamente al establecer pri-
mero la región de solución factible para, después, utilizar el método de los vértices o el enfoque de la recta
de isocosto (que es similar al enfoque de isoutilidad en los problemas de maximización) para encontrar los
valores de las variables de decisión (por ejemplo, X1 y X2) que producen el costo mínimo. A continuación,
revisaremos un problema de PL común denominado el problema de la dieta. Esta situación es similar a la
que enfrenta un hospital con la alimentación de sus pacientes al menor costo.

Rancho Holiday Meal Turkey

El rancho Holiday Meal Turkey está considerando la compra de dos marcas diferentes de alimento para
pavo y mezclarlos con la finalidad de proporcionar una dieta balanceada y de bajo costo para sus pavos.
Cada alimento contiene, en diversas proporciones, algunos o todos los tres ingredientes nutricionales esen-
ciales para los pavos de engorda. Cada libra de la marca 1, por ejemplo, consta de 5 onzas del ingrediente A,
4 onzas del ingrediente B y 0.5 onzas del ingrediente C. Cada libra de la marca 2 contiene 10 onzas del
260 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES
TABLA 7.5
Datos para el rancho
Holiday Meal Turkey
Graficamos las tres restricciones
con la finalidad de desarrollar una
región de soluciones factibles para
el problema de minimización.
Observe que los problemas de
minimización suelen tener regiones
factibles no acotadas.
-15111r
COMPOSICIÓN DE CADA •
LIBRA DE ALIMENTO (OZ)
REQUISITO
MÍNIMO MENSUAL
ALIMENTO DE ALIMENTO DE
INGREDIENTE LA MARCA 1 LA MARCA 2 POR PAVO (OZ)
A 5 10 90
B 4 3 48
0.5 o 1.5
Costo por libra 2 centavos 3 centavos
ingrediente A, 3 onzas del ingrediente B, pero no contiene el ingrediente C. El alimento de la marca 1 le
cuesta al rancho 2 centavos por libra; mientras que la marca 21e cuesta 3 centavos por libra. Al dueño del
rancho le gustaría usar PL para determinar la dieta e menor costo, que cumpla con el requisito mínimo
mensual de cada ingrediente nutricional.
La tabla 7.5 resume la información relevante. S hacemos
= número de libras compr das del alimento de la marca 1
X2 = número de libras compr das del alimento de la marca 2
entonces, procedemos a formular este problema de programación lineal de la siguiente manera:
Minimizar los costos ( centavos) = 2X1 + 3X2
sujetos a estas restricciones:
50X1 + 10X2 90 onzas (restricción del ingrediente A)
4X1 + 3X2 48 onzas (restricción del ingrediente B)
0.5X1 1.5 onzas (restricción del ingrediente C)
(restricción de no negatividad)
X2 (restricción de no negatividad)
Antes de resolver este problema, queremos aseguramos de tener en cuenta tres aspectos que afectan
su solución. En primer lugar, es necesario observar que la tercera restricción implica que el granjero debe
comprar suficiente alimento de la marca 1 para satisfacer las normas mínimas del ingrediente nutricional C.
Comprar sólo la marca 2 no sería viable porque carece de C. En segundo lugar, dada la forma en que
el problema está formulado, encontraremos la mejor combinación de las marcas 1 y 2 que debe comprarse
por pavo por mes. Si el rancho tiene 5,000 pavos en un mes determinado, simplemente sería necesario
multiplicar las cantidades X1 y X2 por 5,000 para d idir la cantidad total a ordenar. En tercer lugar, ahora
estamos tratando con una serie de restricciones del po mayor o igual que. Esto hace que el área de la solu-
ción factible esté por encima de las rectas de las res cciones de este ejemplo.
USO DEL MÉTODO DE LOS VÉRTICES EN UN PROBLEMA DE MINIMIZACIÓN Para resolver el pro-
blema del rancho Holiday Meal Turkey, primero construimos la región de soluciones factibles. Esto se
hace al trazar cada una de las tres ecuaciones de restricción, como en la figura 7.10. Observe que la tercera
restricción, 0.5X1 k 1.5, se puede reescribir y graficar como X1 k 3. (Esto implica multiplicar ambos lados
de la desigualdad por 2, pero no cambia la posición de la recta de la restricción de ninguna manera). Los
problemas de minimización suelen no tener límites hacia el exterior (es decir, son no acotados hacia el lado
derecho y hacia arriba), pero esto no causa ninguna dificultad en su solución. Mientras estén limitados ha-
cia el interior (hacia el lado izquierdo y hacia abajo), es posible establecer vértices. La solución óptima se
encuentra en uno de los vértices como se haría en u problema de maximización.
En este caso, hay tres vértices: a, b y c. Para el punto a, encontramos las coordenadas en la inter-
sección de las restricciones de los ingredientes C B, es decir, donde la recta X1 = 3 interseca la línea
4X1 + 3X2 = 48. Si sustituimos X1 = 3 en la ecuaci n de la restricción B, obtenemos
4(3) + 3X2 = 48
o
X21= 12
Por lo tanto. el punto a tiene las coordenadas (X1 = 3, X2 = 12).
 7.6 SOLUCIÓN DE PROBLEMAS DE MINIMIZACIÓN 261

FIGURA 7.10
XZ
Región factible para el
problema del rancho
Holiday Meal Turkey

20 Restricción del ingrediente C

Libras de la marca 2
15 Región factible

10

Restricción del ingrediente B

5
Restricción del ingrediente A

10 15 20 25

Libras de la marca 1

Para encontrar las coordenadas del punto b algebraicamente, resolvemos las ecuaciones
4X1 + 3X2 =.48 y 5X1 + 10X, = 90 de manera simultánea. De esto se obtiene (X1 = 8.4, X2 = 4.8).
Por inspección, se observa que las coordenadas en el punto c son (X1 = 18, X2 = 0). Ahora evaluamos
la función objetivo en cada vértice y obtenemos

Costo = 2X1 + 3X2

Costo en el punto a = 2(3) + 3(12) = 42
Costo en el punto b = 2(8.4) + 3(4.8) = 31.2
Costo en el punto c = 2(18) + 3(0) = 36

Por lo tanto, la solución de costo mínimo es comprar 8.4 libras del alimento de la marca 1 y 4.8 libras del
alimento de la marca 2 por pavo al mes. Esto dará lugar a un costo de 31.2 centavos por pavo.

A EN ACCIÓN
NBC utiliza programación lineal, programación entera y
programación por metas para vender espacios publicitarios

En 1996 se inició un proyecto en el área de gestión del rendi-

L a National Broadcasting Company (NBC) vende más de $4 mil mi-
llones en publicidad televisiva cada año. Entre 60 y 80% del tiempo
aire para la temporada próxima se vende en un periodo de 2 a 3 se-
manas a finales de mayo. Las agencias de publicidad se acercan a
las televisoras para comprar tiempo de publicidad para sus clientes.
En cada solicitud, se incluyen la cantidad monetaria, las característi-
cas demográficas (por ejemplo, la edad de la audiencia) en la cual el
cliente está interesado, la mezcla de programas, la ponderación sema-
nal, la distribución unidad-longitud y un costo negociado por 1,000
espectadores. NBC debe entonces desarrollar planes detallados
de ventas para cumplir con tales requisitos. Tradicionalmente, NBC de-
sarrollaba estos planes de forma manual, lo cual requería varias horas
de planeación. En general, esto debió modificarse debido a la com-
plejidad que implica. Con más de 300 de estos planes a desarrollar y
reelaborar en un periodo de 2 a 3 semanas, se invertía mucho tiempo
y no necesariamente resultaba en el máximo ingreso posible.
miento. A través de este esfuerzo, la NBC fue capaz de crear planes que
cumplían con mayor precisión las necesidades de los clientes, respon-
dían a los clientes con mayor rapidez, hacían un uso más rentable de
su inventario limitado de intervalos de tiempo de publicidad y reducían
la repetición de trabajos. El éxito de este sistema condujo al desarrollo
de un sistema de optimización a gran escala basado en programación
lineal, entera y por metas. Se estima que los ingresos por ventas entre
los años 1996 y 2000 se incrementaron en más de $200 millones, de-
bido en gran parte a este esfuerzo. Las mejoras en el tiempo de trabajo
repetido, la productividad de la fuerza de ventas y la satisfacción del
cliente fueron otros beneficios de este sistema.
Fuente: Basado en Srinivas Bollapragada et al. "NBC's Optimization Sys-
tems Mercase Revenues and Productivity", Interfaces 32, 1 (enero-febrero de
2002): 47-60.
262 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES

FIGURA 7.11
Solución gráfica del
problema del rancho
Holiday Meal Turkey
mediante la recta de
isocosto Región factible

Libras de la marca 2

10 15 20 25 30

Libras de la marca 1

El método de la recta de isocosto
es similar al método de la recta de
isoutilidad usado en los problemas
de maximización.
ENFOQUE DE LA RECTA DE ISOCOSTO Como se mencionó, el enfoque de la recta de isocosto también
es útil para resolver problemas de minimización de PL, como el del rancho Holiday Meal Turkey. Al igual
que con las rectas de isoutilidad, no es necesario calcular el costo en cada vértice, sino dibujar una serie de
rectas de costos paralelas. La recta de menor costo (es decir, la más cercana al origen) que toque la región
factible proporciona el vértice de la solución óptima.
Por ejemplo, empezamos la figura 7.11 dibujando una línea de costo de 54 centavos, es decir,
54 = 2X1 + 3X2. Evidentemente, hay muchos puntos de la región factible que producirían un menor costo
total. Se procede a mover la recta de isocosto hacia la parte inferior izquierda, en un plano paralelo a la
recta de solución de 54 centavos. El último punto que se toca aún en contacto con la región factible es el
mismo que el vértice b de la figura 7.10. Tiene la coordenadas (X1 = 8.4, X2 = 4.8) y un costo asociado de
31.2 centavos.
Esto puede resolverse utilizando QM para Windows al seleccionar el módulo Linear Programming y
elegir New (problema nuevo). Se debe especificar quc hay 2 variables y 3 restricciones. Cuando se abre la
ventana de entrada, se introducen los datos y se hace clic en Solve. La salida se muestra en el programa 7.4.
Para resolver esto en Excel 2013, determine las celdas donde estará la solución, introduzca los coe-
ficientes de la función objetivo y las restricciones, y escriba fórmulas para el costo total y el total de cada
ingrediente (restricciones). Los valores de entrada y la solución se muestran en el programa 7.5A, donde la
columna D contiene las fórmulas. Estas fórmulas se muestran en el programa 7.5B. Cuando se abre la ven-
tana Solver Parameters, la celda para Set Objective es D5; las celdas para By Changing Variable Cells son
B4:C4; se utiliza el método Simplex LP; la casilla para que las variables sean no negativas está marcada;
y se selecciona Min porque éste es un problema de minimización.

PROGRAMA 7.4
Solución al problema
del rancho Holiday X2 RHS Dual
Meal Turkey en QM
para Windows 3
10 >= 90 -024
4 3 >. 48 -0.2
0_5 >=, 1.5
8.4 4.8 31.2
 7.7 CUATRO CASOS ESPECIALES EN PL 263

PROGRAMA 7.5A A
Se escriben fórmulas para encontrar los valores en la columna D.
1 ¡Holiday Meel Turkey
Solución al problema 7 •
del rancho Holiday Meal Variables Brand 1Brand 2

Turkey en Excel 2013 Units Produced r 8.4 4.8 I Cost

Objective function 2 31.2.
3

Constra ints LHS of Ing.) RHS

Ingredicnt A 5 10 90 90
Incredoent 4 3 48 48
ineredient C 0.5 42 1.5

PROGRAMA 7.5B
Cost
Fórmulas del problema .SUMPRODUCT(513$4:5C$4,135:C5)

del rancho Holiday Meal

LHS (Amt. of Ing.)
Turkey en Excel 2013 .SUMPRODUCT(SB14:5C54,88:CS)
.SUMPRODUMSBS4:1CS4,89:03)
SUMPRODUCT($B54:SC$4,i310tC10)

7.7 Cuatro casos especiales en PL

Cuatro casos especiales y dificultades que surgen en ocasiones cuando se utiliza el método gráfico para
resolver problemas de PL son: 1. solución no factible, 2. región no acotada, 3. redundancia y 4. soluciones
óptimas múltiples.

La inexistencia de una región de
soluciones factibles puede ocurrir
si las restricciones tienen un
conflicto entre sL
Solución no factible
Cuando no hay solución a un problema de PL que satisfaga todas las restricciones dadas, entonces no
existe ninguna solución factible. Gráficamente, significa que no existe ninguna región de soluciones facti-
bles, situación que podría ocurrir si el problema se formula con restricciones en conflicto. Esto, por cierto,
es un fenómeno frecuente en la vida real, con problemas de PL a gran escala que involucran cientos de
restricciones. Por ejemplo, si el gerente de marketing proporciona una restricción que establece que deben
producirse al menos 300 mesas (es decir, X1 300) para satisfacer la demanda de las ventas, y una se-
gunda restricción dada por el gerente de producción indica que no deben producirse más de 220 mesas (es
decir, X1 S 220) debido a la escasez de madera, resulta en una región de solución no factible. Cuando el
analista de investigación de operaciones que coordina el problema de PL señala este conflicto, un gerente
u otro deben modificar sus insumos. Tal vez podría comprarse más materia prima en una nueva fuente, o
tal vez la demanda de las ventas podría reducirse mediante la sustitución de un modelo de mesa diferente
para los clientes.
Como una ilustración gráfica adicional de esto, consideremos las siguientes tres restricciones:

X1 + 2X2 5 6
2X1 + X2 5 8
Xl 7

Como se observa en la figura 7.12, no hay ninguna región de soluciones factibles para este problema de PL
debido a la presencia de restricciones en conflicto.

Cuando en un problema de
maximización la utilidad puede ser
infinitamente grande, el problema
es no acotado y no se cumplen
una o más restricciones.
Región no acotada
En ocasiones, un programa lineal no tiene una solución finita. Esto significa que en un problema de maxi-
mización, por ejemplo, una o más variables de solución, y la utilidad, pueden volverse infinitamente gran-
des sin quebrabtar las restricciones. Si tratamos de resolver un problema de este tipo en forma gráfica,
observaremos que la región factible posee un extremo abierto.
264 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES

FIGURA 7.12
Un problema con una
solución no factible

Región que
satisface la
tercera restricción

1111
2 4 6 8

Región que satisface las primeras dos restricciones

Veamos un ejemplo sencillo para ilustrar la situación. Una empresa ha formulado el siguiente pro-
blema de PL:
Maximizar la utilidad = $3X1 + $5X2
sujeta a X1 5
X2 10
X1 2X2 10
XI , X2

Como se observa en la figura 7.13, debido a que éste es un problema de maximización y la región factible
se extiende infinitamente hacia la derecha, es ilimitada, es decir, existe una solución no acotada. Esto
implica que el problema se ha formulado de manera incorrecta. De hecho, sería maravilloso si la empresa
fuera capaz de producir un número infinito de unidades de X1 (¡con una ganancia de $3 cada una!), pero es
evidente que ninguna compañía tiene recursos disponibles infinitos o una demanda infinita de productos.

Redundancia
Una restricción redundante no La presencia de restricciones redundantes es otra situación común que se produce en las formulaciones
afecta la región de soluciones grandes de PL. La redundancia no causa mayores dificultades en la resolución gráfica de problemas de
factibles. PL, pero usted debería ser capaz de identificar su ocurrencia. Una restricción redundante simplemente no

FIGURA 7.13
Una región factible que
no está acotada por la
derecha

10

Región factible

10 15
 7.7 CUATRO CASOS ESPECIALES EN PL 265

FIGURA 7.14
Ejemplo de una
restricción redundante

Restricción redundante
)(1 .25

5 10 15 20 25 30

afecta la región de soluciones factibles. En otras palabras, otras restricciones pueden ser más limitantes o
restrictivas que la restricción redundante.
Veamos el siguiente ejemplo de un problema de PL con tres restricciones:

Maximizar la utilidad = $1X1 $2X2

sujeta a X1 + X2 ".5 20
2X1 + X2 30
X1 5 25
XI, X2

La tercera restricción, XI 5 25, es menos limitante, pero las dos primeras restricciones son de hecho más
restrictivas (vea la figura 7.14).

Soluciones óptimas múltiples

En los problemas de PL pueden
existir soluciones óptimas múltiples.
En ocasiones, un problema de PL tiene dos o más soluciones óptimas múltiples. Gráficamente, éste es el
caso cuando la recta de isoutilidad o isocosto de la función objetivo es perfectamente paralela a una de las
restricciones del problema; en otras palabras, cuando tienen la misma pendiente.
La gerencia de una empresa se dio cuenta de la presencia de más de una solución óptima cuando
formuló este sencillo problema de PL:

Maximizar la utilidad = $3X1 + $2X2

sujeta a 6X1 + 4X2 -5 24
53
X2 O

Como se observa en la figura 7.15, nuestra primera recta de isoutilidad de $8 corre paralela a la primera
ecuación de restricción. En un nivel de utilidad de $12, la recta de isoutilidad cae directamente sobre el
segmento de la primera recta de restricción, lo cual significa que cualquier punto a lo largo de la línea
entre A y B ofrece una combinación óptima XI y X2. Lejos de causar problemas, la existencia de más de
266 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES
FIGURA 7.15
Ejemplo de soluciones
óptimas múltiples
7.8 Análisis de sensibilidad
¿Qué tan sensible es la solución
óptima ante los cambios en las
utilidades, los recursos u otros
parámetros de entrada?
Una función importante del análisis
de sensibilidad es permitir que los
administradores experimenten con
los valores de los parámetros de
entrada.
El análisis de postoptimalidad
implica examinar cambios después
de que se ha encontrado la solución
óptima.
X2
8
7
A
La solución óptima consiste en todas
5 las combinaciones de X, y X2 lo largo
del segmento AB
Recta de isoutilidad para $8
2
La recta de isoutilidad para
$12 se superpone al segmento
1 — Región de recta AB
factible
I I I I
1 5 6 7 8 X1
una solución óptima permite una gran flexibilidad Para que la gerencia decida qué combinación elegir.
La utilidad es la misma en cada solución múltiple.
Hasta ahora, las soluciones óptimas a los problemas de PL se han encontrado con lo que se denomina
supuestos deterministas. Esto significa que asumimos con toda seguridad los datos y las relaciones de un
problema; es decir, los precios son fijos, los recursos son conocidos y el tiempo necesario para producir
una unidad se establece con exactitud. Pero en el mu do real, las condiciones son dinámicas y cambiantes.
¿Cómo podemos manejar esta discrepancia aparente
Una forma de hacer esto es seguir tratando a ada problema específico de PL como una situación
determinista. Sin embargo, cuando se encuentra un solución óptima, reconocemos la importancia de ver
lo sensible que es la solución para modelar supuestos y datos. Por ejemplo, si una empresa se da cuenta de
que la utilidad por unidad no es $5 como se estimó, sino que está más cerca de $5.50, ¿cómo cambiarán la
utilidad total y la combinación de la solución final? Si se dispone de recursos adicionales, como 10 horas
laborales o 3 horas de tiempo de máquina, ¿cambiará esto la respuesta al problema? Estos análisis se uti-
lizan para examinar los efectos de los cambios en tres áreas: 1. las tazas de contribución de cada variable,
2. los coeficientes tecnológicos (los números en las ecuaciones de restricción) y 3. los recursos disponibles
(las cantidades del lado derecho de cada restricción). Esta tarea se llama alternativamente análisis de sen-
sibilidad, análisis postóptimo, programación paramétrica o análisis de optimalidad.
Con frecuencia, el análisis de sensibilidad también implica una serie de preguntas del tipo ¿qué pasa-
ría si? ¿Qué pasaría si la utilidad del producto 1 au anta 10%? ¿Qué pasaría si hay menos dinero disponi-
ble en la restricción presupuestaria de publicidad? ¿( ué pasaría si cada trabajador permanece una hora más
en el trabajo cada día, con un pago de 11/2 veces, pa proporcionar una mayor capacidad de producción?
¿Qué pasaría si una nueva tecnología permite que el roducto pueda conectarse en un tercio del tiempo que
solía tomar? Así vemos que el análisis de sensibilid d se puede utilizar para tratar no sólo con los errores
en la estimación de los parámetros de entrada para e modelo de PL, sino también para que la gerencia ex-
perimente con posibles cambios futuros en la compañía que podrían afectar las utilidades.
Existen dos enfoques para determinar qué tan 1ensible es una solución óptima ante los cambios. La
primera es simplemente un enfoque de prueba y en, r. Este enfoque implica generalmente la solución de
todo el problema, de preferencia por medio de una ¿computadora, después de cambiar un elemento de los
datos de entrada o un parámetro. Esta forma puede uerir mucho tiempo, si se desea probar una serie de
posibles cambios.
El enfoque que preferimos es el método de postoptimalidad analítica. Después de haber resuelto
un problema de PL, tratamos de determinar una serie de cambios en los parámetros del problema que
 7.8 ANÁLISIS DE SENSIBILIDAD 267

no afecten la solución óptima o cambien las variables de la solución. Esto se hace sin resolver todo el
problema.
Investigaremos el análisis de sensibilidad mediante el desarrollo de un pequeño problema de mezcla
de producción. Nuestro objetivo será demostrar gráficamente y a través de la tabla símplex cómo utili-
zar el análisis de sensibilidad para hacer que los conceptos de programación lineal sean más realistas y
profundos.

Compañía High Note Sound

La compañía High Note Sound fabrica altavoces y receptores estéreo de calidad. Cada uno de estos pro-
ductos requiere cierta cantidad de mano de obra especializada, de la cual hay un suministro semanal limi-
tado. La compañía formula el siguiente problema de PL con la finalidad de determinar la mejor mezcla de
producción de altavoces (X1) y receptores (X2):

Maximizar la utilidad = $50X1 + $120X2

sujeta a 2X1 +4X2 80 (horas de tiempo de electricistas disponibles)
3X1 + 1X2 60 (horas de tiempo de técnicos de audio disponibles)
XI, X2 o
La solución a este problema se ilustra gráficamente en la figura 7.16. Con base en esta información y en
supuestos deterministas, la compañía debería producir sólo receptores estéreo (20 de ellos), para obtener
una ganancia semanal de $2,400.
Para la solución óptima, (0, 20), las horas de electricista utilizadas son
2X1 + 4X2 = 2(0) + 4(20) = 80
y esto es igual a la cantidad disponible, de manera que hay una holgura O para esta restricción. Por consi-
guiente, se trata de una restricción vinculante. Si una restricción es vinculante, la obtención de unidades
adicionales de ese recurso por lo general se traducirá en mayores utilidades. Las horas de técnico de audio
utilizadas para la solución óptima (0, 20) son
3X1 + 1X2 = 3(0) + 1(20) = 20
pero las horas disponibles son 60. Por lo tanto, hay una holgura de 60 — 20 = 40 horas. Debido a que
hay horas extras disponibles que no se están utilizando, esta es una restricción no vinculante. Para una
restricción no vinculante, la obtención de unidades adicionales de este recurso no se traducirá en mayores
beneficios y sólo aumentará la holgura.

FIGURA 7.16
High Note Sound X2
Company Graphical (Receptores)
Solution
60

40 Solución óptima en el punto a

= O altavoces
a= (0, 20) X2 = 20 receptores
Utilidades = $2,400

20 b= (16, 12)
Recta de isoutilidad:
10 $2.400 = 50X1+ 120X2

10 0 30 40 50 60 X,
c= (20, 0) (Altavoces)
268 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES
Primero se analizan los cambios en
las tasas de contribución.
Si un coeficiente de la función
objetivo disminuye o aumenta
demasiado, un nuevo vértice se
vuelve óptimo.
La solución actual sigue
siendo óptima, a menos que
un coeficiente de la función
objetivo se incremente hasta
un valor por encima del límite
superior o disminuya hasta un
valor por debajo del límite
inferior.
FIGURA 7.17
50
40
30
10
Cambios en los coeficientes de la funci n objetivo
En los problemas de la vida real, las tasas de contri ción (por lo general, de la utilidad o el costo) en las
funciones objetivo fluctúan periódicamente, al igual ue la mayor parte de los gastos de una empresa. Grá-
ficamente, esto significa que aunque la región de so ciones factibles sigue siendo exactamente la misma,
la pendiente de la recta de isoutilidad o de isocosto ambiará. Es fácil ver en la figura 7.17 que la recta de
utilidad de la compañía High Note Sound es óptima en el punto a. Pero ¿qué pasaría si hubiera un gran
avance técnico reciente que elevara la utilidad por receptor estéreo (X2) de $120 a $150? ¿La solución sigue
siendo óptima? La respuesta es definitivamente sí, ya que en este caso la pendiente de la recta de utilidad
acentúa la rentabilidad en el punto a. La nueva utilidad es de $3,000 = 0($50) + 20 ($150).
Por otro lado, si el coeficiente de la utilidad de X, se sobreestimó y debería haber sido tan sólo de
$80, la pendiente de la recta de utilidad cambia lo suficiente como para provocar que un nuevo vértice (b)
sea el óptimo. Aquí, la utilidad es $1760 = 16($50) + 12($80).
Este ejemplo ilustra un concepto muy importante acerca de los cambios en los coeficientes de la
función objetivo. Podemos incrementar o disminuir el coeficiente de la función objetivo (utilidad) de cual-
quier variable, y el vértice actual puede seguir siendo óptimo si el cambio no es demasiado grande. Sin
embargo, si aumentamos o disminuimos este coeficiente aún más, entonces la solución óptima estaría en
un vértice diferente. ¿Cuánto puede cambiar un coeficiente de la función objetivo, antes de que otro vértice
se vuelva óptimo? Tanto QM para Windows como Excel ofrecen la respuesta.
QM para Windows y cambios en los coeficientes de la función objetivo
En el programa 7.6A se muestra la entrada en QM para Windows del ejemplo de la compañía High Note
Sound. Después de haber encontrado la solución, al seleccionar Window y Ranging es posible ver infor-
mación adicional sobre el análisis de sensibilidad. El programa 7.6B presenta la salida relacionada con
el análisis de sensibilidad.
En el programa 7.6B, vemos que la utilidad de los altavoces era de $50, lo cual se indica como el valor
original en la salida. Este coeficiente de la función objetivo tiene un límite inferior del infinito negativo
Cambios en los coeficientes de contribución del receptor
Recta de utilidad para $50X1+ $80X2
(Pasa por el punto b )
b Recta de utilidad para $50X1 + $120 X2
(Pasa por el punto a)
Recta de utilidad para S50X1 + S150X2
(Pasa por el punto a)
10 20 30 40 50 60
 7.8 ANÁLISIS DE SENSIBILIDAD 269

PROGRAMA 7.6A Objective Insbuctico

; Use ¡hese option buttons to set the objective.
Introducción de los datos Mirisnize
de la compañía High High Note Sound Company
Note Sound a QM para
Windows X1 X2 RHS Equation fono
Maximiza 50 120 Max 50X1 + 120X2
Elocbician hours 2 4 <= 80 ZCI + 4X2 <= 80
Audio tectinician hours 3 1 <= 60 3X1 + X2 <= 60

PROGRAMA 7.6B
Salida del análisis H'mh Note Sound Comoanv Solution
de sensibilidad de Variable Value i Reduced Cost Original Val Lower Bound Upper Bound
la compañía High X1 0 10 50 -Infrnilt 60
Note Sound X2 20 0 120 100 Infinity
Constraint Dual Value Slack/Surplus Original Val Lower Bound 1 Upper Bound
Electrician hours 30 0 80 0 240
Ambo technician hours 0 40 60 20 Infinity

Los límites superior e inferior se
relacionan con cambios de un solo
coeficiente a la vez.
y un límite superior de $60. Esto significa que el vértice de solución actual sigue siendo óptimo, siempre
que la utilidad en los altavoces no exceda $60. Si es igual a $60, habría dos soluciones óptimas, ya que la
función objetivo sería paralela a la primera restricción. Los puntos (O, 20) y (16, 12) proporcionarían una
utilidad de $2,400. La utilidad de los altavoces puede disminuir cualquier cantidad, como lo indica el infi-
nito negativo, en tanto el vértice óptimo no cambiará. Este infinito negativo es lógico puesto que ahora
no hay altavoces a producir porque la utilidad es demasiado baja. Cualquier disminución en la utilidad
de los altavoces los haría menos atractivos en relación con los receptores y, desde luego, no se produciría
ningún altavoz debido a esto.
La utilidad de los receptores tiene un límite superior de infinito (puede aumentar en cualquier canti-
dad) y un límite inferior de $100. Si esta ganancia llega a ser $100, entonces los vértices (0, 20) y (16, 12)
serían óptimos. La utilidad en cada una de ellos sería de $2,000.
En general, se puede hacer un cambio a uno (y sólo uno) de los coeficientes de la función objetivo y
el vértice óptimo actual seguirá siendo óptimo, siempre y cuando el cambio esté entre los límites superior
e inferior. Si se cambian dos o más coeficientes al mismo tiempo, entonces el problema debería resolverse
con los nuevos coeficientes para determinar si la solución actual sigue siendo óptima o no.

Solver de Excel y cambios en los coeficientes de la función objetivo

El programa 7.7A ilustra cómo se configura para Solver la hoja de cálculo en Excel 2013 de este ejemplo.
Cuando se selecciona Solver de la pestaña Data, se hacen las entradas adecuadas y se da clic en Solve
dentro del cuadro de diálogo Solver; la solución y la ventana de resultados de Solver aparecerán como
en el programa 7.7B. Al seleccionar Sensitivity en el área de reportes de esta ventana se obtendrá un in-
forme de sensibilidad en una nueva hoja de cálculo, con resultados como los mostrados en el programa
7.7C. Observe cómo las celdas se nombran con base en el texto del programa 7.7A. Note que Excel no
proporciona límites inferiores ni límites superiores para los coeficientes de la función objetivo. En vez
de eso, presenta los aumentos y decrementos permitidos para los coeficientes. Al añadir el incremento

PROGRAMA 7.7A
Las celdas de variable cambiantes en el cuadro de diálogo de Solver son B4:C4.
Hoja de cálculo en Excel
A C D E
2013 para la compañía 1 IHIgh Note Sound
High Note Sound La celda objetivo en el cuadro de diálogo de Solver es D5.
Speaktiv.,
3 Variables X1 \
Units Produced r020 Proft
Objective function 150 120 =SUM P RODUCT($ E354:$ C$4,8 5:C5)

Constraints LHS (H, Used)

Electrician Hours 2 4 =SU MP RODUCT(S 8$4:S CS4,138:C8 ) <
3 Audio Tech Hours 3 1 =SUMPRODUCT($ B$4:SC$4,139:C9) 60

Las restricciones agregadas en Solver serán D8:D9 <=F8:F9.

270 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFI OS Y COMPUTACIONALES

PROGRAMA 7.7B Solución de Excel 2013 y ventana de resultado en Solver

para la compañía High Note Sound

La solución encontrada por Solver está aquí.)

A ti E Solver Results

1 High Note Sound Compan

Solver round a sohaion Oil Constraints and oobrnohr,
2 Speak Reu ars Reporta
conditons ore sant:Med
3 Variables X2 AUVIt.
1 O Saco Server Sobe. ,SensItvny
4 Units Produced 0 10 Profit
Limas
5 Objeetive funetion SO 120 2400
6
Para ver el reporte del análisis de sensibilidad,
7 Constraints LHS (Hez 1/sed)

4 80
e ija Sensitivity en la ventana de resultados de
I Electrician Hours
3 1 20
Solver. Lue•o, ha •a clic en OK.
Audio Tech Hours
10
salen round • solution. Al Constránts and eptiautty cenditkIns re
11 f
sáthrsed.
12 When :he Gel; entina LS l/Sed.Solvt. has Sound at least a local ocs 4501
13 solusion When Strnples LP i5 usecl. Chis nonos SoNer has Sound • I 0001
optima! solehon
14
15

PROGRAMA 7.7C (Los nombres que se presentan en el reporte de sensibilidad combinan

Reporte de sensibilidad el texto de la columna A y el texto encima de los datos, a menos que
las celdas hayan sido nombradas mediante Name Manager en la pestaña
en Excel 2013 para la
Formulas.
compañía High Note
Sound La utilidad de los altavoces puede cambiar en estas
cantidades y el vértice actual permanecerá óptimo.

A 8 E G
6 Variable Calla
Final Reduced Objective All IO lowabk
8 Cell Name Value Cost Coefficient In ~se crease
9 51354 Unas %Cosed X1 0 -10 50 10 1E+30
10 SCS4 Units Producod X2 20 0 120 1E+30 20
11
12 Constraints
13 Final Shadow Constraint Allowable Allowable
14 Cell Neme Value Price R.M. Sido Mercase Decrease
15 SDS8 Electrician Hours LHS (Hrs. Used) 80 30 160 so f
80
16 SOS9 Autho Tech Horas LHS (Hrs. Used) 20 \ 1E+30 40

/Los recursos utilizados están aquí. El LD puede cambiar en

..?stas cantidades y el precio sombra seguirá siendo relevantey

Solver de Excel presenta los permisible al valor actual, podemos obtener el límite superior. Por ejemplo, el aumento permisible en la
incrementos y decrementos utilidad (coeficiente objetivo) de los altavoces es 10, lo cual significa que el límite superior de esta utilidad
permitidos en vez de los límites es de $50 + $10 = $60. Del mismo modo, podemos restar la disminución permisible del valor actual para
superior e inferior. obtener el límite inferior.

Cambios en los coeficientes tecnológicos

Los cambios en los coeficientes
tecnológicos afectan la forma de
la región de soluciones factibles.
Los cambios en los llamados coeficientes tecnológicos suelen reflejar los cambios en el estado de la tec-
nología. Si se necesitan menos o más recursos para producir un producto tal como un altavoz o un recep-
tor estéreo, cambiarán los coeficientes en las ecuaciones de restricción. Estos cambios no tendrán ningún
efecto sobre la función objetivo de un problema de L, pero pueden producir un cambio significativo en la
forma de la región de soluciones factibles y, por lo t to, en la utilidad o el costo óptimos.
La figura 7.18 ilustra la solución gráfica origi al para la compañía High Note Sound, así como dos
cambios diferentes en los coeficientes tecnológico . En la figura 7.18, inciso (a), vemos que la solución
óptima se encuentra en el punto a, que representa = 0, X2 = 20. Usted debería ser capaz de demostrar
si un punto a sigue siendo óptimo en la figura 7.18, inciso (b), aun cuando presenta un cambio de restric-
ción de 3X1 + 1X2 < 60 a 2X1 + 1X2 60. Tal cambio podría tener lugar cuando la empresa descubre
que ya no exige tres horas de tiempo de los técnicos de audio para producir un altavoz, sino tan sólo dos
horas.
 7.8 ANÁLISIS DE SENSIBILIDAD 271

FIGURA 7.18 Cambios en los coeficientes tecnológicos para la compañía High Note Sound Company

(a) Problema original (b) Cambio en el (c) Cambio en el

coeficiente circulado coeficiente circulado
X2

60 60 60
Receptores Estéreo

3X1 -i- 1 X2 60 3X1 X2 60

40 40 40
Solución Solución
óptima óptima
20 20 20
b 16
2 X1 + 4 X2 5 80 2 X1 +1, 5 ,X2 s 80

o 20 40 0 20 30 40 X1 o 20 40
Altavoces

Sin embargo, en la figura 7.18, inciso (c), un cambio en la otra restricción modifica la forma de
la región factible lo suficiente para causar que un nuevo vértice (g) se vuelve óptimo. Antes de continuar,
vea si se alcanza un valor de la función objetivo de $1,954 de utilidad en el punto g (contra una ganancia
de $1,920 en el punto f).*

Cambios en los recursos o valores del lado derecho

Los valores del lado derecho de las restricciones representan a menudo los recursos disponibles para la
empresa. Los recursos podrían ser horas de trabajo o tiempo de máquina, o tal vez dinero o materiales de
producción disponibles. En el ejemplo de la compañía High Note Sound, los dos recursos son horas dispo-
nibles de electricistas y de técnicos de audio. Si hay horas adicionales disponibles, sería posible alcanzar

A EN ACCIÓN
Swift & Company utiliza la PL para programar
su producción

cadena de suministro. Diez empleados de tiempo completo trabajaron

C on sede en Greeley, Colorado, Swift & Company tiene ventas
anuales de más de $8 mil millones, de los cuales la gran mayoría son
generados por productos relacionados con la carne de res. Swift tiene
cinco plantas de procesamiento, que manejan más de 6 millones de
libras de carne de res al año. Cada cabeza de ganado se corta en dos
partes, que producen paletilla, falda, lomo, costilla, aguayón, bistec
y arrachera. Algunos cortes tienen mayor demanda que otros, y los
representantes de servicio al cliente (RSC) intentan satisfacer la de-
manda de los clientes al tiempo que proporcionan descuentos cuando
es necesario vender algunos cortes que podrían presentar un exceso
de oferta. Es importante que los RSC tengan información precisa so-
bre la disponibilidad del producto casi en tiempo real, para que pue-
dan reaccionar rápidamente ante los cambios en la demanda.
El costo de la materia prima llega a ser hasta de 85%, y dado que la
empresa tiene un escaso margen de utilidad, resulta esencial que opere
eficientemente. Swift comenzó un proyecto en marzo de 2001 para
desarrollar un modelo de programación matemática que optimizara su
con cuatro consultores de investigación de operaciones de Aspen Te-
chnology en lo que se llamó el Proyecto Phoenix. El núcleo del modelo
final lo forman 45 modelos de PL integrados que permiten a la empresa
programar de forma dinámica sus operaciones en tiempo real a medida
que se reciben los pedidos.
Con el Proyecto Phoenix, no sólo aumentaron los márgenes de uti-
lidad, sino que hubo mejoras en los pronósticos, la adquisición de ga-
nado y las relaciones de producción con los clientes; asimismo, hubo
una revaloración de la imagen de Swift & Company en el mercado.
La compañía está en mejores condiciones para ofrecer productos de
acuerdo con las especificaciones del cliente. Si bien el costo del desa-
rrollo del modelo fue superior a $6 millones, en el primer año de opera-
ción, se generó una utilidad de $12.7 millones.
Fuente: Basado en Ami Bixby, Brian Downs y Mike Self. "A Scheduling
and Capable-to-Promise Application for Swift & Company", Interfaces 36, 1
(enero-febrero de 2006): 69-86.

* Observe que los valores de Xt y X2 en el punto g son fracciones. Aunque la compañía High Note Sound no puede producir
0.67, 0.75 o 0.90 altavoces o estéreos, podemos suponer que la empresa puede comenzar una unidad una semana y terminarla
la siguiente semana. Si el proceso de producción es suficientemente estable de una semana a otra, esto no plantea mayores
problemas. Si las soluciones deben ser números enteros cada periodo, consulte nuestro estudio de la ptogramación entera
en el capítulo 10 para manejar la situación.
272 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES
El valor de una unidad adicional
de un recurso escaso se puede
encontrar a partir del precio duaL
Los precios duales cambiarán si la
cantidad del recurso (el lado derecho
de la restricción) está por encima del
limite superior o por debajo del límite
inferior dados en la sección Ranging
de la salida de QM para Windows.
En los problemas de maximización,
el precio sombra es igual al precio
dual.
una utilidad total superior. ¿Cuánto debería la empresa estar dispuesta a pagar por horas adicionales? ¿Es
rentable tener algunos electricistas que trabajen hor4s extras? ¿Debería la empresa estar dispuesta a pagar
por más tiempo de los técnicos de audio? El análisis de sensibilidad sobre estos recursos nos ayudará a
responder estas preguntas.
Si se cambia el lado derecho de una restricción, la región factible cambiará (a menos que la restricción
sea redundante) y, con frecuencia, la solución óptima también se modificará. En el ejemplo de la compañía
High Note Sound, había 80 horas de tiempo de electricista disponibles cada semana y la máxima utilidad
posible era $2,400. No hay holgura para esta restricción, por lo que es una restricción vinculante. Si las
horas de electricista disponibles se incrementaran a 100 horas, la nueva solución óptima que se observa en
la figura 7.19, inciso (a), es (0, 25) y la utilidad es de $3,000. Por lo tanto, las 20 horas extra dieron lugar
a un aumento de la utilidad de $600 o $30 por hora. Si las horas se redujeran a 60 horas, como se muestra
en la figura 7.19, inciso (b), la nueva solución óptima sería (0, 15) y la utilidad sería de $1,800. Por con-
siguiente, la reducción de 20 horas resulta en una disminución en la utilidad de $600 o $30 por hora. Este
cambio de $30 por hora en la utilidad que resulta de un cambio en las horas disponibles se llama precio
dual o valor dual. El precio dual para una restricción es la mejora en el valor de la función objetivo que
resulta de un aumento de una unidad en el lado derecho de la restricción.
El precio dual de $30 por hora de tiempo de electricista nos indica que podemos aumentar la utilidad
si tenemos más horas de electricista. Sin embargo, existe un límite para esto, como lo hay para el tiempo
del técnico de audio. Si el total de horas de tiempo de electricista fuera de 240 horas, la solución óptima
sería (O, 60) como se indica en la figura 7.19, inciso (c), y la utilidad sería de $7,200. De nuevo, esto es un
aumento en la utilidad de $30 por hora (el precio dual) para cada una de las 160 horas que se agregaron a
la cantidad original. Si el número de horas aumenta más allá de 240, entonces la utilidad ya no aumentaría
y la solución óptima seguiría siendo (0, 60), como se muestra en la figura 7.19, inciso (c). Habría simple-
mente exceso (holgura) en las horas de tiempo de electricista y se utilizaría todo el tiempo del técnico de
audio. Por lo tanto, el precio dual es relevante sólo dentro de los límites. Tanto QM para Windows como
Solver de Excel proporcionan estos límites.
QM para Windows y los cambios en los valores del lado derecho
La salida del análisis de sensibilidad en QM para Windows se muestra en el programa 7.6B. El valor dual
para la restricción de las horas de electricista se da como 30, y el límite inferior es cero, mientras que el
límite superior es 240, lo cual significa que cada hora adicional de tiempo de electricista, hasta un total de
240 horas, incrementará la utilidad máxima posible en $30. Del mismo modo, si se reduce el tiempo
de electricista disponible, la máxima utilidad posible disminuirá en $30 por hora, hasta que el tiempo dis-
ponible se reduzca al límite inferior de 0. Si la cantidad de tiempo de electricista (el valor del lado derecho
de esta restricción) está fuera de este rango (0 a 240), entonces el valor dual ya no es relevante y el pro-
blema debería resolverse con el nuevo valor del lado derecho.
En el programa 7.6b se muestra que el valor dual de las horas del técnico de audio es $0 y que la hol-
gura es de 40, de manera que es una restricción no vinculante. Hay 40 horas de tiempo del técnico de audio
que no están siendo utilizadas, a pesar de que están disponibles actualmente. Si existen horas adicionales
disponibles, no aumentan la utilidad sino que simplemente incrementan la cantidad de holgura. Este valor
dual de cero es relevante, siempre y cuando la parte derecha no esté por debajo del límite inferior de 20. El
límite superior es infinito, lo cual indica que la adición de más horas simplemente aumentaría la cantidad
de holgura.
Solver de Excel y cambios en los valores del lado derecho
En el programa 7.7C, se muestra el reporte de sensibilidad de Solver de Excel. Observe que Solver pro-
porciona el precio sombra en vez del precio dual. Un precio sombra es el cambio en el valor de la función
objetivo (por ejemplo, la utilidad o el costo) que resulta de un aumento de una unidad en el lado derecho
de una restricción.
Dado que una mejora en el valor de la función objetivo en un problema de maximización es lo mismo
que un cambio (aumento) positivo, el precio dual y á precio sombra son exactamente iguales para los pro-
blemas de maximización. Para un problema de mili ción, una mejora en el valor de la función objetivo
es una disminución, que es un cambio negativo. A í que para los problemas de minimización, el precio
sombra será el negativo del precio dual.
 7.8 ANÁLISIS DE SENSIBILIDAD 273

FIGURA 7.19
X2 (a)
Cambios en el recurso del
tiempo de electricistas 60
para la compañía High
Note Sound

40 Restricción que representa 60 horas del recurso

del tiempo de técnicos de audio

25 a Restricción modificada que representa 100 horas

20 b del recurso del tiempo de electricistas

20 40 50 60 X,

X2 (j)

60

40 Restricción que representa 60 horas del recurso

del tiempo de técnicos de audio

Restricción modificada que representa 60 horas

20 del recurso del tiempo de electricistas
a
15

C j
•
o 20 30 40 60 X,

X2 t (c)
601,_
Restricción modificada que representa 240 horas
del recurso del tiempo de electricistas

40

Restricción
que representa
20
60 horas del recurso
del tiempo de técnicos
de audio
20 40 60 80 100 120

Se proporciona el aumento permisible y la disminución permisible para el lado derecho de cada res-
tricción, y el precio sombra es relevante para los cambios dentro de estos límites. En el caso de las horas de
electricista, el valor de 80 al lado derecho puede incrementarse en 160 (para un total de 240) o disminuir en
80 (para un total de 0) y el precio sombra sigue siendo relevante. Si se realiza un cambio que exceda estos
límites, entonces es necesario resolver el problema para encontrar el impacto del cambio.
274 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES
Resumen
En este capítulo presentamos una técnica de modelado matemático
llamada programación lineal (PL). Se utiliza para llegar a una so-
lución óptima para problemas que tienen una serie de restricciones
vinculadas al objetivo. Utilizamos los métodos de los vértices y de
isoutilidad/isocosto para la resolución de problemas en forma gráfica
con sólo dos variables de decisión.
Los enfoques de solución gráfica presentados en este capí-
tulo proporcionan una base conceptual para abordar problemas más
grandes y complejos, como los que se analizan en el capítulo 8. Para
resolver problemas de PL en la vida real con numerosas variables
y restricciones, es necesario un procedimiento de solución como el
algoritmo símplex, que es el tema del módulo 7. El algoritmo símplex
es el método que utilizan QM para Windows y Excel para hacer frente
a los problemas de PL.
Glosario
Análisis de sensibilidad El estudio de qué tan sensible es una so-
lución óptima ante los cambios en los supuestos del modelo y los
datos. Con frecuencia se denomina análisis de postoptimalidad.
Coeficientes tecnológicos Coeficientes de las variables en las ecua-
ciones de restricción. Los coeficientes representan la cantidad de
recursos necesarios para producir una unidad de la variable.
Desigualdad Una expresión matemática que contiene una relación
mayor o igual que (~) o menor o igual que utilizada para indi-
car que el consumo total de un recurso debe ser o s que algún
valor límite.
Excedente La diferencia entre el lado izquierdo y el lado derecho
de una restricción del tipo mayor o igual que. Con frecuencia, re-
presenta la cantidad en la que se supera un tamaño mínimo.
Función objetivo Un enunciado matemático de la meta de una orga-
nización, establecido como la intención de maximizar o minimizar
alguna cantidad importante, como las utilidades o los costos.
Holgura La diferencia entre el lado izquierdo y el lado derecho de
una restricción del tipo menor o igual que. A menudo, es la canti-
dad de un recurso que no se está utilizando.
Método de ecuaciones simultáneas El método algebraico para
encontrar el punto de intersección entre dos o más ecuaciones de
restricción lineal.
Método de los vértices El método para encontrar la solución óp-
tima a un problema de PL probando el nivel de la utilidad o de
los costos en cada vértice de la región factible. La teoría de la PL
afirma que la solución óptima debe estar en uno de los vértices.
Precio (valor) dual La mejora en el valor de la función objetivo
que resulta de un aumento de una unidad en el lado derecho de
esa restricción.
Precio sombra El aumento en el valor de la función objetivo que
resulta de un aumento de una unidad en el lado derecho de
esa restricción.
Problema de mezcla de productos Un problema de PL común,
que involucra una decisión de los productos que una empresa de-
bería producir, debido a que cuenta con recursos limitados.
Programación lineal (PL) Una técnica matemática que ayuda a la
gerencia a decidir cómo debe hacer el uso más eficaz de los recur-
sos de una organización.
Programación matemática La categoría general de las técnicas
de modelado y resolución matemática utilizadas para asignar
En este capítulo, también presentamos el importante concepto
del análisis de sensibilidad. En ocasiones conocido como análisis de
postoptimalidad, el análisis de sensibilidad es usado por la gerencia
para responder a una serie de preguntas del tipo "¿qué pasaría si?"
acerca de los parámetros del modelo de PL. También prueba qué tan
sensible es la solución óptima ante los cambios en los coeficientes de
utilidad o costo, los coeficientes tecnológicos y los recursos del lado
derecho. Expío amos el análisis de sensibilidad de forma gráfica (es
decir, para prob emas con sólo dos variables de decisión) y con la sa-
lida de la come tadora, pero para entender cómo se analiza la sensi-
bilidad de manera algebraica a través del algoritmo símplex, consulte el
módulo 7 (que e encuentra en www.pearsonenespañol.condrender).
recursos al mismo tiempo que se optimiza un objetivo medible. La
PL es un tipo de modelo de programación.
Recta de isoco$to Una línea recta que representa todas las combi-
naciones de X1 y X2 para un nivel de costo en particular.
Recta de isoutilidad Una línea recta que representa todas las
combinaciones no negativas de X1 y X2 para un nivel de utilidad
específico.
Redundancia La presencia de una o más restricciones que no afec-
tan la regió de soluciones factibles.
Región factibl El área que satisface todas las restricciones de re-
cursos del poblema; es decir, la región donde se traslapan todas
las restricciones. Todas las soluciones posibles al problema perte-
necen a la región factible.
Restricción Una limitación sobre los recursos disponibles para
una empresa (se indica en la forma de una desigualdad o una
ecuación).
Restricción no vinculante Una restricción con una cantidad posi-
tiva de holgura o excedente para la solución óptima.
Restricción vinculante Una restricción con cero holgura o exce-
dente para la solución óptima.
Restricciones de no negatividad Un conjunto de restricciones que
indican que cada variable de decisión debe ser no negativa; es de-
cir, cada Xi debe ser mayor o igual que O.
Solución factible Un punto situado en la región factible. Básica-
mente, es cualquier punto que satisface todas las restricciones del
problema.
Solución no acotada Una condición que existe cuando una varia-
ble de solución y la utilidad pueden hacerse infinitamente grandes
sin transgre4ir ninguna de las restricciones del problema en un
proceso demaximización.
Solución no factible Cualquier punto situado fuera de la región
factible. Vu era una o más de las restricciones establecidas.
Solución ópt* a múltiple Una situación donde es posible más de
una solució óptima. Surge cuando la pendiente de la función ob-
jetivo es ig a la pendiente de una restricción.
Variable de d isión Una variable cuyo valor puede ser elegido por
la persona que toma decisiones.
Vértice o punto extremo Un punto que se encuentra en una de las
esquinas de la región factible. Esto significa que se encuentra en
la intersección de dos rectas de restricción.
 PROBLEMAS RESUELTOS 275

Problemas resueltos

Problema resuelto 7-1

Personal Mini Warehouses está planeando expandir su exitoso negocio de Orlando a Tampa. Entonces, la empresa
debe determinar el número'de bodegas de cada tamaño que necesita construir. Su objetivo y sus restricciones son
las siguientes:

Maximizar las ganancias mensuales = 50X1 + 20X2

sujetas a 20X1 + 40X2 5. 4,000 (presupuesto de publicidad disponible)
100X1 + 50X, 5 8,000 (pies cuadrados requeridos)
X1 5 60 (límite de alquiler esperado)
XI, X2 o

donde
= número de espacios grandes desarrollados
X2 = número de espacios pequeños desarrollados
Solución
Una evaluación de los cinco vértices de la gráfica mostrada indica que el vértice C produce las mayores ganancias.
Consulte la gráfica y la tabla.

VÉRTICE VALORES DE X1, X2 VALOR DE LA FUNCIÓN OBJETIVO ($)

A (0, 0) o
(60, 0) 3,000
(60, 40) 3,800
D (40, 80) 3,600
B (0, 100) 2,000

60

200

180

160
100X, + 50X2 _ 8,000
140

120

100

80

60

40 Región
factible 20X1 + 40X2 . 4,000
20
8 -I
A • I I
20 40 60 80 100 120 140 160 180 200 220 240 X,
276 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁF COS Y COMPUTACIONALES

...

Problema resuelto 7-2

En el siguiente programa, se presenta la solución obtenida con QM para Windows para el problema resuelto 7-1.
Use esto para responder las siguientes preguntas.

a. Para la solución óptima, ¿cuánto del presupuesto de publicidad se gasta?

b. Para la solución óptima, ¿qué cantidad de metros cuadrados se utilizarán?
c. ¿Cambiaría la solución si el presupuesto fuera sólo de $3,000 en vez de $4,000?
d. ¿Cuál sería la solución óptima si la utilidad en los espacios grandes se redujeran de $50 a $45?
e. ¿Cuánto aumentarían las ganancias si el requisito de los pies cuadrados se incrementara de 8,000 a 9,000?

Solved Problem 7-2 Solution

X1 X2 RHS Dual

Maximiza 50 20
Constraint 1 20 40 4,000 o
Constraint 2 100 8,000 0.4
Constraint 3 60 10
Solution-> 60 40 3,800

Sobrad Problem 7-2 Saludan

Variable Value Reduced Original Val Lower Bound Upper Sound
X1 60 50 40 Infinity
X2 40 o 20 o 25
Constraint Dual Value Slack/Surplus Original Val Lower Sound Upper Bound
Constraint 1 1,200 4,000 2,800 infandy
Constraint 2 0.4 o 8,000 6,000 9,600
Constraint 3 10 o 60 40 80

Solución
a. En la solución óptima, X1 = 60 y X2 = 40. Si se usan estos valores en la primera restricción resulta

20X1 + 40X2 = 20(60) + 40(40) = 2,800

Otra manera de encontrar esto consiste en observar la holgura:

Holgura para la restricción 1 = 1,200 por lo que la cantidad utilizada es 4,000 — 1,200 = 2,800

b. Para la segunda restricción tenemos

100X1 + 50X2 = 100(60) + 50(40) = 8,000 pies cuadrados

En lugar de calcular esto, podemos simplemente observar que la holgura es 0, por lo que se utilizarán los
8,000 pies cuadrados disponibles.
c. No, la solución no cambiaría. El precio dual es O y no hay holgura disponible. El valor de 3,000 está entre el
límite inferior de 2,800 y el límite superior infinito. Sólo cambiaría la holgura para esta restricción.
d. Dado que el nuevo coeficiente para X1 está entre el límite inferior (40) y el límite superior (infinito), el vértice
actual sigue siendo óptimo. Así que X1 = 60 y X2 = 40, y sólo cambian las ganancias mensuales.

Ganancias = 45(60) + 20(40) = S3,500

e. El precio dual para esta restricción es de 0.4, y el límite superior es 9,500. El aumento de 1,000 unidades
se traducirá en un aumento en las ganancias de 1,000(0.4 por unidad) = $400.
 PROBLEMAS RESUELTOS 277

Problema resuelto 7-3

Resuelva la siguiente formulación de PL en forma gráfica; para ello, utilice el enfoque de la recta de isocosto:

Minimizar los costos = 24X1 + 28X2

sujetos a 5X1 + 4X2 2,000
80
X1 + X2 300
X2 100
XI, X2

Solución
A continuación, se presenta una gráfica de las cuatro restricciones. Las flechas indican la dirección de la factibi-
lidad para cada restricción. La siguiente gráfica ilustra la región de soluciones factibles y presenta dos posibles
rectas de costos para la función objetivo. La primera, se seleccionó arbitrariamente en $10,000 como punto de
partida. Para encontrar el vértice óptimo, es necesario mover la recta de costos en la dirección de menor costo, es
decir, hacia abajo y hacia la izquierda. El último punto donde una recta de costos toca la región factible, mientras se
mueve hacia el origen, es el vértice D. De este modo D, que representa X1 = 200, X2 = 100 y un costo de $7,600,
es óptimo.

500

400 5X1 + 4X2 S 2,000

300
X1 + X2> 300
200

X2 100
100

80 100 200 300 400 500

$10,000 = 24X1 + 28X2

500

400 Región
factible
300

200

100 C Recta de costo óptimo

$7,600 = 24X1 + 28X2

100 200 300 400 500 X1

278 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES

Problema resuelto 7-4

Resuelva el siguiente problema usando el método de los vértices. Para la solución óptima, ¿cuánta holgura o exce-
dente existen para cada restricción?
Maximizar la utilidad = 30X1 + 40X2
sujeta a 4X1 + 2X2 S 16
2X1 — X2 > 2
X2 2
XI, X2

Solución
A continuación se presenta la gráfica junto con la región factible sombreada.

PUNTO DE ESQULNA COORDENADAS UTILIDAD(

A = 1, X2 = O 30
B = 4, X2 = 0 120
= 3,X2 = 2 170
D = 2, X2 = 2 140

La solución óptima es (3, 2). Para este punto,

4X1 + 2X2 = 4(3) + 2(2) = 16
Por lo tanto, la holgura = O para la restricción 1. Además,
2X1 — 1X2 = 2(3) — 1(2) = 4 > 2
Entonces, el excedente = 4 — 2 = 2 para la restricción 2. Además,
X2 = 2
Por consiguiente, la holgura = O para la restricción 3.

4X1 + 2X2 16

2X1 — X2 2

X2 < 2

—2

La utilidad óptima de $170 está en el vértice C.


Autoevaluación
• Antes de realizar la autoevaluación, consulte los objetivos de aprendizaje al comienzo del capítulo, las notas en los márgenes y el glosario
al final del capítulo.
• Consulte las soluciones en la parte final del libro para corregir sus respuestas.
• Vuelva a estudiar las páginas que correspondan a todas las preguntas que respondió incorrectamente o al material del que no se sienta seguro.
1. Cuando se utiliza un procedimiento de solución gráfica, la
región limitada por el conjunto de restricciones se llama
a. solución.
b. región factible.
c. región no factible.
d. región de máxima utilidad.
e. ninguna de las anteriores.
2. En un problema de PL, al menos un vértice debe ser una
solución óptima, si es que existe alguna.
a. Verdadero
b. Falso
3. Un problema de PL tiene una región factible acotada. Si este
problema tiene una restricción de igualdad (), entonces,
a. éste debe ser un problema de minimización.
b. la región factible debe constar de un segmento de recta.
c. el problema debe ser degenerado.
d. el problema debe tener más de una solución óptima.
4. ¿Cuál de las siguientes opciones causaría un cambio en la
región factible?
a. El aumento de un coeficiente de la función objetivo en un
problema de maximización
b. La adición de una restricción redundante
c. Un cambio en el lado derecho de una restricción no redun-
dante
d. El aumento de un coeficiente de la función objetivo en un
problema de minimización
5. Si una restricción no redundante se elimina de un problema
de PL, entonces,
a. la región factible se hará más grande.
b. la región factible se hará más pequeña.
c. el problema se volvería no lineal.
d. el problema se haría no factible.
6. En la solución óptima de un programa lineal, hay 20 unidades
de holgura para una restricción. De esto, sabemos que
a. el precio dual para esta restricción es 20.
b. el precio dual para esta restricción es O.
c. esta restricción debe ser redundante.
d. éste debe ser un problema de maximización.
7. Se resolvió un programa lineal y se realizó un análisis de
sensibilidad. Se encontraron los rangos para los coeficientes de
la función objetivo. Para la utilidad en X1, el límite superior es
de 80, el límite inferior de 60 y el valor actual es 75. ¿Cuál de
las siguientes afirmaciones debe ser cierta si la utilidad en esta
variable se reduce a 70 y se encuentra la solución óptima?
a. Un nuevo vértice se volverá óptimo.
b. La utilidad total máxima posible puede aumentar.
c. Los valores para todas las variables de decisión seguirán
siendo los mismos.
d. Todo lo anterior es posible.
AUTOEVALUACIÓN 279
8. Un método gráfico sólo se debería utilizar para resolver un
problema de PL cuando
a. sólo hay dos restricciones.
b. hay más de dos restricciones.
c. sólo hay dos variables.
d. hay más de dos variables.
9. En PL, las variables no tienen que asumir valores enteros y
pueden tomar cualquier valor fraccionario. Este supuesto se
llama
a. proporcionalidad.
b. divisibilidad.
c. aditividad.
d. certidumbre.
10. Al resolver un programa lineal, existe una solución no factible.
Para resolver este problema podríamos
a. agregar otra variable.
b. agregar otra restricción.
c. eliminar o relajar una restricción.
d. probar un programa de computadora diferente.
11. Si la región factible se hace más grande debido a un cambio en
una de las restricciones, el valor óptimo de la función objetivo
a. debe aumentar o permanecer igual para un problema de
maximización.
b. debe disminuir o permanecer igual para un problema
de maximización.
c. debe aumentar o permanecer igual para un problema de
minimización.
d. no puede cambiar.
12. Cuando existen soluciones óptimas múltiples en un problema
de PL, entonces,
a. la función objetivo será paralela a una de las restricciones.
b. una de las restricciones será redundante.
c. dos restricciones serán paralelas.
d. el problema también será no acotado.
13. Si un programa lineal es no acotado, el problema
probablemente no se ha formulado correctamente.
¿Cuál de las siguientes causas sería la más probable?
a. Una restricción fue inadvertidamente omitida.
b. Se agregó una restricción innecesaria al problema.
c. Los coeficientes de la función objetivo son demasiado grandes.
d. Los coeficientes de la función objetivo son demasiado
pequeños.
14. Una solución factible aun problema de PL
a. debe satisfacer todas las restricciones del problema en forma
simultánea.
b. no tendría que satisfacer todas las restricciones, tan sólo
algunas.
c. debe ser un vértice de la región factible.
d. tiene que proporcionar la máxima utilidad posible.
280 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES
Preguntas para análisis y problemas
Preguntas para análisis
7-1 Comente las semejanzas y diferencias entre los proble-
mas de minimización y maximización, utilizando los
métodos de solución gráfica de PL.
7-2 Es importante entender los supuestos subyacentes al uso
de cualquier modelo de análisis cuantitativo. ¿Cuáles son
los supuestos y requisitos para formular y utilizar un mo-
delo de programación lineal?
7-3 Se ha dicho que cada problema de PL que tiene una región
factible posee un número infinito de soluciones. Explique
esa afirmación.
7-4 Usted acaba de formular un problema de PL de maximi-
zación y está preparándose para resolverlo gráficamente.
¿Qué criterios debería considerar al decidir si sería más
fácil resolver el problema por el método de los vértices o
con el enfoque de la recta de isoutilidad?
7-5 ¿En qué condiciones es posible que un problema de PL
tenga más de una solución óptima?
7-6 Desarrolle su propio conjunto de ecuaciones de restricción
y desigualdades y utilícelas para ilustrar gráficamente
cada una de las siguientes condiciones:
(a) un problema no acotado
(b) un problema no factible
(c) un problema que contiene restricciones redundantes
7-7 El gerente de producción de una empresa manufacturera
grande en Cincinnati hizo alguna vez la siguiente decla-
ración: "Me gustaría utilizar la PL, pero es una técnica
que funciona en condiciones de certidumbre. Mi planta no
tiene esa certidumbre; es un mundo de incertidumbre. Así
que la PL no se puede utilizar aquí", ¿Cree usted que esta
afirmación tenga algún mérito? Explique por qué el ge-
rente la pudo haber dicho.
7-8 Las siguientes relaciones matemáticas fueron formuladas
por un analista de investigación de operaciones en la com-
pañía Smith-Lawton Chemical. ¿Cuáles no son válidas
para ser usadas en un problema de PL y por qué?
Maximizar la utilidad = 4X1 + 3X1X2 + 8X2 + 5X3
sujeta a 2X1 + X2 + 2X3 5 50
Xl — 4X2 6 den usar hasta 140 horas de tiempo de perforación. Cada
1.5Xi + 6X2 + 3X3 a• 21
19X2 — 0.35X3 = 17
5X1 + 4X2 + 3V37 3 s 80
— 4- x3 =-• 5
7-9 Comente el papel del análisis de sensibilidad en la PL.
¿En qué circunstancias se necesita, y en qué condiciones
piensa usted que no es necesario?
7-10 Un programa lineal tiene el objetivo de maximizar la utili-
dad = 12X + 8Y. La utilidad máxima es de $8,000. Con el
Nota: S¿ significa que el problema puede resolverse con QM para Windows;
puede resolverse con QM para Windows y/o Excel QM.
uso de una computadora encontramos que el límite supe-
rior para la utilidad en X es 20 y que el límite inferior es 9.
Comente los cambios a la solución óptima (los valores de
las variables y la utilidad) que se producirían si la utilidad
en X se incrementara a $15. ¿Cómo cambiaría la solución
óptima si la utilidad en X se incrementara a $25?
7-11 Un programa lineal tiene una utilidad máxima de $600.
Una restricción en este problema es 4X + 2Y s 80. Con el
uso de una computadora, encontramos que el precio dual
para esta restricción es 3, y que tiene un límite inferior
de 75 y un límite superior de 100. Explique lo que esto
significa.
7-12 Desarrolle su propio problema de PL original con dos res-
tricciones y dos variables reales.
(a) Explique el significado de los números en el lado de-
recho de cada una de sus restricciones.
(b) Explique el significado de los coeficientes tecno-
lógicos.
(c) Resuelva el problema de forma gráfica para encontrar
la solución óptima.
(d) Ilustre gráficamente el efecto de aumentar la tasa de
contribución de su primera variable (X1) en 50% con
respecto al valor que le asignó a la misma en un prin-
cipio. ¿Cambia esto la solución óptima?
7-13 Exp fique cómo un cambio en un coeficiente tecnológi-
co uede afectar la solución óptima de un problema.
¿Có o puede un cambio en la disponibilidad de recursos
afee una solución?
Problemas
Q.
aE 7-14 La Electrocomp Corporation fabrica dos productos eléctri-
cos: aires acondicionados y ventiladores de gran tamaño.
Los procesos de ensamble para cada uno se parecen en que
ambos requieren cierta cantidad de cableado y perforacio-
nes. Cada aparato de aire acondicionado requiere 3 horas
para el cableado y 2 horas para las perforaciones. Cada
ventilador tiene que pasar 2 horas en cableado y 1 hora en
perforación. Durante el siguiente periodo de producción,
hay 240 horas de tiempo de cableado disponibles y se pue-
aparato de aire acondicionado que se vende produce una
utilidad de $25. Cada ventilador ensamblado se puede ven-
der para obtener una utilidad de $15. Formule y resuelva
un problema de PL para esta situación de mezcla de pro-
ducción con la finalidad de encontrar la mejor combina-
ción de aires acondicionados y ventiladores que produce la
mayor utilidad. Utilice el método gráfico de los vértices.
º. 7-15 La erencia de Electrocomp se da cuenta de que olvidó
incl ur dos restricciones fundamentales (vea el problema
7-1 ). En particular, la gerencia decide que debería ha-
ber n número mínimo de aparatos de aire acondicionado
significa que el problema puede resolverse con Excel QM, y ifc significa que el problema

fabricados para cumplir un contrato. También, debido a un
exceso de oferta de ventiladores en el periodo anterior, se
debería colocar un límite al número total de ventiladores
producidos.
(a) Si Electrocomp decide que se deberían producir al
menos 20 equipos de aire acondicionado, pero no más
de 80 ventiladores, ¿cuál sería la solución óptima?
¿Cuánta holgura o excedente habría para cada una de
las cuatro restricciones?
(b) Si Electrocomp decide que se deben producir al me-
nos 30 equipos de aire acondicionado, pero no más
de 50 ventiladores, ¿cuál sería la solución óptima?
¿Cuánta holgura o excedente habría para cada una de
las cuatro restricciones a la solución óptima?
2"
X ' 7-16 Un candidato a alcalde en una pequeña ciudad ha desti-
nado $40,000 a publicidad de última hora en los días ante-
riores a la elección. Se utilizarán dos tipos de anuncios: en
radio y en televisión. Cada anuncio en radio cuesta $200
y alcanza un estimado de 3,000 personas. Cada anuncio
en televisión cuesta $500 y alcanza un estimado de 7,000
personas. En la planeación de la campaña publicitaria, a la
jefa de campaña le gustaría llegar a tantas personas como
sea posible, pero ha estipulado que se deben emplear al
menos 10 anuncios de cada tipo. Además, el número de
anuncios de radio tiene que ser al menos tan grande como
el número de anuncios de televisión. ¿Cuántos anuncios
de cada tipo se deberían utilizar? ¿A cuántas personas lle-
gará esto?
9. 7-17 La Outdoor Furniture Corporation fabrica dos productos,
bancas y mesas para día de campo, para su uso en patios
y parques. La compañía cuenta con dos recursos princi-
pales: sus carpinteros (fuerza de trabajo) y un inventario
de (madera) secuoya para utilizarse en los muebles. Du-
rante el próximo ciclo de producción, hay 1,200 horas de
trabajo disponibles en virtud de un acuerdo con el sin-
dicato. La empresa también cuenta con un inventario de
3,500 pies en tablones de secuoya de buena calidad. Cada
banca que produce Outdoor Furniture requiere 4 horas
de trabajo y 10 pies en tablones de secuoya; cada mesa de
picnic necesita 6 horas de trabajo y 35 pies en tablones
de secuoya. Las bancas terminadas producen una utili-
dad de $9 cada una, y las mesas generan una utilidad de
$20 cada una. ¿Cuántas bancas y mesas debería Outdoor
Furniture producir para obtener la mayor utilidad posible?
Utilice el método gráfico de PL.
Q•• 7-18 El decano de la Universidad Occidental de Negocios debe
ag
planear la oferta de cursos de la escuela para el semestre
de otoño. Las demandas estudiantiles hacen que sea nece-
sario ofrecer al menos 30 de cursos de licenciatura y 20
de posgrado en el semestre. Los contratos del profesorado
también indican que se ofrecerán al menos 60 cursos en
total. Cada curso de licenciatura cuesta a la universidad
un promedio de $2,500 en salarios del profesorado, y cada
curso de posgrado le cuesta $3,000. ¿Cuántos cursos de
licenciatura y posgrado deberían ofrecerse en el otoño,
para que los salarios totales del profesorado se reduzcan al
mínimo?
1: 7-19 MSA Computer Corporation fabrica dos modelos de mi-
3
nicomputadoras, la Alfa 4 y la Beta 5. La firma emplea
PREGUNTAS PARA ANÁLISIS Y PROBLEMAS 281
a cinco técnicos, que trabajan 160 horas mensuales cada
uno, en su línea de montaje. La gerencia insiste en que se
mantendrá el empleo de tiempo completo (es decir, todas
las 160 horas de tiempo) para cada trabajador durante las
operaciones del mes que viene. Se requieren 20 horas de
mano de obra para ensamblar cada computadora Alpha 4
y 25 horas de mano de obra para ensamblar cada modelo
Beta 5. MSA quiere producir al menos 10 Alpha 4 y al
menos 15 Beta 5 durante el periodo de producción. Las
Alpha 4 generan $1,200 de utilidad por unidad, y las Beta
5 generan $1,800 cada una. Determine el número más ren-
table de cada modelo de minicomputadora a producir du-
rante el mes próximo.
x" 7-20 Un ganador de la Lotería de Texas ha decidido invertir
$50,000 al año en el mercado de valores, y está conside-
rando las acciones de una empresa petroquímica y de un
organismo público. Aunque una meta a largo plazo es con-
seguir el máximo rendimiento posible, algunas personas
tienen en cuenta el riesgo involucrado en las acciones. Se
asigna un índice de riesgo en una escala del 1 al 10 (donde
10 es lo más riesgoso) a cada una de las dos acciones. El
riesgo total del portafolios se encuentra multiplicando
el riesgo de cada acción por los dólares invertidos en dicha
acción.
La siguiente tabla muestra un resumen del rendi-
miento y el riesgo:
ACCIÓN RENDIMIENTO ESTIMADO ÍNDICE DE RIESGO
Petroquímica 12% 9
Organismo 6% 4
Al inversionista le gustaría maximizar el rendimiento
sobre la inversión, pero el índice de riesgo promedio de
la inversión no debería ser superior a 6. ¿Cuánto debería
invertir en cada acción? ¿Cuál es el riesgo promedio de
esta inversión? ¿Cuál es el rendimiento estimado para la
inversión?
X' 7-21 Con referencia a la situación del ganador de la Lotería de
Texas en el problema 7-20, suponga que el inversionista
cambió su actitud acerca de la inversión y desea poner ma-
yor énfasis en el riesgo de la inversión. Ahora el inversio-
nista desea minimizar el riesgo de la inversión, siempre
y cuando el rendimiento generado sea al menos de 8%.
Formule esto como un problema de PL y encuentre la so-
lución óptima. ¿Cuánto debería invertir en cada acción?
¿Cuál es el riesgo promedio de esa inversión? ¿Cuál es el
rendimiento estimado para la inversión?
X' 7-22 Resuelva el siguiente problema de PL utilizando el mé-
todo de los vértices. En la solución óptima, calcule la hol-
gura para cada restricción:
Maximizar la utilidad = 4X + 4Y
sujeta a 3X + 5Y 5 150
X — 2Y S 10
5X + 3Y S 150
X, Y a•
282 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES

fa • 7-23 Considere esta formulación de PL: de poda de las ramas. Si los olivos se podan cada dos se-
man s, aumenta la producción. El proceso de poda, sin
Minimizar el costo = SX + 2Y
emb go, requiere una cantidad de mano de obra consi-
sujetoa X + 3Y a• 90 dera lemente mayor que dejar a los olivos crecer por su
8X + 2Y a• 160 cue lo cual resulta en aceitunas de menor tamaño. Sin
3X + 2Y 120 emb go, también permite que los olivos tengan un menor
espaciado entre sí. El rendimiento de 1 barril de aceitunas
Y 5- 70 por la poda requiere 5 horas de mano de obra y 1 acre
X, Y? O de tierra. La producción de un barril de aceitunas por el
proceso normal requiere tan sólo 2 horas de mano de obra,
Ilustre gráficamente la región factible y aplique el pro-
pero requiere 2 acres de tierra. Un oleicultor tiene 250 ho-
cedimiento de la recta de isocosto, para indicar qué vér-
ras de mano de obra disponibles y un total de 150 acres
tice produce la solución óptima. ¿Cuál es el costo de esa
para el cultivo. Debido a la diferencia en el tamaño de las
solución? aceitunas, el barril de aceitunas producidas en los árbo-
jt: 7-24 La firma de corretaje Blank, Leibowitz & Weinberger ha les podados se vende por $20, mientras que el barril de
analizado y recomendado dos acciones al club de profe- aceitunas regulares tiene un precio en el mercado de $30.
sores inversionistas de la universidad. Los profesores es- El productor ha determinado que debido a la demanda in-
taban interesados en factores como el crecimiento a corto cierta, no debería producir más de 40 barriles de aceitunas
plazo, el crecimiento intermedio y las tasas de dividendos. de árboles podados. Utilice PL gráfica para encontrar
Estos datos son los siguientes para cada acción:
(a) la máxima utilidad posible.
ACCIÓN ($) (b) la mejor combinación de barriles de aceitunas de
árboles podados y regulares.
LOUISIANA GAS COMPAÑÍA TRIMEX (c) el número de acres que el oleicultor debería dedicar
FACTOR AND POWER INSULATION a cada proceso de cultivo.
- 7-27 Considere las siguientes cuatro formulaciones de PL. Con
Crecimiento poten- 0.36 0.24 X*
cial a corto plazo, base en un enfoque gráfico, determine
por dólar invertido (a) ué formulación tiene más de una solución óptima.
Crecimiento po- 1.67 1.50 (b) ué formulación es no acotada.
tencial intermedio (c) ué formulación no tiene solución factible.
(en los próximos (d) ué formulación es correcta como está.
tres años), por dólar Formulación Formulación 3
invertido
Maximizar 10X1 + 10X2 Maximizar 3X1 + 2X2
Tasa potencial de 4% 8%
sujeto a 2X1 5- 10 sujetoa X1 + X2 ? 5
dividendos
2X1 + 4X2 16 2
Cada miembro del club tiene una meta de inversión de 4X2 .15- 8 2X2 ?8
1. una apreciación de no menos de $720 en el corto plazo;
2. una apreciación de por lo menos $5,000 en los próximos X1 =6
tres años, y 3. un ingreso de dividendos de al menos $200 Formulación 2 Formulación 4
al año. ¿Cuál es la inversión más pequeña que un profesor
Maximizar X1 + 2X2 Maximizar 3X1 + 3X2
puede hacer para cumplir con estos tres objetivos?
1: 7-25
3 Woofer Pet Foods produce un alimento bajo en calorías sujeto a X 5 1 sujeto a 4X1 + 6X2 5 48
para perros con sobrepeso. Este producto está hecho a par- 2X2 5 2 4X1 + 2X2 12
tir de productos de carne de res y granos. Cada libra de
carne cuesta $0.90, y cada libra de grano cuesta $0.60.
+ 2,X2 5 2 3,12 -3
2X1 2
Una libra del alimento para perros debe contener al me-
nos 9 unidades de vitamina I y 10 unidades de vitamina
/1- 7-28 Gra fique el siguiente problema de PL e indique el punto
2. Una libra de carne de res contiene 10 unidades de vi- de 1 solución óptima:
tamina 1 y 12 unidades de vitamina 2. Una libra de grano
contiene 6 unidades de vitamina 1 y 9 unidades de vita- Maximizar la utilidad = $3X + $2Y
mina 2. Formule esto como un problema de PL para mini- sujeta a 2X + Y < 150
mizar el costo del alimento para perros. ¿Cuántas libras de
2X + 3Y 300
carne de res y de grano se deberían incluir en cada libra
de alimento para perros? ¿Cuál es el costo y el contenido de (a) Cambia la solución óptima si la utilidad por unidad
vitamina del producto final? de X cambia a $4.50?
1: 7-26 El rendimiento estacional de aceitunas en un viñedo de
3 (b) ¿Qué pasaría si la función de utilidad debería haber
Pireo, Grecia, está fuertemente influido por un proceso sido $3X + $3Y?

I. 7-29 Analice gráficamente el siguiente problema:
Maximizar la utilidad = $4X + $6Y
sujeta a X + 2Y S 8 horas
6X + 4Y S 24 horas
(a) ¿Cuál es la solución óptima?
(b) Si la primera restricción se convierte en X + 3Y s- 8,
¿cambian la región factible ola solución óptima?
7-30 Examine la formulación de PL en el problema 7-29. La
34* 7-34 La salida de computadora en la página siguiente es un pro-
segunda restricción del problema se lee
6X + 4Y S 24 horas (tiempo disponible en la máquina 2)
Si la empresa decide que puede haber 36 horas disponi-
bles de tiempo en la máquina 2 (es decir, un aumento de
12 horas) a un costo adicional de $10, ¿deberían agregarse
las horas?
2: 7-31 Considere el siguiente problema de PL:
Maximizar la utilidad = 5X + 6V
sujeta a 2X + Y s 120
2X + 3Y s 240
X, Y O
(a) ¿Cuál es la solución óptima para este problema? Re-
suélvalo gráficamente.
(b) Si ocurrió un gran avance técnico que elevó la
utilidad por unidad de X a $8, ¿afectaría esto a
la solución óptima?
(c) En vez de un aumento en el coeficiente de utilidad X
a $8, suponga que la utilidad se había sobrestimado y
sólo debería haber sido de $3. ¿Cambia esto la solu-
ción óptima?
ac
Q: 7-32 Considere la formulación de PL dada en el problema 7-31.
Si la segunda restricción se cambia de 2X + 3Y s 240 a
2X + 4Y s 240, ¿qué efecto tendrá esto en la solución
óptima?
al: 7-33 La salida de computadora que se muestra a continuación
es para el problema 7-31. Úsela para responder las si-
guientes preguntas.
PREGUNTAS PARA ANÁLISIS Y PROBLEMAS 283
(a) ¿Cuánto podría aumentar o disminuir la utilidad en
X sin cambiar los valores de X y Y en la solución
óptima?
(b) Si-el lado derecho de la restricción 1 se incrementara
en 1 unidad, ¿cuánto aumentaría la utilidad?
(c) Si el lado derecho de la restricción 1 se incremen-
tara en 10 unidades, ¿cuál sería el aumento de la
utilidad?
blema de mezcla de productos donde hay dos productos y
tres restricciones de recursos. Utilice la salida para ayu-
darse a responder las siguientes preguntas. En cada caso,
suponga que usted desea maximizar la utilidad.
(a) ¿Cuántas unidades del producto 1 y del producto 2
deberían producirse?
(b) ¿Cuánto de cada uno de los tres recursos se está uti-
lizando? ¿Cuánta holgura hay para cada restricción?
¿Cuáles de las restricciones son vinculantes y cuáles
no vinculantes?
(c) ¿Cuáles son los precios duales para cada recurso?
(d) Si se pudiera obtener más de uno de los recursos,
¿cuál debería ser éste? ¿Cuánto se debería estar dis-
puesto a pagar por él?
¿Qué le pasaría a la utilidad si, con los resultados ori-
(e)
ginales, la gerencia decidiera producir una unidad más
de producto 2?
7-35 Resuelva gráficamente el siguiente problema:
Maximizar la utilidad = 8X1 + 5X2
sujeta a XI + X2 5- 10
Xt 6
XI, X2 O
(a) ¿Cuál es la solución óptima?
(b) Cambie el lado derecho de la restricción 1 a 11 (en
vez de 10) y resuelva el problema. ¿Cuánto aumentó
la utilidad como resultado de esto?

Probiem 33 Solution
X Y RHS Dual

Maximize 5 6
const 1 2 1 <= 120 0.75
const 2 2 3 240 1.75
Solution-> 30 60 510

410 Rangun 23_,

Problem 33 Solution
Vanable Value Reduced Cost Original Val Lower Bound Upper Bound
X 30 0 5 4 12
Y 60 0 6 2.5 7.5
Constrát Dual Value Slack/Surplus Original Val Lower Bound Upper Bound
const 1 0.75 0 120 80 240
const 2 1.75 0 240 120 360
284 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES

Linear Programming Re-sults

Problem 34 Solution
X1 X2 RHS Dual

Lkocinize 50 20
Constrabt 1 1 2 c--= 45 0
Constraint 2 3 3 <= 87 0
Constraint 3 2 1 50 25
Solution-> 25 0 1,250

-~1111
,.. 11101.1w

Problem 34 Solution
Variable Value Reduced Cosí Original Val Lower Bound Upper Bound
X1 25 0 50 40 Infinity
X2 0 5 20 -Infinity 25
Constraint Dual Value Stack/Surplus Original Val Lamer Bound Upper Bound
Constraint 1 0 20 45 25 Infinky
Constraint 2 0 12 87 75 Infiruly
Constraint 3 25 0 50 0 58

-17: Linear Programming Results

Problem 35 Solution
X1 X2 RHS Dual

Maximize 8 5
Constraint 1 1 10 5
Constraint 2 1 o 6 3
Solution-> 6 4 68

4> Ranging L'='_iLá Ji -b- .

Problem 35 Solution
Variable Vaiue Reduced Original Val Lower Bound Upper Bound
X1 6 0 8 5 Iránity
X2 4 0 5 0 8
Constraint Dual Value Slacic/Surplus Original Val Lime! Bound Upper Bound
Constraint 1 5 0 10 6 Infinity
Constrait 2 3 0 6 0 10

(c) Cambie el lado derecho de la restricción 1 a 6 (en vez .75*: 7-36 Ser!ndipity*
de 10) y resuelva el problema. ¿Cuánto disminuyó la Losltres príncipes de Serendip
utilidad como resultado de esto? En cuanto a la gráfi- Hicieron un pequeño viaje.
ca, ¿qué pasaría si el valor del lado derecho estuviera
No podían llevar mucho peso;
por debajo de 6?
Más de 300 libras los hicieron dudar.
(d) Cambie el valor del lado derecho de la restricción 1 a
5 (en vez de 10) y resuelva el problema. ¿Cuánto dis- Planearon llevar pequeñas cantidades. Cuando regresaron
minuyó la utilidad con respecto a la utilidad original a Ceilán
como resultado de esto? Descubrieron que sus suministros estaban a punto de
(e) Con base en los resultados de la computadora en esta pacer
página, ¿cuál es el precio dual de la restricción 1? do, qué alegría, el príncipe William se encontró
¿Cuál es el limite inferior en ésta? Un pila de cocos en el suelo.
(fl ¿Qué conclusiones puede usted obtener de esto con
"C da uno nos aportará 60 rupias", dijo el príncipe
respecto a los límites de los valores del lado derecho y
Ric ard con una sonrisa
del precio dual?

• La palabra serendipity fue acuñada por el escritor inglés Horace Walpole en relación con un cuento de liad titulado Los tres príncipes de Serendip. La fuente del problema
 PREGUNTAS PARA ANÁLISIS Y PROBLEMAS 285

Cuando casi tropezó con una piel de león.
"¡Cuidado!", exclamó el príncipe Robert con júbilo
Cuando divisó algunas pieles de león más bajo un árbol.
"Éstas valen aún más: 300 rupias cada una
Si las podemos llevar todas a la playa".
Cada piel pesaba 15 libras y cada coco, 5,
Pero cargaron todo y lo hicieron con ánimo.
El barco de regreso a la isla era muy pequeño
15 pies cúbicos de capacidad para el equipaje: eso era
todo.
Cada piel de león ocupaba un pie cúbico
Mientras que ocho cocos ocupaban el mismo espacio.
Con todo guardado se hicieron a la mar
Y en el trayecto calcularon cuál podría ser su nueva
riqueza.
"¡Eureka!", Exclamó el príncipe Robert, "Nuestra riqueza
es tan grande
Que no hay otra manera de que pudiéramos volver en este
estado.
Cualesquiera otras pieles o cocos que podríamos haber
traído
Ahora nos haría ser más pobres. Y ahora lo sé:
Le escribiré a mi amigo Horacio en Inglaterra, pues sin
duda
Sólo él puede apreciar nuestro serendipity."
Formule y resuelva Serendipity mediante PL gráfica para
calcular "cuál podría ser su nueva riqueza".
7-37 Inversiones Bhavika, un grupo de asesores financieros
y planeadores de la jubilación, ha recibido una solicitud
de asesoría sobre cómo invertir $200,000. El cliente ha
estipulado que el dinero debe colocarse en un fondo de
acciones o bien en un fondo del mercado de dinero, y el
rendimiento anual debería ser al menos de $14,000. Tam-
bién se han especificado otras condiciones relacionadas
con el riesgo, y se desarrolló el siguiente programa lineal
para ayudar con esta decisión de inversión:
Minimizar riesgo = 12S + 5M
sujeto a
S + M = 200,000 la inversión total
es de $200,000
0.105 + 0.05M -›-» 14,000 el rendimiento debe ser
al menos de $14,000
M a. 40,000 al menos $40,000 deben
colocarse en el fondo
S, M O del mercado de dinero
donde
S = dólares invertidos en el fondo de acciones
M = dólares invertidos en el fondo del mercado de dinero
A continuación se muestra la salida de QM para Windows.
(a) ¿Cuánto dinero debería invertirse en el fondo del
mercado de dinero y cuánto en el fondo de acciones?
¿Cuál es el riesgo total?
(b) ¿Cuál es el rendimiento total? ¿Qué tasa de retorno
representa?
(c) ¿Cambiaría la solución si la medida de riesgo para
cada dólar en el fondo de acciones fuera de 14 en
vez de 12?
(d) Por cada dólar adicional que esté disponible, ¿cuánto
cambia el riesgo?
(e) ¿Cambiaría la solución si la cantidad que debe inver-
tirse en el fondo del mercado de dinero cambiara de
$40,000 a $50,000?
2: 7-38 Considere de nuevo la situación de Inversiones Bhavika
(problema 7-37). Se ha decidido que, en vez de minimizar
el riesgo, el objetivo debería ser maximizar el rendimiento,
al tiempo que se pone una restricción a la cantidad de
riesgo. El riesgo promedio no debe ser mayor que 11 (con

neu Progr
Problem 37 Solution
S M RHS Dual

Ránirnize 12 5
Constraint 1 1 1 = 200,000 2
Constraint 2 0.1 0.05 >= 14,000 -140
Constraint 3 0 1 >= 40.000 0
Solution-> 80.000 120.000.0 1,560.000

RangIng
Problem 37 Solution
Vanable Value Reduced Cost Original Val Lower Bound Upper Bound
S 80,000 0 12 5 kánity
M 120,000.0 0 5 -kánity 12
Constraint Dual Value Siack/Surplus Original Val Lower Bound Upper Sound
Constraint 1 2 0 200,000 160,000 280,000
Constraint 2 -140 0 14,000 10,000 18,000
Constraint 3 0 80,000.01 40,000 -kihnity 120,000.0
286 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES

2 ji--
,. ___Cidigiég
Zr. !mear Programming Results .
Problem 38 Solution
M R 1S Dual

Maximize 0.1 0.05

Constraint 1 1 1 200,000 0.1
Constraint 2 12 5 <= 2,200,000 0
Constraint 3 0 1 >= 40,000 -0.05
Solution-> 160.000 40,000 18.000

.......... , . :
I r o*
4> Ranging
Problem 38 Solution
Variable Value Reduced Cost Original Val Lower Bound Upper Bound
S 160.000 0 0.1 0.05 Infinity
M 40.000 0 0.05 4rtfinity 0.1
Constraint Dual Value Slack/Surpfirs Original Val Lower Bound Upper Bound
Constraint 1 0.1 0 200.000 40,000 206,666.7
Constraint 2 0 80,000 2,200,000 2,121000 Infinity
Constraint 3 -0.05 0 40,000 28.571.43 200.000

un riesgo total de 2,200,000 para los $200,000 invertidos).
El programa lineal fue reformulado y la salida de QM de
Windows se muestra arriba.
(a) ¿Cuánto dinero debería invertirse en el fondo del mer-
cado de dinero y en el fondo de acciones? ¿Cuál es
el rendimiento total? ¿Qué tasa de rendimiento repre-
senta esto?
(b) ¿Cuál es el riesgo total? ¿Cuál es el riesgo promedio?
(c) ¿Cambiaría solución si el rendimiento de cada dólar
en el fondo de acciones fuera 0.09 en vez de 0.10?
(d) Por cada dólar adicional que esté disponible, ¿cuál es
la tasa de rendimiento marginal?
(e) ¿Cuánto cambiaría el rendimiento total si la cantidad
que debe invertirse en el fondo del mercado de dinero
cambiara de $40,000 a $50,000?
ac •
Los problemas 7-39 a 7-44 prueban su capacidad
para formular problemas de PL que tienen más de dos va-
riables. No se pueden resolver gráficamente. pero le darán
la oportunidad de formular un problema más grande.
7-39 El rancho Feed 'N Ship engorda ganado para los granjeros
X• locales y lo envía a los mercados de carne en Kansas City
y Omaha. Los propietarios del rancho tratan de determinar
las cantidades de alimento para ganado que deben com-
prar, de modo que se cumplan los estándares nutriciona-
les mínimos y que, al mismo tiempo, se minimicen los
costos totales de alimentación. La mezcla de alimento
puede estar compuesta por tres granos que contienen los
PRODUCTO CABLEADO DRADO MONTAJE CIÓN
siguientes ingredientes por libra de alimento:
X.1201
ALIMENTO (OZ) X14897
El costo por libra de los granos X, Y y Z son $2, $4 y
$2.50, respectivamente. El requisito mínimo por vaca por
mes es de 4 libras del ingrediente A, 5 libras del ingre-
diente B, 1 libra del ingrediente C y 8 libras del in-
grediente D.
El rancho se enfrenta a una restricción adicional: sólo
puede obtener 500 libras del grano Z por mes de su pro-
veedor, independientemente de lo que necesite. Debido
a que, por lo general, hay 100 vacas en el rancho en un
momento dado, esto significa que no se puede contar con
más de 5 libras de la mezcla Z por mes para su uso en la
alimentación de cada vaca.
(a) Formule esto como un problema de PL.
(b) Resuelva usando software de PL.
7-40 La Weinberger Electronics Corporation fabrica cuatro
productos de alta tecnología que suministra a empresas
aeroespaciales que tienen contratos con la NASA. Cada
uno de los productos debe pasar por los siguientes de-
partamentos antes de ser enviados: cableado, taladrado,
montaje e inspección. En la siguiente tabla, se resumen el
req4isito de tiempo en horas para cada unidad producida y
el valor de la utilidad correspondiente:
DEPARTAMENTO
UTILIDAD
INSPEC- UNITARIA
TALA-
($)
0.5 0.3 0.2 0.5 9
1.5 4 1 12

INGREDIENTE MEZCLA X MEZCLA Y MEZCLA Z TR29 1.5 2 1 0.5 15

A 3 2 4 BR788 1 3 2 0.5 11
2 3 1
La producción disponible en cada departamento cada mes,
1 0 2
y el requisito de producción mensual mínimo para cumplir
6 8 4 con los contratos, son los siguientes:
 PREGUNTAS PARA ANÁLISIS Y PROBLEMAS 287

•CAPACIDAD NIVEL MÍNIMO X* 7-43 Modem Corporation of America (MCA) es el mayor

DEPARTAMENTO (HORAS) PRODUCTO DE PRODUCCIÓN productor mundial de dispositivos de comunicación con
módems para microcomputadoras. MCA vendió 9,000
Cableado 15,000 XJ201 150 unidades del modelo regular y 10,400 unidades del mo-
Taladrado delo inteligente este mes de septiembre. Su estado de re-
17,000 XM897 100
sultados del mes se muestra en la tabla para el problema
Montaje 26,000 TR29 300 7-43. Los costos presentados son típicos de los meses an-
teriores y se espera que permanezcan en los mismos nive-
Inspección 12,000 BR788 400 les en un futuro próximo.
El gerente de produceón tiene la responsabilidad de espe- La empresa se enfrenta a varias restricciones, mien-
cificar los niveles de producción de cada producto para el tras prepara su plan de producción de noviembre. En pri-
próximo mes. Ayúdale mediante la formulación (es decir, mer lugar, ha experimentado una enorme demanda y ha
el establecimiento de las restricciones y la función obje- sido incapaz de mantener algún inventario significativo en
tivo) del problema de Weinberger utilizando PL. existencia. No se espera que esta situación cambie. En se-
gundo lugar, la empresa se encuentra en un pequeño pueblo
X!. 7-41 Outdoor Inn, un fabricante de equipo de campamento al de Iowa donde la mano de obra adicional no está disponi-
sur de Utah, está desarrollando un programa de produc- ble fácilmente. Sin embargo, los trabajadores pueden cam-
ción de un tipo popular de tienda de campaña, la Doble biarse de la producción de un módem a otro. Para producir
Inn. Se han recibido pedidos por 180 de ellas, que se en- los 9,000 módems regulares en septiembre requiere 5,000
tregarán a finales de este mes, 220 que se entregarán al horas de mano de obra directa. Los 10,400 módems inte-
final del próximo mes y 240 que se entregarán al final del ligentes necesitan 10,400 horas de mano de obra directa.
mes que le sigue. Esta tienda de campaña se puede fabri- En tercer lugar, MCA está experimentando un pro-
car a un costo de $120, y el número máximo de tiendas
blema que afecta al modelo de los módems inteligentes.
que puede producirse en un mes es 230. La empresa puede
Su proveedor de componentes es capaz de garantizar sólo
producir algunas tiendas adicionales en un mes y mante- 8,000 microprocesado'res para ser entregados en noviem-
nerlas en almacenamiento hasta el próximo mes. El costo bre. Cada módem inteligente requiere uno de estos mi-
de mantenerlas en inventario durante 1 mes se estima en croprocesadores hechos a la medida. No hay proveedores
$6 por cada tienda que queda al final del mes. Formule alternativos disponibles a corto plazo.
esto como un problema de programación lineal para mi-
nimizar el costo, al tiempo que se satisface la demanda TABLA PARA EL PROBLEMA 7-43
sin exceder la capacidad de producción mensual. Resuelva Estado de resultados mensual para MCA al 30 de septiembre
usando cualquier software. (Sugerencia: Defina las varia-
bles para representar el número de tiendas de campaña MÓDEMS MÓDEMS
que quedan al final de cada mes). REGULARES INTELIGENTES
24.
2.; 7-42 Outdoors hin (vea el problema 7-41) expandió sus opera- Ventas $450,000 $640,000
ciones de fabricación de tiendas de campaña más adelante Menos: Descuentos 10,000 15,000
en el año. Sin dejar de hacer la carpa Double Inn, tam-
Devoluciones 12,000 9,500
bién está haciendo una carpa más grande, la Family Rolls,
que tiene cuatro habitaciones. La empresa puede producir Reemplazos por garantía 4,000 2,500
hasta un total de 280 tiendas de campaña al mes. La si- Ventas netas $424,000 $613,000
guiente tabla proporciona la demanda que se debe satisfa- Costos de venta
cer y los costos de producción para los próximos 3 meses.
Mano de obra directa 60,000 76,800
Tenga en cuenta que los costos aumentarán en el mes 2.
El costo de almacenamiento por mantener una tienda de Mano de obra indirecta 9,000 11,520
campaña en inventario al final del mes, para su uso el Costó de materiales 90,000 128,000
próximo mes, se estima en $6 por tienda para la Double Depreciación 40,000 50,800
Inn y $8 para la Family Rolls. Desarrolle un programa li- Costo de ventas $199,000 $267,120
neal para minimizar el costo total. Resuelva usando cual-
quier software. Utilidad bruta $225,000 $345,880
Gastos comerciales y generales
DEMANDA COSTO POR DEMANDA COSTO POR Gastos generales-variables 30,000 35,000
DE LA PRODUCIR DE LA PRODUCIR Gastos generales-fijos 36,000 40,000
DOUBLE LA DOUBLE FAMILY LA FAMILY Publicidad 28,000 25,000
MES INN INN ROLLS ROLLS Comisiones de ventas 31,000 60,000
1 185 $120 60 $150 Costo de operación total $125,000 $160,000
2 205 $130 70 $160 Ingreso antes de impuestos $100,000 $185,880
Impuesto sobre la renta (25%) 25,000 46,470
3 225 $130 65 $160
Ingreso neto $ 75,000 $139,410
288 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS
MCA quiere planear la combinación óptima de los
dos modelos de módem a producir en noviembre, para
maximizar las utilidades de MCA.
(a) Formule, utilizando los datos de septiembre, el pro-
blema de MCA como un programa lineal.
(b) Resuelva el problema de forma gráfica.
(c) Comente las implicaciones de su solución reco-
mendada.
7-44 En conjunto con químicos del Virginia Tech y la George
Washington University, el contratista paisajista Kenneth
Golding mezcla su propio fertilizante, llamado "Gol-
ding-Grow", que consta de cuatro compuestos químicos,
C-30, C-92, D-21 y E-11. A continuación, se indica el
costo por libra de cada compuesto:
COMPUESTO QUÍMICO COSTO POR LIBRA ($)
C-30 0.12
C-92 0.09
D-21 0.11
E-11 0.04
Las especificaciones para Golding-Grow son las siguien-
tes: 1. E-11 debe constituir al menos 15% de la mezcla;
2. C-92 y C-30 en conjunto deben representar al menos
45% de la mezcla; 3. D-21 y C-92 no pueden constituir
juntos más de 30% de la mezcla, y 4. Golding-Grow se
empaqueta y se vende en bolsas de 50 libras.
(a) Formule un problema de PL para determinar qué
mezcla de los cuatro productos químicos permitirá a
Estudio de caso
Trabajo en Mexicana Wire
Ron García se sentía bien en su primera semana como practicante en
la gerencia Mexicana Wire Winding, Inc. Aún no había desarrollado
ningún conocimiento técnico sobre el proceso de manufactura, pero
había recorrido toda la planta, ubicada en los suburbios de la Ciudad
de México, y había conocido a muchas personas en diversas áreas de
la operación.
Mexicana, filial de Westover Wire Works, una empresa de Texas,
es un productor de tamaño medio de bobinas de alambre utilizadas en
la fabricación de transformadores eléctricos. José Arroyo, el gerente
de control de producción, describió el embobinado a García como un
diseño estandarizado. El recorrido de García por la planta, distribuida
de acuerdo con el tipo de proceso (vea la figura 7.20), siguió la se-
cuencia de fabricación de las bobinas: trefilado, extrusión, embobi-
nado, inspección y embalaje. Después de la inspección, los productos
GRÁFICOS Y COMPUTACIONALES
olding minimizar el costo de una bolsa de 50 lb de
rtilizante.
(b) esuelva usando una computadora para encontrar la
ejor solución.
2: 7-45 Rap r Fuels produce tres grados de gasolina: regular, pre-
34.
mium y súper. Todas se producen mediante la mezcla de
dos tipos de petróleo crudo (A y B). Los dos tipos con-
tienen ingredientes específicos que ayudan a determinar
el octanaje de la gasolina. Los ingredientes y los costos
importantes se muestran en la siguiente tabla:
CRUDO A CRUDO B
Costo por galón $0.42 $0.47
Ingrediente 1 40% 52%
Otros ingredientes 60% 48%
Con la finalidad de alcanzar los octanajes deseados, por
lo menos 41% de la gasolina regular debería ser del in-
grediente 1; al menos 44% de la gasolina premium debe
ser del ingrediente 1, y al menos 48% de la gasolina sú-
per debe ser del ingrediente 1. Debido a los compromisos
contractuales actuales, Raptor Fuels tiene que producir
al menos 20,000 galones de gasolina regular, al menos
15,000 galones de premium y al menos 10,000 galones de
súper. Formule un programa lineal que pueda usarse para
determinar la cantidad de crudo A y crudo B que debería
em learse en cada una de las gasolinas para satisfacer las
de andas a costo mínimo. ¿Cuál es este costo mínimo?
¿C to crudo A y crudo B se utiliza en cada galón de los
dif entes tipos de gasolina?
aprobados se paquetan y se envían al almacén de producto termi-
nado; los prodiictos defectuosos se almacenan por separado hasta que
puedan reutilizarse.
El 8 de mIrzo, Vivian España, gerente general de Mexicana, pasó
por la oficina e García y le pidió que asistiera a una reunión de per-
sonal a la 1:00P.M.
"Vamos empezar con nuestro asunto", dijo Vivian, al abrir
la reunión. " a todos conocen a Ron García, nuestro nuevo ge-
rente en capa itación. Ron estudió investigación de operaciones
en su progra a de MBA en el sur de California, así que creo que
es competente para ayudarnos con un problema que hemos estado
discutiendo durante mucho tiempo sin resolución. Estoy segura de
que todos ust des, el personal de la empresa, dará a Ron su plena
cooperación".
 ESTUDIO DE CASO 289

FIGURA 7.20
Mexicana Wire Winding, Almacén de
Oficina Trefilado producto terminado
Inc.

Departamento de
Extrusión reprocesamiento

Embobinado
Recepción y
almacenamiento
de materias primas Embalaje Almacén de
producto
rechazado
Inspección

Vivian se volvió hacia José Arroyo, gerente de producción.

"José, ¿por qué no describes el problema que estamos enfrentando?" Datos de la operación seleccionados
"Bueno", dijo José, "el negocio está muy bien en este momento. Producción promedio por mes = 2,400 unidades
Vamos a recibir más pedidos de los que podemos cumplir. Tendremos
Utilización promedio de máquina = 63%
equipo nuevo en línea dentro de los próximos meses, lo cual resolverá
nuestros problemas de capacidad, pero eso no nos ayudará en abril. Porcentaje promedio de producción enviada al departamento
He localizado a algunos empleados jubilados que solían trabajar en de reprocesamiento = 5% (mayormente del departamento de
el departamento de trefilado, y estoy pensando en emplearlos tempo- embobinado)
ralmente en abril para aumentar la capacidad. Debido a que estamos Número promedio de unidades rechazadas en espera de reprocesa-
planeando refinanciar parte de nuestra deuda a largo plazo, Vivian miento = 850 (mayormente del departamento de embobinado)
quiere que nuestras utilidades se vean lo mejor posible en abril. Estoy
teniendo dificultades para averiguar cuáles pedidos ejecutar y cuáles Capacidad de la planta (horas)
poner en espera para hacer que nuestro estado de resultados se vea tan
bien como sea posible. ¿Puedes ayudarme con esto?" TREFILADO EXTRISIÓN EMBOBINADO
García se sorprendió y se preocupó al recibir una misión tan im-
4,000 4,200 2,000 2,300
portante y de alto perfil tan pronto en su carrera. Recuperándose rá-
pidamente, dijo: "Dame los datos y déjame trabajar con ellos uno o Nota: La capacidad de inspección no es un problema; podemos trabajar tiempo
dos días". extra cuando sea necesario para ajustamos a cualquier horario.
Pedidos de abril
Costo de la mano de obra (horas/unidad 1
Producto W0075C 1,400 unidades
PRODUCTO TREFILA DO EXTRUSIÓN EM BOB NADO E M BA I, AJ E
Producto W0033C 250 unidades - _
Producto W0005X 1,510 unidades W0075C 1.0 1.0 1.0 1.0
Producto W0007X 1,116 unidades W0033C 2.0 1.0 3.0 0.0
Nota: Vivian España ha dado su palabra a un cliente importante W0005X 0.0 4.0 0.0 3.0
de que fabricaremos para é1600 unidades del producto W0007X W0007X 1.0 1.0 0.0 2.0
y 150 unidades del producto W0075C durante abril

Costo estándar
Preguntas para análisis
MANO PRECIO 1. ¿Qué recomendaciones debería hacer Ron García y con qué jus-
DE COSTO DE tificación? Proporcione un análisis detallado con gráficas, dia-
PRODUCTO MATERIAL OBRA GENERAL VENTA gramas e impresiones de computadora.
W0075C $33.00 $ 9.90 $23.10 S100.00 2. Analice la posible necesidad de trabajadores temporales en el
departamento de trefilado.
W0033C 25.00 7.50 17.50 80.00 3. Analice la distribución de planta.
W0005X 35.00 10.50 24.50 130.00
Puente: Profesor Victor E. Sower, Sam Houston State University. Este material se
W0007X 75.00 11.25 63.75 175.00 basa en una situación real. Los nombres y datos fueron alterados para conservar su
confidencialidad.
290 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES
Estudio de caso en Internet
Visite nuestra página en Internet, ww».pearsonenespañol.com/rendcri y consulte este estudio de caso
adicional: Agri Chem Corporation. Se refiere a la respuesta que da unk empresa a una escasez de
energía.
Bibliografía
Bassamboo, Achal, J. Michael Harrison y Assaf Zeevi. "Design and Control of
a Large Call Center: Asymptotic Analysis of an LP-Based Method",
Operations Research 54, 3 (mayo-junio de 2006): 419-435.
Behjat, Laleh, Anthony Vannelli y William Rosehart. "Integer Linear Programming
Model for Global Routing", INFORMS Journal on Computing 18, 2 (prima-
vera de 2006): 137-150.
Bixby, Robert E. "Solving Real-World Linear Programs: A Decade and More of
Progress", Operations Research 50, 1 (enero-febrero de 2002): 3-15.
Bodington, C. E y T. E. Baker. "A History of Mathematical Programming in the
Petroleum Industry", Interfaces 20, 4 (julio-agosto de 1990): 117-132.
Boros, E., L. Fedzhora, P. B. Kantor, K. Saeger y P. Stroud. "A Large-Scale Linear
Programming Model For Finding Optimal Container Inspection Strategies",
Naval Research Logistics 56, 5 (agosto de 2009): 404-420.
Chakravarti, N. "Tea Company Steeped in OR", OR/MS Today 27, 2 (abril de 2000):
32-34.
Ching, Wai-Ki, Wai-On Yuen, Michael K. Ng y Shu-Qin Zhang. "A Linear
Programming Approach for Determining Optimal Advertising Policy",
IMA Journal of Management Mathematics 17, 1 (2006): 83-96.
Dantzig, George B. "Linear Programming Under Uncertainty", Management
Science 50, 12 (diciembre de 2004): 1764-1769.
Degbotse, Alfred, Brian T. Denton, Kenneth Fordyce, R. John Milne, Robert Orzell
y Chi-Taz Wang. "IBM Blends Heuristics and Optimization to Plan Its Semi-
conductor Supply Chain", Interfaces 43 (marzo/abril de 2013): 130-141.
Gass, Saul L "The First Linear-Programming Shoppe", Operations Research 50,1
(enero-febrero de 2002): 61-68.
Greenberg, H. J. "How to Analyze the Results of Linear Programs—Part 1: Preli-
minaries", Interfaces 23, 4 (julio-agosto de 1993): 56-68.
Greenberg, H. J. "How to Analyze the Results of Linear Programs—Pan 3:
Infeasibility Diagnosis", Interfaces 23, 6 (noviembre-diciembre de 1993):
120-139.
Hafizoglu, A. B. y M. Azizoglu. "Linear Programming Based Approaches for the
Discrete Time/Cost Trade-off Problem in Project Networks", Journal of
the Operational Research Society 61 (abril de 2010): 676-685.
Higle, Julia L y Stein W. Wallace. "Sensitivity Analysis and Uncertainty in Linear
Programming", Interfaces 33, 4 (julio-agosto de 2003): 53-60.
Marszalkowski, Jakub y Drozdowski Maciej. "Optimization of Column Width in
Website Layout for Advertisement Fit", European Journal of Operational
Research 226, 3 (mayo de 2013): 592-601.
Murphy, Frederic H. "ASP, the Art and Science of Practice: Elements of a Theory
of the Practice of Operations Research: Expertise in Practice", Interfaces 35,
4 (julio-agosto de 2005): 313-322.
Orden, A. "LP from the `40s to the `90s", Interfaces 23, 5 (septiembre-octubre
de 1993): 2-12.
Pazour, Jennifer A. y Lucas C. Neubert. "Routing and Scheduling of Cross-Town
Drayage Operations at J.B. Hunt Transpon", Interfaces 43, (marzo/abril de
2013): 117- 29.
Romeijn, H. Ed n, Ravindra K. Ahuja, James F. Dempsey y Arvind Kumar.
"A New Li Programming Approach to Radiation Therapy Treatment
Planning Próblems", Operations Research 54, 2 (marzo-abril de 2006):
201-216.
Rubin, D. S. y H. M. Wagner. "Shadow Prices: 'lbs and Traps for Managers and
Instructors", Interfaces 20, 4 (julio-agosto de 1990): 150-157.
Wendell, Richard E. "Tolerance Sensitivity and Optimality Bounds in Linear
Programming", Management Science 50, 6 (junio de 2004): 797-803.
 Aplicaciones de
programación lineal

OBJETIVOS DE APRENDIZAJE

Después de estudiar este capítulo, el alumno será capaz de:

1. Modelar una amplia variedad de problemas de PL 3. Adquirir experiencia en la solución de problemas

medianos y grandes. de PL con el software Solver de Excel.
2. Comprender las principales áreas de aplicación,
incluidos marketing, producción, programación
de la mano de obra, mezcla de combustibles y
finanzas.

CONTENIDO DEL CAPÍTULO

8.1 Introducción 8.5 Aplicaciones financieras

8.2 Aplicaciones al marketing 8.6 Aplicaciones a la mezcla de ingredientes
8.3 Aplicaciones a la manufactura 8.7 Otras aplicaciones de la programación lineal
8.4 Aplicaciones a la programación de empleados

Resumen • Autoevaluación • Problemas • Estudio de caso: Cable & Moore • Bibliografía

291
292 CAPÍTULO 8 • APLICACIONES DE PROGRAMACIÓN LINEAL
8.1 Introducción
8.2 Aplicaciones al marketing
Los problemas de selección de medios
de comunicación se pueden abordar
con PL desde dos perspectivas.
El objetivo puede ser maximizar
la exposición a la audiencia o
minimizar los costos de publicidad.
El método gráfico de programación lineal (PL), estudiado en el capítulo 7, es útil para entender cómo se
formulan y resuelven problemas de PL sencillos. El propósito de este capítulo es dar un paso más y demos-
trar cómo un gran número de problemas de la vida real pueden modelarse con la PL. Logramos lo anterior
al presentar ejemplos de modelos en las áreas de investigación de mercados, selección de medios de comu-
nicación, mezcla de producción, programación de la mano de obra, programación de la producción, mezcla
de ingredientes y selección del portafolios financiero. Resolveremos muchos de estos problemas de PL
utilizando Solver de Excel y QM para Windows.
Aunque algunos de estos modelos son relativam nte pequeños en el sentido numérico, los principios
desarrollados aquí son definitivamente aplicables a 14roblemas más grandes. Por otro lado, esta práctica
en "paráfrasis" de las formulaciones de modelos de PL debería ayudar a desarrollar sus habilidades en la
aplicación de la técnica a otras aplicaciones menos comunes.
Selección de medios de comunicación
Los modelos de programación lineal se han utilizado en el campo de la publicidad como una ayuda en la
decisión de seleccionar una mezcla de medios de comunicación eficaz. En ocasiones, la técnica se emplea
para la asignación de un presupuesto fijo o limitado a diversos medios de comunicación, que podrían
incluir mensajes publicitarios en radio o televisión, 'nuncios en periódicos, correo directo, anuncios en
revistas, etcétera. En otras aplicaciones, el objetivo es maximizar la exposición a la audiencia. Las restric-
ciones para la mezcla de medios de comunicación permisibles podrían surgir de los requisitos del contrato,
la limitada disponibilidad de medios de comunicación o una política de la empresa. A continuación, se
presenta un ejemplo.
El club de juegos Win Big promueve viajes de juego desde una ciudad grande del medio oeste de
Estados Unidos a los casinos en las Bahamas. El club ha presupuestado hasta $8,000 por semana para
publicidad local. El dinero será repartido entre cuatro medios de comunicación promocionales: anuncios
en televisión, anuncios en periódicos y dos tipos de anuncios en radio. El objetivo de Win Big es llegar a
la mayor audiencia de alto potencial posible a través de los diversos medios de comunicación. La siguiente
tabla muestra el número de jugadores potenciales que son alcanzados mediante el uso de un anuncio en
cada uno de los cuatro medios de comunicación. También presenta el costo por anuncio colocado y el nú-
mero máximo de anuncios que se pueden comprar por semana.
Al :DIENCIA COSTO ANUNCIOS
Al .LANZADA POR \I \IMOS
MEDIO POR ANUNCIO ANUNCIO ($1 POR SEM kNA
Anuncio en televisión (1 minuto) 5,000 800 12
Periódico (anuncio a página completa) 8,500 925 5
Anuncio en radio (30 segundos, en horario 2,400 290 25
estelar)
Anuncio en radio (1 minuto, por la tarde) 2,800 380 20
Los acuerdos contractuales de Win Big requieren que se coloquen al menos cinco anuncios en radio cada
semana. Para asegurar una campaña promocional de amplio alcance, la gerencia también insiste en que no
se deben destinar más de $1,800 a publicidad por radio cada semana.
Para formular esto como un programa lineal, el primer paso es entender cabalmente el problema. En
ocasiones, hacer preguntas del tipo "¿qué pasaría s ?" le ayudarán a entender la situación. En este ejem-
plo, ¿qué pasaría si se utilizaran exactamente cinco uncios de cada tipo? ¿Cuál sería el costo? ¿Cuántas
personas se alcanzarían? Ciertamente, el uso de un hoja de cálculo ayuda con esto, dado que se pueden
escribir fórmulas para calcular el costo y el númer de personas alcanzadas. Una vez que se entiende la
situación, es posible expresar el objetivo y las restri ciones de la siguiente manera:
Objetivo:
Maximizar la cantidad de personas (audiencia) alcanzadas
 8.2 APLICACIONES AL MARKETING 293
Restricciones:
1. No se pueden utilizar más de 12 anuncios en televisión. 2. No se pueden usar más de 5 anuncios
en periódicos. 3. No se pueden utilizar más de 25 anuncios de 30 segundos en radio. 4. No se pueden
usar más de 20 anuncios en radio de 1 minuto. 5. El monto total gastado no puede exceder $8,000.
6. El número total de anuncios en radio debe ser al menos de 5. 7. El monto total gastado en anun-
cios en radio no debe exceder $1,800.
A continuación, defina las variables de decisión. Las decisiones que se toman aquí son la cantidad de anun-
cios de cada tipo a usar. Una vez que éstas se conocen, pueden utilizarse para calcular la cantidad gastada y
el número de personas alcanzadas. Sean
= número de anuncios en televisión de 1 minuto en cada semana
X2 = número de anuncios a página completa en periódicos en cada semana
X3 = número de anuncios en radio de 30 segundos en horario estelar en cada semana
X4 = número de anuncios en radio de 1 minuto por la tarde en cada semana
Después, utilizando estas variables, escriba la expresión matemática para el objetivo y las restricciones que
han sido identificadas. Las restricciones de no negatividad también se expresan de manera explícita.
Objetivo:

Maximizar la cobertura de la audiencia = 5,000X1 + 8,500X2 + 2,400X3 + 2,800X4

sujeta a XI 5 12 (anuncios máximos en TV/semana)
X2 :5 5 (anuncios máximos en periódicos/semana)
X3 5- 25 (anuncios máximos de 30 segundos en radio/semana)
X4 5. 20 (anuncios máximos de 1 minuto en radio/semana)
800X1 + 925X2 + 290X3 + 380X4 $8,000 (presupuesto de publicidad semanal)
X3 + X4 5 (anuncios en radio mínimos contratados)
290X3 + 380X4 5- $1,800 (monto máximo gastado en radio)
Xi, X2, X3, X4

La solución a esto se encuentra utilizando Solver de Excel. El programa 8.1 proporciona las entradas para
el cuadro de diálogo Solver Parameter, la fórmula que debe escribirse en la celda para el valor de la fun-
ción objetivo y las celdas donde esta fórmula se tiene que copiar. Los resultados se muestran en la hoja de
cálculo. Esta solución es
= 1.97 anuncios en TV
X2 = 5 anuncios en periódicos
X3 = 6.2 anuncios de 30 segundos en radio
X4 = O anuncios de un minuto en radio
Esto produce una exposición a la audiencia de 67,240 contactos. Debido a que X1 y X3 son fraccionales,
probablemente Win Big los redondeará a 2 y 6, respectivamente. Los problemas que exigen que todas las
soluciones sean enteras se estudian a detalle en el capítulo 10.

Investigación de mercado
La programación lineal también se ha aplicado a problemas de investigación de mercado y al área de inves-
tigación del consumidor. El siguiente ejemplo ilustra cómo los encuestadores estadísticos pueden llegar a
decisiones estratégicas con la PL.
Management Sciences Associates (MSA) es una empresa de investigación de mercados con sede en
Washington, D.C., que realiza encuestas de consumo. Uno de sus clientes es un servicio de prensa nacio-
nal que lleva a cabo periódicamente encuestas políticas sobre temas de amplio interés. En una encuesta
realizada por el servicio de prensa, MSA determina que debe cumplir varios requisitos con la finalidad de
obtener conclusiones estadísticamente válidas acerca de la delicada cuestión de las nuevas leyes de inmi-
gración en Estados Unidos:
1. Encuesta aplicada al menos en 2,300 hogares estadounidenses en total.
2. Encuesta aplicada al menos en 1,000 hogares cuyos jefes de familia tengan 30 años de edad o menos.
294 CAPÍTULO 8 • APLICACIONES DE PROGRAMACIÓN LINEAL

A G
PROGRAMA 8.1
1 Win 8ig Gambling Club
Solución de Win Big 2 Radio Radio
TV Newspaper 30 sec. 1 mit. n.
en Excel 2013 3
4 Variables X1 X2 X3 X4
5 Solution 1 1.9688 5 6.2069 O Total Audience
6 Audience per ad 5000 8500 2400 2890 67240.3017
7
8 Constraints LHS RHS
9 NIHIL TV 1 1.9688 < 12
10 Max.. Newspaper 1 5 < 5
11 Max. 30-see. radio 1 6.2069 < 25
12 Max. 1 min. radio 1 0 < 20
13 Cost 800 925 290 380 8000 < 8000
14 Radio dollen 290 380 1800 < 1800
15 Radio spots 1 1 6.2069 > 5

grada 4e Plránnelros .91yer •

Celda objetivo: F6 F
5 Total Audience
Celdas variables: B5:E5 6 =SUMPRODUCT(545:$9$5,136:96)

Para: Max Copiar F6 a F9:F15

Sujeto a las restricciones:
F9:F14 <= H9:H14
F15 >= H15
Método de solución: Simplex LP
E] Variables no negativas

3. Encuesta aplicada al menos en 600 hogares cuyos jefes de familia estén entre 31 y 50 años de edad.
4. Asegurar que al menos 15% de los encuestados vivan en un estado que limite con México.
5. Asegurar que no más de 20% de los encuestados que tienen 51 años de edad o más vivan en un estado
que limita con México.
MSA decide que todas las encuestas deben realizarse en persona. Se estima que los costos de llegar a
la gente en cada categoría de edad y región son los siguientes:

COSTO POR PERSONA ENCUESTADA ($)

REGIÓN EDAD -s; 30 EDAD 31 A 50 EDAD

Estado fronterizo con México $7.50 $6.80 S5.50

Estado sin frontera con México S6.90 $7.25 $6.10

A MSA le gustaría satisfacer los cinco requisitos de muestreo al menor costo posible.
Al formular esto como un programa lineal, el objetivo es minimizar el costo. Los cinco requisitos
sobre el número de personas a ser incluidas en la muestra con características específicas resultan en cinco
restricciones. Las variables de decisión provienen de las decisiones que se deben tomar, es decir, el número
de personas incluidas en la muestra de cada una de las dos regiones, en cada una de las tres categorías de
edad. Por lo tanto, las seis variables son

XI = número de encuestados que tienen 30 años o menos y viven en un estado fronterizo

X2 = número de encuestados que tienen entre 31 y 50 años y viven en un estado fronterizo
X3 = número de encuestados que tienen 51 años o más y viven en un estado fronterizo
= número de encuestados que tienen 30 años o menos y no viven en un estado fronterizo
X5 = número de encuestados que tienen entre 31 y 50 años y no viven en un estado fronterizo
X6 = número de encuestados que tienen 51 años o más y no viven en un estado fronterizo
 8.2 APLICACIONES AL MARKETING 295

Función objetivo:

Minimizar los costos totales de entrevista = $7.50X1 + $6.80X2 + $5.50X3

+ $6.90X4 + $7.25X5 + $6.10X6

sujetos a

X1 + X2 + X3 + X4 + X5 + X6 2,300 (hogares totales)

X1 + X4 1,000 (jefes de familia de 30 años o menos)
X2 ± X5 600 (jefes de familia entre 31 y 50 años)
XI + X, + X3 0.15(X1 + X2 + X3 + X4 + X5 + X6) (estados fronterizos)
X3 0.2(X3 + X6) (límite del grupo de edad de 51+ que viven en estado fronterizo)
XI , X), X3, X4, X5, X6 O

La solución por computadora para el problema de costos de MSA es $15,166 y se presenta en la siguiente
tabla, así como en el programa 8.2; este último muestra la entrada y salida en Excel 2013. Note que las
variables en las restricciones se mueven al lado izquierdo de la desigualdad.

REGIÓN EDAD S. 30 EDAD 31 A 50 EDAD 51

Estado fronterizo con México o 600 140
Estado sin frontera con México 1,000 560

PROGRAMA 8.2 A 6 C 0 E F G H 1 .1
1 Management Science Associates
Solución para MSA 2
en Excel 2013 3 Variable
r
X1 X2 X3 X4 X5 X6
4 Solution O 600 140 1000 O 5601Total Cost
5 Min. Cost 7.5 6.8 5.5 6.9 7.25 6.11 15166
6
7 Constraints 1}15 RHS
a Total Households 1 1 1 1 2300 > 2,300
9 30 and Youn6or 1 o o 1 0 0 1000 > 1.000
10 31-50 o 0 1 0 600 > 600
11 Border States 0.85 0.85 0.85 -0.15 -0.15 -0.15 395 > o
12 51+ Bordar Statc o o 0.8 O o -0.2 0 o

Fórmulas clave
Celda objetivo: H5 4 H
4 Total Cost
Celdas variables: B4:G4 5 aSUMPRODUCT($8$4:$G$4,85G5)

Para: Min Copiar H5 a H8:H12

Sujeto a las restricciones:
H8:H11 <= 18:J11
H12 >= J12
Método de solución: Simplex LP
El Variables no negativas
296 CAPÍTULO 8 • APLICACIONES DE PROGRAMACIÓN LINEAL

8.3 Aplicaciones a la manufactura

Mezcla de producción
Un campo fértil para el uso de la PL está en la planea ión de la combinación óptima de productos a fabri-
car. Una empresa debe cumplir con una gran variedad e restricciones, que van de los aspectos financieros,
a la demanda de ventas, a los contratas de material y a las demandas laborales del sindicato. Su objetivo
principal es generar la mayor utilidad posible.
Fifth Avenue Industries, un fabricante de ropa masculina con renombre nacional, produce cuatro va-
riedades de corbatas. Una es costosa, toda hecha de seda; otra está hecha completamente de poliéster; una
tercera es una mezcla de poliéster y algodón, y una más es una mezcla de seda y algodón. La siguiente
tabla ilustra el costo y la disponibilidad (por periodo de planeación de la producción mensual) de los tres
materiales utilizados en el proceso de producción:

COSTO POR \ I ATER I A DISPONIBLE

MATERIAL, YARDA (S) POR MES (YARDAS)

Seda 24 1,200
Poliéster 6 3,000
Algodón 9 1,600

La compañía ha establecido contratos con varias de, las principales cadenas de tiendas departamentales
para suministrarles corbatas. Los contratos requieren que Fifth Avenue Industries surta una cantidad mí-
nima de cada corbata, pero permiten una mayor demanda si Fifth Avenue elige satisfacer esa demanda.
(De hecho, la mayoría de las corbatas no se envían con el nombre Fifth Avenue en su etiqueta, sino con
etiquetas de "inventario privado" suministradas por las tiendas). En la tabla 8.1 se resume la demanda por
contrato para cada uno de los cuatro estilos de corbata, el precio de venta por corbata y los requisitos de
tela para cada variedad. El objetivo de Fifth Avenue es maximizar su utilidad mensual. Debe decidir sobre
una política para realizar la mezcla de productos.
En la formulación de este problema, el objetivo es maximizar la utilidad. Hay tres restricciones (una
para cada material) que indican que la cantidad de seda, poliéster y algodón no puede exceder la cantidad
que está disponible. Hay cuatro restricciones (una para cada tipo de corbata) que especifican que el número
de corbatas de seda, de poliéster, de poliéster-seda y de seda-algodón producidas debe ser por lo menos
la cantidad mínima del contrato. Hay cuatro restricciones más (una para cada tipo de corbata) que indican
que el número de cada una de estas corbatas produci4as no puede exceder la demanda mensual. Las varia-
bles se definen como

XI = número de corbatas de seda producidas por mes

X2 = número de corbatas de poliéster
X3 = número de corbatas de poliéster-algodón
X4 = número de corbatas de seda-algodón

TABLA 8.1 Datos para Fifth Avenue Industries

lOW PRECIO MÍNIMO MATERIAL

DE VENTA MENSUAL REQUERIDO
VARIEDAD POR CORBATA POR DEMANDA POR CORBATA REQUISITOS DEI.
DE CORBATA ($) CONTRATO MENSUAL (YARDAS, MATERIAL

Toda de seda 19.24 5,000 7,000 0.125 100% seda

Toda de poliéster 8.70 10,000 14,000 0.08 100% poliéster
Mezcla 1, 9.52 13,000 16,000 0.10 50% poliéster-50% algodón
poliéster-algodón
Mezcla 2, 10.64 5,000 8,500 0.11 60% seda-40% algodón
seda-algodón

Un ejemplo de programación de la
producción: Greenberg Motors
8.3 APLICACIONES A LA MANUFACTURA 297
Pero primero la empresa debe establecer la utilidad por corbata:
1. Cada corbata de seda (X1) requiere 0.125 yardas de seda, con un costo de $24.00 por yarda. Por lo
tanto, el costo del material por corbata es de $3.00. El precio de venta es de $19.24, lo cual deja una
utilidad neta de $16.24 por corbata de seda.
2. Cada corbata de poliéster (X2) requiere 0.08 yardas de poliéster, con un costo de $6 por yarda. Por lo
tanto, el costo del material por corbata es de $0.48. El precio de venta es $8.70, lo que deja una utili-
dad neta de $8.22 por corbata de poliéster.
3. Cada corbata de poliéster-algodón (mezcla 1) (X3) requiere 0.05 yardas de poliéster, con un costo
de $6 por yarda, y 0.05 yardas de algodón, a $9 por yarda, para un costo de $0.30 + $0.45 = $0.75
por corbata. El precio de venta es de $9.52, lo cual deja una utilidad neta de $8.77 por corbata
de poliéster-algodón.
4. Al realizar cálculos similares se demostrará que cada corbata de seda-algodón (mezcla 2) (X4) tiene
un costo de material por corbata de $1.98 y una utilidad de $8.66.
Ahora, la función objetivo se puede enunciar como
Maximizar la utilidad = $16.24X1 + $8.22X2 + $8.77X3 + $8.66X4
sujeta a 0.125X1 + 0.066X4 s 1,200 (yardas de seda)
0.08X2 + 0.05X3 .5
- 3,000 (yardas de poliéster)
0.05)(3 + 0.044X4 1,600 (yardas de algodón)
X1 z 5,000 (mínimo por contrato de corbatas de seda)
X1 5 7,000 (máximo por contrato)
X2 10,000 (mínimo por contrato de corbatas de poliéster)
X2 s 14,000 (máximo por contrato)
X3 a' 13,000 (mínimo por contrato de corbatas de la mezcla 1)
X3 5- 16,000 (máximo por contrato)
X4. a' 5,000 (mínimo por contrato de corbatas de la mezcla 2)
X4 S 8,500 (máximo por contrato)
XI, X2, X3, X4 O
Si se usa Excel y su comando Solver, la solución generada por computadora es producir 5,112 corbatas
todas de seda cada mes; 14,000 corbatas todas de poliéster; 16,000 corbatas de la mezcla 1 de poliéster-al-
godón, y 8,500 corbatas de la mezcla 2 de seda-algodón. Esto produce una utilidad de $412,028 en un
periodo de producción. Vea el programa 8.3 para mayores detalles.
Programación de la producción
El establecimiento de un programa de producción de bajo costo en un periodo de semanas o meses es un
problema de gestión difícil e importante en la mayoría de las plantas. El gerente de producción debe tener
en cuenta muchos factores: la capacidad de la mano de obra, los costos de inventario y almacenamiento, las
limitaciones de espacio, la demanda de productos y las relaciones laborales. Debido a que la mayoría de
las empresas producen más de un producto, el proceso de programación suele ser bastante complejo.
Básicamente, el problema se asemeja a un modelo de mezcla de productos para cada periodo en el
futuro. El objetivo es maximizar utilidades, o bien, minimizar el costo total (producción más inventario),
por llevar a cabo la tarea.
La programación de la producción se soluciona mediante PL porque es un problema que debe resol-
verse de manera regulan Cuando se establecen la función objetivo y las restricciones para una empresa, las
entradas se pueden cambiar fácilmente cada mes para proporcionar un calendario actualizado.
Greenberg Motors, Inc., fabrica dos motores eléctricos diferentes que vende bajo contrato a Drexel
Corp., un productor bien conocido de electrodomésticos pequeños para cocina. Su modelo GM3A se en-
cuentra en muchos procesadores de alimentos Drexel, y su modelo GM3B se utiliza en el ensamble de
licuadoras.
Tres veces al año, el director de adquisiciones en Drexel contacta a Irwin Greenberg, fundador de
Greenberg Motors, con la finalidad de hacer un pedido mensual para cada uno de los próximos cuatro
meses. La demanda de Drexel por motores varía cada mes con base en sus propios pronósticos de ventas,
su capacidad de producción y su situación financiera. Greenberg acaba de recibir la orden de enero a abril
y debe comenzar su propio plan de producción para cuatro meses. La demanda de motores se muestra en
la tabla 8.2.
298 CAPÍTULO 8 • APLICACIONES DE PROGRAMACIÓN LINEAL

PROGRAMA 8.3 A D
1 Fifth Avenue Industries
Solución para Fith 2
Avenue en Excel 2013 3 All sifk All poly. Blend 1
4 Variables X2 X3
5 Values I 511.2 14000 16000 8500
6 Profit 16.24 8.22 8.77 8.66
7
8 Constraints RHS

IVIVIVIV IA 1A 1AtA1AIAIA
9 Si& available 0.125 0.066 1200 1200
10 Polyester available 0.08 0.05 1920 3000
11 ICotton available 0.05 0.044 1174 1600
12 Maximum silk 1 5112 7000
13 Maximum polyester 1 14000 14000
14 Maximum blend 1 1 16000 16000
151Maximum blend 2 1 8500 8500
16 Mínimum sllk 1 5112 5000
17 PAinimurn polyester 1 14000 10000
18 Mínimum Mead 1 1 16000 13000
19 Mínimum biend 2 1 8500 5000

Celda objetivo: F6
5 Total Profit
Celdas variables: B5:E5 6 ....SUMPRODUCT(513558.55,13626)

Para: Max Copiar F6 a F9:F19

Sujeto a las restricciones:
F9:F15 <= H9:H15
F16:F19 >= H16:H19
Método de solución: Simplex LP
Variables no negativas

TABLA 8.2
Programa de pedidos
de motores eléctricos GM3A 800 700 1,000 1,100
durante cuatro meses GM3B 1,000 1,200 1,400 1,400

La planeación de la producción en Greenberg Motors debe considerar varios factores:

1. La empresa tiene que satisfacer la demanda de cada uno de los dos productos en cada uno de los
cuatro meses (vea la tabla 8.2). Además, a la compañía le gustaría tener en inventario 450 unidades
del GM3A y 300 unidades del GM3B al final del mes de abril, ya que se espera que la demanda en
mayo sea un poco más alta que la demanda en los meses anteriores.
2. Hay un costo por conservar o almacenar cualquier inventario dejado al final del mes. Así que es po-
sible que no sea deseable producir demasiadas unidades adicionales de cualquiera de los productos.
El costo de almacenamiento asignado al GM3A es de $0.36 por unidad al mes, mientras que el costo
de almacenamiento para el GM3B es de $0.26 por unidad al mes.
3. La compañía ha sido capaz de mantener una política de que no haya despidos, y le gustaría continuar
con esto. Esto es más fácil si las horas de mano de obra utilizadas no fluctúan mucho de un mes a
otro. Se desea mantener un programa de producción que requeriría de 2,240 a 2,560 horas de mano
de obra por mes. El GM3A requiere 1.3 horas de mano de obra por unidad, mientras que el GM3B
necesita sólo 0.9 horas de mano de obra.
 8.3 APLICACIONES A LA MANUFACTURA 299

4. Las limitaciones de almacenamiento no pueden excederse sin grandes costos adicionales. Hay espacio
al final del mes para únicamente 3,300 unidades de GM3A y GM3B combinadas.
Aunque a veces estos factores entran en conflicto, Greenberg ha encontrado que la programación lineal
es una herramienta eficaz para la creación de un programa de producción que minimice el costo total. Los
costos de producción son actualmente de $20 por unidad para el GM3A y $15 por unidad para el GM3B.
Sin embargo, cada uno de ellos aumentará 10% el 1 de marzo, como parte de un nuevo acuerdo laboral que
entrará en vigencia.
Al formular esto como un programa lineal, es importante entender cómo se relacionan todos los fac-
tores importantes, cómo se calculan los costos, cómo se calculan las horas de mano de obra al mes y cómo
se cumple la demanda con la producción y el inventario disponibles. Para ayudarse a entender esto, intente
determinar el número de horas de mano de obra utilizadas, el número de unidades que quedan en inven-
tario al final de cada mes para cada producto y el costo total si se producen exactamente 1,000 GM3A y
exactamente 1,200 GM3B cada mes.
Para comenzar a formular el programa lineal para el problema de producción de Greenberg, el obje-
tivo y las restricciones son:
Objetivo:

Minimizar el costo total (costo de producción más el costo de almacenamiento)

Restricciones:

4 restricciones de demanda (1 restricción por cada uno de los 4 meses) para el GM3A
4 restricciones de demanda (1 restricción por cada uno de los 4 meses) para el GM3B
2 restricciones (1 del GM3A y 1 del GM3B) para el inventario al final del mes de abril
4 restricciones por las horas de mano de obra mínimas (1 restricción para cada mes)
4 restricciones por las horas de mano de obra máximas (1 restricción para cada mes)
4 restricciones de la capacidad de almacenamiento de inventario cada mes

Las decisiones implican determinar cuántas unidades de cada uno de los 2 productos se deben producir en
cada uno de los 4 meses, por lo que habrá 8 variables. Pero, ya que el objetivo es minimizar el costo, y hay
costos asociados no sólo con las unidades producidas cada mes, sino también con el número de unidades
de cada producto que quedan en el inventario, sería mejor también definir variables para éstos. Sean

Ai = número de unidades de GM3A producidas en el mes i (i = 1, 2, 3, 4 de enero a abril)

Bi = número de unidades de GM3B producidas en el mes i (i = 1, 2, 3, 4 de enero a abril)
Mi = unidades de GM3A dejadas en inventario al final del mes i (i = 1, 2, 3, 4 de enero a abril)
IBi = unidades de GM3B dejadas en inventario al final del mes i (i = 1, 2, 3, 4 de enero a abril)

La función objetivo del modelo de PL es

Minimizar el costo = 20A1 + 20A2 + 22A3 + 22A4 + 15B1 + 15B2 + 16.50B3

+ 16.50B4 + 0.36/A1 + 0.361A2 + 0.361A3 + 0.361A4
+ 0.261B1 + 0.261B2 + 0.261B3 + 0.261B4

Las restricciones de inventario En el establecimiento de las restricciones, debemos reconocer la relación entre el inventario de cierre
establecen la relación entre el del mes pasado, la producción del mes en curso y las ventas a Drexel este mes. El inventario al final de
cierre de inventario este mes, un mes es
el cierre de inventario el mes pasado,
la producción de este mes y las Inventario Inventario
ventas de este mes. al final Producción '\ Ventas
al final
de este = del mes + del mes a Drexel
mes pasado actual i (
este mes
(
300 CAPÍTULO 8 • APLICACIONES DE PROGRAMACIÓN LINEAL

Aunque las restricciones podrían escribirse de esta fo , la introducción del problema a la computadora
requiere que todas las variables estén en el lado izqui do de la restricción. Al reordenar los términos para
hacer esto, resulta

/ Inventario Inventario
(Producción (Ventas
al final al final
del mes + del mes = Drexel
a
\ actual de este
pasado este mes
mes

Si se usa esto, las restricciones de la demanda son:

Al — /Al = 800 (demanda de GM3A en enero)

/Al + A2 — /A2 = 700
/A2 + A3 — /A3 = 1,000
/A3 + A4 — 1A4 = 1,100
B1 — IB1 = 1,000
IB1 + B2 — IB2 = 1,200
IB2 + B3 — IB3 = 1,400
IB3 + B4 — IB4 = 1,400
L44 = 450
IB4 = 300
(demanda de GM3A en febrero)
(demanda de GM3A en marzo)
(demanda de GM3A en abril)
(demanda de GM3B en enero)
(demanda de GM3B en febrero)
(demanda de GM3B en marzo)
(demanda de GM3B en abril)
(inventario de GM3A a finales de abril)
(inventario de GM3B a finales de abril)

Las restricciones de la mano de obra Las restricciones para el número mínimo y máximo de horas de mano de obra en cada mes son:
se establecen para cada mes.
1.3A1 + 0.9B1 2,240 (número mínibmo de horas de mano de obra en enero)
1.3A2 + 0.9B2 2,240 (número mínimo de horas de mano de obra en febrero)
1.3A3 + 0.9B3 2,240 (número mínimo de horas de mano de obra en marzo)
1.3A4 + 0.9B4 2,240 (número mínimo de horas de mano de obra en abril)
1.3A1 + 0.9B1 5 2,560 (número máximo de horas de mano de obra en enero)
1.3A2 + 0.9B2 5 2,560 (número máximo de horas de mano de obra en febrero)
1.3A3 + 0.9B3 5 2,560 (número máximo de horas de mano de obra en marzo)
1.3A4 + 0.9B4 S 2,560 (número máximo de horas de mano de obra en abril)

Las restricciones por la capacidad de almacenamiento son:

lAi + 1.81 3,300 (capacidad de almacenamiento en enero)

/A2 + IB2 5 3,300 (capacidad de almacenamiento en febrero)
L43 + IB3 5- 3,300 (capacidad de almacenamiento en marzo)
/A4 + IB4 5 3,300 (capacidad de almacenamiento en abril)
Todas las variables a- O (restricciones de no negatividad)

La solución se obtuvo utilizando Solver en Excel 2013, como se muestra en el programa 8.4. Algunas de
las variables no son enteras, pero esto no representa un problema porque el trabajo en proceso iniciado
un mes se termina al mes siguiente. En la tabla 8.3 s resume la solución con los valores redondeados. El
costo total es de aproximadamente $169,295. Green erg puede utilizar este modelo para desarrollar pro-
gramas de producción en el futuro, haciendo que los ubíndices de las variables representen nuevos meses
y realizando pequeños cambios en el problema. Lo nico que tendrían que cambiar en el modelo son los
valores del LD para las restricciones de demanda (y el inventario deseado al final del cuarto mes), así como
los coeficientes (costos) de la función objetivo, si ello es necesario.
 8.4 APLICACIONES A LA PROGRAMACIÓN DE EMPLEADOS 301

PROGRAMA 8.4 C 0 E F 61.11.11( L. M N O P 10 R S T

Greenberg Motors
Solución para Greenberg
-j__I •
variable Al A2 A3 A4 81 82 83 84 1A1 1A2 1A3 14.4 181 182 183 184
Motors en Excel 2013 soludon ;1276.9 223.1 1757.7 792.3 1000 2522.2 77.8 1700 476.9 0 757.7 450 0 1322.2 0 313.01T0tal (e5t
Min. Cost 20 20 22 22 15 15 19.5 16.5 0.36 0.36 0.36 0.36 0.26 0.26 0.26 0.26 169294.9
6
7 Detnand Constraints LBS Slgn 111.10
8 Jan. GIMA •1 800 800
9 Feb. GM3A 1 1 -1 700 793
10 Mar. GM3A 1 •1 1000 1000
11 Apr. GM3A 1 -1 1100 1100
12 Jan. 66438 -1 1000 1000
13 Feb. 66438 1 -1 1200 1200
14 Mar. GIA38 1 -1 1400 1400
15 Apr. GM38 -1 1400 1400
16 inv.G1.43A Apr. 450 450
17 itIv.GM3BApr. 300 300
18 labor Hour Constraint,
19 Hts Min. Jan. 1.3 0.9 2560 > 2240
20 ins Min. Feb. 0.9 2560 > 2240
21 HTS Mi, Mar. 1.1 0.9 2355 > 2240
22 Nrs Min. Apr. 1.3 0.9 2560 > 2240
23 Hr, Max. Jan. 1.3 0.9 2560 < 2560
24 11r9 Max. Feb. 1.3 0.9 2560 < 2560
25 Hrs. Atm.Mar. 1.3 0.9 2355 < 2560
26 nts Max. Apr. 1.3 0.9 2560 < 2560
27 Storage COnsUaints
28 Jan. Inv. Lima 476.92 < 3300
29 Feb. Int,. Limit 1322.22 < 3300
30 Mar. Inv. U rn0 757.69 < 3300
31 :Apr. Ion. Umit 750 < 33X

Entrada de parámetros y selecciones en Solver Fórmulas da

Celda objetivo: F5
4 Total Cost
Celdas variables: B4:Q4 5 oSUMPRODUCT($8$4:$Q$4,85:Q5}

Para: Min Copiar la fórmula en R5 a R8:R17

Sujeto a las restricciones: Copiar la fórmula en R5 a R19:R26
Copiar la fórmula en R5 a R28:R31
R19:R22 >= T19:T22
R23:R26 <= T23:T26
R28:R31 <= T28:T31
R8:R17 = T8:T17
Método de solución: Simplex LP
7 Variables no negativas

TABLA 8.3
PROGRANInE PRODUCCIÓN ENERO FEBRERO MARZO A BRIL
Solución al problema
de Greenberg Motors Unidades de GM3A producidas 1,277 223 1,758 792
Unidades de GM3B producidas 1,000 2,522 78 1,700
Inventario de GM3A conservado 477 0 758 450
Inventario de GM3B conservado 0 1,322 0 300
Horas de mano de obra requeridas 2,560 2,560 2,355 2,560

8.4 Aplicaciones a la programación de empleados

Planeación de la mano de obra
Los problemas de planeación de la mano de obra abordan las necesidades de personal durante un periodo
de tiempo específico. Son especialmente útiles cuando los gerentes tienen cierta flexibilidad en la asigna-
ción de trabajadores a las tareas que requieren talentos superpuestos o intercambiables. Los bancos gran-
des utilizan con frecuencia la PL para hacer frente a su programación de la mano de obra.
302 CAPÍTULO 8 • APLICACIONES DE PROGRAMACIÓN LINEAL

TABLA 8.4 E TIEMPO NÚMERO DE CAJEROS REQUERIDO

Banco de Comercio e
Industria de Hong Kong 9 A.M.-10 A.M. 10
10 A.M.-11 A.M. 12
11 A.M.—Medio día 14
Medio día-1 P.M. 16
1 P.M.-2 P.M. 18
2 P.M.-3 P.M. 17
3 P.M.-4 P.M. 15
4 P.M.-5 P.M. 10

El Banco de Comercio e Industria de Hong Kong es un banco ocupado que requiere entre 10 y 18
cajeros, dependiendo de la hora del día. La hora de la comida, desde el mediodía hasta las 2 P.M., suele ser
la más pesada. En la tabla 8.4 se indican los empleados necesarios en las diferentes horas que el banco está
abierto.
El banco ahora emplea a 12 cajeros de tiempo completo, pero dispone de muchas personas en su lista
de empleados de tiempo parcial. Un empleado de tiempo parcial debe trabajar exactamente cuatro horas
al día, pero puede comenzar en cualquier momento entre las 9 A.M. y la 1 P.M. Los empleados de tiempo
parcial son una mano de obra poco costosa, ya que no tienen prestaciones por jubilación ni de alimentos.
Por otro lado, los empleados de tiempo completo trabajan de 9 A.M. a 5 A.M.; pero se les otorga 1 hora para
comer. (La mitad de los trabajadores a tiempo completo come a las 11 A.M. y la otra mitad al mediodía).
De este modo, los empleados de tiempo completo proporcionan 35 horas semanales de tiempo de trabajo
productivo.
Por política de la empresa, el banco limita las horas de tiempo parcial hasta un máximo de 50% de
las necesidades totales del día. Los trabajadores de tiempo parcial ganan $8 por hora (o $32 por día) en
promedio; y los de tiempo completo ganan $100 al día en salario y prestaciones, en promedio. Al banco le
gustaría establecer una programación que reduzca al mínimo sus costos totales de personal. Podría despe-
dir a uno o más de sus cajeros de tiempo completo, si fuera redituable hacerlo.
En la formulación de esto como un programa lineal, el objetivo es minimizar el costo. Hay una res-
tricción para cada hora del día, que indica que el número de personas que trabajan en el banco durante
esa hora debería ser al menos el número mínimo mostrado en la tabla 8.4, por lo que hay ocho de estas
restricciones. Otra restricción limita el número total de trabajadores de tiempo completo a no más de 12.
La última restricción especificará que el número de horas a tiempo parcial no podrá superar 50% de las
horas totales.
El banco tiene que decidir cuántos cajeros de tiempo completo asignar, por lo que no habrá una va-
riable de decisión para eso. Del mismo modo, el banco debe decidir sobre el uso de los cajeros de tiempo
parcial; pero esto es más complejo porque los trabajadores de tiempo parcial pueden comenzar en diferen-
tes momentos del día, mientras que todos los trabajadores de tiempo completo comienzan al inicio del día.
Por lo tanto, tiene que haber una variable que indique el número de trabajadores de tiempo parcial a partir
de cada hora del día, desde las 9 A.M. hasta la 1 P.M. Cualquier trabajador que comience a la 1 P.M. traba-
jará hasta el cierre, así que no hay necesidad de considerar trabajadores de tiempo parcial que comiencen
después de esa hora. Sean

F = cajeros de tiempo completo

= cajeros de tiempo parcial que ian a las 9 A.M. (y salen a la 1 P.M.)
P2 = cajeros de tiempo parcial que ian a las 10 A.M. (y salen a las 2 P.M.)
P3 = cajeros de tiempo parcial que ian a las 11 A.M. (y salen a las 3 P.M.)
P4 = cajeros de tiempo parcial que ini ian al mediodía (y salen a las 4 P.M.)
P5 = cajeros a tiempo parcial que inician a la 1 P.M. (y salen a las 5 P.M.)

Función objetivo:

Minimizar el costo diario total del personal = $100F + $32(P1 + P2 + P3 + P4 + P5)


Las soluciones óptimas múltiples
son comunes en muchos problemas
de PL La secuencia donde se
introducen las restricciones a QM
para Windows puede afectar la
solución encontrada.
8.5 Aplicaciones financieras
La maximización del rendimiento
sobre la inversión sujeto a un
conjunto de restricciones de riesgo
es una aplicación financiera común
de la PL
8.5 APLICACIONES FINANCIERAS 303
Restricciones:
Para cada hora, las horas de trabajo disponibles deben ser por lo menos iguales a las horas de trabajo
requeridas.
F+Pi a 10 (necesidades de 9 A.M. a 10 A.M.)
F + + P2 a. 12 (necesidades de 10 A.M. a 11 A.M.)
0.5F + + P2 + P3 a 14 (necesidades de '11 A.M. a mediodía)
0.5F + + P2 + P3 ± P4 a 16 (necesidades de mediodía a 1 P.M.)
+ P2 + P3 + P4 + P5 18 (necesidades de 1 P.M. a 2 P.M.)
+ P3 ± P4 ± P5 >_ 17 (necesidades de 2 P.M. a 3 P.M.)
+ P4 + P5 15 (necesidades de 3 P.M. a 4 P.m.)
P5 10 (necesidades de 4 P.M. a 5 P.M.)
Sólo se dispone de 12 cajeros de tiempo completo, por lo tanto
F 12
Los trabajadores de tiempo parcial no pueden superar 50% de las horas totales requeridas cada día, que es
la suma de los cajeros necesarios cada hora:
4(Pi ± P2 ± P3 ± P4 ± P5)* 0.50(10 -I- 12 + 14 + 16 + 18 + 17 + 15 + 10)
o bien,
4P1 + 4P. + 4P3 4P4 + 4P5 0.50(112)
F, Pi , P2, P3, P4, P5 ?0
En el programa 8.5 se presenta la solución a esto, que se encuentra utilizando Solver en Excel 2013. Hay
varios programas óptimos alternativos que el Banco de Hong Kong puede seguir. El primero es emplear
sólo 10 cajeros de tiempo completo (F = 10) y comenzar con 7 cajeros de tiempo parcial a las 10 A.M.
(P2 = 7), 2 cajeros de tiempo parcial a las 11 P.M. (P3 = 2) y 5 cajeros de tiempo parcial al mediodía
(P4 = 5). No hay empleados de tiempo parcial que inicien a las 9 A.M. ni a la 1 P.M.
Una segunda solución también cuenta con 10 cajeros de tiempo completo, pero comienza con 6 de
tiempo parcial a las 9 A.M. (P1 = 6), 1 de tiempo parcial a las 10 A.M. (P2 = 1), 2 de tiempo parcial a las
11 A.M. y 5 al mediodía (P3 = 2 y P4 = 5) y O de tiempo parcial a la 1 P.M. (P5 = 0). El costo de cualquiera
de estas dos políticas es de $1,448 al día.
Selección del portafolios
Un problema que a menudo enfrentan los gerentes de bancos, fondos de inversión, servicios de inversión y
compañías de seguros es la selección de inversiones específicas entre una amplia variedad de alternativas.
El objetivo general del gerente suele ser la maximización del rendimiento sobre la inversión esperado,
dado un conjunto de restricciones legales, políticas o de riesgo.
Por ejemplo, el International City Trust (ICT) invierte en créditos comerciales a corto plazo, bonos
corporativos, reservas de oro y préstamos de construcción. Para estimular una cartera diversificada, el con-
sejo de administración ha puesto límites a la cantidad que se puede comprometer con cualquier tipo de
inversión. ICT dispone de $5 millones para invertirse de inmediato y desea hacer dos cosas: 1. maximizar
el rendimiento sobre las inversiones realizadas en los próximos seis meses, y 2. cumplir con los requisitos
de diversificación establecidos por el consejo de administración.
304 CAPÍTULO 8 • APLICACIONES DE PROGRAMACIÓN LINEAL

A 5 C DE F G 11
PROGRAMA 8.5
1 Labor Planning Example
Solución para la 2
planeación de la mano 3
4 Variables P1 P2 P3 P4 P5
de obra en Excel 2013 Values I 10 0 7 2 5 0 Total Cost
6 Cost 100 32 32 32 32 32 14481
7
S Constraints 1145 SCn
9 9 a.m. - 10 a.m. 1 1 10
10 10 a.m.- 11 a.m. 1 1 17 12
11 .11 a.m. - noon 0.5 1 1 14 14
12 noon - 1 p.m. 1 1 19 16
13' 1 p.m. -2 p.m. 1 1 24 1.3
14 2 p.m. - 3 p.m. a 1 17 17
15 3 p.m. -4 p.m. a 1 15
16 4 p.m. - 5 p.m. 1 1 10 10
17 Max. Full time 1 10 < 12
18 ¡Total PT hours 4 4 4 56

Entrada de parámetros y selecciones en Solver Fórmulas clave

Celda objetivo: H6
5 Total Cost
Celdas variables: B5:G5 6 eSUMPRODUCT(56.55:5655,136:G1)

Para: Min Copiar H6 a H9:H18

Sujeto a las restricciones:
H9:H16 >= J9:J16
H17:H18 <= J17:J18
Método de solución: Simplex LP
E Variables no negativas

Los detalles de las posibilidades de inversión son los siguientes:

TASA DE INVERSIÓN MÁXIMA

INVERSIÓN RENDIMIENTO 15 NIILLONES)

Crédito comercial LO
Conos corporativos 2.5
Reservas de oro 1.5
Préstamos de construcción 1.8

Asimismo, la junta directiva especifica que al menos 55% de los fondos invertidos debe estar en
las reservas de oro y préstamos para construcción, y que no menos de 15% se invertirá en el crédito
comercial.
Al formular esto como un PL, el objetivo es maximizar el rendimiento. Hay cuatro restricciones
independientes que limitan la cantidad máxima e cada opción de inversión al máximo indicado en la
tabla. La quinta restricción especifica que el impo e total de las reservas de oro y préstamos de cons-
trucción debe ser de, al menos, 55% del importe t invertido, y la siguiente restricción especifica que
el importe total del crédito comercial debe ser de, menos, 15% del importe total invertido. La última
 8.5 APLICACIONES FINANCIERAS 305

restricción estipula que el monto total invertido no puede exceder los $5 millones (aunque podría ser
menor). Defina las variables como

X1 = dólares invertidos en crédito comercial

= dólares invertidos en bonos corporativos
X3 = dólares invertidos en reservas de oro
X4 = dólares invertidos en préstamos para construcción

El monto total invertido es X1 + X2 X3 + X4, que puede ser menor a $5 millones. Esto es importante al
calcular el 55% del importe total invertido y 15% de la cantidad total invertida en dos de las restricciones.
Objetivo:

Maximizar el monto de los intereses ganados = 0.07X1 + 0.1 1X2 + 0.19X3 + 0.15X4
sujeto a 1,000,000
2,500,000
X3 1,500,000
X4 5 1,800,000
X3 + X4 0.55(Xi + X2 + X3 + X4)
0.15(X1 + X2 + X3 + X4)
X1 + + X3 + X4 5,000,000
XI, X>, X3, X4

A EN ACCIÓN Optimización en UPS

E n un día promedio, UPS entrega 13 millones de paquetes a casi

8 millones de clientes en 200 países y territorios. Las entregas se cla-
sifican como aéreas el mismo día, aéreas al día siguiente y aéreas
al segundo día. Las operaciones aéreas al día siguiente promedian
más de 1.1 millones de paquetes diarios y generan ingresos anua-
les de más de $5 mil millones. La empresa cuenta con 256 aviones
y muchos más ordenados. Durante la época más ocupada del año,
entre el Día de Acción de Gracias y el Día de Año Nuevo, la empresa
arrienda aviones adicionales para satisfacer la demanda. El tamaño
de su flota hace de UPS la novena aerolínea comercial más grande
en Estados Unidos y se encuentra entre las 11 aerolíneas comerciales
más grandes del mundo.
En la operación de entrega al día siguiente, la recolección y en-
trega de paquetes por UPS implica varias etapas. Los paquetes se
transportan por camión hacia los centros en tierra. Desde ahí, los
paquetes son llevados al aeropuerto y, luego, son trasladados a una
de las plataformas aeroportuarias con un máximo de una parada en
otro aeropuerto para recoger más paquetes. En el centro terrestre,
los paquetes se clasifican y se cargan en aviones y se trasladan a su
destino. Los paquetes se cargan en camiones grandes y se llevan a
centros en tierra. En los centros terrestres, se hace una clasificación
adicional, los paquetes se ponen en camiones más pequeños y se en-
tregan a sus destinos finales antes de las 10:30 A.M. El mismo avión
se utiliza para las entregas del segundo día, así que deben estar coor-
dinados ambos tipos de operaciones.
Un equipo de UPS y del Massachusetts Institute of Technology
(MIT) trabajaron en conjunto para desarrollar un sistema de planea-
ción basado en la optimización llamado VOLCANO (por volume,
location y aircraft network optimizer) utilizado para la planeación y
la administración de operaciones. Este grupo desarrolló métodos de
optimización para minimizar el costo total (de propiedad y opera-
ción), mientras cumple las restricciones de capacidad y los estánda-
res de servicio. Se utilizan modelos matemáticos para determinar el
conjunto de rutas con costo mínimo, las asignaciones a la flota y los
flujos de paquetes. Las restricciones incluyen el número de aviones,
las limitaciones de aterrizaje en los aeropuertos y las características
de operación de los aviones (como velocidad, capacidad y alcance).
El sistema VOLCANO ha recibido el crédito por un ahorro de
más de $87 millones desde finales de 2000 hasta finales de 2002.
Se espera el ahorro de $189 millones adicionales durante la próxima
década. Este optimizador también se utiliza para identificar la com-
posición de la flota necesaria y recomendar futuras adquisiciones de
aviones.
Fuente: Basado en Andrew P. Armacost, Cynthia Bamhart, Keith A. Ware y
Alysia M. Wilson. "UPS Optimizes Its Air Network", Interfaces 34, 1 (enero-
febrero de 2004): 15-25.
306 CAPÍTULO 8 • APLICACIONES DE PROGRAMACIÓN LINEAL

A B C D E ti
PROGRAMA 8.6
1 ICT Portfolio Selection
Solución para el 2
portafolios de ICT 3 Variable XI X2 X4,
4 Solution l750000 950000 1500000 1800000i Total
en Excel 2013 0.11 0.19 0.151 712
5 Max. Return 0.07

7 LHS RHS
8 Trade 750000 < 1,000,000

lAIV IVIAinIA
9 'i Banda 1 950000 2,500,000
10 *Bold 1 1500000 1,500,000
11 Construetion 1 1800000 1,800,000
12 Min. GolekConal -0.55 -0.55 0.45 0.45 550000 o
13 Min. Trade 0.85 -0.15 -0.15 -0.15 o o
14 Total Invested 1 1 1. 5000900 5000000

Entrada de parámetros y selecciones en Solver Fórmulas clave

Celda objetivo: F5
4 Total Return
Celdas variables: B4:E4 5 aSUMPRODUCT(51354:$854,111515)

Para: Min Copiar F5 a F8:F14

Sujeto a las restricciones:
F8:F11 <= H8:H11
F12:F13 >= H12:H13
F14 <= H14
Método de solución: Simplex LP
E Variables no negativas

En el programa 8.6 se muestra la solución encontrada utilizando Solver en Excel. ICT maximiza
el interés ganado al hacer la siguiente inversión: X1 = $750.000, X2 = $950,000, X3 = $1,500,000 y
X4 = S1,800,000, y el interés total ganado es de $712,000.

Problema del camión de carga

El problema del camión de carga implica decidir qué artículos se deben cargar en un camión con la
finalidad de maximizar el valor de una carga enviada. A manera de ejemplo, considere a Goodman
Shipping, una empresa de Orlando propiedad de Steven Goodman. Uno de sus camiones, con una ca-
pacidad de 10,000 libras, está a punto de cargarse.* El cargamento en espera está formado por los si-
guientes artículos:

ARTÍCULO VALOR (S) l'ES() (LIBRAS)

1 22,500 7,500
2 24,000 7,500
3 8,009 3,000
4 9,50C 3,500
5 11,500 4,000
6 9,750 3,500

Adaptado de un ejemplo en S. L. Savage. Mimes Besti Oakl d, CA: General Optimization, Inc. y Holden-Day, 1985.
 8.5 APLICACIONES FINANCIERAS 307

Como se observa, cada uno de estos seis artículos tiene un valor monetario y un peso asociados.
El objetivo es maximizar el valor total de los objetos cargados en el camión, sin exceder su capacidad
de peso. Si Xi es la proporción de cada artículo i cargado en el camión:

Maximizar el valor de la carga = $22,500X1 + $24,000X2 + $8.000X3 + $9,500X4

+ $11,500X5 + $9,750X6
sujeta a 7,500X1 + 7,500X2 + 3,000X3 + 3,500X4 + 4,000X5
+3,5004 Capacidad de 10,000 libras
4 51
X2 1
X3 < 1
X4 <_ 1
X5 5 1
X6<_ 1

XI, X2, X3, X4, X5, X6 O

Estas últimas seis restricciones reflejan el hecho de que, a lo sumo, se puede cargar una "unidad" de
un artículo en el camión. En efecto, si Goodman puede cargar una porción de un artículo (por ejemplo,
el artículo 1 es un lote de 1,000 sillas plegables, y no es necesario enviarlas todas juntas), las Xi serán pro-
porciones que van de O (nada) a 1 (todo el artículo cargado).
Para resolver este problema de PL, regresamos a Solver de Excel. En el programa 8.7 se muestra
la formulación de Goodman en Excel, los datos de entrada y la solución —que da un valor de carga total
de $31,500.
La respuesta nos conduce a un tema interesante que estudiaremos a detalle en el capítulo 10. ¿Qué
haría Goodman si no se pudieran cargar fracciones de los artículos? Por ejemplo, si fueron los artículos
a cargar fueran automóviles de lujo, resulta claro que no podemos enviar un tercio de un Maserati.

PROGRAMA 8.7 A 1
Goodman Shipping
Solución en Excel al
problema de la carga Variables X1 X2 X3 X4 X5 X6
Values 0.3333 1 0 0 0 O Total \falo°
de un camión de
5 Load Value $ 22500 24000 8000 9500 11500 9750 I 31500
Goodman 6
7 Constrainta l.HS Sign RHS
8 Total weight 7500 7500 3000 3500 4000 3500 10000 10000
9 % !tern 1 1 0.3333333
10 %kern 2 1 1
11 % ttern 3
12 % kern 4 O
13 % Itern 5 o
'4 % !tern 6

Entrada de parámetros y selecciones en Solver Fórmulas clave.

Celda objetivo: H5
Total Value
Celdas variables: B4:G4 .SUMPRODUCT($13$4:$G$4,135:G5)

Para: Min
Copiar H5 a H8:H14
Sujeto a las restricciones:
H8:H14 <= J8:J14
Método de solución: Simplex LP
17 Variables no negativas
308 CAPÍTULO 8 • APLICACIONES DE PROGRAMACIÓN LINEAL

Si la proporción del artículo 1 se redondeara a 1. , el peso de la carga aumentaría a 15,000 libras,

lo cual quebrantaría la restricción de un peso de máx mo de 10,000 libras. Por lo tanto, la fracción del
artículo 1 debe redondearse a cero. Esto disminuiría el valor de la carga a 7,500 libras y quedarían 2,500
libras de capacidad de carga sin utilizar. Debido a qu ningún otro artículo pesa menos de 2,500 libras,
el camión no puede llenarse más.
Entonces, vemos que al utilizar la PL regular y r ondear los pesos fraccionarios, el camión llevaría
sólo el artículo 2, con un peso de carga de 7,500 libras un valor de $24,000.
QM para Windows y los optimizadores en hojas de cálculo como Solver de Excel también son capa-
ces de abordar los problemas de programación entera, es decir, problemas de PL que requieren soluciones
enteras. Mediante el uso de Excel, la solución entera al problema de Goodman es cargar los artículos 3, 4
y 6, para un peso total de 10,000 libras y un valor de carga de $27,250.

8.6 Aplicaciones a la mezcla de ingredientes

Problemas de dieta
El problema de la dieta, una de las primeras aplicaciones de la PL, fue utilizado originalménte en los
hospitales para determinar la dieta más económica para los pacientes. Conocido en aplicaciones agríco-
las como el problema de la mezcla de alimentos, el problema de la dieta implica la especificación de
un alimento o una combinación de ingredientes que satisfagan los requerimientos nutricionales dados
a un costo mínimo.
El Centro de Nutrición y Alimentación Integral utiliza tres granos a granel para mezclar un cereal
natural que vende por libras. En la tabla 8.5 se muestran los costos de cada grano a granel y de las unidades
de proteína, riboflavina, fósforo y magnesio por libra.
En el empaque de cada uno de sus productos, el Centro indica el contenido nutricional en cada
plato de cereal cuando se come con 0.5 tazas de leche. Se consultaron los niveles dietéticos recomenda-
dos y la referencia de ingesta dietética oficiales, para establecer las cantidades recomendadas de ciertas
vitaminas y minerales para un adulto promedio. Con base en estas cifras y las cantidades deseadas para
el etiquetado en el envase, el Centro ha determinado que cada porción de 2 onzas del cereal debería
contener 3 unidades de proteína, 2 unidades de riboflavina, 1 unidad de fósforo y 0.425 unidades de
magnesio.
Al modelar esto como un programa lineal, el objetivo es minimizar el costo. Habrá cuatro restric-
ciones (para proteína, riboflavina, fósforo y magnesio) que estipulan que el número de unidades debe
ser, por lo menos, la cantidad mínima especificada. Dado que estos requisitos son para cada porción
de 2 onzas, la última restricción debe indicar que la cantidad total de granos utilizados será de 2 onzas
o 0.125 libras.
Para definir las variables, observe que el costo de los tres granos se expresa por libra. Por lo tanto, con
la finalidad de calcular el costo total, debemos conocer el número de libras de grano utilizadas en una por-
ción de cereal. Además, las cifras de la tabla 8.5 se expresan en unidades por libra de grano, por lo que al
definir las variables como el número de libras dé grano, se facilita el cálculo de las cantidades de proteína,
riboflavina, fósforo y magnesio. Sean
XA = libras del grano A en una porción de 2 onzas de cereal
XB = libras del grano B en una porción de 2 onzas de cereal
Xc = libras del grano C en una porción de 2 onzas de cereal

TABLA 8.5 Requisitos para el cereal de Nutrición y Alimentación Integral

COSTO POR LIBRA PIKTEÍNA '1" RIZFLAVINA FOSFÓ'' O MAGNESIO

GRANO (CENTAVOS) (UNIDADES/LB) (UNIDADES/LB) (UNIDADES/LB) (UNIDADES/LB)

A 33 22 16 8 5
B 47 28 14 7 O
C 38 21 25 9 6
 8.6 APLICACIONES A LA MEZCLA DE INGREDIENTES 309

Función objetivo:

Minimizar el costo total de mezclar una porción de 2 onzas = $0.33XA + $0.47XB + $0.384
sujeto a

22XA + 284 + 214 3 (unidades de proteína)

16XA + 144 + 254 2
8XA + 7X8 + 9Xc > 1
5XA + OXB +
XA + XB + Xc = 0.125
XA, XB, Xc > O
(unidades de riboflavina)
(unidades de fósforo)
0.425 (unidades de magnesio)
(la mezcla total es de 2 onzas o 0.125 libras)

La solución a este problema requiere mezclar 0.025 libras del grano A, 0.050 libras del grano B y 0.050
libras del grano C. Otra forma de expresar la solución es en términos de la proporción de cada grano en
la porción de 2 onzas, es decir, 0.4 onzas del grano A, 0.8 onzas del grano B y 0.8 onzas del grano C
en cada porción. El costo por porción es de 50.05. En el programa 8.8 se ilustra esta solución utilizando
Solver en Excel 2013.

Problemas de mezcla de ingredientes

Los problemas de la dieta y la mezcla de alimentos son en realidad casos especiales de una clase más ge-
neral de problemas de PL conocidos como problemas de mezclas o de ingredientes. Los problemas de
mezclas surgen cuando debe tomarse una decisión con respecto a la combinación de dos o más recursos
para producir uno o más productos. Los recursos, en este caso, contienen uno o más ingredientes esen-
ciales que deben mezclarse de forma que cada producto final contenga porcentajes específicos de cada
ingrediente. El siguiente ejemplo presenta una aplicación que se ve con frecuencia en la industria del pe-
tróleo: la mezcla de crudos para producir gasolina refinada.

PROGRAMA 8.8 A E
1 Whole Foods Nutrition Problem
Solución al problema del 2
Centro de Alimentación 3 Grain A Grain B Grain C
4 Variable Xa Xb Xc
Integral en Excel 2013 5 Solution 0.025 0.05 0.05 Total Cost
6 Minimizo 0.33 0.47 0.38 0.05075
7
8 Constraints UHS Sign MG
9 Protein 22 28 21 3 3
10 boflav I n 16 14 25 2.35 2
11 !Phosplsorus 8 7 9 1 1
12 IVIagnesium 5 o 6 0.425 0.425
13 Total ~gis 1 1 0.125 0.125

Entrada de parámetros y selecciones en Solver Fórmulas clave

Celda objetivo: E6 E
5 Total Cost
Celdas variables: B5:D5 6 =SumPRoDUCT(58$5:5055,86:06)

Para: Min
Copiar E6 a E9:E13
Sujeto a las restricciones:
E9:E12 <= G9:G12
E13 = G13
Método de solución: Simplex LP
E Variables no negativas
310 CAPÍTULO 8 • APLICACIONES DE PROGRAMACIÓN LINEAL
Las principales refinerías de petróleo
utilizan la PL para mezclar petróleos
crudos y producir gasolinas distintas.
La compañía petrolera Low Knock produce do grados de gasolina a precio reducido para la dis-
tribución industrial. Los grados, regular y económi o, se elaboran mediante el perfeccionamiento de
una mezcla de dos tipos de petróleo crudo, tipo X10 y tipo X220. Cada petróleo crudo se diferencia no
sólo en el costo por barril, sino también en su comí osición. La siguiente tabla indica el porcentaje de
ingredientes cruciales que se encuentran en cada un de los petróleos crudos y el costo por barril para
cada uno:
Tipo DE PETRÓLEO INGREDIENTE A INGREDIENTE R COSTO/BARRIL
CRUDO I ciu) ( (/( ) (S)
X100 35 55 30.00
X220 60 25 34.80
La demanda semanal para el grado regular Je la gasolina Low Knock es de al menos 25,000
barriles, y la demanda del grado económico es de al menos 32,000 barriles por semana. Al menos 45%
de cada barril del grado regular debe ser del ingrediente A. A lo sumo 50% de cada barril de grado
económico debería ser del ingrediente B. Aunque el rend'Iniento de gasolina de un barril de crudo de-
pende del tipo de crudo y del tipo de procesamiento utilizado, supondremos para este ejemplo que un
barril de petróleo crudo producirá un barril de gasolina.
La gerencia de Low Knock debe decidir cuántos barriles de cada tipo de petróleo crudo tiene que
comprar cada semana, con la finalidad de mezclarlos y satisfacer la demanda a un costo mínimo. Al mode-
lar esto como un programa lineal, el objetivo es minimizar el costo. Cada uno de los dos grados de gasolina
tiene una restricción de demanda y, además, tiene una restricción que limita la cantidad de ingredientes.
Por lo tanto, hay cuatro restricciones. Las decisiones implican la cantidad de cada tipo de crudo a utilizar
en cada tipo de gasolina, por lo que éstas serán las variables de decisión. Sean
Xt = barriles de crudo X100 mezclados para producir la gasolina regular
X2 = barriles de crudo X100 mezclados para producir la gasolina económica
X3 = barriles de crudo X220 mezclados para producir la gasolina regular
X4 = barriles de crudo X220 mezclados para producir la gasolina económica
Este problema se puede formular de la manera siguiente:
Función objetivo:
Minimizar el costo = $30X1 $30X2 + $34.80X3 + S34.80X4
sujeto a
X1 ± X3 25,000 (demanda de regular)
X2 + X4 P.- 32,000 (demanda de económica)
Al menos 45% de cada barril de grado regular debe er del ingrediente A:
crudo mezclado para satisfacer
la demanda de gasolina regular
Así,
0.45 (X1 + X3) = cantidad mínima requerida del ingrediente A
Pero
0.35X1 + 0.60X3 = cantidad del grediente A en la gasolina regular
Entonces,
0.35X1 + 0.60X3 0.45X1 + 0.45X3
o bien,
--0.10X1 + 0.15X3 0 (ingrediente A en la restricción regular)
 8.7 OTRAS APLICACIONES DE LA PROGRAMACIÓN LINEAL 311

Del mismo modo. a lo sumo 50% de cada barril del grado económico debería ser del ingrediente B:

X2 + X4 = cantidad total de crudo mezclado para producir

la gasolina económica demandada

Así.

0.50(X2 + X4) = cantidad máxima permitida del ingrediente B

Pero

0.55X2 + 0.25X4 = cantidad del ingrediente B en la gasolina económica

Así que

0.5512 + 0.25X4 0.50X2 + 0.50X4

o bien,

0.05X2 — 0.2514 5 O (ingrediente B en la restricción económica)

A continuación se presenta la formulación de PL completa:

Minimizar el costo = 30X1 + 30X2 + 34.80X3 + 34.80n

sujeto a Xt + X3 25,000
X2 + X4 32,000
+ 0.15X3 kO
0.05X2 — 0.25n O
XI, X2, X3, X4 O

Mediante el uso de Excel, se encontró que la solución para la formulación de Low Knock Oil es

Xt = 15,000 barriles de X100 en el grado regular

X2 = 26,666.67 barriles de X100 en el grado económico
X3 = 10,000 barriles de X220 en el grado regular
X4 = 5,333.33 barriles de X220 en el grado económico

El costo de esta mezcla es de $1,783,600. Consulte el programa 8.9 para ver más detalles.

8.7 Otras aplicaciones de la programación lineal

Existen muchos otros tipos de aplicaciones de la programación lineal. Una aplicación específica fue
desarrollada y utilizada por primera vez por American Airlines a principios de la década de 1990, y
se denomina administración de ingresos. Fue diseñada con la finalidad de usar precios diferenciales
para los asientos, de manera que se pudieran obtener ingresos adicionales. Algunos clientes que estaban
dispuestos a reservar con ciertas restricciones, como la compra anticipada 14 días o con una estancia
de un sábado por la noche, recibirían tarifas más bajas. Sin embargo, si todos los asientos se vendieran
a este costo reducido, entonces los pasajeros que pagan más, a menudo los viajeros de negocios que
podrían tratar de reservar asientos en el último minuto, no serían capaces de hacerlo. En ese caso, se
perderían los ingresos adicionales generados a partir de estos pasajeros. Se desarrolló un sistema de ad-
ministración de ingresos paró determinar cuántos asientos se deberían poner a disposición de cada tipo
de pasajero. Los programas lineales tienen el objetivo de maximizar los ingresos totales, mientras que
las restricciones se basan en el número total de asientos disponibles en el avión y el número de asientos
asignados a cada categoría. Las empresas han reportado aumentos significativos en los ingresos como
resultado de esto.
Dado el éxito de los sistemas de administración de ingresos en la industria de las aerolíneas, mu-
chas cadenas hoteleras también adoptaron sistemas similares. La industria de la aviación comercial y
el sector hotelero tienen productos con características similares: un inventario limitado de un producto
312 CAPÍTULO 8 • APLICACIONES DE PROGRAMACIÓN LINEAL

PROGRAMA 8.9 A
1 LOW Knodc Oil Company
Solución para Low Knock
Oil en Excel 2013 X100 Reg X100 Econ X220 Ree X220 Econ
4 Variable X1 X2 X3 X4
Solution 15000 26666.67 10000 5333.33 Total Cost
5 Cost 30 30 34.8 34.8 17113600
7
8 1Constraints LHS Sign RHS
9 Dernand Recular 1 1 25000 > 25000
10 ~and Economy 1 32000 > 32000
11 Inc. A in Recular -0.1 0.15 > o
12 Inc. B in Econorny 0.05 -0.25 < o

Entrada de parámetros y selecciones en Solver Formulas clave

Celda objetivo: E6
5 Total Cost
Celdas variables: 65:E5 6 .SUMPRODUCT(5855:5E55,B6:E6)

Para: Min Copiar F6 a F9:F12

Sujeto a las restricciones:
F9:F11 >= H9:H11
F12 <= H12
Método de solución: Simplex LP
L7I; Variables no negativas

muy perecedero. Un avión tiene un número limitado iie asientos, y cuando el avión despega, los asientos
vacíos ya no pueden venderse y los ingresos se pierden. Un hotel tiene un número limitado de habita-
ciones, y una vez que una determinada fecha ha pasado, una habitación vacía en esa fecha no se puede
vender, y los ingresos se pierden.
Otro tipo común de aplicación es el análisis envolvente de datos (DEA, por data envelopment analy-
sis) que, en ocasiones, se utiliza para medir la eficiencia de varias unidades operativas similares, como
hospitales o escuelas. Se usa con frecuencia para entidades sin fines de lucro, en las cuales es dificil medir
el éxito de una unidad especial, por lo que no existe un único objetivo, como las utilidades, que deba op-
timizarse. En el desarrollo del programa lineal, es necesario identificar las entradas y salidas del sistema
en particular. Para el sistema de un hospital, las entrari:as pueden ser el número de médicos que trabajan, la
cantidad de enfermeras que están laborando, el númer de camas-día disponibles por año y la nómina total.
Las salidas pueden ser el número de días-paciente en el hospital, el número de enfermeras capacitadas, el
número de cirugías realizadas, el número de procedi 'entos ambulatorios realizados y el número de médi-
cos capacitados. Se desarrollan restricciones relativas a cada una de estas entradas y salidas para cada uni-
dad en el sistema. El objetivo es, básicamente, minimizar los recursos necesarios para generar los niveles
específicos de salida. Los resultados indican si podrían haberse utilizado menos recursos para generar el
mismo nivel de productos, en comparación con una unidad típica del sistema. En seguida, se pueden hacer
esfuerzos para identificar áreas específicas que se consideran potencialmente ineficientes, con la finalidad
de aplicar las mejoras pertinentes.
Los problemas de transporte, transbordo y asignación se utilizan ampliamente en los negocios. Son
tan comunes que se han desarrollado algoritmos de propósito especial para resolverlos más rápidamente
que los procedimientos actuales utilizados para otro tipo de problemas de programación lineal. Estas apli-
caciones se presentarán en el siguiente capítulo.

El Casino Harrah's Cherokee usa programación lineal
EN ACCIÓN para la administración de ingresos
L a identificación de los clientes que generen más ingresos suele ser
muy difícil, pero el Casino Harrah's Cherokee se ha beneficiado de
una manera única al colocar a los clientes en determinados segmen-
tos de mercado, con base en sus hábitos de consumo. Harrah's alienta
a los clientes de casinos a unirse a su club Recompensas Totales. En
este club, se ganan puntos cada vez que el miembro juega un juego
de casino o gasta dinero en un restaurante, un spa, una tienda de re-
galos o una instalación hotelera. La ganancia de puntos da derecho a
los jugadores de recibir beneficios como salones gratuitos o con des-
cuento, alimentos, entradas para espectáculos y otras recompensas.
El seguimiento del tamaño de las apuestas, así como el número de
apuestas realizadas, permite que Harrah's clasifique a los jugadores
en segmentos basados en la cantidad que juegan normalmente al vi-
sitar los casinos. Los mejores generadores de ingresos son los clientes
que normalmente juegan más dinero durante cada día de su estancia.
Cuando alguien intenta reservar una habitación, si es un jugador con
gastos bajos, podría recibir la noticia de que no hay habitaciones dis-
ponibles, mientras que un cliente con gastos altos sí podría reservar la
habitación. Para promover la buena imagen de la empresa, al cliente
en el segmento de gastos bajos podría ofrecérsele una habitación gra-
tuita en un hotel cercano. Los ingresos adicionales que se obtendrían
por la reservación de una habitación para un jugador con gastos altos
compensaría por mucho este costo.
Se utiliza un programa lineal para maximizar los ingresos gene-
rados sujeto al número total de habitaciones disponibles y al número
Resumen
En este capítulo continuamos con nuestro estudio de los modelos de
programación lineal. Se siguieron los pasos básicos para la formu-
lación de un programa lineal en una variedad de problemas. Estas
aplicaciones incluyeron marketing, programación de la producción,
finanzas y mezcla de ingredientes. Se prestó atención a la compren-
sión del problema, la identificación del objetivo y las restricciones, la
definición de las variables de decisión y el desarrollo de un modelo
matemático con estos elementos.
Autoevaluación
• Antes de realizar la autoevaluación, consulte los objetivos de aprendizaje al comienzo del capítulo y las notas en los márgenes.
• Consulte las soluciones en la parte final del libro para corregir sus respuestas.
• Vuelva a estudiar las páginas que correspondan a todas las preguntas que respondió incorrectamente o al material del que no se sienta seguro.
1. La programación lineal se puede utilizar para seleccionar
mezclas eficaces de medios de comunicación, asignar
presupuestos fijos o limitados entre esos medios, y maximizar
la exposición al público.
a. Cierto
b. Falso
2. El uso de PL para maximizar la exposición al público en una
campaña publicitaria es un ejemplo del tipo de aplicación de PL
conocida como
a. investigación de mercados.
b. selección de medios de comunicación.
c. evaluación del portafolios.
AUTOEVALUACIÓN 313
total de habitaciones que se asignan a cada segmento de clientes.
Las variables incluyen el número de habitaciones que se ponen a dis-
posición de cada segmento. los precios sombra de las restricciones
indican cuántos ingresos extra se generan, si se pone una habitación
adicional a disposición de los diferentes segmentos. El modelo se ac-
tualiza frecuentemente con base en el número de habitaciones dispo-
nibles, el número de días restantes hasta la fecha de la reservación y
otros factores. Con base en los resultados de este modelo, los esfuer-
zos de marketing están dirigidos a miembros muy específicos del club
Recompensas Totales cuando parece que el tráfico en el hotel puede
ser muy escaso en un día en particular.
Las implementaciones de la administración de ingresos suelen au-
mentar éstos entre 7 y 3%; sin embargo, Harrah's ha experimentado
un aumento de 15% en los ingresos a partir de los sistemas de ad-
ministración de ingresos en todos sus hoteles y casinos. En el Casino
Harrah's Cherokee, el hotel abrió sus puertas con el sistema ya imple-
mentado por lo que no hay una base de comparación. Sin embargo,
el margen de utilidad de esta propiedad específica es de 60% sobre
los ingresos brutos, lo cual duplica el promedio del sector.
Fuente: Basado en Metters, Richard et al. "The 'Killer Application' of Revenue
Management: Harrah's Cherokee Casino & Hotel", Interfaces 38, 3 (mayo-
junio de 2008): 161-175.
En los próximos capítulos, se presentarán aplicaciones adi-
cionales de la programación lineal. El problema del transporte se
expondrá en el capítulo 9, junto con otras dos aplicaciones estre-
chamente relacionadas: el problema de asignación y el problema de
transbordo.
d. presupuesto de medios de comunicación.
e. todas las anteriores.
3. ¿Cuál de los siguientes no representa un factor que un
administrador podría considerar al emplear PL para
programación de la producción:
a. la capacidad de la mano de obra
b. las limitaciones de espacio
e. la demanda del producto
d. la evaluación de riesgos
e. los costos de inventario
314 CAPITULO 8 • APLICACIONES DE PROGRAMACIÓN LINEAL

4. Al aplicar PL a problemas de dieta, la función objetivo está
generalmente diseñada para
a. maximizar las utilidades de las mezclas de nutrientes.
b. maximizar las mezclas de ingredientes.
c. minimizar las pérdidas de producción.
d. maximizar el número de productos a elaborar.
e. minimizar los costos de las mezclas de nutrientes.
5. El problema de la dieta
a. también se conoce como problema de la mezcla de alimentos
en la agricultura.
b. es un caso especial del problema de la mezcla de ingredientes.
c. es un c o especial del problema de la mezcla.
d. todas 1 anteriores.
6. La selecció de inversiones específicas entre una amplia
variedad d alternativas es el tipo de problema de PL conocido
como
a. el problema de la mezcla de productos.
b. el problema de inversión del banquero.
c. el problema de la selección del portafolios.
d. el problema de Wall Street.
e. ninguno de los anteriores.

Problemas
al • 8-1 (Problema de producción) Winlder Furniture fabrica dos (a) Los bonos municipales deberían constituir al menos
tipos de gabinetes diferentes: un modelo provincial fran- 20% de la inversión.
cés y un modelo moderno danés. Cada gabinete producido (b) Al menos 40% de los fondos deben colocarse en una
debe pasar por tres departamentos: carpintería, pintura combinación de empresas de electrónica, compañías
y acabado. La tabla siguiente contiene toda la informa- aeroespaciales y fabricantes de medicamentos.
ción pertinente relacionada con los tiempos de producción (c) No más de 50% de la cantidad invertida en bonos
por gabinete producido y la capacidad de producción para municipales debería colocarse en acciones con alto
cada operación por día, además de los ingresos netos riesgo y alto rendimiento de un hogar de retiro.
por unidad producida. La compañía tiene un contrato con
Con sujeción a estas restricciones, el objetivo del clien-
un distribuidor de Indiana para producir un mínimo de
te e maximizar la rentabilidad proyectada sobre sus
300 gabinetes de cada tipo a la semana (o 60 gabinetes
inve siones. Los analistas de Heinlein y Krampf, cons-
por día). Al propietario Bob Winkler le gustaría determi-
cien s de estas directrices, preparan una lista de acciones
nar una mezcla de productos que maximice sus ingresos
y bo os de alta calidad y sus correspondientes tasas de
diarios.
rend miento:
(a) Formule esto como un problema de PL.
(b) Resuelva usando un programa de software de PL o TASA DE RENDIMIENTO
una hoja de cálculo. INVERSIÓN PROYECTADA (%)
al- 8-2 (Problema de decisión de inversiones) La firma de co- Bonos municipales de Los Ángeles 5.3
rretaje Heinlein and Krampf acaba de recibir la instruc- Electrónica Thompson, Inc. 6.8
ción de uno de sus clientes para invertir $250,000 que
Corporación Aerospacial Unida 4.9
obtuvo recientemente a través de la venta de unos terrenos
en Ohio. El cliente tiene una buena dosis de confianza en Medicamentos Palmer 8.4
la casa de inversión, pero también tiene sus propias ideas Hogares de retiro Happy Days 11.8
acerca de la distribución de los fondos a invertir. En par-
ticular, solicita que la firma seleccione acciones y bonos (a) Formule este problema de selección del portafolios
que considere bien valorados, pero dentro de los siguien- utilizando PL.
tes lineamientos: (b) Zesuelva este problema.

Datos para el problema 8-1

PINTURA ACABADO
CARPINTERÍA (HORAS/ (HORAS/ INGRESOS NETOS/
ESTILO DE GABINETE (HORAS/GABINETE) GABINETE) GABINETE) GABINETE ($)

Provincial francés 3 1.5 0.75 28

Moderno danés 2 1 0.75 25
Capacidad del departamento (horas) 360 200 125

Nota: significa que el problema puede resolverse con QM para Windows; X significa que el problema puede resolverse con Excel QM, y al significa que el problema
puede resolverse con QM para Windows y/o Excel QM.
 PROBLEMAS 315

(Problema de programación del trabajo en un restau-
rante). El famoso restaurante Y. S. Chang está abierto
las 24 horas del día. Los camareros y sus ayudantes se
presenten a trabajar a las 3 A.M., 7 A.M., 11 A.M., 3 P.M.,
7 P.M. u 11 P.M., y cada uno trabaja un turno de 8 horas.
La siguiente tabla muestra el número mínimo de traba-
jadores necesarios durante los seis periodos en los que
se divide el día. El problema de programación de Chang
es determinar el número de camareros y ayudantes que
deberían presentarse al trabajo al inicio de cada periodo
de tiempo, con la finalidad de minimizar el personal to-
tal necesario para la operación en un día. (Sugerencia:
Considere que X; es igual al número de camareros y ayu-
dantes que empiezan a trabajar en el periodo de tiempo i,
donde i = 1, 2, 3, 4, 5, 6).
mínimos, las unidades en cada ingrediente por libra
de mezcla de alimentos y los costos de las tres mezclas.
Además, el propietario del establo está consciente de
que un caballo sobrealimentado es un trabajador lento. En
consecuencia, se determina que 6 libras de alimento por
día es el máximo que cualquier caballo necesita para tra-
bajar correctamente. Formule este problema y determine
la mezcla óptima diaria de los tres alimentos.
31? 8-5 La corporación Kleenglass produce un lavavajillas que
tiene un poder de limpieza excelente, y utiliza menos agua
que la mayoría de sus competidores, además de que es
muy silencioso. Se han recibido pedidos de varias tiendas
minoristas para ser entregados al final de cada uno de los
próximos 3 meses, como se indica a continuación:

NÚMERO DE CAMAREROS Y NÚMERO DE

PERIODO HORA AYUDANTES REQUERIDOS MES UNIDADES

1 3 A.M.-7 A.M. 3 Junio 195

2 7 A.M.-11 A.M. 12
3 11 A.M.-3 P.M. 16
4 3 p.m.-7 P.M. 9
5 7 P.M.—1 1 P.M. 11
6 11 P.M.-3 A.M. 4 de $300 por cada unidad. Sin embargo, es posible produ-
2
1: 8-4 (Problema de mezcla de alimentos para animales) El
establo Battery Park ofrece alimento y alberga caballos
utilizados para tirar de las carretas turísticas que circulan
por las calles de la zona histórica en el muelle de Char-
leston. El dueño del establo, un exentrenador de caballos
de carreras, reconoce la necesidad de establecer una dieta
nutricional para los caballos bajo su cuidado. Al 'mismo
tiempo, le gustaría mantener en un nivel mínimo el costo
diario total de alimentación.
Las mezclas de alimentos disponibles para la dieta de
los caballos son un producto de avena, un grano altamente
enriquecido y un producto mineral. Cada una de estas
mezclas contiene cierta cantidad de cinco ingredientes ne-
cesarios diariamente para mantener saludable a un caballo
promedio. La tabla en esta página muestra estos requisitos
Julio 215
Agosto 205
Debido a la capacidad limitada, sólo se pueden hacer
200 lavavajillas cada mes en tiempo regular, y el costo es
cir un extra de 15 unidades mensuales si se usa tiempo
extra, pero el costo sube a $325 por cada uno. Además, si
se produce algún lavavajillas y no se vende en el mismo
mes de su fabricación, hay un costo de $20 por conser-
var el artículo para el mes siguiente. Utilice programación
lineal para determinar el número de unidades a producir
cada mes en tiémpo regular y en tiempo extra, con la fi-
nalidad de minimizar el costo total mientras se satisfacen
las demandas.
a
l: 8-6 Eddie Kelly es candidato a ser reelecto como alcalde de
una pequeña ciudad de Alabama. Jessica Martínez, direc-
tora de su campaña durante esta elección, está planeando
la campaña de marketing y enfrenta una dura competen-
cia. Martínez ha seleccionado cuatro maneras de hacer
publicidad: anuncios en televisión, anuncios en radio, espec-
taculares (vallas publicitarias) y anuncios en periódicos.

Datos para el problema 8-4

MEZCLA DE ALIMENTOS

REQUISITO PRODUCTO GRANOS PRODUCTO REQUISITO

DE DIETA DE AVENA ENRIQUECIDOS MINERAL MÍNIMO DIARIO
(INGREDIENTES) (UNIDADES/LB) (UNIDADES/LB) (UNIDADES/LB) (UNIDADES)
A 2 3 1 6
0.5 1 0.5 2
C 3 5 6 9
D 1 1.5 2 8
B 0.5 0.5 1.5 5
Costo/lb $0.09 $0.14 $0.17
316 CAPÍTULO 8 • APLICACIONES DE PROGRAMACIÓN LINEAL
En la siguiente tabla se muestran los costos de estos me-
dios de comunicación, la audiencia alcanzada por cada tipo
de anuncio y el número máximo de anuncios disponibles:
COSTO AUDIENCIA
TIPO DE POR ALCANZADA/ NÚMERO
ANUNCIO ANUNCIO ANUNCIO MÁXIMO
TV $800 30,000 10
Radio $400 22,000 10
Espectaculares $500 24,000 10
Periódicos $100 8,000 10
Además, Martínez ha decidido que debería haber al
menos seis anuncios en televisión o radio, o alguna com-
binación de ambos. La cantidad que se gasta en conjunto
en espectaculares y periódicos no debe exceder el mon-
to gastado en anuncios de televisión. Si bien la recauda-
ción de fondos aún continúa, el presupuesto mensual para
publicidad se ha fijado en $15,000. ¿Cuántos anuncios de
cada tipo se deberían colocar para maximizar el número
total de personas alcanzadas?
• 8-7 (Problema de selección de medios de comunicación) El
director de publicidad de Diversey Paint and Supply, una
cadena de cuatro tiendas minoristas en la parte norte de
Chicago, está considerando dos posibilidades de medios
de publicidad. Un plan consiste en una serie de anun-
cios de media página en el periódico dominical Chicago
Tribune, y el otro es tiempo de publicidad en la televisión
de Chicago. Las tiendas están ampliando sus líneas de
herramientas tipo "hágalo usted mismo", y el director
de publicidad está interesado en un nivel de exposición de,
al menos, 40% en los vecindarios de la ciudad y 60% en
las zonas suburbanas del noroeste.
El tiempo de visualización en televisión considerado
tiene una clasificación de exposición de 5% por anuncio
en los hogares de la ciudad y de 3% en los suburbios del
noroeste. El periódico del domingo tiene tasas de expo-
sición correspondientes a 4 y 3% por anuncio. El costo
de un anuncio de media página en el Chicago Tribune es
$925; un anuncio en televisión cuesta $2,000.
A Paint Diversey le gustaría seleccionar la estrategia
de publicidad menos costosa que responda a los niveles de
exposición deseados.
(a) Formule utilizando PL.
(b) Resuelva el problema.
1.t1: 8-8 (Problema de arrendamiento de automóviles) Sundown
Rent-a-Car, una agencia grande de alquiler de automóvi-
les que opera en el Medio Oeste de Estados Unidos, está
preparando una estrategia de arrendamiento durante los
próximos seis meses. Sundown arrienda automóviles a un
fabricante y los alquila al público sobre una base diaria. A
continuación se presenta un pronóstico de la demanda de
autos para Sundown en los próximos seis meses:
MES MARZO ABRIL MAYO JUNIO JULIO AGOSTO
Demanda 420 400 430 460 470 440
Los automóviles pueden arrendarse al fabricante, ya
sea por tres, cuatro o cinco meses. Éstos son arrendados el
prime r día del mes y se devuelven el último día del mes.
Cada seis meses, Sundown notifica al fabricante de au-
tomó' 'les el número de vehículos necesarios durante los
próxi nos seis meses. El fabricante ha estipulado que, al
meno s, 50% de los automóviles arrendados durante un pe-
riodo de seis meses debe estar bajo un contrato de arren-
damiento por cinco meses. El costo por mes en cada uno
de los tres tipos de contratos de arrendamiento es de
$420 para el de tres meses, $400 para el de cuatro meses
y $370 para el de cinco meses.
En la actualidad, Sundown tiene 390 autos. El con-
trato de arrendamiento de 120 automóviles expira a finales
de marzo. El contrato de otros 140 autos expira a finales de
abril. y el contrato del resto de ellos expira a finales de mayo.
Utilice PL para determinar la cantidad de autos que
deberían arrendarse cada mes en cada tipo de arrenda-
miento para minimizar el costo durante el periodo de seis
xr 8-9 La gerencia de Sundown Rent-a-Car (vea el problema 8-8)
ha decidido que quizás el costo durante el periodo de seis
meses no sea el costo que se debería minimizar, ya que la
agencia aún puede estar comprometida a meses adiciona-
les en algunos contratos de arrendamiento después de ese
tiempo. Por ejemplo, si Sundown tuviera algunos autos
entregados al comienzo del sexto mes, seguiría estando
comprometido por dos meses adicionales en un contrato
de arrendamiento de tres meses. Utilice PL para determi-
nar la cantidad de autos que deberían arrendarse cada mes
en cada tipo de arrendamiento, para minimizar el costo
durante toda la vida de dichos arrendamientos.
8-10 (Problema de transporte escolar de escuela secundaria)
El superintendente de educación del Condado de Arden,
Maryland, es responsable de asignar estudiantes a las tres
escuélas secundarias en su condado. Reconoce la necesidad
de transportar por autobús cierto número de estudiantes, en
varios sectores del condado que están a una distancia consi-
derable de la escuela. El superintendente divide el condado
en cinco sectores geográficos en su intento por establecer
un plan que minimice el número total de millas recorridas
por los estudiantes en autobús. También reconoce que si un
estudiante vive en un determinado sector y se asigna a la
escuela secundaria en ese sector, no hay necesidad de que
use el autobús porque podrá caminar a la escuela. Las tres
escuelas están ubicadas en los sectores B, C y E.
La siguiente tabla refleja el número de estudiantes en
edad de estudiar la secundaria que viven en cada sector,
así como la distancia en millas desde cada sector hasta
cada escuela:
DISTANCIA A LA ESCUELA
ESCUELA ESCUELA ESCUELA
EN EL EN EL EN EL NÚMERO DE
SECTOR SECTOR B SECTOR C SECTOR E ESTUDIANTES
A 5 8 6 700
0 4 12 500
4 o 7 100
D 7 2 5 800
B 12 7 O 400
2,500
 PROBLEMAS 317

Cada escuela secundaria tiene una capacidad de 900
estudiantes. Establezca la función objetivo y las restriccio-
nes de este problema utilizando PL, de modo que se mini-
mice el número total de millas que los estudiantes viajan
en autobús. Después, resuelva el problema.
8-11 (Problema de fijación de precio y estrategia de marke-
ting) La tienda de pinturas y recubrimientos I. Kruger
es un importante distribuidor minorista de la marca Su-
pertrex de revestimientos de vinilo. Kruger mejorará su
imagen en toda la ciudad de Miami, si puede vender más
rollos de Supertrex que otras tiendas locales el próximo
año. Es capaz de estimar la función de demanda de la si-
guiente manera:
Número de rollos de Supertrex vendidos = 20 X dólares
gastados en publicidad + 6.8 X dólares gastados en
muestras dentro de la tienda + 12 x dólares invertidos
en el inventario de revestimiento disponible — 65,000 X
porcentaje del margen de utilidad por encima del costo
de un rollo al mayoreo
La tienda presupuesta un total de $17,000 para pu-
blicidad, muestras en la tienda e inventario disponible de
Supertrex para el próximo año. Decide que debe gastar al
menos $3,000 en publicidad; asimismo, al menos 5% de
la cantidad invertida en inventario disponible debería de-
dicarse a las muestras en la tienda. Los márgenes de utili-
dad del Supertrex vistos en otras tiendas locales van desde
20 hasta 45%. Kruger decide que su margen de utilidad
también debe estar en ese rango.
(a) Formule esto como un problema de PL.
(b) Resuelva el problema.
(c) ¿Qué dificultad encuentra en la respuesta?
(d) ¿Qué restricción agregaría usted?
8-12 (Problema de selección de comidas en la universidad) Ka-
thy Roniger, dietista del campus en una pequeña universi-
dad de Idaho, es responsable de la formulación de un plan
de alimentos nutritivos para los estudiantes. Piensa que,
para la cena, se deben cumplir los siguientes cinco requisi-
tos de contenido en la comida: 1. entre 900 y 1,500 calorías;
2. al menos 4 miligramos de hierro; 3. no más de 50 gramos
de grasa; 4. al menos 26 gramos de proteína, y 5. no más de
50 gramos de carbohidratos. En un día específico, el inven-
tario de alimentos de Roniger incluye siete elementos que
pueden prepararse y servirse para la cena, con la finalidad
de satisfacer esos requisitos. En la siguiente tabla se propor-
cionan el costo por libra de cada alimento y su contribución
a los cinco requisitos nutricionales.
¿Qué combinación y cantidades de alimentos pro-
porcionará la nutrición que Roniger requiere con el costo
total mínimo?
(a) Formule esto como un problema de PL.
(b) ¿Cuál es el costo por comida?
(c) ¿Es una dieta bien balanceada?
X' 8-13 (Problema de producción de alta tecnología) Quitmeyer
Electronics Incorporated fabrica los siguientes seis dis-
positivos periféricos para microcomputadoras: módems
internos, módems externos, tarjetas de circuitos impresos,
unidades de CD, unidades de disco duro y tarjetas de ex-
pansión de memoria. Cada uno de estos productos técni-
cos requiere tiempo de prueba, en minutos, en tres tipos de
equipo electrónico, como se muestra en la tabla de la parte
inferior de esta página.
Los dos primeros dispositivos de prueba están dis-
ponibles 120 horas por semana. El tercero (dispositivo 3)
requiere más mantenimiento preventivo y puede utilizarse

Datos para el problema 8-12

TABLA DE VALORES ALIMENTICIOS Y COSTOS

CALORÍAS/ HIERRO GRASA PROTEÍNA CARBOHIDRATOS COSTO/
ALIMENTO LB (MG/LB) (MG/LB) (MG/LB) (MG/LB) LB ($)
Leche 295 0.2 16 16 22 0.60
Carne molida 1216 0.2 96 81 o 2.35
Pollo 394 4.3 9 74 o 1.15
Pescado 358 3.2 0.5 83 o 2.25
Frijoles 128 3.2 0.8 7 28 038
Espinacas 118 14.1 1.4 14 19 1.17
Papas 279 2.2 0.5 8 63 0.33
Fuente: Pennington, Jean A. T. y Judith S. Douglass. Bowes and Church's Food Values of Portions Commonly Used, 18a. ed., Philadelphia: Lippincott Williams 8c Wilkins,
2004, pp. 100-130.

Datos para el
problema 8-13 TARJETA UNIDADES TARJETAS
MÓDEM MÓDEM DE UNIDADES DE DISCO DE
INTERNO EXTERNO CIRCUITOS DE CD DURO MEMORIA
Dispositivo de prueba 1 7 3 12 6 18 17
Dispositivo de prueba 2 2 5 3 2 15 17
Dispositivo de prueba 3 5 1 3 2 9 2
318 CAPÍTULO 8 • APLICACIONES DE PROGRAMACIÓN LINEAL

sólo 100 horas cada semana. El mercado de los seis com- ace bles en los meses en los cuales la planta nuclear
ponentes de computadora es muy amplio, y Quitmeyer tien demasiado personal. Por lo tanto, si hay más em-
Electronics cree que puede vender todas las unidades de plea os capacitados disponibles de los que se necesitan
cada producto que pueda fabricar. La siguiente tabla re- en c alquier mes, cada trabajador recibirá su pago total,
sume los ingresos y los costos de material para cada aun e no esté obligado a trabajar las 130 horas.
producto: La capacitación de los empleados nuevos es un pro-
cedimiento importante y costoso. Se requiere un mes de
INGRESOS COSTO DE instrucción personalizada en el aula antes de que un nuevo
POR UNIDAD MATERIAL POR técnico pueda trabajar solo en las instalaciones del reactor.
DISPOSITIVO VENDIDA ($) UNIDAD ($) Por lo tanto, South Central debe contratar aprendices un
Módem interno 200 35 mes antes de que sean realmente necesarios. Cada apren-
diz hace equipo con un técnico nuclear especializado y
Módem externo 120 25
requiere 90 horas de tiempo de ese empleado, lo cual sig-
Tarjeta de circuitos impresos 180 40 nifica que hay 90 horas menos de tiempo del técnico dis-
Unidad de CD 130 45 ponibles ese mes para el trabajo real en el reactor.
Unidad de disco duro 430 170 Los registros del departamento de personal indican
60 una tasa de rotación de técnicos capacitados de 5% al mes.
Tarjeta de expansión de 260
En otras palabras, alrededor de 5% de los empleados ca-
memoria
lificados al inicio de cualquier mes renuncian a finales de
ese mes. Un técnico capacitado gana un salario promedio
Además, los costos de mano de obra variables son mensual de $2,000 (sin importar el número de horas traba-
de $15 por hora para el dispositivo de prueba 1, $12 por jadas, como se señaló anteriormente). A los aprendices se
hora para el dispositivo de prueba 2 y $18 por hora para les pagan $900 durante su mes de instrucción.
el dispositivo de prueba 3. Quitmeyer Electronics quiere
maximizar sus utilidades. (a) Formule este problema de personal utilizando PL.
(b) esuelva el problema. ¿Cuántos aprendices deben co-
(a) Formule el problema como un modelo de programa- enzar cada mes?
ción lineal. º: 8-15 (Pr blema de planeación de la producción agrícola)
(b) Resuelva el problema en computadora. ¿Cuál es la
La amilia de Margaret Black posee cinco parcelas de
mejor combinación de productos?
tie as de cultivo divididas en los sectores sureste, norte,
(c) ¿Cuál es el valor de un minuto de tiempo adicional por
nor este, oeste y suroeste. Margaret se dedica principal-
semana en el dispositivo de prueba 1? ¿En el disposi-
me te al cultivo de trigo, alfalfa y cebada, y actualmente
tivo de prueba 2? ¿En el dispositivo de prueba 3? ¿De-
est preparando su plan de producción para el próximo
bería Quitmeyer Electronics agregar más tiempo de los
afio. Las autoridades del agua en Pennsylvania acaban
dispositivos de pruebas? Si es así, ¿en qué equipo?
de anunciar su asignación de agua al año, y la granja de
21 8-14 (Problema de personal en una planta nuclear) South Cen- Black recibirá 7,400 acres-pies de agua. Cada parcela sólo
tral Utilities acaba de anunciar la apertura el 1 de agosto puede tolerar una cantidad específica de riego por estación
de su segundo generador de energía nuclear en su planta de de crecimiento, como se especifica en la siguiente tabla:
Baton Rouge, Luisiana. Su departamento de personal desea
determinar la cantidad de técnicos nucleares que deben ser LÍMITE DE AGUA DE RIEGO
contratados y capacitados para lo que resta del año. PARCELA ÁREA (ACRES) (ACRES-PIES)
En la actualidad, la planta emplea a 350 técnicos ple- Sureste 2,000 3,200
namente capacitados y proyecta las siguientes necesidades
Norte 2,300 3,400
de personal:
Noroeste 600 800
MES HORAS DE PERSONAL NECESARIAS Oeste 1,100 500
Suroeste 500 600
Agosto 40,000
Septiembre 45,000 Caca uno de los cultivos de Margaret necesita una canti-
Octubre 35,000 dad mínima de agua por acre, y hay un límite proyectado
Noviembre 50,000 en las ventas de cada cultivo. A continuación se presentan
Diciembre 45,000 los datos para cada cultivo:

AGUA NECESARIA POR ACRE

Por la ley de Luisiana, un empleado de un reactor en CULTIVO V NTAS MÁXIMAS (ACRE-PIES)
realidad no puede trabajar más de 130 horas al mes. (Un
poco más de 1 hora al día se utiliza para hacer el registro Trigo 110,000 fanegas 1.6
de entrada y salida, mantenimiento de los registros y aná- • Alfalfa 1,800 toneladas 2.9
lisis médico diario por radiación). La política en South Cebada 2,200 toneladas 3.5
Central Utilities también dicta que los despidos no son
 PROBLEMAS 319

La mejor estimación de Margaret es que puede ven-
der el trigo con una utilidad neta de $2 por fanega, la
alfalfa con $40 por tonelada y la cebada con $50 por tone-
lada. Un acre de tierra rinde un promedio de 1.5 toneladas
de alfalfa y 2.2 toneladas de cebada. El rendimiento del
trigo es de aproximadamente 50 fanegas por acre.
(a) Formule el plan de producción de Margaret.
(b) ¿Cuál debería ser el plan de cultivos y qué utilidad
generaría?
(c) Las autoridades del agua informan a Margaret que por
una tarifa especial de $6,000 este año, su granja cali-
ficará para una asignación adicional de 600 acres-pies
de agua. ¿Cómo debería responder?
9 E 8-16 (Problema de mezcla de materiales) Amalgamated Pro-
3g
ducts acaba de recibir un contrato para la construcción de
bastidores de acero para automóviles que se van a producir
en una nueva fábrica japonesa en Tennessee. El fabricante
japonés de automóviles tiene normas estrictas de control
de calidad para todos sus subcontratistas de componentes
y ha informado a Amalgamated que cada bastidor debe te-
ner el siguiente contenido de acero:
PORCENTAJE PORCENTAJE
MATERIAL MÍNIMO MÁXIMO
Manganeso 2.1 2.3
Silicio 4.3 4.6
Carbono 5.05 5.35
Amalgamated mezcla lotes de ocho diferentes ma-
teriales disponibles para producir una tonelada de acero
utilizado en los bastidores. La tabla en esta página detalla
esos materiales.
Formule y resuelva el modelo de PL que indicará la
cantidad de cada uno de los ocho materiales que deberían
mezclarse en una carga de 1 tonelada de acero, de manera
que Amalgamated cumpla sus requisitos y minimice los
costos.
9
X': 8-17 Consulte el problema 8-16. Encuentre la causa de la difi-
cultad y recomiende cómo ajustarla. Después, resuelva el
problema de nuevo.
11E 8-18 (Problema de expansión de un hospital) El Hospital
Mt. Sinaí en Nueva Orleans tiene una gran instalación
privada, con 600 camas, equipada con laboratorios, qui-
rófanos y equipo de rayos X. Con la finalidad de aumen-
tar sus ingresos, la gerencia de Mt. Sinaí ha decidido
agregar 90 camas en una porción de terreno adyacente
utilizada actualmente para el estacionamiento del per-
sonal. Los gerentes consideran que los laboratorios, los
quirófanos y el departamento de rayos X no están siendo
plenamente utilizados en la actualidad y no tienen que
ampliarse para manejar pacientes adicionales. Sin em-
bargo, la adición de 90 camas implica decidir cuántas
camas deberían asignarse al personal médico para los pa-
cientes médicos y cuántas al personal quirúrgico para
pacientes quirúrgicos.
Los departamentos de contabilidad y registros mé-
dicos del hospital han facilitado la siguiente informa-
ción pertinente. La estancia hospitalaria promedio de un
paciente médico es de 8 días, y el paciente médico pro-
medio genera $2,280 en ingresos. El paciente quirúrgico
promedio está en el hospital 5 días y recibe una factura de
$1,515. El laboratorio es capaz de manejar 15,000 prue-
bas al año más de lo que estaba manejando. El paciente
médico promedio requiere 3.1 pruebas de laboratorio y el
paciente quirúrgico promedio tiene 2.6 pruebas de labo-
ratorio. Además, el paciente médico promedio utiliza una
vez los rayos X, mientras que el paciente quirúrgico pro-
medio los usa dos veces. Si el hospital se amplía en 90
camas, el departamento de rayos X podría manejar hasta
7,000 radiografías sin costo adicional significativo. Por úl-
timo, la gerencia estima que podrían realizarse hasta 2,800
operaciones adicionales en las instalaciones del quirófano
existente. Los pacientes médicos, por supuesto, no requie-
ren cirugía, mientras que a cada paciente quirúrgico en ge-
neral se le realiza una sola cirugía.
Formule este problema con el propósito de determi-
nar cuántas camas médicas y cuántas camas quirúrgicas
deberían agregarse para maximizar los ingresos. Suponga
que el hospital está abierto los 365 días del año. Después,
resuelva el problema.
9: 8-19 Prepare un informe escrito para el director general del
X•
Hospital Mt. Sinaí del problema 8-18 sobre la amplia-
ción del hospital. Redondee sus respuestas al entero más
cercano. El formato de presentación de los resultados
es importante. El director general es una persona ocu-
pada y quiere ser capaz de encontrar la solución óptima

Datos para el COSTO POR

MATERIAL MANGANESO SILICIO CARBONO LIBRAS
problema 8-16 DISPONIBLE DISPONIBLES LIBRA ($)
(%) (%) (%)
Aleación 1 70.0 15.0 3.0 Sin límite 0.12
Aleación 2 55.0 30.0 1.0 300 0.13
Aleación 3 12.0 26.0 0 Sin límite 0.15
Hierro 1 1.0 10.0 3.0 Sin límite 0.09
Hierro 2 5.0 2.5 0 Sin límite 0.07
Carbono 1 0 24.0 18.0 50 0.10
Carbono 2 0 25.0 20.0 200 0.12
Carbono 3 0 23.0 25.0 100 0.09
320 CAPÍTULO 8 • APLICACIONES DE PROGRAMACIÓN LINEAL
rápidamente en su informe. Cubra todas las áreas indica-
das en las secciones siguientes, pero no mencione ninguna
variable o los precios sombra.
(a) ¿Cuál es el ingreso máximo por año, cuántos pacien-
tes médicos/año hay y cuál es el número de pacientes
quirúrgicos/año? ¿Cuántas camas médicas y cuántas
camas quirúrgicas deberían agregarse de la adición de
90 camas?
(b) ¿Hay camas vacías con esta solución óptima? Si es
así, ¿cuántas camas vacías son? Comente el efecto
de la adquisición de más camas si es necesario.
(c) ¿Los laboratorios se utilizan a toda su capacidad? ¿Es
posible realizar más pruebas de laboratorio/año? Si
es así, ¿cuántas más? Comente el efecto de la adquisi-
ción de más espacio en el laboratorio, si es necesario.
(d) ¿La instalación de rayos X se utiliza al máximo? ¿Es
posible hacer más radiografías/año? Si es así, ¿cuántas
más? Comente el efecto de la adquisición de más ins-
talaciones de rayos X, si es necesario.
(e) ¿El quirófano se utiliza a toda su capacidad? ¿Es po-
sible hacer más operaciones/año? Si es así, ¿cuántas
más? Comente el efecto de la adquisición de más ins-
talaciones de quirófano, si es necesario.
x• 8-20 En el problema de mezclas de la compañía Low Knock
Oil, se supuso que un barril de crudo se convertiría en
un barril de gasolina como producto final. Al procesar un
barril de crudo, un rendimiento de gasolina típico es de
aproximadamente 0.46 barriles, aunque podría ser mayor
o menor, dependiendo del crudo particular y el procesa-
miento utilizado. Sin embargo, otros productos como el
diesel, la turbosina, el combustóleo doméstico y el asfalto
también provienen de ese mismo barril. Suponiendo que
sólo 46% del crudo se convierte en gasolina, modifique el
ejemplo de programación lineal de Low Knock Oil para
tomar en cuenta esto. Resuelva el problema de PL resul-
tante usando cualquier software.
8-21 Una fábrica de papel produce rollos de papel que tienen
10 pulgadas de ancho y 100 pies de largo. Estos rollos
se utilizan para hacer rollos más angostos que se usan
en las cajas registradoras, cajeros automáticos (ATM) y
otros dispositivos. Las anchuras más angostas (2, 2.5 y 3
pulgadas) necesarias para estos dispositivos se obtienen
mediante la reducción de los rodillos de 10 pulgadas-uti-
lizando patrones de corte especificados de antemano. El
patrón #1 cortará el rollo de 10 pulgadas en cuatro rollos
de 2.5 pulgadas de ancho cada uno. El patrón #2 gene-
rará tres rollos de 3 pulgadas de ancho cada uno (dejando
1 pulgada de desperdicio en un extremo). El patrón #3 re-
sultará en un rollo de 3 pulgadas y dos rollos de 3.5 pul-
gadas de ancho. El patrón #4 generará un rollo de 2.5
pulgadas, otro de 3 pulgadas y uno más de 3.5 pulgadas
de ancho (dejando 1 pulgada de desperdicio). El patrón
#5 resultará en 1 rollo de 2.5 pulgadas y dos rollos de 3.5
pulgadas de ancho (dejando 0.5 pulgadas de desperdicio
en un extremo). Se ha recibido un pedido de 2,000 rollos
de 2.5 pulgadas, 4,000 rollos de 3 pulgadas y 5,000 rollos de
3.5 p gadas. ¿Cuántos rollos se deberían cortar con cada
patrói , si la empresa quiere minimizar la cantidad total
de rol os de 10 pulgadas a utilizar? ¿Cuántos rollos se de-
ben c rtar con cada patrón, si la empresa quiere minimi-
zar el desperdicio total?
Q
Q.
x* 8-22 (Problema de selección del portafolios) Daniel Grady es
el asesor financiero de varios atletas profesionales. Un
análisis de los objetivos a largo plazo de muchos de ellos
resultó en una recomendación para la compra de acciones
con algunos de sus ingresos que se reservan para inver-
siones. Se han identificado cinco acciones con expecta-
tivas muy favorables para el rendimiento futuro. Aunque
el rendimiento esperado es importante en estas inver-
siones, el riesgo, medido por el valor beta de la acción,
también es importante. (Un valor beta alto indica que la
acción tiene un riesgo relativamente alto). A continuación
se muestra el rendimiento esperado y las betas de cinco
acciones:
VALORES 1 2 3 4 5
Rendimiento esperado (%) 11.0 9.0 6.5 15.0 13.0
Beta 1.20 0.85 0.55 1.40 1.25
A Daniel le gustaría minimizar la beta del portafolios de
acciones (calculando el promedio ponderada de los mon-
tos ivertidos en las diferentes acciones) y mantener un
rendimiento esperado de al menos 11%. Dado que las
condciones futuras pueden cambiar, Daniel ha decidido
que no más de 35% del portafolios debería invertirse en
una sola acción.
(a) Formule esto como un programa lineal. (Sugerencia:
Defina las variables como la proporción de la inver-
sión total colocada en cada acción. Incluya una res-
tricción que limite la suma de estas variables a 1).
(b) Resuelva este problema. ¿Cuáles son el rendimiento
esperado y la beta de este portafolio?
8-23 (Problema de combustible en una aerolínea) Coast-to-
Coat Airlines está investigando la posibilidad de reducir
el cesto de sus compras de combustible al aprovechar
los menores costos de combustible en ciertas ciudades.
Dado que estas compras representan una parte sustancial
de los gastos para una compañía aérea, es importante
controlarlas cuidadosamente. Sin embargo, el combusti-
ble agrega peso a un avión y, en consecuencia, el exceso
de combustible aumenta el costo de ir de una ciudad a
otra. En la evaluación de un vuelo específico, un avión
despega en Atlanta, vuela a Los Ángeles, de ahí a Hous-
ton, luego a Nueva Orleans y finalmente de regreso a
Atl ta. Cuando el avión llega a Atlanta, se dice que el
vue ha concluido y, después, empieza de nuevo. Por
lo nto, debe tenerse en cuenta el combustible a bordo
cu do el avión llega a Atlanta y después comienza otra
vez. A lo largo de cada tramo de esta ruta, hay una can-
tidad máxima y una mínima de combustible que puede

Datos para el
COMBUSTIBLE
problema 8-23
MÍNIMO
REQUERIDO
TRAMO (1,000 GAL.)
Atlanta—Los Ángeles
Los Ángeles—Houston
Houston—Nueva Orleans
Nueva Orleans—Atlanta
llevarse. En la tabla anterior, se proporcionan estos datos
y alguna información adicional.
El consumo regular de combustible se basa en un
avión que transporta la cantidad mínima de combustible.
Si lleva más que eso, la cantidad de combustible consu-
mido es mayor. En concreto, por cada 1,000 galones de
combustible por encima del mínimo, 5% (o 50 galones por
1,000 galones adicionales de combustible) se pierde de-
bido al consumo excesivo de combustible. Por ejemplo, si
Estudio de caso
Cable & Moore
Debido a que la empresa se expandirá hacia varios mercados nuevos
en los próximos meses, Cable & Moore anticipa un gran aumento en
los ingresos por ventas. El futuro parece brillante para este proveedor
de servicios de televisión, telefonía e Internet. Sin embargo, la geren-
cia de Cable & Moore está muy consciente de la importancia del ser-
vicio al cliente en mercados nuevos. Si el público tiene problemas con
el nuevo servicio y no los puede resolver con rapidez y eficacia, la de-
manda se erosionará rápidamente y podría tardar años en recuperarse
de la mala publicidad. Por lo tanto, la gerencia es firme en demandar
suficientes representantes de servicio al cliente, bien capacitados, para
manejar las llamadas de los clientes nuevos y potenciales.
Con base en su experiencia en otros mercados, se proyectó el
número de llamadas de servicio al cliente. De acuerdo con la duración
promedio de las llamadas, en la siguiente tabla se muestra el número
de horas de servicio al cliente, proyectadas de abril a agosto.
MES ABRIL MAYO JUNIO JULIO AGOSTO
Horas necesarias 21,600 24,600 27,200 28,200 29,700
ESTUDIO DE CASO 321
COMBUSTIBLE CONSUMO DE PRECIO DE
MÁXIMO COMBUSTIBLE COMBUSTIBLE
PERMITIDO ORDINARIO POR
(1,000 GAL.) (1,000 GAL.) GALÓN
24 36 12 $4.15
15 23 7 $4.25-
9 17 3 $4.10
11 20 5 $4.18
el avión llevaba 25,000 galones al despegar de Atlanta, el
combustible consumido en esta ruta sería de 12 + 0.05 =
12.05 miles de galones. Si hubiera 26,000 galones a bordo,
el combustible consumido se incrementaría en otros 0.05
miles, para un total de 12,100 galones.
Formule esto como un problema de programación
lineal para minimizar el costo. ¿Cuántos galones debe-
rían comprarse en cada ciudad? ¿Cuál es el costo total
de éste?
Por su experiencia, la gerencia sabe que la capacitación de un nuevo
empleado es esencial. Cada aprendiz ingresa a un programa de capa-
citación de 1 mes, y se le asigna a un empleado experto durante un
mes entero. Por lo general, un empleado experto trabaja 160 horas
al mes. Sin embargo, cuando se le asigna un empleado nuevo para
capacitarlo, sus horas de trabajo productivo se reducen a 80 horas
mensuales.
Durante el periodo de capacitación, el aprendiz recibe un pago
de $2,000 mensuales. Al final de ese tiempo, el salario mensual au-
menta al salario estándar para un representante de servicio al cliente
regular, que es de $3,000 mensuales. En el pasado, la compañía perdió
mensualmente alrededor de 5% de sus representantes de servicio al
cliente capacitados debido al desgaste. Aunque la compañía está tra-
tando de mejorar esto, se prevé que durante los próximos meses esta
tendencia continuará. Habrá 150 empleados capacitados a principios
de abril. La gerencia de la empresa quisiera desarrollar un progra-
ma de contratación de nuevos empleados, con la finalidad de tener
suficientes representantes de servicio al cliente para cubrir la de-
manda; pero esto se tiene que hacer al menor costo posible.
322 CAPÍTULO 8 • APLICACIONES DE PROGRAMACIÓN LINEAL

Preguntas para análisis 3. ¿Cómo cam iaría el programa si la tasa de deserción pudiera
reducirse de a 3% mensual? ¿Cuál sería el impacto en el costo?
1.Desarrolle un programa para la contratación de empleados nue-
vos. ¿Cuál es el costo total de este programa?
2. Comente las limitaciones que existen para esta solución.

Estudio de caso de Internet

Visite nuestra página en Internet, www.pearsonenespañol.com/render, y consulte este estudio de caso

adicional: Chase Manhattan Bank. El caso trata sobre la programación de personal en un banco.

Bibliografía

Vea la bibliografía al final del capítulo 7.

 Modelos de transporte,
asignación y redes

OBJETIVOS DE APRENDIZAJE

Después de estudiar este capítulo, el alumno será capaz de:

1. Estructurar problemas de PL para los modelos de 3. Utilizar PL para modelar problemas de la ruta
transporte, transbordo y asignación. más corta y del flujo máximo.
2. Resolver problemas de localización de instalaciones 4. Resolver problemas de árboles de expansión
y otras aplicaciones con modelos de transporte. mínima.

CONTENIDO DEL CAPÍTULO

9.1 Introducción 9.5 Problema del flujo máximo

9.2 El problema de transporte 9.6 Problema de la ruta más corta
9.3 El problema de asignación 9.7 Problema del árbol de expansión mínima
9.4 El problema de transbordo

Resumen • Glosario • Problemas resueltos • Autoevaluación • Preguntas para análisis y problemas • Estudio de caso:
Andrew-Carter, Inc. • Estudio de caso: Northeastern Airlines • Estudio de caso: Problemas de tránsito en la Southwestern
University • Estudios de caso en Internet • Bibliografía
Apéndice 9.1: Uso de QM para Windows

323
324 CAPÍTULO 9 • MODELOS DE TRANSPORTE, ASIGNACIÓN Y REDES

9.1 Introducción
Los círculos en las redes se denominan
nodos. Las líneas que los conectan se
llaman arcos.
En el capítulo 8 vimos ejemplos de una serie de prol lemas administrativos que podrían plantearse me-
diante la programación lineal (PL) y, en este capítulo, studiaremos aún más ejemplos de este tipo. Sin em-
bargo, todos los problemas de este capítulo pueden pl atearse como redes y usando también programación
lineal. El uso de redes ayuda a visualizar y a compre der el problema de administración. Estos modelos
incluyen problemas de transporte, transbordo y asignación, el problema del flujo máximo, el problema de
la ruta más corta y el problema del árbol de expansión mínima. En este capítulo, el principal medio para
resolver estos problemas es el uso de software de programación lineal. No obstante, para tomar ventaja
de la estructura única de algunos de estos problemas, se han desarrollado algoritmos especializados para
resolver problemas muy grandes de manera más rápi a y eficiente. Dichos algoritmos se presentan en el
módulo 8 del sitio web que acompaña a este texto.
El problema básico de transporte se relaciona c n la búsqueda de la mejor manera (por lo general,
al menor costo) de distribuir bienes que provienen' d fuentes como fábricas, en varios destinos finales,
como puntos de venta. Si existen puntos intermedios, or ejemplo, centros de distribución regionales, hacia
donde deben ir los artículos antes de ser enviados a su' destino final, entonces el problema de transporte se
convierte en un problema de transbordo. El problema de asignación consiste en encontrar la mejor forma
(por lo general, al menor costo) de asignar individuos o piezas de equipo a varios proyectos o trabajos. La
manera de realizar esta asignación es uno a uno; en otras palabras, a cada persona se le asigna un solo tra-
bajo, y cada trabajo solamente necesita una persona as gnada a él.
La técnica de flujo máximo encuentra el flujo áximo de cualquier cantidad o sustancia a través
de una red. Esta técnica puede determinar, por ejem lo, el número máximo de vehículos (automóviles,
camiones, etcétera) que pueden circular a través de urja red de carreteras de un lugar a otro. La técnica de
la ruta más corta puede encontrar cuál es la trayectoria de menor longitud a través de una red. Por ejem-
plo, esta técnica puede encontrar la ruta más corta de una ciudad a otra, a través de una red de carreteras.
La técnica del árbol de expansión mínima determina la ruta a través de la red que conecta todos los puntos
y minimiza la distancia total. Cuando los puntos representan casas en un vecindario, la técnica del árbol
de expansión mínima se utiliza para determinar cómo conectar todas las casas a la energía eléctrica, al
sistema de agua, etcétera, de manera que se minimice la distancia total, la longitud de las líneas eléctricas
o las tuberías de agua.
Aunque en este capítulo se presentan muchos ejemplos diferentes, existe cierta terminología común a
todos los modelos de redes. Los puntos de la red se c noten como nodos y las líneas de la red que conec-
tan los nodos se denominan arcos. Regularmente los odos se grafican como círculos, aunque a veces se
usan cuadrados o rectángulos para representarlos.

EN ACCIÓN Optimización en UPS

desarrollar modele s de optimización y mejorar la eficiencia, la com-

T NT Express es una de las empresas de entrega de paquetería más
grandes del mundo. Los 77,000 empleados de la compañía manejan
más de 4 millones de paquetes cada semana, con cerca de 30,000
camiones y otros vehículos y aproximadamente 50 aviones. El man-
tenimiento de un alto nivel de servicio al cliente, conservando cos-
tos bajos mediante operaciones eficientes, es una tarea de enormes
proporciones. En 2005 el director de operaciones de TNT Express
consideró el uso de modelos de investigación de operaciones para
mejorar la red de entregas por carretera en Italia. La incorporación
de modelos de optimización en todos los aspectos de la cadena de
suministro de la compañía le generó una disminución en costos
de más de 6 por ciento.
Se desarrollaron varias iniciativas para mejorar la cadena de
suministro. Se creó la Academia de Optimización Global (GO) para
enseñar a los empleados los principios de la optimización. Se desa-
rrollaron Comunidades de Práctica (CoPs) y los empleados clave se
reúnen tres veces al año para discutir y compartir sus mejores prác-
ticas con los proveedores y miembros de la academia. Además de
pañía enseñó a su empleados los conceptos básicos de administra-
ción de operacionls y ciencias de la administración, para que todos
reconocieran las oportunidades de mejora a través de la utilización
de esas técnicas.
El resultado d e la implementación de tales prácticas en TNT Ex-
press representó u n ahorro en costos de 207 millones de euros entre
2008 y 2011. Otros beneficios incluyen una reducción de las emi-
siones de CO2 de us vehículos por 283 millones de kilogramos, un
mejor trabajo en r d con otros empleados de la empresa y un senti-
miento de empod Iramiento, dado que ahora los trabajadores sienten
que pueden obten r apoyo de sus colegas fuera de sus unidades ope-
rativas o incluso fu ra de su propio país. Los modelos de optimización
realmente entrega on un paquete de beneficios a TNT Express.
Fuente: Basado en I Fleuren. C. Goossens, M. Hendricks, M.-L. Lombard y
J. Poppelaars. "Supp y Chain Wide Optimization at TNT Express", Interfaces
43, 1 (enero/febrero e 2013): 5-20.
 9.2 EL PROBLEMA DE TRANSPORTE 325

9.2 El problema de transporte

El problema de transporte se ocupa de la distribución de bienes desde varios puntos de suministro (orí-
genes o fuentes) hasta una serie de puntos de demanda (destinos). Por lo general, se tiene una capacidad
(oferta) de bienes en cada fuente, un requisito (demanda) de bienes en cada destino y un costo de envío
por unidad desde cada fuente hasta cada destino. En la figura 9.1 se muestra un ejemplo. El objetivo de este
problema es programar los envíos de manera que se minimicen los costos totales de transporte. En ocasio-
nes, también se incluyen los costos de producción.
Los modelos de transporte también pueden utilizarse cuando una empresa está tratando de decidir
dónde ubicar una nueva planta. Antes de la apertura de un almacén, una fábrica u oficina de ventas nuevos,
una buena práctica es considerar varios sitios alternativos. Las buenas decisiones financieras relativas a la
ubicación de una instalación también intentan minimizar los costos totales de transporte y producción para
todo el sistema.

Programación lineal para el ejemplo de transporte

La corporación Executive Furniture se enfrenta al problema de transporte mostrado en la figura 9.1. La
compañía desea minimizar los costos de transporte, al tiempo que satisface la demanda en cada destino
y no supera la oferta de cada fuente. Al formular esto como un problema de programación lineal, hay
tres restricciones de oferta (una para cada fuente) y tres restricciones de demanda (una para cada destino).
Las decisiones a tomar son el número de unidades que deben enviarse en cada ruta, así que hay una varia-
ble de decisión por cada arco (flecha) en la red. Sean
xu = número de unidades enviadas desde la fuente i hasta el destino]
donde

i = 1, 2, 3, con 1 = Des Moines, 2 = Evansville y 3 = Fort Lauderdale

j = 1, 2, 3, con 1 = Albuquerque, 2 = Boston y 3 = Cleveland

La formulación de PL es

Minimizar el costo total = 5X11 + 4X12 + 3X13 + 8X21 + 4X22

3X23 9X31 7X32 5X33
sujeto a
X11 + X12 + X13 100 (oferta de Des Moines)
X21 +X22 +X23 300 (oferta de Evansville)
X31 + X32 X33 300 (oferta de Fort Lauderdale)
+ X21 + X31 = 300 (demanda de Albuquerque)
X12 ± X22 -4- X32 = 200 (demanda de Boston)
X13 + X23 + X33 = 200 (demanda Cleveland)
O para toda i y j

La solución se encuentra mediante el uso de software de computadora, y la solución óptima de envíos

es la siguiente:
100 unidades de Des Moines a Albuquerque
200 unidades de Evansville a Boston
100 unidades de Evansville a Cleveland
200 unidades de Ft. Lauderdale a Albuquerque
100 unidades de Ft. Lauderdale a Cleveland
El costo total es de $3,900. En la siguiente sección se ilustrará la forma en que se encontró esta solución.

Resolución de problemas de transporte mediante

el uso de software de computadora
La solución a este problema de transporte, planteado como un problema de PL, se determina utilizando
Solver en Excel 2013, como se ilustró en el capítulo 7, mediante el uso de QM para Windows o emplean-
do Excel QM en Excel 2013. Cuando se utiliza Excel 2013 y Solver, las restricciones pueden introducirse
en filas como se indicó en el capítulo 7. Sin embargo, la estructura especial de este problema permite una
326 CAPÍTULO 9 • MODELOS DE TRANSPORTE, ASIGNACIÓN Y REDES

FIGURA 9.1
Fuente Destino
Representación en red
de un problema de Oferta Demanda
transporte, con costos,
demandas y ofertas $5
Des Moines Albuquerque
100 300
(Fuente 1) (Destino 1)
:4

S3

$8

Evansville Boston
300 200
(Fuente 2) (Destino 2)

S3

300
Fort Lauderdale
(Fuente 3)
9

/\ $5
Cleveland
(Destino 3)
200

entrada más sencilla y más intuitiva en Excel 2013 con Solver, y para este ejemplo se utilizará Excel QM
con la finalidad de ilustrar esto.
El programa 9.1 presenta los datos de entrada y la solución a este ejemplo. Haga clic en la pestaña
de Excel QM y seleccione el menú Alphabetical de la barra de Excel QM. Cuando aparezca el menú, des-
plácese hacia abajo y elija Transportation. En la ventana de entrada que se abre, introduzca el número de
orígenes o fuentes (3 en este ejemplo), el número de destinos (3 para este ejemplo), seleccione Minimize
y haga clic en OK. Aparecerá una hoja de cálculo, donde se introducen los costos, las ofertas y demandas
mostradas en la tabla de datos. Luego haga clic en la pestaña Data, seleccione Solver de la barra Data y
haga clic en Solve en la ventana de entrada de Solver. No es necesario escribir ninguna fórmula ni cambiar
ninguno de los parámetros.

Un modelo general de PL para problemas de transporte

En este ejemplo, había 3 fuentes y 3 destinos. El PL tenía 3 X 3 = 9 variables y 3 + 3 = 6 restriccio-
nes. En general, para un problema de transporte con m fuentes y n destinos, el número de variables es
mn, y el número de restricciones es m + n. Por ejemplo, si hay 5 restricciones (es decir, m = 5) y 8 varia-

PROGRAMA 9.1 De la barra de Excel QM, seleccione De la pestaña Data, seleccione'

Solución para la el menú (Alphabetical o By Chapter). Solver y haga clic en Solve.
Elija Transportation en el menú
corporación Executive Faca on roma, om mrsciver vi me
desplegable y, después, introduzca
Furniture en Excel 2013 105 3 orígenes (fuentes) y los 3 destinos. ,.)fotnsuuctwts.
usando Excel QM
COSTS Albuquerque Boston rieveland Supply
10 Des Moines 5 4 3 1 100
Evansville a 4 3 I 300
Ft. lauderdale 9 7 5 300
13 Demancl 300 200 200 700 \ 700 -------.....
14
Complete la tabla con los costos,)
Shipments
Shipments Albuquerque
las ofe1tas y las demandas.
Des Moines
F van vIlle
100 100
300
F
' 3 Ft. Lauderdale 100 300
2C [Minn Total 200 200 700\700 La solución se
21 muestra aquí.
22 ; Total Cosí 3900 I

El número de variables y restricciones
para un problema típico de
transporte se puede encontrar
a partir del número de fuentes
y destinos.
La localización de una nueva
instalación dentro de un sistema
de distribución general se apoya
en el método de transporte.
Para encontrar la nueva planta
con el menor costo del sistema,
resolvemos dos problemas de
transporte.
92 EL PROBLEMA DE TRANSPORTE 327
bles (es decir, n = 8), el problema de programación lineal tendría 5 (8) = 40 variables y 5 + 8 = 13
restricciones.
El uso de subíndices dobles en las variables facilita la expresión de la forma general del problema
de programación lineal para un problema de transporte, con m fuentes y n destinos. Sean
= número de unidades enviadas desde la fuente i hasta el destino j
cy = costo de una unidad desde la fuente i hasta el destino j
= oferta en la fuente i
di = demanda en el destino j
El modelo de programación lineal es
n m
Minimizar el costo = E Ecijx,y
.m1 i=1
sujeto a
= 1,2, ... ,m
J=1
= j = 1, 2, . . . , n
i=i
xu O para toda i y j
Análisis de la localización de instalaciones
El método de transporte ha demostrado ser especialmente útil para ayudar a una empresa a decidir dónde
ubicar una fábrica o almacén nuevos. Dado que una nueva localización es un tema de gran importancia
financiera para una empresa, por lo general se deben considerar y evaluar varios sitios alternativos. Aunque
se toma en cuenta una amplia gama de factores subjetivos, como la calidad de la oferta de mano de obra, la
presencia de sindicatos, la actitud y aceptación de la comunidad, y los servicios públicos y las instalaciones
recreativas y educativas para los trabajadores, una decisión final también implica minimizar los costos
totales de envío y de producción. Lo anterior significa que cada ubicación alternativa de las instalaciones
debería analizarse en el marco de un sistema de distribución general.
Para determinar cuál de los dos sitios se debe seleccionar para una nueva planta de producción, se
desarrollarán modelos de programación lineal para dos problemas de transporte, uno para cada ubicación.
Si se estuvieran considerando tres o más lugares, se desarrollaría un problema de transporte como modelo
de programación lineal para cada uno de éstos. En cada modelo se utilizan las fuentes y los destinos exis-
tentes, y se incluye también una nueva fuente. Con esto se encuentra el costo mínimo para el sistema de
distribución, si se agrega una fuente al sistema. Lo anterior se repite para la segunda fuente, y los costos
mínimos de estos dos problemas se compararán para encontrar cuál es mejor. El método descrito se ilustra
en el siguiente ejemplo.
La compañía Hardgrave Machine produce componentes de computadora en sus plantas de Cincinnati,
Salt Lake City y Pittsburgh. Dichas plantas no han sido capaces de -mantenerse al día con la demanda de
pedidos en cuatro almacenes que posee Hardgrave en Detroit, Dallas, Nueva York y Los Ángeles. Como
resultado, la compañía ha decidido construir una nueva planta para ampliar su capacidad productiva. Los
dos sitios que se están considerando son Seattle y Birmingham; ambas ciudades son atractivas en términos
de la oferta de mano de obra y de servicios públicos, y la facilidad de financiamiento de la fábrica.
En la tabla 9.1 se presentan los costos y los requisitos de producción para cada una de las tres plantas
existentes, la demanda en cada uno de los cuatro almacenes, y los costos de producción estimados para las
nuevas plantas propuestas. Los costos de transporte desde cada planta hasta cada almacén se resumen en
la tabla 9.2.
La pregunta importante que Hardgrave enfrenta ahora es la siguiente: ¿Cuál de las nuevas ubicaciones
generará el menor costo para la compañía, en combinación con las plantas y los almacenes existentes?
Tenga en cuenta que el costo de cada ruta individual de una planta a un almacén se encuentra mediante la
suma de los costos de envío (en el cuerpo de la tabla 9.2) más los costos unitarios de producción respecti-
vos (de la tabla 9.1). Por lo tanto, el costo total de producción más el costo de envío de un componente de
computadora desde Cincinnati hasta Detroit es de $73 ($25 por el envío más $48 por la producción).
Con la finalidad de determinar cuál de las nuevas plantas (Seattle o Birmingham) presenta el menor
costo total para todo el sistema de distribución y producción, se resuelven dos problemas de transporte:
uno para cada una de las dos combinaciones posibles. El primer problema de programación lineal será para
328 CAPÍTULO 9 • MODELOS DE TRANSPORTE, ASIGNACIÓN Y REDES

TABLA 9.1
DEMANDA
Datos de la demanda y •MENSUAL PLANTA E OFERTA COSTO DE PRODUCIR
la oferta de Hardgrave N (UNIDADES) PRODUCCI N MENSUAL UNA UNIDAD (S)

Detroit 10,000 Cincinnati 15,000 48

Dallas 12,000 Salt Lake Ci :y 6,000 50
Nueva York 15,000 Pittsburgh 14,000 52
Los Ángeles 9,000 35,000
46,000
Oferta necesaria para la nueva planta = 46,000 — 35,000 = 11,000 unidades mensuales

ESTINIACIÓN DE COSTOS DE PRODUCCIÓN

POR UNIDAD EN LAS PLANTAS PROPUESTAS
Seattle $53
Birmingham $49

TABLA 9.2 NUEVA LOS

Costos de envío ----4141114111101
lliblimilam._ 1111111 DETROIT DAI .LAS YORK ÁNGELES
de Hardgrave
ICINCfNNATI
" . $25 S55 $40 $60
35 30 50 40
,I
SALT LAKE MY
- -
' PMSBURGH 36 45 26 66
SEATTLE 60 38 65 27
35 30 41 50
BIRMINGHAM

la ubicación de Seattle, y el segundo será para Birmingham. Al evaluar la ubicación en Seattle, las varia-
bles se definen como sigue:
= número de unidades enviadas de la fuente i al destino j
donde
i = 1, 2, 3, 4 con 1 = Cincinnati, 2 = Salt Lake City, 3 = Pittsburgh y 4 = Seattle
j = 1, 2, 3, 4 con 1 = Detroit, 2 = Dallas. 3 = Nueva York y 4 = Los Ángeles
La formulación del problema de programación lineal tiene un objetivo de minimizar el costo total: costo de
transporte más costo de producción.
Minimizar el costo total = 73X11 + 103X12 + 88X13 + 108X14 + 852(21 + 80X22 + 100X23
+ 90X24 + 88X31 + 97X32 + 782(33 + 11844 + 113X41 + 91X42 + 118X43 + 80X44
sujeto a
xi I + x21 + X31 + X41 = 10,000 demanda en Detroit
X12 + X22 + X32 + X42 = 12,000 demanda en Dallas
X13 + X23 + X33 + X43 = 15,000 demanda en Nueva York
X14 + X24 + X34 + X44 = 9,000 demanda en Los Ángeles
X11 + X12 + X13 + X14 5 15,000 oferta de Cincinnati
X21 + X22 + X23 + X24 S 6,000 oferta de Salt Lake City
X31 + X32 + X33 + X34 14,000 oferta de Pittsburgh
X41 + X42 + X43 + X44 5- 11,000 oferta de Seattle
Todas las variables O
Al resolver esto, se encuentra que el costo total con localización de Seattle es de $3,704,000.
 9.2 EL PROBLEMA DE TRANSPORTE 329

Para el segundo modelo de transporte, el problema de programación lineal se modifica y la ubicación

de Birmingham sustituye la de Seattle. Ahora en el problema de programación lineal, i = 4 representa
Birmingham en vez de Seattle, la última restricción es para Birmingham en lugar de Seattle, y los costos
de estas cuatro variables en la función objetivo ahora son 84 para X41, 79 para X42, 90 para X43 y 99 para
X44. No hay ningún otro cambio en el problema. Cuando éste se resuelve, el costo total con la ubicación
de Birmingham es de $3,741,000. Por lo tanto, los resultados de la localización de Seattle tienen un menor
costo total y sería la ubicación seleccionada con base en el costo.
En este ejemplo se usará Excel QM, y el programa 9.2 presenta la solución al problema con la ubi-
cación de Seattle. Para introducir el problema, haga clic en la pestaña de Excel QM, seleccione el menú
Alphabetical de la barra de Excel QM y, cuando aparezca el menú, desplácese hacia abajo para elegir
Transportation. Se abrirá una ventana de entrada y sólo debe introducir el número de orígenes (fuentes), el
número de destinos, seleccionar Minimize y hacer clic en OK. En seguida se despliega una hoja de cálculo
donde puede introducir las cifras de los costos, las ofertas y las demandas mostradas en la tabla de datos
del programa 9.2. Una vez que se hayan introducido todos los datos, haga clic en la pestaña Data, elija
Solver y haga clic en Solve en la ventana de entrada de Solver. No es necesario introducir ningún dato
adicional en Solver. Los envíos de la solución óptima se muestran en la tabla Shipments. El programa 9.3
muestra los resultados de Excel QM para la ubicación de Birmingham.

PROGRAMA 9.2 De la barra de Excel QM, seleccione Después de introducir los costos, haga
Solución para 1 Ha el menú (Alphabetical o By Chapter). en la pestaña Data y seleccione Solver.
localización de la Seleccione Transportation en el menú Luego haga clic en Solve.
llar
desplegable y, luego, ingrese los 3
instalación (Seattle) orígenes (fuentes) y los 4 destinos.
on me tinten. del on Solver m the Dala

en Excel 2013 usando instruchons

Excel QM 8 Data
9 COSTS De olt Dalias New Yo os 42.4.• es Sapply
10 Cmcinnati 73 103 88 108 15000
11 Salt Lake City 85 80 100 6000
12 Pittsburgh 88 97 78 118 14000
13 Seattle , 11.3 91 113 80 11000
14 Demonial 110013 9000._.1 46000 \ 46030
15
16I Shipments (-Complete la tabla con los costos,
17 Shipments Detroit Dallas New York las ofertas y las demandas.
12 Cancinnati 10000 4000 1000
19 Salt Lake Caty 6000
20 Pittsburgh 14000 14000
21 Seattle 2000 9000 11000
—1
22 Column Total 10000 12913.-- 46000 \ 46000
23
1
El costo está aquí.
24 Total Cost 3704000

PROGRAMA 9.3 A c E G H
1 Hardgrave Machine
Solución para
localización de la 3 Transportation

:. Enter thc transportallon nabo hire Manen arel

instalación (Birmingham) Anarysis Group and iten efHt SOLVE
Then no to the DATA Tab on the ribbon. Met on Solve7Ini; Datan

en Excel 2013 usando 6 11SOLVell Is not on Iba Data Tala Men Peaso son the Help Se (Sotuer} for in:gradan&

Excel QM 8 Data
9 CC6TS Detroit Dallas teso York Los Angel es Supply —1
10... .. Cincinnati 73 103 88 108 15000 —1
---1
11 Salt Lake City 85 80 100 90 6000 _J
12 Plttsburgh 88 97 78 118 14000 1
13 Birmingham 84 79 90 99 11000
14 Densand , 10000 .....32000-... 15000 1 _ .90011, ._:I 46000 \ 46000
15 :
16 Shipments
--1
17 Shipments Detroit Dallas New York Los Angeles Row Total 1
18 Caneinnati 10000 1000 4000 15000
19 Salt Lake City 1000 5000 6000
20 Pittsburgh 14000 14000
21 Birmingham 11000 11000
22 Column Total 10000 12,P" ""-^...---4000 46000 \ 46000 1
23 /
- El costo está aquí. 7--
24 Total Cosí 3741000-4 ,
330 CAPÍTULO 9 • MODELOS DE TRANSPORTE, ASIGNACIÓN Y REDES

HISTORIA Cómo iniciaron los métodos de transporte

de manera indepe -diente la segunda contribución importante, un in-

E , uso de modelos de transporte para minimizar el costo de en-
vío desde varias fuentes hasta una serie de destinos fue propuesto
por primera vez en 1941. Este estudio, llamado "La distribución de
un producto desde varias fuentes hasta diversas localidades" fue es-
crito por F. L. Hitchcock. Seis años después, T. C. Koopmans realizó
forme titulado "L.3 utilización óptima del sistema de transporte". En
1953 A. Chames y W. W. Cooper desarrollaron el método del tram-
polín, un algoritm o que se analiza a detalle en este capítulo. En 1955
se creó el método de distribución modificada (MODI), un enfoque
computacional rri¿' s rápido.

9.3 El problema de asignación

Un problema de asignación es
equivalente a un problema de
transporte, donde tanto la oferta
como la demanda son iguales a 1.
El problema de asignación se refiere al tipo de problema de PL que implica la determinación de la asig-
nación más eficiente de personas a proyectos, personal de ventas a territorios, auditores a empresas que
serán auditadas, contratos a licitantes. trabajos a máquinas, equipos pesados (como grúas) a tareas de cons-
trucción. etcétera. Con la mayor frecuencia, el objetivo es minimizar los costos totales o el tiempo total de
ejecución de las tareas requeridas. Una característica importante de los problemas de asignación es que
sólo se asigna un trabajo o un trabajador a una máquina o un proyecto.
En la figura 9.2 se presenta una representación en red de un problema de asignación. Observe que esta
red es muy parecida a la red de un problema de transporte. De hecho, un problema de asignación puede
verse corno un tipo especial de problema de transporte, en el cual la oferta de cada fuente y la demanda en
cada destino deben ser iguales a uno. Cada persona sólo podrá asignarse a un puesto de trabajo o proyecto,
y cada trabajo sólo requiere una persona.

Problema de programación lineal para un ejemplo de asignación

La red de la figura 9.2 representa un problema que enfrenta el taller Mr. Fix-It, que acaba de recibir tres
nuevos proyectos de reparación que deben completarse con rapidez: 1. una radio, 2. un horno tostador y
3. una mesa de café. Tres reparadores, cada uno con diferentes habilidades, están disponibles para realizar
los trabajos. El dueño del taller estima el costo por pago de salarios, si los trabajadores se asignan a cada
uno de los tres proyectos. Los costos difieren debido a las habilidades de cada trabajador para cada una de

FIGURA 9.2
Persona Proyecto
Ejemplo de un problema
de asignación en el Oferta 1 Demanda
formato de una red de
transporte $11
Adams Proyecto 1
1 1
,..._
(Fuente 1) (Destino 1)

S8

Brown Proyecto 2
(Fuente 2) (Destino 2)
$1

Cooper Proyecto 3
1
(Fuente 3) S (Destino 3)
 9.3 EL PROBLEMA DE ASIGNACIÓN 331

las tareas. El propietario desea asignar los trabajos de modo que se minimice el costo total; cada trabajo
debe tener una persona asignada al mismo, y cada persona sólo puede ser asignada a una tarea.
Para la formulación de esto como un problema de programación lineal, se puede utilizar la forma ge-
neral del problema de transporte. En la definición de variables, sean

En un modelo de asignación se usan {1 si la persona i es asignada al proyecto j

=
variables especiales 0-1 0 en caso contrario

donde
i = I, 2, 3, con 1 = Adams, 2 = Brown y 3 = Cooper
j = 1, 2, 3, con 1 = Proyecto 1, 2 = Proyecto 2 y 3 = Proyecto 3

La formulación de PL es

Minimizar el costo total = 11X11 + 14X12 + 6X13 + 8X21 + 10X22

+ 11X23 + 9X31 + 12X32 + 7X33

sujeto a

X11 + X12 +X13 *5 1

X21 + X22 + X23 5 1
X31 + X32 + X33 5- 1
X11 + X21 + X31 = 1
X12 + X22 + X32 = 1
X13 + X23 -E X33 = 1
= O o 1 para toda i y j

La solución se muestra en el programa 9.4. De acuerdo con ésta, x13 = 1, por lo que Adams se asigna
al proyecto 3; X22 = 1, por lo que Brown se asigna al proyecto 2, y x31 = 1, por lo que Cooper se asigna al
proyecto 1. Todas las demás variables son O. El costo total es de $25.
Este problema podría introducirse en Excel, Excel QM o QM para Windows como un problema de
programación lineal, o podría ingresarse como un problema de transporte con todas las ofertas y demandas
iguales a 1. Sin embargo, tanto Excel QM como QM para Windows tienen un módulo para este problema
de asignación. En Excel QM, desde el menú Alphabetical en la barra de Excel QM, seleccione Assignment.
Se abrirá la ventana de inicialización, donde puede escribir el número de tareas para después seleccionar
Minimization. Haga clic en OK y se abrirá una hoja de trabajo para que ingrese los costos como se muestra
en la tabla de datos del programa 9.4. Después, seleccione Solver de la barra Data y haga clic en Solve en
la ventana de entrada de Solver. Los resultados se muestran en el programa 9.4.

PROGRAMA 9.4 (-De la barra de Excel QM, seleccioné

Solución de asignación el menú (Alphabetical o By Chapter).
para el taller Mr. Fix-It Elija Assignment en el menú (Después de introducir los costos, haga
desplegable y, luego, ingrese el clic en la pestaña Data y seleccione Solver.
en Excel 2013 usando
Knúmero de asignaciones (3). Luego haga clic en Solve.
Excel QM on on Tn me Dala Analysts Group andlben
6 dhelc SOLVE.
II SOL VElt ts sol on the Esta T ab Non picase see ¡be 'lob) tic (Solver)
3 Dat.
9 cosrs Pro,tt Proittt2 P.o,ect3
10 Marro
11 Croan
12 "Llene la tabla con los costos,
13
14 assignments — las ofertas y las demandas.
15 ShIornents 1,0i.rt 1 Proiect 2 Proieet 3 Roya Total
16 Adernt. 1
17 Brown 1
18 Cooper 1
19 Cokonn Toba 1
20 1 El costo está aquí. I i
21 SedCe* zs
332 CAPÍTULO 9 • MODELOS DE TRANSPORTE, ASIGNACIÓN Y REDES

El software para el problema de asignación supe ne que el problema está equilibrado, es decir, que el
número de fuentes (o personas) es igual al número d destinos (o trabajos). Si el problema no está equili-
brado, se agrega una fuente ficticia o un destino fic • cio al problema para que cumpla esta condición. En
algunos casos, se usa más de una fuente o un destino ficticio. Debido a que este elemento no es una asig-
nación real y sólo indicará cuál fuente o destino caree e de una asignación, todos los costos serán iguales a
cero. El problema resuelto 9-2 al final del capítulo ilu strará este caso.
En el problema de asignación, se requiere que la variables sean 0 o 1. Debido a la estructura especial
de este problema con coeficientes de restricción como O o 1, y todos los valores del lado derecho iguales
a 1, éste puede resolverse como un problema de programación lineal. La solución a tal problema (si acaso
existe) siempre indicará variables iguales a O o 1. Hay otros tipos de problemas donde es recomendable
utilizar las variables 0-1, pero la solución a estos problemas usando los métodos normales de programación
lineal no necesariamente contiene sólo ceros y unos. En tales casos, deben emplearse métodos especiales
para forzar que las variables sean O o 1; lo anterior se estudiará como un tipo especial de problema de pro-
gramación entera que se incluye en el capítulo 10.

9.4 El problema de transbordo

Un problema de transporte con
puntos intermedios es un problema
de transbordo.
En un problema de transporte, si los artículos transportados deben pasar por un punto intermedio (llamado
punto de transbordo) antes de llegar a su destino final, el problema se denomina problema de transbordo.
Por ejemplo, una empresa podría estar fabricando un producto en varias plantas para enviarlo a un conjunto
de centros de distribución regionales. Desde estos centros, los artículos se envían a puntos de venta que
son los destinos finales. En la figura 9.3 se proporciona una representación en red de un problema de trans-
bordo. En este ejemplo, hay dos fuentes, dos puntos de transbordo y tres destinos finales.

Problema de programación lineal para un ejemplo de transbordo

Frosty Machines produce barredoras de nieve en sus fábricas ubicadas en Toronto y Detroit. Las barredoras
se envían a centros de distribución regionales en Chicago y Búfalo, donde son entregadas a tiendas mino-
ristas en Nueva York, Filadelfia y San Luis, como se ilustra en la figura 9.3.
Las ofertas disponibles en las fábricas, las demandas en el destino final y los costos de envío se mues-
tran en la tabla 9.3. Tenga en cuenta que las barredoras de nieve no pueden enviarse directamente desde
Toronto o Detroit a cualquiera de los destinos finales, sino que primero deben ir a Chicago o a Búfalo. Ésta
es la razón por la que Chicago y Búfalo aparecen no sólo como destinos, sino también como fuentes.
A Frosty le gustaría minimizar los costos de transporte asociados con el envío de las barredoras sufi-
cientes para satisfacer las demandas de los tres destinos, siempre y cuando no supere la oferta de cada fá-
brica. Por lo tanto, tenemos restricciones de oferta y demanda similares a las de un problema de transporte,
pero también tenemos una restricción para cada punto de transbordo que indica que cualquier cosa enviada

FIGURA 9.3 Punto de transbordo

Representación en Oferta Demanda
red del ejemplo de
transbordo
450
800

350

700

300
 9.4 EL PROBLEMA DE TRANSBORDO 333

TABLA 9.3 Datos de transbordo para Frosty Machine

DE: CHICAGO BÚFALO YORK FILADELFIA SAN LUIS OFERTA

Toronto $4 $7 800
Detroit $5 $7 700
Chicago — — $6 $4 $5
Búfalo — — $2 $3 $4
Demanda — — 450 350 300

desde éstos hasta un destino final debe haberse recibido en ese punto de transbordo desde una de las fuen-
tes. El enunciado verbal de este problema sería el siguiente:
Minimizar el costo
sujeto a

1. El número de unidades enviadas desde Toronto no es más de 800

2. El número de unidades enviadas desde Detroit no es más de 700
3. El número de unidades enviadas a Nueva York es de 450
4. El número de unidades enviadas a Filadelfia es de 350
5. El número de unidades enviadas a San Luis es de 300
6. El número de unidades salidas de Chicago es igual al número de unidades recibidas en Chicago
7. El número de unidades salidas de Búfalo es igual al número de unidades recibidas en Búfalo

En el problema de programación Las variables de decisión deberían representar el número de unidades enviadas desde cada fuente hasta
lineal se utilizan restricciones cada punto de transbordo y el número de unidades salidas de cada punto de transbordo hacia cada destino
de transbordo especiales. final, porque éstas son las decisiones que la gerencia debe tomar. Las variables de decisión son
Xii = número de unidades enviadas desde la ubicación (el nodo) i hasta la ubicación (el nodo)j

donde

i=1,2,3,4
j = 3, 4, 5, 6, 7

Los números son los nodos mostrados en la figura 9.3, y hay una variable para cada arco (ruta) en la figura.
El modelo de PL es
Minimizar el costo total = 4X13 + 7X14 + 5X23 + 7X24 + 6X35 + 4X36
+ 5X37 + 2X45 + 3X46 + 4X47
sujeto a

X13 + X14 5 800 (oferta en Toronto [nodo 1])

X23 + X24 -"5. 700 (oferta en Detroit [nodo 2])
X35 + X45 = 450 (demanda en Nueva York [nodo 5])
X36 + X46 = 350 (demanda en Filadelfia [nodo 6])
X37 + X47 = 300 (demanda en San Luis [nodo 7])
X13 + X23 = X35 + X36 + X37 (envío a través de Chicago [nodo 3])
X14 + X24 = X45 + X46 + X47 (envío a través de Búfalo [nodo 4])
xii O para toda i y j

En el programa 9.5, se muestra la solución encontrada utilizando Solver en Excel 2013 y Excel QM. El
costo total es de $9,550 por el envío de 650 unidades de Toronto a Chicago, 150 unidades de Toronto a
Búfalo, 300 unidades de Detroit a Búfalo, 350 unidades de Chicago a Filadelfia, 300 unidades de Chicago
a San Luis y 450 unidades de Búfalo a Nueva York.
334 CAPÍTULO 9 • MODELOS DE TRANSPORTE, ASIGNACIÓN Y REDES

PROGRAMA 9.5 A B C t.%

De la barra de Excel QM, seleccione el
menú (Alphabetical o By Chapter). Elija Linear
Solución en Excel QM 1 Frosty Machines
2 Enter the values ti, the shaded oree Then thy lo the DI Programming en el menú desplegable.
para el problema de 3 Linoar, Integar and! 1:013ta5RAnisa:70(17:21111.: elick :OL,Vet.se the, Después, complete el número de restricciones
transbordo de Frosty (7), el número de variables (10), seleccione
Machine en Excel 2013 ( Después de introducir los datos, haga clic Minimize y haga clic en OK.
en la pestaña Data y seleccione Solver.
Luego, haga clic en Solve. reeter than a equal to

10 --...
11 X13 X14 X23 824 X35 X36 x37 X45 X46 V.7
12 5' 3 4 5,0 R'iS

:uando se abra la hoja de trabajo, complete 700

, .1 , 4so
a tabla con los coeficientes de la función 1 = 350
objetivo y las restricciones. Escriba sobre el 1 : = I 300

símbolo "<" para cambiarlo. -1

-: .1 -1 1 n crthiri n está aquí¡
21 Results
22 Variables I 650 150 o 300 o 350 300 450 o o
9550 /
23 Objective 1

MODELADO EN EL MUNDO REAL Traslado de caña de azúcar en Cuba

Definición del problema

Definición
del problema El mercado del azúcar ha estado en crisis desde hace más de una década. Los bajos precios del azúcar y la
disminución de la demanda se han sumado a un mercado ya inestable. Los productores de azúcar necesitaban
minimizar los costos. Se enfocaron en el costo unitario que más contribuye al costo total de la manufactura de
azúcar en bruto, es decir, los costos del transporte de la caña de azúcar.

Desarrollo de
Desarrollo de un modelo
un modelo Para resolver este problema, los investigadores desarrolla ron un problema de programación lineal con algunas
variables de decisión enteras (como el número de camio nes) y algunas variables (lineales) continuas (por ejem-
plo, las toneladas de caña de azúcar).

Adquisición de
Adquisición de datos de entrada
datos de entrada En el desarrollo del modelo, las entradas recopiladas fueron las demandas operativas de los ingenios azuca-
reros involucrados, las capacidades de las instalaciones de almacenamiento intermedias, los costos de trans-
porte por unidad de cada ruta y las capacidades de producción de los distintos campos de caña de azúcar.

Pruebas a la solución
Pruebas
a la solución Los investigadores involucrados primero probaron u a versión pequeña de su formulación matemática
usando una hoja de cálculo. Después de observar res ultados alentadores, implementaron la versión com-
pleta de su modelo en una computadora de gran ca pacidad. Los resultados para este modelo grande y
complejo (con cerca de 40,000 variables de decisión y 1 0,000 restricciones) se obtuvieron en sólo unos cuan-
tos milisegundos.

Análisis
Análisis de resultados
de resultados La solución obtenida contenía información sobre la ciar tidad de caña entregada a cada ingenio azucarero, el
campo donde se debería recoger la caña y los medios de transporte (camión, tren, etcétera), y varios otros
atributos operacionales vitales.

Implementación
Implementación de resultados
de resultados Aunque la resolución de grandes problemas como éste con algunas variables enteras, habría sido imposible
hace tan sólo una década, ahora puede encontrarse un a solución con toda seguridad. Con la finalidad de im-
plementar los resultados obtenidos, los investigadores esarrollaron una interfaz más sencilla para que los ad-
ministradores no tuvieran ningún problema al usar este modelo como una ayuda para tomar sus decisiones.

Fuente: Basado en E. L. Milan. S. M. Fernandez y L. M. la Aragones. "Sugar Canc Transportation in Cuba: A Case
Study". European Journal of Operational Research, 174. I (2006): 374-386.
 9.5 PROBLEMA DEL FLUJO MÁXIMO 335

9.5 Problema del flujo máximo

El problema del flujo máximo implica la determinación de la cantidad máxima de material que puede
fluir de un punto (la fuente) a otro (el destino) en una red. Los ejemplos de este tipo de problema incluyen
la determinación del número máximo de automóviles que pueden transitar a través de un sistema de carre-
teras, la cantidad máxima de líquido que fluye a través de una serie de tubos, el número máximo de llama-
das a teléfonos celulares que pueden pasar a través de una serie de torres celulares y la máxima cantidad
de datos que pueden fluir a través de una red computacional.
Para encontrar el flujo máximo desde la fuente o el inicio de una red hasta el destino o final de dicha
red, se utilizan dos métodos comunes: la programación lineal y la técnica del flujo máximo. Primero se
presentará un ejemplo y se demostrará el uso de la programación lineal para este tipo de problema.

Ejemplo
Waukesha, un pequeño pueblo en Wisconsin, está en proceso de desarrollar un sistema de caminos en
su zona centro. A Bill Blackstone, uno de los planeadores de la ciudad, le gustaría determinar el número
máximo de automóviles que pueden transitar a través de la ciudad de oeste a este. La red de caminos se
muestra en la figura 9.4. Las calles se indican mediante sus arcos respectivos. Por ejemplo, el arco que va
del nodo 1 al nodo 2 es el arco 1-2. El arco en la dirección inversa (del nodo 2 al nodo 1) es el arco 2-1. Los
números para los nodos indican el número máximo de automóviles (en cientos de automóviles por hora)
que pueden fluir desde los diversos nodos a lo largo de los respectivos arcos. El flujo máximo a lo largo del
arco 1-2 es 3, mientras que el flujo a lo largo del arco 1-3 es 10. A los planeadores de la ciudad les gustaría
saber la capacidad del sistema de caminos actual en la dirección de oeste a este.
El problema del flujo máximo puede plantearse como un problema de programación lineal, el cual se
considera un tipo especial de problema de transbordo con una fuente, un destino y un número de puntos
de transbordo. La cantidad enviada a través de la red se llama flujo. El objetivo es maximizar el flujo
a través de la red. Hay dos tipos de restricciones divididas en conjuntos. El primero de ellos restringe
la cantidad de flujo en cualquier arco a la capacidad de ese arco. El segundo conjunto de restricciones
indica que la cantidad de flujo que sale de un nodo será igual a la cantidad que fluye hacia ese nodo. Estas
restricciones son las mismas que las de un problema de transbordo.
Las variables se definen como:

= flujo del nodo i al nodo j

Se agrega un arco adicional a la red, que va desde el destino (nodo 6) de nuevo hasta la fuente (nodo 1).
El flujo a lo largo de este arco representa el flujo total en la red. El primer conjunto de restricciones en el
problema de programación lineal son los flujos máximos a lo largo de cada arco en cada dirección. Éstos
se agrupan con base en el nodo desde el que se origina el flujo. Las últimas seis restricciones limitan el

FIGURA 9.4
Capacidad en cientos
Red de caminos en el de automóviles por hora
ejemplo de flujo máximo
de Waukesha
Punto
este
Punto
oeste
336 CAPÍTULO 9 • MODELOS DE TRANSPORTE, ASIGNACIÓN Y REDES

flujo de salida de un nodo para igualar el flujo hacia e nodo (es decir, el flujo hacia un nodo menos el flujo
de salida de ese nodo debe ser igual a cero). El probl a de programación lineal es

Maximizar el flujo = X61

sujeto a
Xi2 3 X155 10 X14 5 2 Capacidades para los arcos desde el nodo 1

X21 5- 1 X24 5- 1 X26 2 Capacidades para los arcos desde el nodo 2

X34 3 X35 2 Capacidades para los arcos desde el nodo 3

X42 5 1 X43 5 1 X6 1 Capacidades para los arcos desde el nodo 4

X53 5- 1 X56 1 Capacidades para los arcos desde el nodo 5

X62 5 2 X64 5 1 Capacidades para los arcos desde el nodo 6

(X21 + X61) — (X12 + X13 + X14) Flujos entrantes = Flujos salientes del nodo 1

(X12 + X42 + X62) — (X21 + X24 + X26) = O Flujos entrantes = Flujos salientes del nodo 2
(X13 + X43 + X53 ) — (X34 + X35 ) = O Flujos entrantes = Flujos salientes del nodo 3

(X14 + X24 + X34 + X64) — (X42 + X43 ± X46) = Flujos entrantes = Flujos salientes del nodo 4
(X35) — (X56 + X53 ) = 0 Flujos entrantes = Flujos salientes del nodo 5

(X26 + X46 + X56) (X61 ± X62 + X64) = 0 Flujos entrantes = Flujos salientes del nodo 6
Xii O

Ahora el problema está listo para resolverse mediante el módulo de programación lineal de QM para
Windows o utilizando Solver en Excel 2013. Sin embargo, el programa 9.6 ilustra la solución encontrada
con Excel QM. Para lograr esto, en la barra de Excel QM, seleccione Network Analysis as LP y, luego, elija
Maximal Flow. En la ventana de inicialización que se abre, introduzca el número de nodos (6) y haga clic
en OK. Se desplegará una hoja de trabajo como la mostrada en el programa 9.6. Introduzca los datos de las
capacidades de arco y, en seguida, haga clic en Solver en la barra de Data. Haga clic en Solve en la ventana
de entrada de Solver, y los resultados (flujos) se presentarán en la hoja de trabajo.

4 A
PROGRAMA 9.6 —1-De la barra de Excel QM, seleccione el menú-
Watikesha
Solución de Excel 2013 2 _.......__ __ (Alphabetical o By Chapter). Elija Network
3 Maximal How Analysis as LP y Maxímal Flow en el menú
del flujo máximo
desplegable. Luego, llene el número de ramas
para Waukesha 5
o arcos (6). Haga clic en OK.
usando Excel QM
8 Data-Are eapiwities
9 FrorrAto Node 1 Node 2 Node 3 Node 4 Node 5 Node 6
Nodet 0 3 lo 2 o o
Nade 2 1 1 2 Cuando se abra la hoja de
Nodo 3 o 3 2 0 trabajo, introduzca los flujos
Nodo 4 o o en la tabla.
Node 5 o o o
Nade 6 999999 0 1
16
al,. V CIIMI ya ,J1.1.4 a 11,11.41,1%.•

es utilizado por Excel QM. . ....... ..... .... —I-- I

20 From \to Node 1 Node 2 Node 3 Node 4 Nade 5 Node 6 Outflow
21 Node 1 2 1 2
22 Node 2 I 2 2
23 Node 3 2 i 2
24 Node 4 I 1 1
25 Node 5 2 2
26 1 Node 6 2 2 1 5
27 Inflow 2 2 7 1 7 5
29 Outflow __......;........ 2 2 (' Despues de introducir los datos, haga '''''
29 clic en la pestaña Data y seleccione Solver.
30
;\ Luego haga clic en Salve.
31 Max Flor, 5
 9.6 PROBLEMA DE LA RUTA MÁS CORTA 337

9.6 Problema de la ruta más corta

El objetivo del problema de la ruta más corta es encontrar la menor distancia desde una ubicación hasta
otra. En una red, esto suele implicar la determinación de la ruta más corta desde un nodo hasta cada uno
de los otros nodos. El problema anterior puede plantearse como un problema de programación lineal con
variables 0-1, o bien, podría plantearse y resolverse mediante un algoritmo especializado que se presenta
en el módulo 8. El siguiente ejemplo es un problema típico de la ruta más corta.
Cada día, Ray Design, Inc., debe transportar camas, sillas y otros artículos de mobiliario desde la
fábrica hasta el almacén. Esto implica pasar por varias ciudades, y no hay carreteras interestatales directas
para facilitar la entrega. Ray desearía encontrar la ruta con la distancia más corta. La red de carreteras se
muestra en la figura 9.5.
El problema de la ruta más corta puede considerarse como un tipo especial de problema de trans-
bordo con una fuente que tiene una oferta de 1, un destino con una demanda de 1 y cierta cantidad de
puntos de transbordo. Este tipo de problema puede plantearse como un problema de programación
lineal con variables 0-1. Ray está tratando de decidir cuáles de las rutas (arcos) a elegir serán parte del
sistema de suministro. Por lo tanto, las variables de decisión indicarán si un arco en específico se elige
para formar parte de la ruta tomada. Para el ejemplo de Ray Design, Inc., el objetivo es minimizar la
distancia (el costo) total desde el inicio hasta el final. Las restricciones especifican que el número de
unidades (ya sea O o 1) que entran en un nodo debe ser igual al número que sale de ese nodo. Las varia-
bles se definen como

= 1 si se selecciona el arco del nodo i al nodo j y xo = 0 en caso contrario

Como el punto de inicio es el nodo 1, no incluiremos variables que vayan desde el nodo 2 o 3 hasta
el nodo 1. Del mismo modo, puesto que el nodo 6 es el destino final, no incluiremos ninguna variable que
inicie en el nodo 6. Si se toma esto como un problema de transbordo, el nodo origen (nodo 1) debe tener
una unidad enviada desde él. Esto sería,

X12 + X13 = 1

El nodo de destino final (nodo 6) debe tener una unidad enviada hacia él, lo cual se escribe como

X46 + X56 = 1

Cada nodo intermedio tendrá una restricción para indicar que la cantidad que entra en el nodo debe ser
igualar la cantidad que sale de éste (es decir, el flujo de entrada a un nodo menos su flujo de salida debe
ser igual a cero). Para el nodo 2, esto sería

X12 + X32 = X23 + X24 + X25

Lo anterior se simplifica como

X12 + X32 — X23 — X24 — X25 = 0

Las otras restricciones se construyen de manera similar. El problema de programación lineal es

Minimizar la distancia = 100X12 + 200X13 + 50X23 + 50X32 + 200X24 + 200X42 + 100X,5

100X52 + 40X35 + 40X53 + 150X45 + 150X54 + 100X46 + 100X56

sujeta a

X12 + X13 = 1 Nodo 1

XI 2 + X32 X23 X24 X25 = 0 Nodo 2
X13 + X23 — X32 — X35 = Nodo 3
X24 + X54 X42 — X45 X44 =0 Nodo 4

X25 + X35 + X45 — X52 -- X53 — X54 X56 = O Nodo 5

X46 X56 = 1 Nodo 6
Todas las variables = 0 o 1
338 CAPÍTULO 9 • MODELOS DE TRANSPORTE, ASIGNACIÓN Y REDES

FIGURA 9.5

Caminos de la planta
de Ray al almacén

PROGRAMA 9.7 A
De la barra de Excel QM, seleccione el y
t Ray Design
Solución en Excel 2013 menú (Alphabetical o By Chapter). Elija
Shortest Path Network Analysis as LP y Shortest Route
para Ray Design, Inc.
Er4ei tne distante; luan neer en el menú desplegable. Después, llene
usando Excel QM notoo, orce on Soban ira the I el número de ramas o arcos (6). Haga
7 , 5 SGIVER 15 not on the Dati
t„ clic en OK.
4 Data - Distante Table ''
FronAto City 1 City 2 City 3 CIty 4 City 5
O 1 100 200 o
r uando se abra la hoja
14 CIty 1 1 1
CIty 2 100 I 0 50 200 1 100 1 1
e cálculo,introduzca las
11
12 City 3 200 1 50 0 0 l 43 Ó 1 istancias en la tabla. }
13 City 4 0 i 200 0 0 150 100
14 City 5 0 I 100 40 150 0 100
15 City 6 0 1 0 0 100 100 0
16: 1 o 0 o o -1
17 Stait=1,Finish.-1
18
19 Flows
20 From \ to CIty 1 City 2 City 3 City 4 City 5 City 6 Outflow
21 aty 1 1 1
22 aty 2 1 1
23 City 3 1 1
24 City 4
25 City 5 1
26 Oty 6
27 Inflow 1

28 Outflow 1 (Después de introducir los datos, haga

29 Net Outflow 1
clic en la pestaña Data y seleccione Solver.
30
31 titAinimum distante 290
1 Luego haga clic en Solve.

Aunque este problema podría resolverse como un problema de programación lineal, la forma más
fácil de obtener la solución es mediante Excel QM. Para resolver un problema de la ruta más corta, de la
barra de Excel QM seleccione Network Analysis as LP y, luego, elija Shortest Path. En la ventana de ini-
cialización que se abre, introduzca el número de nodos (6) y haga clic en OK. Se desplegará una hoja de
trabajo como la mostrada en el programa 9.7. Introduzca los datos de las distancias y, luego, haga clic en
Solver en la barra de Data. Haga clic en Solve en la ventana de entrada de Solver, y los resultados (flujos)
se presentarán en la hoja de trabajo. En el programa 9.7, se observa que

X12 = X23 = X35 == X96 = 1

Así que Ray viajará de la ciudad 1 a la ciudad 2 y, 1 ego, a la ciudad 3, y después a la ciudad 5, y de ahí
a la ciudad 6, su destino final. La distancia total es d 290 millas.

9.7 Problema del árbol de expansión mínima

El problema del árbol de expansión mínima consiste en conectar todos los puntos de una red mientras
se minimiza la distancia total de estas conexiones. Algunos ejemplos comunes son las compañías telefó-
nicas o de cable que intentan conectar las casas de nn vecindario, y los administradores de una red que

Existen cuatro pasos para resolver
un árbol de expansión mínima.
Paso 1: Seleccionamos el nodo 1.
Paso 2: Conectamos el nodo 1 al
nodo 3.
FIGURA 9.6
Red para la empresa
constructora Lauderdale
9.7 PROBLEMA DEL ÁRBOL DE EXPANSIÓN MÍNIMA 339
tratan de minimizar el cable necesario para conectar varias computadoras en red. Aunque se han usado
modelos de programación lineal para resolver esto, hay ciertas propiedades del problema que lo hacen
bastante complejo. Por fortuna, hay otro método más sencillo para encontrar la solución a un problema
de este tipo, y se muestra a continuación. La técnica del árbol de expansión mínima se presentará me-
diante el siguiente ejemplo.
Consideremos la empresa constructora Lauderdale, que actualmente está desarrollando un proyecto
de viviendas de lujo en Panama City Beach, Florida. Melvin Lauderdale, propietario y presidente de la
constructora Lauderdale, debe determinar la forma menos costosa en que se puede suministrar agua y elec-
tricidad a cada casa. La red de casas se muestra en la figura 9.6.
Como se observa en la figura 9.6, hay ocho casas en el golfo. En la red se muestra la distancia entre
cada casa en cientos de pies. Por ejemplo, la distancia entre las casas 1 y 2 es de 300 pies. (El número 3 se
encuentra entre los nodos 1 y 2). Ahora, la técnica del árbol de expansión mínima se utiliza para determinar
la distancia más corta que se puede utilizar para conectar todos los nodos. El enfoque se describe de la
siguiente manera:
Pasos para la técnica del árbol de expansión mínima
1. Seleccione cualquier nodo de la red.
2.. Conecte ese nodo al nodo más cercano que minimiza la distancia total.
3. Considerando todos los nodos que están conectados ahora, encuentre y conecte el nodo más cercano
que no lo esté. Si hay un empate en el nodo más cercano, seleccione uno de ellos arbitrariamente.
Un empate sugiere que puede haber más de una solución óptima.
4. Repita el tercer paso hasta conectar todos los nodos.
Ahora, resolveremos la red de la figura 9.6 para Melvin Lauderdale. Comenzamos seleccionando
arbitrariamente el nodo 1. Como el nodo más cercano es el tercer nodo a una distancia de 2 (200 pies),
conectamos el nodo 1 al nodo 3. Esto se muestra en la figura 9.7.
Considerando los nodos 1 y 3, buscamos el próximo nodo más cercano. Éste es el nodo 4, que es
el más cercano al nodo 3. La distancia es de 2 (200 pies). Una vez más, conectamos estos nodos (vea el
inciso (a) de la figura 9.8).
Continuamos buscando el nodo sin conexión más cercano a los nodos 1, 3 y 4. Éste es el nodo 2 o el
nodo 6, pues cada uno está a una distancia de 3 desde el nodo 3. Elegimos el nodo 2 y lo conectamos
al nodo 3 (vea el inciso (b) de la figura 9.8).
Golfo
340 CAPÍTULO 9 • MODELOS DE TRANSPORTE, ASIGNACIÓN Y REDES

FIGURA 9.7
Primera iteración para
la empresa constructora
Lauderdale

FIGURA 9.8 Segunda y tercera iteraciones

(a) Segunda iteración (b) Tercera iteración

Paso 3: Conectamos el siguiente
nodo más cercano.
Paso 4: Repetimos el proceso.
Continuamos con el proceso. Hay otro empate para la siguiente iteración con una distancia mínima de
3 (del nodo 2 al nodo 5 y del nodo 3 al nodo 6). Tenga en cuenta que no consideramos del nodo 1 al nodo 2
con una distancia de 3, debido a que los nodos 1 y 2 ya están conectados. Seleccionamos arbitrariamente
el nodo 5 y lo conectamos al nodo 2 (vea el inciso (a) de la figura 9.9). El siguiente nodo más cercano es el
nodo 6, conéctelo al nodo 3 (vea el inciso (b) de la fi ura 9.9).
En esta etapa, nos quedan sólo dos nodos sin co ectar. El nodo 8 es el más cercano al nodo 6, con una
distancia de 1, y lo conectamos (vea el inciso (c) del figura 9.9). Después, el nodo 7 restante se conecta al
nodo 8 (vea el inciso (d) de la figura 9.9).
La solución final se observa en la séptima y úl ima iteración. Los nodos 1, 2, 4 y 6 están todos co-
nectados al nodo 3. El nodo 2 está conectado al nodo 5. El nodo 6 está conectado al nodo 8, y el nodo 8
está conectado al nodo 7. Ahora, todos los nodos están conectados. La distancia total se encuentra su-
mando las distancias de los arcos utilizados en el árbol de expansión. En este ejemplo, la distancia es de
2 + 2 + 3 + 3 + 3 + 1 + 2 = 16 (o 1,600 pies). Lo anterior se resume en la tabla 9.4.
 9,7 PROBLEMA DEL ÁRBOL DE EXPANSIÓN MÍNIMA 341

FIGURA 9.9 Últimas cuatro iteraciones para la compañía constructora Lauderdale

(a) Cuarta iteración (b) Quinta iteración

(c) Sexta iteración (c1) Séptima iteración

El problema del árbol de expansión mínima se resuelve con Excel QM o QM para Windows. Para uti-
lizar Excel QM en Excel 2013, seleccione el menú Alphabetical de la barra, desplácese hacia abajo hasta
Network Analysis y elija Minimal Spanning Tree. En la ventana de inicialización de la hoja de cálculo que
se abre, introduzca el número de ramas o arcos (13 en este ejemplo). Cuando se abra la hoja de cálculo,

TABLA 9.4 Resumen de los pasos en el problema del árbol de expansión mínima
para la empresa Lauderdale

NODOS NODO
NODOS SIN SIN CONECTAR ARCO LONGITUD DISTANCIA
PASO CONECTADOS CONECTAR MÁS CERCANO SELECCIONADO DEL ARCO TOTAL

1 1 2, 3, 4,5, 6, 7, 8 3 1-3 2 2
2 I, 3 2, 4, 5, 6, 7, 8 4 3-4 2 4
3 1, 3, 4 2, 5, 6, 7, 8 2o6 3-2 3 7
4 1, 2, 3, 4 5, 6, 7, 8 5o6 2-5 3 10
5 1, 2, 3, 4, 5 6,7,8 6 3-6 3 13
6 1, 2. 3, 4, 5, 6 7, 8 8 6-8 1 14

7 1, 2, 3, 4, 5, 6, 8 7 7 8-7 2 16
342 CAPÍTULO 9 • MODELOS DE TRANSPORTE, ASIGNACIÓN Y REDES

La localización de instalaciones conduce a una mejora

A EN ACCIÓN en la confiabilidad de la cadena de suministro

peor? La respuest está en el área del problema de la localización de

L as cadenas de suministro son, en su nivel físico, una red inter-
conectada de rutas de reparto (carreteras, puentes, vías de navega-
ción, etcétera) compuesta de múltiples fuentes (almacenes, fábricas,
refinerías, etcétera) y varios destinos (tiendas, puntos de venta, otros
almacenes, etcétera), a lo largo de la cual viajan productos y materias
primas. En la mayoría de los casos, la asignación de destinos específi-
cos a determinadas fuentes es conocida y bastante constante.
Los investigadores, mientras ayudan a planear las situaciones de
emergencia en las empresas, han estudiado el problema de la interrup-
ción de la cadena de suministro. ¿Qué pasaría si una de las fuentes
fallara catastróficamente debido a un terremoto, un tornado o algo
instalaciones: ¿Qt é almacenes deberían entregar a qué tiendas para
enfrentar ese pro blema? Al analizar el problema de transporte elimi-
nando las fuentes actuales, una por una, los analistas pudieron medir
el impacto de dicl a interrupción. Los investigadores concluyeron que
deberían planears e con antelación "asignaciones de respaldo" de los
almacenes a las ti, ndas, para ayudar a mitigar el impacto de las posi-
bles catástrofes. ! iempre vale la pena planear con anticipación!
Fuente: Basado en L. Snyder y M. Daskin. Models for Facility
Location: The Exp, cted Failure Cost Case". Transporta:ion Science 39. 3
(2005): 400416.

PROGRAMA 9.8 A e c
(De la barra de Excel QM, seleccione el
1 Lauderdale Construction
Ejemplo del árbol de 2 menú (Alphabetwai o By Chapter). Elija
3 Network Analysis Network Analysis y Minimum Spanning
expansión mínima
Efiletrtai nade, en Tree en el menú desplegable. Después,
para la constructora Salve
complete el número de ramas o arcos (13).
Lauderdale node lj
K._Haga clic en OK.
Después de introducir los'. Results
idatos,haga clic en Solve. Endnode, Cost Inciude Cosi
10 --imanen 1 2 1
Cuando se abra la hoja de trabajo,
11 Brandi 2 1 3 2
12 Branch 3 1 4 5 introduzca el nodo de inicio, el nodo
13 Branch 4 2 3 3 final y el flujo para cada arco.
14 Branch 5 2 5 3 T .1
15 Branch 6 3 4 2- 2
16 Branch 7 3 5 5
17 Branch 8 3 6 3 3
18 Branch 9 3 7 7
19 Branch 10 t 4 1 6 6
20 Branch 11 5 7 4
21 Branch 12 6 8
22 Branch 13 7 8 2 1 2
23
24 Sum 16

introduzca en cada arco el nodo inicial, el nodo final y la distancia entre ambos (es decir, la longitud del
arco) como se indica en el programa 9.8. Haga clic en el botón So/ve que aparece en la hoja de cálculo, y
la solución se mostrará como en el programa 9.8. El problema también podría resolverse en QM para Win-
dows seleccionando el módulo de redes e introduciendo un nuevo problema como un árbol de expansión
mínima. La entrada es muy similar a la de Excel QM.

Resumen

En este capítulo exploramos varios problemas que se plantean común-
mente como redes, con nodos y arcos que representan una variedad de
situaciones. Éstos fueron los problemas de transporte, de asignación.
de transbordo, de flujo máximo. de la ruta más corta y del árbol de
expansión mínima. Se desarrollaron modelos de programación lineal
para todos, excepto para el árbol de expansión mínima, destacando el
hecho de que la programación lineal puede ser benéfica en muchas
áreas diferentes. Los programas de computadora que toman ventaja
de la estructura especial de estos problemas pueden ayudar a resolver
grandes problemas de redes de manera muy eficiente.
 PROBLEMAS RESUELTOS 343

Glosario

Análisis de localización de instalaciones Una aplicación del
método de transporte para ayudar a una empresa a decidir
dónde debe ubicar una nueva fábrica, un nuevo almacén u otra
instalación.
Arco Una línea en una red que puede representar un camino o una
ruta. Un arco o una rama se utilizan para conectar los nodos de
una red.
Destino Una ubicación de demanda en un problema de transporte.
Destino final El nodo final o el nodo destino en una red.
Fuente Un origen o una ubicación de oferta en un problema de
transporte. Además, el origen o nodo de inicio en una red de flujo
máximo.
Nodo Un punto en una red, con frecuencia se representa mediante
un círculo, y está al principio o al final de un arco.
Problema de asignación Un tipo especial de problema de redes
donde los costos se minimizan, mientras se asignan personas a
trabajos (u otras tareas). La manera establecer estas relaciones es
uno a uno.
Problema de la ruta más corta Un problema de redes con el obje-
tivo de encontrar la distancia más corta desde una ubicación hasta
otra pasando por nodos intermedios.
Problema de transporte Un caso específico de PL relacionado con
la programación de envíos desde fuentes hasta destinos, de modo
que se minimicen los costos de transporte totales.
Problema del árbol de expansión mínima Un problema de redes
con el objetivo de minimizar la distancia o el costo total requeri-
dos para conectar todos los nodos en una red.
Problema del flujo máximo Un problema de redes con el objetivo
de determinar la cantidad máxima que puede fluir desde el origen
o la fuente hasta el destino final.

Problemas resueltos

Problema resuelto 9-1

Don Yale, presidente de la compañía Hardrock Concrete, tiene plantas en tres localidades y en la actualidad está
trabajando en tres grandes proyectos de construcción, ubicados en diferentes sitios. En la tabla adjunta, se propor-
cionan el costo de envío por camión cargado de concreto, la capacidad de la planta y los requisitos del proyecto.
Formule el problema de transporte de Hardrock como un problema de programación lineal y resuélvalo
usando software.

[ A PROYECTO PROYECTO PROYECTO CAPACIDADES

DE A R C DE PLANTA
."PLANTA 1 $10 $4 $11 70
:PLANTA 2 $12 $5 $8 50
PLANTA 3 $9 $7 $6 30
FREQIIISIT 40 50 60 150

Solución
Defina las variables como
Xy = número de unidades enviadas de la planta i al proyecto/
donde
i = 1, 2, 3 con 1 = planta 1, 2 = planta 2 y 3 = planta 3
j = 1, 2, 3 con 1 = proyecto A, 2 = proyecto B y 3 = proyecto C
La formulación del problema de programación lineal es

Minimizar el costo total = 10X11 + 4X12 + 11X13 + 12X21 + 5X22 + 8X23 9X31 7X32 6X33

sujeto a
+ X21 + X31 = 40 Requisitos del proyecto A
x12 + x22 ± X32 = 50 Requisitos del proyecto B
X13 + X23 + x33 = 60 Requisitos del proyecto C
x11 + x12 + X13 70 Capacidad de la planta 1
x21 + x22 + X23 50 Capacidad de la planta 2
X31 + X32 X33 30 Capacidad de la planta 3
Todas las variables n
344 CAPÍTULO 9 • MODELOS DE TRANSPORTE, ASIGNACIÓN Y REDES

La salida de computadora que se encuentra mediante el so de Excel QM presenta la solución óptima. De la

planta 1 se envían 20 unidades al proyecto A y 50 unidades al royecto B. De la planta 2 se envían 50 unidades al
proyecto C. De la planta 3 se envían 20 unidades al proyecto y 10 unidades al proyecto B. El costo total de esta
solución es $1,040. Aunque no se muestran en la salida de co putadora, hay soluciones óptimas alternativas para
este problema.

Programa para A a c E F o H
i 1
Solved Problem 9-1 i ¡
el problema
resuelto 9-1
1
2
Transportaton _
n... -.
1L:
Enter 5, transporlenor data in the nusded area The" soto ine DATA Tab on ese &bort
Oda ezsayan Cm* and lencine sotve_ ,- -, ..
r, cl 4 Sobo,

C SOt VER n not en ese Data Taa nen pleesenee tse Helio tile . ' ' '

8 Data
9 COSTS Project 1 Project 2 Project 3 Supply
--+
10 Plant 1 10 4 11 70
11 Plant 2 12 5 8 50
12 Plant 3 9 7 6 30
13 Demand 50 60 150 \ 150
14 ,
Ir
15 Shipments L
16 ShIpments Project 1 Project 2 Project 3 Roer Total
17 Ptant 1 20 SO 70 1--
i
18 Ptant 2 50 50 i

19 Ptant 3 20 10 30 i

20 Colman Total 40 SO 60 150 \ 150

21
22 Total Cost 1040 1

Problema resuelto 9-2

Prentice Hall, Inc., una empresa editorial con sede en Nueva Jersey, quiere asignar a tres graduados universitarios
que fueron contratados recientemente, Jones, Smith y Wilson a los distritos de ventas regionales en Omaha, Dallas
y Miami. Pero la empresa también tiene una vacante en Nueva York y enviaría a uno de los tres contratados, si esto
fuera más económico que un movimiento a Omaha, Dallas o Miami. Costaría $1,000 reubicar iones a Nueva York,
$800 reubicar a Smith ahí y $1,500 mudar a Wilson. ¿Cuál esl la asignación óptima de personal a las oficinas?

OFICINA
CONTRATADO OMAHA MIAMI DALLAS

JONES $800 $1,100 $1,200

SMITH S500 $1,600 $1,300
WIISON $500 51,000 $2,300

Debido a que hay tres nuevas contrataciones y cuatro oficinas si se incluye Nueva York, el problema no está equi-
librado. Es imposible que las cuatro ciudades tengan una persona asignada (es decir, no existe una solución fac-
tible). Por lo tanto, se agrega una fuente ficticia (contratación nueva), y los costos son cero para este elemento
ficticio. Por consiguiente, las variables podrían omitirse de la función objetivo, pero se incluyen por exhaustividad
del procedimiento.
Defina las variables como

Xij = 1 si el nuevo contratado i se asigna a la oficina/

donde

= 1, 2, 3, 4 con 1 = Jones, 2 = Smith, 3 = Wilson y 4 = contratado ficticio

j = 1, 2, 3, 4 con 1 = Comalia, 2 = Miami, 3 = Dallas y 4 = NuevaYork
 AUTOEVALUACIÓN 345

La formulación del problema de programación lineal es

Minimizar el costo total = 800X11 + 1100X12 + 1200X13 + 1000X14 + 500X21 + 1600X22

1300X23 800X24 + 500X31 + 1000X32 + 2300X33 + 1500X34 + OX41 + OX42 + OX43 + OX44
sujeto a
X11 + X21 + X31 + X41 5- 1 Oficina de Omaha
X12 + X22 + X32 + X42 1 Oficina de Miami
X13 + X23 + X33 + X43 1 Oficina de Dallas
X14 + X24 + X34 + X44 5- 1 Oficina de Nueva York
X11 + X12 + X13 + X14 = 1 Jones
X21 +X22 +X23 +X24 = 1 Smith
X31 + X32 + X33 + X34 = 1 Wilson
X41 + X42 + X43 + X44 = 1 Contratado ficticio
Todas las variables -?—•

A continuación, se muestra la solución óptima que se encontró con Excel QM: Jones se asigna a Miami
(X12 = 1), Smith se asigna a Nueva York (X24 = 1), Wilson se asigna a Omaha (X31 = 1) y nadie (ficticio) se asigna
a Dallas (X43 = 1). El costo total es de $2,400.

Programa para A e E

el problema Solved Problem 9-2'•

2
resuelto 9-2 3 Assknment
4 am assignritl"e sudo:late:1 7 hen poto the DATA
5 n. click en. SgAtIr in Otal>ata Analysis Group diu.1 Hico dick $01.1)E.
6 LVER iL 1101 on Iba Dala Tab then picase son liso He1P ale iSeivall lar
7
8
9 Omaha Miami Dallas NY
10 Jones 800 1100 1200 1000
11
12
Smith
Wilson
ice 1600 1300 800

13 Du 1
14
15 Í Assignments
16 ShIpments Omaha Miami Dallas NY Row Total
17 --1
lonas 1 1
18 Smith 1. 1
19 Wilson 1 1
20 Dummy 1 1
21 Column Total 1 1 1 1 4
22
23 Total Cost 2400

Autoevaluación

• Antes de realizar la autoevaluación, consulte los objetivos de aprendizaje al comienzo del capítulo, las notas en los márgenes y el glosario
al final del capítulo.
• Consulte las soluciones en la parte final del libro para corregir sus respuestas.
• Vuelva a estudiar las páginas que correspondan a todas las preguntas que respondió incorrectamente o al material del que no se sienta seguro.

1. Si un problema de transporte tiene 4 fuentes y 5 destinos, su 2. Un problema de asignación puede verse como un problema de
problema de programación lineal tendrá transporte con
a. 4 variables y 5 restricciones. a. un costo de $1 para todas las rutas de envío.
b. 5 variables y 4 restricciones. b. todas las ofertas y demandas iguales a 1.
c. 9 variables y 20 restricciones. c. sólo restricciones de demanda.
d. 20 variables y 9 restricciones. d. sólo restricciones de oferta.
346 CAPÍTULO 9 • MODELOS DE TRANSPORTE, ASIGNACIÓN Y REDES
3. Una empresa está evaluando la apertura de un nuevo centro
de producción, y tiene tres lugares bajo consideración. Para este
problema de localización de instalaciones, ¿cuántos modelos
de transporte se deben desarrollar y resolver?
a. 1
b. 2
c. 3
d. 4
4. Se asignarán cuatro grúas a cinco trabajos de construcción.
Uno de los trabajos se retrasará hasta que una de las grúas
esté disponible después de terminar la primera tarea.
Se usará una modelo de asignación. Para permitir que
el software especializado encuentre una solución a este
problema,
a. no debe hacerse nada en especial con el problema.
b. debe usarse una grúa ficticia en el modelo.
c. debe usarse un trabajo ficticio en el modelo.
d. deben usarse un trabajo y una grúa ficticios en el modelo.
5. ¿Cuál modelo de red se utiliza para determinar la forma de
conectar todos los puntos de una red mientras se minimiza
la distancia total entre ellos?
a. El modelo de asignación.
b. El modelo del flujo máximo.
c. El modelo de la ruta más corta.
d. El modelo del árbol de expansión mínima.
Preguntas para análisis y problemas
Preguntas para análisis
9-1 ¿Es el modelo de transporte un ejemplo de la toma de de-
cisiones en condiciones de certidumbre o de la toma de
decisiones en condiciones de incertidumbre? ¿Por qué?
9-2 Explique cómo se determina el número de variables y de
restricciones que habría en un problema de transporte tan
sólo con conocer el número de fuentes y el número de
destinos.
9-3 Explique qué significa que un modelo de asignación esté
equilibrado.
9-4 Explique el propósito de las restricciones de transbordo
en el problema de programación lineal para un modelo de
transbordo.
9-5 Describa un problema que pueda resolverse mediante el
modelo de la ruta más corta.
9-6 Explique por qué el modelo del flujo máximo puede verse
como un modelo de transbordo.
DE A ALBUQUERQUE
DES MOINES S5
EVANSVILLE 8 4
FORT LAUDERDALE 9 7
REQUISITOS 200
Nota: 9 significa que el problema puede resolverse con QM para Windows:
puede resolverse con QM para Windows y/o Excel QM.
6. En un mod lo típico de la ruta más corta, el objetivo es
a. • • • el número de nodos en la ruta.
b. el tiempo o la distancia para ir de un punto a otro.
c. minimizar el número de arcos en la ruta.
d. viajar a ravés de todos los nodos de la mejor manera posible.
7. Una gran ciudad está planeando unos Juegos Olímpicos, que
se realizarán dentro de unos pocos años. Se evalúa el sistema
de transporte para determinar la expansión que se requiere para
manejar el gran número de visitantes a los juegos. ¿Cuál de los
siguientes modelos es más probable que sea útil para que los
planeadores de la ciudad determinen la capacidad del sistema
actual?
a. El modelo de transporte.
b. El modelo del flujo máximo.
e. El modelo de la ruta más corta.
d. El modelo del árbol de expansión mínima
8. El centro de cómputo de una gran universidad está instalando
cables de fibra óptica hacia 15 edificios en el campus. ¿Cuál de
los siguientes modelos podría utilizarse con la finalidad de
determinar la menor cantidad de cable necesario para conectar
todos los edificios?
a. El modelo de transporte.
b. El modelo del flujo máximo.
c. El modelo de la ruta más corta.
d. El modelo del árbol de expansión mínima.
Problemas*
• 9-7 La gerencia de la corporación Executive Furniture deci-
dió ampliar la capacidad de producción en su fábrica
de Des Moines y recortar la producción en sus otras
plantas. También reconoce un mercado cambiante para
sus escritorios y ha modificado los requisitos en sus tres
almacenes.
La tabla que se muestra al final de la página contiene
los requisitos de cada uno de los almacenes, las capaci-
dades de cada una de las fábricas y el costo unitario de
envío desde cada fábrica hasta cada almacén. Encuentre
la manera de satisfacer los requisitos, dada la capacidad
de cada fábrica, y al menor costo posible.
1: 9-8 La compañía Hardrock Concrete tiene plantas en tres ubi-
3
cacames y en la actualidad está trabajando en tres grandes
proyectos de construcción, cada uno situado en un sitio
diferente. En la siguiente tabla, se proporcionan el costo
i
BOSTON CLEVELAND CAPACIDAD
S4 $3 300
3 150
5 250
200 300
significa que el problema puede resolverse con Excel QM, y significa que el problema
 PREGUNTAS PARA ANÁLISIS Y PROBLEMAS 347

de envío por camión de concreto, la capacidad de la planta
y las necesidades diarias de los proyectos.
Formule esto como un problema de programación
lineal para determinar la manera de satisfacer las necesi-
dades al menor costo posible. Resuelva usando cualquier
software.
9-9 El propietario de Hardrock Concrete ha decidido aumentar
la capacidad en su planta más pequeña (vea el problema
9-9). En vez de producir 30 cargas de concreto al día en la
planta 3, la capacidad de esa planta se duplicará a 60 car-
gas. ¿Esto cambia el programa desarrollado previamente?
9-10 La compañía Saussy Lumber envía pisos de pino a tres
tiendas de suministros para construcción desde sus aserra-
deros en Pineville, Oak Ridge y Mapletown. Determine el
mejor programa de envíos para los datos dados en la tabla
correspondiente a este problema.
9-11 La compañía ferrocarrilera Krampf Lines se especializa
en el manejo de carbón. El viernes 13 de abril, Krampf
tenía vagones vacíos en las siguientes ciudades, en las
cantidades indicadas:
CIUDAD OFERTA DE VAGONES
Morgantown 35
Youngstown 60
Pittsburgh 25
Para el lunes 16 de abril, las siguientes ciudades necesita-
rán vagones con carbón de la siguiente manera:
CIUDAD DEMANDA DE VAGONES
Coal Valley 30
Coaltown 45
Coal Junction 25
Coalsburg 20
Mediante el uso de una tabla de distancias por ferrocarril
de ciudad a ciudad, el despachador construyó una tabla en
millas para las ciudades anteriores. El resultado se mues-
tra en la tabla correspondiente a este problema. Minimice
las millas totales que deberán recorrer los vagones hasta
sus nuevas ubicaciones; calcule el mejor envío de vagones
de carbón.
.74* 9-12 Un fabricante produce aparatos de aire acondicionado
para habitación en sus plantas de Houston, Phoenix y
Memphis. Éstos se envían a los distribuidores regionales
de Dallas, Atlanta y Denver. Los costos de envío varían,
y la compañía desearía encontrar la manera de satisfacer
las demandas en cada uno de los centros de distribución,
al menor costo posible. Dallas necesita recibir 800 apara-
tos al mes, Atlanta requiere 600 y Denver necesita 200.
Houston dispone de 850 aparatos cada mes, Phoenix de

Tabla para el problema 9-8

A
DE PROYECTO A PROYECTO B PROYECTO C CAPACIDAD
PLANTA 1 $10 $4 $11 70
PLANTA 2 12 5 8 50
PLANTA 3 9 7 6 30
REQUISITOS 40 50 60

Tabla para el problema 9-10

TIENDA DE TIENDA DE TIENDA DE CAPACIDAD DEL

A
SUMINISTROS SUMINISTROS SUMINISTROS ASERRADERO
DE , 3
1 2 (TONELADAS)
PINEVILLE $3 S3 $2 25
OAK RIDGE 4 2 3 40
MAPLETOWN 3 2 3 30
DEMANDA DE LA TIENDA
DE SUMINISTROS 30 30 35

Tabla para el problema 9-11

A
1:1E----.---"'""2-- ---_,....„ COAL VALLEY
---7 COALTOWN COAL JUNCTION COALSBURG
MORGANTOWN 50 30 60 70
YOUNGSTOWN 20 80 10 90
PITTSBURGH 100 40 80 30
348 CAPÍTULO 9 • MODELOS DE TRANSPORTE, ASIGNACIÓN Y REDES

650 y Memphis de 300. El costo de envío por unidad de autor za que estas empresas unan sus excesos de oferta y
Houston a Dallas es de $8, a Atlanta es de $12 y a Denver los d'stribuyan a pequeñas empresas independientes que
es de $10. El costo por unidad de Phoenix a Dallas es de no tien generadores suficientemente grandes como para
$10, a Atlanta es de $14 y a Denver es de $9. El costo por manear la demanda. El exceso de oferta se distribuye con
unidad de Memphis a Dallas es de $11, a Atlanta es de $8 base en el costo por kilowatt-hora transmitido. La siguiente
y a Denver es de $12. ¿Cuántas unidades se deberían en- tabla muestra la demanda y la oferta en millones de kilowa-
viar de cada planta a cada centro de distribución regional? as-hura y el costo por kilowatt-hora transmitido a cuatro
¿Cuál es el costo total de esto? pequ ñas empresas eléctricas en las ciudades W, X, Y y Z:
14 •• 9-13 Finnish Furniture fabrica mesas en instalaciones ubicadas
en tres ciudades: Reno, Denver y Pittsburgh. Después, EXCESO
las mesas se envían a tres tiendas ubicadas en Phoenix, A
DE
Cleveland y Chicago. La gerencia desea desarrollar un 1TI"'- 1 \ .........
W X Y Z OFERTA
programa de distribución que satisfaga las demandas al
A 120 4¢ 9¢ 5¢ 55
menor costo posible. El costo de envío por unidad desde
cada una de las fuentes hasta cada uno de los destinos se B 8¢ 1¢ 6¢ 60 45
muestra en la siguiente tabla: C 10 120 40 70 30
DEMANDA DE ENERGÍA
NO SATISFECHA 40 20 50 20
DE A PHOENIX CLEVELAND CHICAGO
RENO 10 16 19 Encuentre el sistema de distribución de menor costo.
DENVER 12 14 13 • 9-15 Los ¡tres bancos de sangre en el Condado de Franklin
se coordinan a través de una oficina central que facilita
PITTSBURGH 18 12 12
la entrega de sangre a cuatro hospitales de la región. El
costo por enviar un contenedor estándar de sangre desde
Las ofertas disponibles son 120 unidades en Reno, 200 cada banco hasta cada hospital se indica en la tabla co-
en Denver y 160 en Pittsburgh. Phoenix tiene una deman- rrespondiente a este problema. También se da el número
da de 140 unidades, Cleveland de 160 unidades y Chica- quincenal de contenedores disponibles en cada banco y el
go de 180 unidades. ¿Cuántas unidades deberían enviarse número quincenal de contenedores de sangre necesarios
desde cada instalación de manufactura hasta cada una de en cada hospital. ¿Cuántos envíos deberían hacerse cada
las tiendas minoristas para minimizar el costo? ¿Cuál es el dos semanas desde cada banco de sangre hasta cada hospi-
costo total? tal para minimizar los costos totales de envío?
Gl• 9-14 El estado de Missouri tiene tres principales compañías ge- 24* 9-16 La compañía de bienes raíces B. Hall ha identificado
neradoras de electricidad (A, B y C). Durante los meses cuatro pequeños edificios de apartamentos en los cua-
de mayor demanda, la Autoridad Eléctrica de Missouri les le gustaría invertir. La señora Hall se ha acercado a

Tabla para el problema 9-15

DE
CoE \._...
‘ HOSPITAL 1 HOSPITAL 2 HOSPITAL 3 HOSPITAL 4 OFERTA
BANCO 1 $8 $9 $11 $16 50
BANCO 2 12 7 5 8 80
BANCO 3 14 10 6 7 120
DEMANDA 90 70 40 50

Tabla para el problema 9-16

PROPIEDAD (TASAS DE INTERÉS) (%)

COMPAÑÍA DE AHORRO LÍNEA DE CRÉDITO
Y CRÉDITO HILL ST. BANKS ST. PARK A . DRURY LANE MÁXIMA ($)
FIRST HOMESTEAD 8 8 10 11 80,000
COMMONWEALTH 9 10 12 10 100,000
WASHINGTON FEDERAL 9 11 10 9 120,000
PRÉSTAMO NECESARIO PARA
COMPRAR EL EDIFICIO $60,000 $40,000 $130,00Q $70,000
 PREGUNTAS PARA ANÁLISIS Y PROBLEMAS 349

tres sociedades de ahorro y crédito en busca de financia-
miento. Debido a que Hall ha sido un buen cliente en el
pasado y ha mantenido una alta calificación crediticia en
la comunidad, cada compañía de ahorro y crédito está
dispuesta a considerar el otorgamiento de la totalidad o
parte del préstamo hipotecario necesario para cada pro-
piedad. Cada oficial de préstamo ha fijado diferentes ta-
sas de interés en cada propiedad (la tasa se ve afectada
por el vecindario del edificio, la condición de la propie-
dad y el deseo de la empresa de crédito de financiar edi-
ficios de varios tamaños), y cada compañía de crédito ha
colocado un máximo al crédito total que puede otorgar a
Hall. Esta información se resume en la tabla de la página
anterior.
Para Hall, cada edificio de apartamentos es igual-
mente atractivo como inversión, así que ha decidido
comprar todos los edificios posibles con el pago de in-
terés total más bajo. ¿A cuáles compañías de crédito les
debería pedir un préstamo para comprar cuáles edificios?
Una misma propiedad puede ser financiada por una o más
compañías de ahorro y crédito.
31? 9-17 El gerente de producción de la compañía J. Mehta está
planeando una serie de periodos de producción de un mes
para fabricar fregaderos de acero inoxidable. La deman-
da para los próximos cuatro meses es la siguiente:
DEMANDA DE FREGADEROS
MES DE ACERO INOXIDABLE
1 120
2 160
3 240
4 100
De manera normal, la compañía Mehta puede producir
100 fregaderos de acero inoxidable al mes. Esto se hace
durante las horas regulares de producción a un costo de
$100 por fregadero. Si la demanda en todo un mes no
puede ser satisfecha por la producción regular, el gerente
de producción tiene otras tres opciones: 1. producir hasta
50 fregaderos más al mes en horas extras, pero a un costo
de $130 por fregadero; 2. comprar un número limitado de
fregaderos a un competidor amigable para su reventa (el
número máximo de compras externas durante el periodo
de 4 meses es de 450 fregaderos, a un costo de $150 cada
uno), o 3. satisfacer la demanda usando su inventario dis-
ponible. El costo mensual de mantener el inventario es de
$10 por fregadero. No se permiten órdenes sin surtir (pen-
dientes) por faltantes. El inventario disponible al principio
del mes uno es de 40 fregaderos. Configure este problema
de "suavización de la producción" como un problema de
transporte para minimizar el costo.
31i 9-18 En la actualidad, Ashley's Auto Top Carriers tiene plantas
en Atlanta y Tulsa que abastecen a los principales centros
de distribución en Los Ángeles y Nueva York. Debido a
una demanda en expansión, Ashley ha decidido abrir una
tercera planta y la elección se ha reducido a una de dos
ciudades: Nueva Orleans o Houston. Los costos de pro-
ducción y distribución relevantes, así como la capacidad
de planta y las demandas de distribución, se muestran en
la tabla al final de esta página.
¿Cuál de las nuevas plantas posibles debería abrirse?
9-19 Marc Smith, vicepresidente de operaciones de HHN, Inc.,
un fabricante de gabinetes para conmutadores telefónicos,
está restringido a cumplir los pronósticos a 5 años por la
capacidad limitada en las tres plantas existentes. Estas
tres plantas están en Waterloo, Pusan y Bogotá. Como su
asistente, usted ha recibido la información de que, debido
a las limitaciones de capacidad existentes y al mercado
mundial de gabinetes en expansión, HNN agregará una
nueva planta a las tres plantas existentes. El departamento
de bienes raíces ha recomendado a Marc dos sitios que
parecen particularmente buenos, debido a su situación
política estable y a un tipo de cambio tolerable: Dublín,
Irlanda y Fontainebleau, Francia. Marc sugiere que usted
podría tomar los datos de la página siguiente y determinar
dónde se debería instalar la cuarta planta, con base en sus

Datos para el problema 9-18

A LOS CENTROS DE COSTO DE
DISTRIBUCIÓN LOS NUEVA PRODUCCIÓN::"
DE LAS PRODUCCIÓN
ÁNGELES YORK NORMAL
PLANTAS UNITARIO (S)

ATLANTA $8 $5 600 6
Plantas
existentes
4 7 900 5

NUEVA ORLEANB 5 6 500 4 (anticipado)

Ubicaciones
propuestas
HOUSTON 4 500 3 (anticipado)
PRONÓSTICO DE
LA DEMANDA
mi •
800 1,200 2,000

Indica que el costo de distribución (envio, manejo,

almacenamiento) será de $6 por unidad, si se envía
de Houston a Nueva York
350 CAPÍTULO 9 • MODELOS DE TRANSPORTE, ASIGNACIÓN Y REDES

Datos para el problema 9-19

UBICACIÓN DE A PLANTA
ÁREA DE MERCADO WATERLOO PUSAN BOGOTÁ FONTAINEBLEAU DUBLÍN

Canadá
Demanda 4,000
Costo de producción $50 $30 $40 $50 $45
Costo de transporte 10 25 20 25 25
Sudamérica
Demanda 5,000
Costo de producción 50 30 40 50 45
Costo de transporte 20 25 10 30 30
Cuenca del Pacífico
Demanda 10,000
Costo de producción 50 30 40 50 45
Costo de transporte 25 10 25 40 40
Europa
Demanda 5,000
Costo de producción 50 30 40 50 45
Costo de transporte 25 40 30 10 20
Capacidad 8.000 2.000 5.000 9,000 9,000

costos de producción y sus costos de transporte. ¿Qué si- 2: 9-21 Use los datos del problema 9.20 y los costos de produc-
X'
tio es el mejor? ción unitarios que se muestran en la siguiente tabla, para
9-20 La corporación Don Levine está considerando agregar una determinar qué ubicaciones generan el menor costo?
planta a sus tres instalaciones existentes en Decatur, Min-
neapolis y Carbondale. Se están considerando San Luis y LOCALIZACIÓN COSTOS DE PRODUCCIÓN
el Este de San Luis. Si se evalúan solamente los costos
unitarios de transporte como se muestra en las siguientes Decatur $50
tablas, ¿qué sitio es el mejor? Minneapolis 60
Carbondale 70
DE LAS PLANTAS EXISTENTES Este de San Luis 40
A DECATUR MINNEAPOLIS CARBONDALE DEMANDA San Luis 50

Blue Earth $20 $17 $21 250

Ciro 25 27 • 20 200 11 • 9-22 En una operación de taller, se pueden realizar cuatro tra-
bajos en cualesquiera de cuatro máquinas. En la siguiente
Des Moines 22 25 22 350
tabla, se presentan las horas requeridas para cada trabajo
Capacidad 300 200 150 en cada máquina. Al supervisor de planta le gustaría asig-
nar los trabajos de modo que se minimice el tiempo total.
Encuentre la mejor solución. ¿Qué asignaciones deberían
DE LAS PLANTAS PROPUESTAS hacerse?
A ESTE DE SAN LUIS SAN LUIS
MÁQUINA
Blue Earth $29 $27
TRAE O W X Y Z
Ciro 30 28
30 31 Al 10 14 16 13
Des Moines
150 150 A15 12 13 15 12
Capacidad
B2 9 12 12 11
B9 14 16 18 16
 PREGUNTAS PARA ANALISIS Y PROBLEMAS 351

Q- 9-23 Cuatro automóviles han entrado al taller de reparaciones CURSO

de Bubba para varios tipos de trabajos, que van desde un
ajuste de la transmisión hasta un trabajo de frenos. El nivel ESTADÍS- ADMINISTRA- FINAN-
de experiencia de los mecánicos es muy variado, y Bubba PROFESOR TICA CIÓN ZAS ECONOMÍA
quiere minimizar el tiempo requerido para completar todas Anderson 90 65 95 40
las tareas. Se ha estimado el tiempo en minutos para que 70 60 80 75
Sweeney
cada mecánico complete cada trabajo. Billy puede comple-
Williams 85 40 80 60
tar el trabajo 1 en 400 minutos, el trabajo 2 en 90 minutos,
el trabajo 3 en 60 minutos y el trabajo 4 en 120 minutos. McKinney 55 80 65 55
Taylor terminaría el trabajo 1 en 650 minutos, el trabajo 2
en 120 minutos, el trabajo 3 en 90 minutos y el trabajo 4 en g•- 9-27 El administrador del hospital general en St. Charles debe
ac
180 minutos. Mark puede terminar el trabajo 1 en 480 mi- nombrar a jefes de enfermería para cuatro departamentos
nutos, el trabajo 2 en 120 minutos, el trabajo 3 en 80 minu- de reciente creación: urología, cardiología, ortopedia y
tos y el trabajo 4 en 180 minutos. John completaría el obstetricia. En previsión de este problema de personal, ha
trabajo 1 en 500 minutos, el trabajo 2 en 110 minutos, el tra- contratado cuatro enfermeras: Hawkins, Condriac, Bardot
bajca en 90 minutos y el trabajo 4 en 150 minutos. Cada y Hoolihan. Debido a que cree en el enfoque del análisis
mecánico debería asignarse a sólo uno de los trabajos. cuantitativo para resolver problemas, el gerente entrevistó
¿Cuál es el tiempo total mínimo requerido para terminar a cada enfermera, considerado sus antecedentes, persona-
estas tareas? ¿Quién debería asignarse a cada trabajo? lidad y talento, y desarrolló una escala de costos que va
de O a 100 para utilizarla en la asignación. Un O para la
1: 9-24 Los equipos de arbitraje de béisbol se encuentran actual-
2 enfermera Bardot asignada a la unidad de cardiología im-
mente en cuatro ciudades donde están empezando series
plica que ella sería perfectamente adecuada para esa tarea.
de tres juegos. Cuando éstas terminen, se requiere que los
Por el contrario, un valor cercano a 100 implicaría que no
equipos de arbitraje trabajen en partidos de cuatro ciuda-
es adecuada en absoluto para ser jefa de esa unidad. La
des diferentes. En la siguiente tabla se muestran las dis-
tabla adjunta presenta las cifras completas de costos que
tancias (millas) desde cada una de las ciudades donde los
el gerente del hospital otorgó para todas las asignaciones
árbitros están trabajando actualmente hasta las ciudades
posibles. ¿Qué enfermera debería asignarse a qué unidad?
donde comenzarán los nuevos juegos:
A DEPARTAMENTO

DE KANSAS CITY CHICAGO DETROIT TORONTO ENFER- URO- CARDIO- OBSTE-

MERA LOGÍA LOGÍA ORTOPEDIA TRICIA
Seattle 1,500 1,730 1,940 2,070
Hawkins 28 18 15 75
Arlington 460 810 1,020 1,270
Condriac 32 48 23 38
Oakland 1,500 1,850 2,080 X 24 36
Bardot 51 36
Baltimore 960 610 400 330 Hoolihan 25 38 55 12
La X indica que el equipo de árbitros en Oakland no
puede enviarse a Toronto. Determine qué equipo debería 9-28 La compañía Gleaming acaba de desarrollar un nuevo
enviarse a cada ciudad para minimizar la distancia total líquido para lavar platos y está preparando una campaña
recorrida. ¿Cuántas millas se viajaría, si se realizaran estas promocional en televisión nacional. La compañía ha de-
asignaciones? cidido programar una serie de comerciales de un minuto
1: 9-25 En el problema 9-24 se encontró la distancia mínima durante la hora de máxima audiencia de las amas de casa
viajada. Para saber cuánto mejor es esta solución que las entre la 1 P.M. y las 5 P.M. Para alcanzar la mayor audien-
asignaciones que podrían haberse realizado, encuentre cia posible, Gleaming quiere programar un solo anuncio
las asignaciones que darían la distancia máxima recorrida. en cada una de cuatro cadenas televisivas y que un solo
Compare esta distancia total con la distancia que se en- anuncio aparezca durante cada uno de los cuatro bloques
de tiempo de una hora. En la siguiente tabla se presentan
contró en el problema 9-24.
los niveles de exposición para cada hora, que represen-
30
º: 9-26 Roscoe Davis, director del Departamento de Negocios tan el número de espectadores por $1,000 gastado. ¿En
de una universidad, ha decidido aplicar un nuevo método qué cadena debería programarse el anuncio cada hora para
para la asignación de profesores a los cursos del próximo ofrecer la máxima exposición a la audiencia?
semestre. Como criterio para juzgar quién debería im-
partir cada curso, el profesor Davis revisa evaluaciones
CADENA
de enseñanza en los últimos dos años (realizadas por los
estudiantes). Como cada uno de los cuatro profesores im- HORAS DE AUDIENCIA A B C INDEPENDIENTE
partió cada uno de los cuatro cursos en un momento u otro
durante el periodo de dos años, Davis puede otorgar una 1-2 P.M. 27.1 11.3
18.1 9.5
calificación en cada curso para cada profesor. Estos valo- 2-3 P.M. 18.9 15.5 17.1 10.6
res se muestran en la siguiente tabla. Encuentre la mejor 3-4 P.M. 19.2 18.5 9.9 7.7
asignación de los profesores a los cursos para maximizar 4-5 P.M. 11.5 21.4 16.8 12.8
la calificación general de la enseñanza.
352 CAPÍTULO 9 • MODELOS DE TRANSPORTE, ASIGNACIÓN Y REDES

Datos para el problema 9-29

PLANTA
DISPOSITIVOS
MÉDICOS 1 2 3 4 5 6 7 8
C53 $0.10 $0.12 $0.13 $0.11 $0.10 $0.06 S0.16 $0.12
C81 0.05 0.06 0.04 0.08 0.04 0.09 0.06 0.06
D5 032 0.40 0.31 0.30 0.42 0.35 0.36 0.49
D44 0.17 0.14 0.19 0.15 0.10 0.16 0.19 0.12
E2 0.06 0.07 0.10 0.05 0.08 0.10 0.11 0.05
E35 0.08 0.10 0.12 0.08 0.09 0.10 0.09 0.06
G99 0.55 0.62 0.61 0.70 0.62 0.63 0.65 0.59

Q. 9-29 La compañía de Patricia García está produciendo siete
nuevos productos médicos. Cada una de las ocho plan-
tas de García puede agregar un producto más a su actual
línea de dispositivos médicos. En la tabla anterior, se
muestran los costos de producción unitarios para las di-
ferentes piezas en las ocho plantas. ¿Cómo debería García
asignar los nuevos productos a las plantas para minimizar
los costos de producción?
9-30 Haifa Instruments, un productor israelí de unidades por-
tátiles de diálisis de riñón y otros productos médicos, de-
sarrolla un plan global de ocho meses. Se pronostica que
la demanda y la capacidad (en unidades) serán como se
indica en la siguiente tabla.
El costo de producción de cada unidad de diálisis
es de $1,000 en tiempo regular, $1,300 en horas extras y
$1,500 en un subcontrato. El costo por mantener una uni-
dad en inventario es de $100 al mes. No hay existencias de
inventario ni al principio ni al final.
(a) Establezca un plan de producción, utilizando el mo-
delo de transporte, que minimice el costo. ¿Cuál es el
costo de este plan?
(b) A través de una mejor planeación, la producción en
tiempo regular puede ajustarse exactamente al mismo
valor de 275 por mes. ¿Esto altera la solución?
(c) Si los costos de horas extras se elevan de $1,300 a
$1,400, ¿cambia esto su respuesta al inciso (a)? ¿Qué
pasaría si se reducen a $1,200?
9-31 La tripulación de astronautas de la NASA incluye actual-
mente 10 especialistas de misión que poseen un doctorado
en astrofísica o en astromedicina. Uno de estos especialis-
tas será asignado a cada uno de los 10 vuelos programados
para los próximos nueve meses. Los especialistas de la
misión son responsables de realizar experimentos cientí-
ficos y médicos en el espacio, o bien, del lanzamiento, la
recuperación ola reparación de satélites. El mismo jefe de
personal de los astronautas es un ex miembro de la tripu-
lación, con tres misiones en su haber, y debe decidir quién
tiene que ser asignado y capacitado para cada una de las
diferentes misiones. Claramente, los astronautas con edu-
cación médica son más adecuados para las misiones que
implican experimentos biológicos o médicos; mientras
que aquellos con títulos en ingeniería -u orientados a la
física- son los más adecuados para otro tipo de misiones.
El jefe asigna a cada astronauta una calificación en una
escala de 1 a 10 para cada posible misión, un 10 implica
una aptitud perfecta para la tarea en cuestión y 1 es una
carencia total de aptitud. Sólo se asigna un especialista a
cada vuelo, y ninguno se reasigna hasta que todos los de-
más hayan volado al menos una vez.
(a) ¿Quién debería asignarse a qué vuelo?
(b) La NASA acaba de saber que Anderson se casará en
febrero y que se le ha concedido una gira publicitaria
en Europa durante ese mes. (Tiene la intención de lle-
var a su esposa y tomar el viaje doble como una luna
de miel). ¿Cómo cambia esto la programación final?
(c) Cerio se ha quejado de que fue calificado errónea-
mente en sus misiones de enero. Afirma que ambas
calificaciones deberían ser 10; el jefe está de acuerdo

Datos para el problema 9-30

CAPACIDAD
FUENTE ENE. FEB. MAR. ABR. Y. JUN. JUL. AGO.
Mano de obra
Tiempo regular 235 255 290 300 290 300 290
Tiempo extra 20 24 26 24 130 28 30 30
Subcontrato 12 15 15 17 17 19 19 20
Demanda 255 294 321 301 330 320 345 340
 PREGUNTAS PARA ANÁLISIS Y PROBLEMAS 353

Datos para el problema 9-31

MISIÓN
ENE. ENE. FEB. FEB. MAR. ABR. MAY. JEN. AGO. SER
ASTRONAUTA 12 27 5 26 26 12 1 9 20 19

Vincze 9 7 2 1 I() 9 8 9 2 6
Veit 8 8 3 4 7 9 7 7 4 4
Anderson 2 1 10 10 1 4 7 6 6 7
Herbert 4 4 10 9 9 9 1 2 3 4
Schatz 10 10 9 9 8 9 1 1 1 1
Plane 1 3 5 7 9 7 10 10 9 2
Certo 9 9 8 8 9 1 1 2 2 9
Moses 3 2 7 6 4 3 9 7 7 9
Brandon 5 4 5 9 10 10 5 4 9 8
Drtina 10 10 9 7 6 7 5 4 8 8

y recalcula el programa. ¿Ocurren algunos cambios
en el progrania establecido en el inciso (b)?
(d) ¿Cuáles son las fortalezas y las debilidades de este en-
foque para la programación?
Q: 9-32 La Corporación XYZ está ampliando su mercado a fin
de incluir Texas. Cada vendedor es asignado a distribui-
dores potenciales en una de cinco áreas diferentes. Se
prevé que el vendedor pasará de tres a cuatro semanas en
su área asignada. Se iniciará una campaña de marketing
en todo el estado una vez que el producto se haya entre-
gado a los distiibuidores. Los cinco vendedores que serán
asignados a estas áreas (una persona en cada una de ellas)
han evaluado las áreas con respecto a la deseabilidad de
su asignación, como se muestra en la siguiente tabla. La
escala va de 1 (menos deseable) a 5 (más deseable). ¿Qué
asignaciones deberían hacerse si se desea maximizar el to-
tal de las calificaciones?
9-33 La constructora Bechtold se encuentra en el proceso de
instalación de líneas eléctricas en un gran desarrollo ha-
bitacional. Steve Bechtold quiere minimizar la longitud
total de alambre utilizado, con la finalidad de minimizar
sus costos. El desarrollo habitacional se muestra como una
red. Cada casa ha sido numerada, y las distancias entre ca-
sas se dan en cientos de pies. ¿Qué recomienda usted?

Tabla para el problema 9-32

AUSTIN/SAN DALLAS/FT. EL PASO/OESTE HOUSTON/ CORPUS CHRISTI/VALLE

ANTONIO WORTH DE TEXAS GALVESTON DEL RÍO GRANDE
Erica 5 3 2 3 4
Louis 3 4 4 2 2
Maria 4 5 4 3 3
Paul 2 4 3 4 3
Orlando 4 5 3 5 4

Red para el problema 9-33

354 CAPÍTULO 9 • MODELOS DE TRANSPORTE, ASIGNACIÓN Y REDES

Red para el problema 9-34

9-34 La ciudad de Nueva Berlín está considerando hacer varias 9-36 En la siguiente red, se muestra el sistema de carreteras
de sus calles de un solo sentido (vea la red que se propor- alrededor del complejo hotelero en International Drive
ciona). Asimismo, debido al aumento de impuestos a la (nodo 1) hasta Disney World (nodo 11) en Orlando, Flo-
propiedad y a un dinámico plan de desarrollo vial, la ciu- rida. Los números junto a los nodos representan el flujo
dad de Nueva Berlín ha estado considerando el aumento de tránsito en cientos de automóviles por hora. ¿Cuál es
de la capacidad de dos de sus carreteras. Si se hace esto, el flujo máximo de autos desde el complejo hotelero hasta
el tránsito por el camino 1-2 (del nodo 1 al nodo 2) se in- Disney World?
crementaría de 2 a 5, y la capacidad de tránsito a lo largo
del camino 1-4 aumentaría de 1 a 3. ¿Cuál es el número Red para el problema 9-36
máximo de automóviles por hora que pueden viajar de
este a oeste con el sistema de carreteras actual? Si se rea-
lizan los aumentos de capacidad de los caminos 1-2 y 2-5,
¿cómo cambiaría el número de automóviles por hora que
pueden viajar de este a oeste?
9-35 El director de seguridad quiere conectar cámaras de video
de seguridad al sitio de control principal desde cinco ubi-
caciones potencialmente problemáticas. En forma ordina-
ria, el cable simplemente se tendería desde cada sitio hasta
el punto de control principal. Sin embargo, debido a que el
entorno es potencialmente explosivo, el cable se debe ten-
der en un conducto especial cuyo aire se purga continua-
mente. Este conducto es muy caro, pero suficiente para
manejar cinco cables (el máximo que podría necesitarse).
Utilice la técnica del árbol de expansión mínima para en- 9-37 Los números de la red que se muestra a continuación re-
contrar la ruta con la distancia mínima del conducto entre presentan los miles de galones por hora que fluyen a través
las ubicaciones indicadas en la figura. (Observe que no de una planta de procesamiento químico. Dos terminales de
tiene importancia cuál es el sitio principal de control). la planta de procesamiento químico, representadas por los

Red para el problema 9-35

Red para el problema 9-37
 PREGUNTAS PARA ANÁLISIS Y PROBLEMAS 355

nodos 6 y 7, han tenido problemas recientemente, y se está (b) Después de revisar los costos del cable y de la ins-
considerando repararlas. Sin embargo, las reparaciones re- talación, la constructora quisiera alterar los costos
querirían que estas terminales (nodos) se cerraran durante para la instalación de la TV por cable entre sus
una cantidad significativa de tiempo, y ningún material casas. Es necesario modificar las primeras ramas.
podría fluir hacia estos nodos o desde ellos, sino hasta Los cambios se resumen en la siguiente tabla.
completar los trabajos. ¿Qué impacto tendría el cierre de ¿Cuál es el impacto en los costos totales?
estos nodos sobre la capacidad de la red?
9-38 Las ciudades alemanas alrededor del Bosque Negro es- NODO DE NODO COSTO
tán representadas por los nodos de la red que se muestra RAMA INICIO FINAL (S100si
a continuación. Las distancias entre las ciudades se dan en
kilómetros. Encuentre la ruta más corta desde la ciudad 1 Rama 1 1 2 5
hasta la ciudad 16. Si ciertas inundaciones en las ciudades Rama 2 1 3
7 y 8 fuerzan el cierre de todos los caminos que conducen
hacia esas ciudades o que salen desde ellas, ¿cómo impac- Rama 3 1 4 1
taría esto a la ruta más corta? Rama 4 1 5
Rama 5 2 6 7
Red para el problema 9-38
Rama 6 3 7 5
Rama 7 4 7 7
Rama 8 5 8 4
Rama 9 6 7 1
Rama 10 7 9 6
Rama 11 8 9 2

ti 9-40 Para10 ircaminos

de Quincy a Old Bainbridge, George Olin tiene
posibles. Cada uno puede considerarse
como una rama en un problema de la ruta más corta.
(a) Determine la manera de llegar desde Quincy
(nodo 1) hasta Old Bainbridge (nodo 8) que mini-
mizará la distancia total recorrida. Las distancias
gi 9-39 La constructora Grey quisiera determinar la forma me-
se dan en cientos de millas.
nos costosa de conectar TV por cable en las casas que
está construyendo. Se han identificado 11 posibles ramas
o rutas que podrían utilizarse para conectar las casas. El NODO DISTANCIA
costo en cientos de dólares y las ramas se resumen en la DE NODO (EN CIENTOS
siguiente tabla. RAMA INICIO FINAL DE MILLAS)
(a) ¿Cuál es la forma menos costosa de llevar el cable a Rama 1 1 2 3
estas casas?
Rama 2 1 3 2
Rama 3 2 4 3
NODO DE NODO COSTO
RAMA INICIO FINAL ($100s) Rama 4 3 5 3
Rama 1 1 2 5 Rama 5 4 5 1
Rama 2 1 3 6 Rama 6 4 6 4
Rama 3 1 4 6 Rama 7 5 7 2
Rama 4 1 5 5
Rama 8 6 7
Rama 5 2 6 7
Rama 9 6 8 3
Rama 6 3 7 5
Rama 10 7 8 6
Ramal 4 7 7
Rama 8 5 8 4
(b) George Olin cometió un error al estimar las dis-
Rama 9 6 7 1 tancias de Quincy a Old Bainbridge. Las nuevas
Rama 10 7 9 6 distancias se dan en la siguiente tabla. ¿Qué im-
Rama 11 8 9 2 pacto tiene esto en la ruta más corta desde Quincy
hasta Old Bainbridge?
356 CAPÍTULO 9 • MODELOS DE TRANSPORTE, ASIGNACIÓN Y REDES

• 9-42 La si lente tabla representa una red donde los arcos se

NODO DISTANCIA
identi ican mediante sus nodos de inicio y final. Dibuje
DE NODO (EN CIENTOS
la red y utilice un árbol de expansión mínima para encon-
RAMA INICIO FINAL DE MILLAS)
trar la distancia mínima requerida para conectar todos los
Rama 1 1 nodos.
Rama 2 3 2
Rama 3 1 4 3 ARCO DISTANCIA
Rama 4 3 5 1 1-2 12
Rama 5 4 5 1 1-3 8
Rama 6 4 6 4 2-3 7
Ramal 5 7 2 2-4 10
Rama 8 6 7 2 3-4 9
Rama 9 6 8 3
3-5 8
Rama 10 7 8 6
4-5 8
2 : 9-41 South Side Oil and Gas, una nueva empresa en Texas, ha
24. 4-6 11
desarrollado una red de oleoductos para transportar petró- 5-6 9
leo desde sus campos de exploración hasta una refinería
y otros sitios. Hay 10 tuberías (ramas) en la red. En la si-
guiente tabla, se proporcionan el flujo de petróleo en cien- 3C• 9-43 La Northwest University se encuentra en el proceso de
completar una red de buses de computadora que conec-
tos de galones y la red de tuberías.
tarán las instalaciones informáticas en todo el campus.
(a) ¿Cuál es el máximo que puede fluir a través de la red? El objetivo principal es tender un cable principal desde
un extremo del campus hasta el otro (nodos 1 a 25) a tra-
NODO vés de duetos subterráneos. Estos ductos se muestran en
DE NODO CAPACIDAD la red; la distancia entre ellos se da en cientos de pies.
RAMA INICIO FINAL CAPACIDAD INVERSA FLUJO Por fortuna, estos ductos subterráneos tienen capacidad
Rama 1 1 2 10 4 10 restante a través de la cual se puede introducir el cable
Rama 2 1 3 8 2 5 del bus.
Rama 3 2 4 12 1 10 (a) Dada la red para este problema, ¿qué tan larga (en
Rama 4 2 5 6 6 0 cientos de pies) es la ruta más corta desde el nodo 1
5 hasta el nodo 25?
Rama 5 3 5 8 1
(b) Además de la red de buses de computadora, también se
Rama 6 4 6 10 2 10 e,stá planeando un nuevo sistema telefónico. El sistema
Rama 7 5 6 10 10 O telefónico usaría los mismos ductos subterráneos. Si
Rama 8 5 7 5 5 5 se instala el sistema telefónico, las siguientes rutas a
Rama 9 6 8 10 1 10 lo largo de los ductos estarían llenas y ya no podrían
7 8 10 1' 5 alojar la red de buses de computadora: 6-11,7-12 y
Rama 10
17-20. ¿Qué cambios (si los hubiera) tendrían que ha-
(b) South Side Oil and Gas debe modificar sus patrones cerse a la ruta utilizada para los buses de computadora,
de flujo en la red de tuberías. Los nuevos datos se en- si se instalara el sistema telefónico?
cuentran en la siguiente tabla. ¿Qué impacto tiene esto
en el flujo máximo a través de la red?

NODO Red para el problema 9-43

DE NODO CAPACIDAD
RAMA INICIO FINAL CAPACIDAD INVERSA FLUJO
Rama 1 1 2 10 4 10
Rama 2 1 3 8 2 5
Rama 3 2 4 12 1 10
Rama 4 2 5 0
Rama 5 3 5 8 1 5
Rama 6 4 6 10 2 10
Rama 7 5 6 10 10 O
Rama 8 5 7 5 5 5
Rama 9 6 8 10 1 10
Rama 10 7 8 10 1 5
 ESTUDIO DE CASO 357

(c) La universidad decidió instalar el nuevo sistema tele-
fónico antes que el cable para la red de computado-
ras. Debido a la demanda inesperada de instalaciones
informáticas, se requiere un cable adicional desde el
nodo 1 hasta el nodo 25. Lamentablemente, el cable
para la primera red o la red original usó por completo
la capacidad a lo largo de su trayectoria. Ante esta
situación, ¿cuál es el mejor camino para el segundo
cable de red?

Estudio de caso

Andrew-Carter, Inc.

Andrew-Carter, Inc. (A-C), es un importante productor canadiense Las capacidades de planta en unidades por semana son
y distribuidor de accesorios de iluminación al aire libre. Sus dis- Planta 1, en tiempo regular 27,000 unidades
positivos se distribuyen en toda América del Norte y ha tenido una
Planta 1, en tiempo extra 7,000 unidades
gran demanda durante varios años. La compañía opera tres plantas
que fabrican el aparato y lo envía a cinco centros de distribución Planta 2, en tiempo regular 20,000 unidades
(almacenes). Planta 2, en tiempo extra 5,000 unidades
Durante la actual recesión, A-C ha visto una caída importante en Planta 3, en tiempo regular 25,000 unidades
la demanda de sus dispositivos, puesto que el mercado de viviendas
ha disminuido. Con base en los pronósticos de las tasas de interés, Planta 3, en tiempo extra 6,000 unidades
el jefe de operaciones siente que la demanda de vivienda y, por lo Si A-C cierra cualquiera de sus plantas, sus costos semanales
tanto, de su producto se mantendrá deprimido en el futuro previsi- cambiarán, porque los costos fijos son menores para una planta no
ble. A-C está considerando el cierre de una de sus plantas, dado que operativa. En la tabla 9.5 se muestran los costos de producción de cada
ahora está operando con un exceso de capacidad prevista de 34,000 planta, tanto variables de tiempo regular y tiempo extra, como fijos
unidades por semana. Las demandas semanales pronosticadas para con la planta operando y cerrada. La tabla 9.6 muestra los costos de
el año próximo son envío desde cada planta hasta cada almacén (centro de distribución).
Almacén 1 9,000 unidades
Preguntas para análisis
Almacén 2 13,000 unidades
Almacén 3 11,000 unidades 1.Evalúe las diferentes configuraciones de plantas operando y ce-
rradas que satisfagan la demanda semanal. Determine qué confi-
Almacén 4 15.000 unidades
guración minimiza los costos totales.
Almacén 5 8,000 unidades 2. Analice las implicaciones del cierre de una planta.
Fuente: Profesor Michael Boleta, University of the Pacific.

TABLA 9.5 COSTO FIJO POR SEMANA

Andrew-Carter, Inc.,
costos de producción COSTO VARIABLE OPERANDO SIN OPERAR
variables y fijos por Núm. 1, tiempo regular $2.80/unidad $14,000 $6,000
semana
Núm. 1, tiempo extra 3.52
Núm. 2, tiempo regular 2.78 12,000 5,000
Núm. 2, tiempo extra 3.48
Núm. 3, tiempo regular 2.72 15,000 7,500
Núm. 3, tiempo extra 3.42
358 CAPÍTULO 9 • MODELOS DE TRANSPORTE, ASIGNACIÓN Y REDES

TABLA 9.6
AL CENTRÓ DE DISTRIBUCIÓN
Andrew-Carter, Inc.,
costos de distribución DE LA PLANTA WI W3 W4 W5
por unidad
Núm. 1 S0.50 $0.44 $0.49 50.46 $0.56
Núm. 2 0.40 0.52 0.50 0.56 0.57
Núm. 3 0.56 0.53 0.51 0.54 0.35

Estudio de caso

Northeastern Airlines

Northeastern Airlines es una aerolínea regional que da servicio a
nueve ciudades en los estados de la región de Nueva Inglaterra, así
como a ciudades en Nueva York, Nueva Jersey y Pennsylvania. Aun-
que hay vuelos sin escalas para algunas de las rutas, con frecuencia se
requieren vuelos de conexión. La red muestra las ciudades servidas
y las utilidades por pasajero a lo largo de cada una de esas rutas. Las
rutas de Boston a Providence y de Providence a Boston generan sólo
$9 de utilidad por pasajero después de todos los gastos. Para dar servi-
cio a estas ciudades, Northeastern opera una flota de 16 jets Embraer
E-195 de 122 pasajeros. Estos aviones, que introdujo Embraer por pri-
mera vez a finales de 2004, han ayudado a que Northeastem Airlines
siga siendo rentable durante varios años. Sin embargo, recientemente
los márgenes de ganancia han estado cayendo y Northeastem se en-
frenta a la perspectiva de reducir sus operaciones.
La gerencia de Northeastern Airlines ha considerado varias op-
ciones para reducir costos y aumentar la rentabilidad. Debido a las re-
gulaciones de la Administración Federal de Aviación, la empresa debe
continuar sirviendo a cada una de las nueve ciudades. Sin embargo, la
manera en que se da servicio a estas ciudades depende de la gerencia
de la aerolínea. Se ha hecho la sugerencia de proporcionar un menor
número de vuelos directos, lo cual significaría que una ciudad servida
por Northeastern solamente podría tener vuelos directos a una sola
ciudad distinta. 1I,a compañía tiene previsto contratar a un consul-
tor de análisis de marketing para determinar cómo se vería afectada la
demanda por los vuelos más largos con más conexiones, y para pro-
nosticar la demanda a lo largo de cada una de las rutas con base en
un mapa modificado de las operaciones de vuelo. Antes de contratar
al consultor, la empresa desea determinar la forma más rentable (con
base en la utilidad por pasajero) de continuar sirviendo a todas las
ciudades.
Preguntas para análisis
1. Desarrolle un mapa de operaciones de vuelo que siga sirviendo
a cada una de las nueve ciudades, pero que maximice la utilidad
por pasajero de la compañía (Sugerencia: Encuentre el árbol de
expansión máxima).
2. Comente cómo deberían asignarse los 16 jets.
Gracias al profesor aizul Huq, de la Escuela de Negocios de la Ohio University,
por proporcionarnos este caso.

Área de servicio de
Northeastern Airlines Burlington, VT Orono, ME
Syracuse, NY 12 •
10
13

Nashua, NH

18

151
Boston, MA
16 17
Providence, RI
Hartford, CT
14
Newark, NJ
State College, PA

Estudio de caso
Problemas de tránsito en la Southwestern University
La Southwestern University (SWU), ubicada en la pequeña ciudad de
Stephenville, Texas, está experimentando un mayor interés en su pro-
grama de fútbol americano, ahora que ha contratado a un entrenador
de renombre. El aumento en las ventas de boletos para la próxima
temporada implica ingresos adicionales, pero también significa ma-
yores quejas debido a los problemas de tránsito asociados con los
partidos de fútbol. Cuando se construya un nuevo estadio, esto sólo
empeorará. Marty Starr, presidente de la SWU, ha pedido al Comité
de Planeación de la Universidad que estudie este problema.
Con base en las proyecciones de tránsito, al Dr. Starr le gustaría
que hubiera la capacidad suficiente para que 35,000 automóviles por
hora pudieran viajar desde el estadio hasta la autopista interestatal.
Para aliviar los problemas de tránsito esperados, se está considerando
la ampliación de algunas de las calles actuales que llevan de la uni-
versidad a la carretera interestatal, con la finalidad de aumentar su
capacidad. A continuación, se muestran las capacidades de las calles
actuales con el número de automóviles (en miles) por hora. Dado que
el principal problema será después de cada partido, tan sólo se indican
los flujos desde el estadio. Estos flujos consideran que algunas calles
cercanas al estadio se transforman en calles de un solo sentido durante
un corto periodo después de cada juego,•con oficiales de policía que
dirigen el tránsito.
Alexander Lee, miembro del Comité de Planeación de la Univer-
sidad, ha dicho que una revisión rápida de las capacidades de tránsito
en el diagrama indica que el número total de automóviles por hora que
pueden salir del estadio (nodo 1) es de 33,000. El número de autos
Caminos del estadio
a la interestatal
Estadio
ESTUDIO DE CASO 359
que pueden pasar a través de los nodos 2, 3 y 4 es 35,000 por hora, y
la cantidad de automóviles que pueden pasar a través de los nodos 5, 6
y 7 es aún mayor. Por lo tanto, el Dr. Lee ha sugerido que la capacidad
actual es de 33,000 vehículos por hora. También ha recomendado que
se haga una petición al alcalde de la ciudad para que expanda una de
las rutas desde el estadio hasta la autopista para permitir un adicional
de 2,000 vehículos por hora. Recomienda ampliar la ruta más barata.
Si la ciudad decide no ampliar las carreteras, se considera que el pro-
blema de tránsito sería una molestia, pero aun así sería manejable.
Con base en la experiencia, se cree que mientras la capacidad de
las calles no sea 2,500 vehículos por hora inferior al número de autos
que salen del estadio, el problema no es demasiado grave. Sin em-
bargo, la gravedad del problema crece dramáticamente por cada 1,000
vehículos adicionales que se agregan a las calles.
Preguntas para análisis
1.Si no hay ampliación, ¿cuál es el número máximo de autos que
en realidad puede viajar cada hora desde el estadio hasta la inte-
restatal? ¿Por qué este número no es igual a 33,000, como sugi-
rió el Dr. Lee?
2. Si los costos de ampliación son los mismos para cada una de las
calles, ¿cuál(es) de ellas recomendaría expandir para aumentar
la capacidad a 33,000? ¿Qué calles recomendaría ampliar con la
finalidad de obtener una capacidad total del sistema de 35,000
autos por hora?
Interestatal
360 CAPÍTULO 9 • MODELOS DE TRANSPORTE, ASIGNACIÓN Y REDES

Estudios de caso en Internet

Visite nuestra página en Internet, www.pearsonenespañ I.com/render, y consulte estos estudios de caso
adicionales:
(1) Northwest General Hospital: Este caso implica la mejora del sistema de distribución de alimentos en
un hospital, con la finalidad de reducir las posibilidades de que los alimentos se enfríen antes de que
se sirvan a los pacientes.
(2) Custom Vans, Inc: Este caso se refiere a la búsqueda de la mejor ubicación para una planta que fabri-
cará duchas usadas en furgonetas personalizadas.
(3) Ranch Development Project: Este caso se refiere a la búsqueda de la forma menos costosa en que se
pueden brindar los servicios de agua y alcantarillad a los hogares de una nueva urbanización.
(4) Old Oregon Wood Store: Este caso implica la determinación de la mejor forma de asignar empleados
a los trabajos en una pequeña empresa de manufactura.
(5) Binder's Beverage: Este caso trata sobre la determinación de la ruta más corta entre una planta y un
almacén.

Bibliografía

Adlakha, V. y K. Kowalski. "Simple Algorithm for the Source-Induced Fixed-Charge
Transportation Problem", Journal of the Operational Research Society 55,
12 (2004): 1275-1280.
Bowman, E. "Production Scheduling by the Transportation Method of Linear
Programming", Operations Research 4 (1956).
Dawid, Herbert, Johannes Konig y Christine Strauss. "An Enhanced Rostering
Model for Airline Crews", Computers and Operations Research 28, 7
(junio de 2001): 671-688.
Hezarkhani, Behzad y Wieslaw Kubiak. "A Coordinating Contract for Transship-
ment In a Two-Company Supply Chain", European Journal of Operational
Research 207, 1 (2010): 232-237.
Jacobs, T., B. Smith y E. Johnson. "Incorporating Network Flow Effects tato the
Airline Fleet Assignment Process", Transportation Science 42, 4(2008):
514-529.
Johnsonbaugh, Richard. Discrete Mathematics, 5a. ed. Upper Saddle River,
Prentice Hall, 2001.
Kawatra, R. y D. Bricker. "A Multiperiod Planning Model for the Capacitated
Minimal Spanning Tree Problem", European Journal of Operational
Researrh 121, 2 (2000): 412-419.
Koksalan, Murat y Haldun Sural. "Efes Beverage Group Makes Location and
Distribution Decisions for lis Malt Plants", Interfaces 29, 2 (marzo-abril
de 1999): 89-103.
Liu, Jinming y Fred bar. "Project Time—Cost Trade-off Optimization by Maximal
Flow Theory", Journal of Construction Engineering & Management 130, 4
(julio/agosto de 2004): 607-609.
Liu, Shiang-Tai. —The Total Cost Bounds of the Transportation Problem with
Varying Dem1nd and Supply", Omega 31, 4 (2003): 247-251.
Martello, Silvano. "Jen° Egervary: From the Origins of the Hungarian Algorithm
to Satellite Communication", Central European Journal of Operations
Research 18, 1 (2010): 47-58.
McKeown, P. y B. Workman. "A Study in Using Linear Prograrruning to Assign
Students to Schools", Interfaces 6, 4 (agosto de 1976).
Render, B. y R. M. Stair. Introduction to Management Science. Boston: Allyn &
Bacon, Inc., 1992.
Sancho, N. G. F. "On the Maximum Expected Flow in a Network", Journal of
Operational Research Society 39 (mayo de 1988): 481-485.
Sedeño-Noda, Antonio, Carlos González-Martín y Sergio Alonso. "A Generalization
of the Scaling Max-Flow Algorithm", Computers & Operations Research
31, 13 (noviembre de 2004): 2183-2198.
Troutt, M. D. y G. P. White. "Maximal Flow Network Modeling of Production
Bottleneck Problems", Journal of the Operational Research Sociery 52, 2
(febrero de 2001): 182-187.

Apéndice 9.1: Uso de QM para Windows

QM para Windows tiene en su menú un módulo de transporte, así como un módulo de asignación.
Ambos son fáciles de usar en cuanto a la introducción de datos y sencillos de interpretar en términos
de sus salidas. En el programa 9.9A se muestra la pantalla de entrada para el ejemplo de transporte de
Executive Furniture. Es posible especificar la técnica de solución de inicio. Los resultados se muestran
en el programa 9.9B. El programa 9.10A muestra a pantalla de entrada para el ejemplo de asignación
del taller Fix-It. Basta con introducir los costos y hacer clic en Solve. El programa 9.10B presenta la
solución a este problema.
 APÉNDICE 9.1: USO DE QM PARA WINDOWS 361

PROGRAMA 9.9A ( En el menú desplegable Module,

Entrada de QM para seleccione Transportation.
Windows del ejemplo
de transporte de 11 Eza Eme Ve« Idadde Fut.», Dell
Executive Furniture UlrklEadVaariltilifil "VarBal" ts»°1›a`"
!!ate 12 uI .00 005-1 ajjja-a

Haga clic en New Problem y

cuando se abra la ventana, j"Después de introducir los
escriba el número de fuentes e Furniture corporation datos, haga clic en Solve.
y destinos. Haga clic en OI5.„.h que
Boston Cleveland SUPPLY
Des MOIllft5 5 4 3 100
Introduzca los costos,Ta'
a\ 4 3 300
ofertas y las demandas. 9 7 5 300
300

PROGRAMA 9.9B yac Ecbt VieM Module Fognat /coas rindo& Ilelp

Solución en QM para 1 0 la, fildilbeilnIZI " ..Iwasg* -§alz...kleeit....12.—

Windows del ejemplo
ii Arial . 12 , I 8 / º I lig Z IIII . • ft 0.0[71O Hl á - e'" ES 1
Objectne Statint astbod
de transporte de C Miciain
l'I Iffirairixe
lAry stagin wy.:d _d
Executive Furniture
Executive Furndure Corporation Solution
Optima' cost = Albuquerque Boston Cleveland
$3.900
Des Momes 100
EyansvIlle 200 100
Fort Lauderdale 100 [

PROGRAMA 9.10A En el menú desplegable Module,

Entrada en QM para seleccione Assignment.
Windows del ejemplo
de asignación para el ji Eüe Edit Vitroi Module Fognst Tools

11 E!! IJ 1 ea al g nxix
taller Fix-It
2 - a I .0[0:1 - 0.0 $
1

/..-Haga clic en New Problem y Después de introducir

cuando se abra la ventana, los datos, haga clic en
escriba el número de asignacioney Solve.

Project 1 Project2
11 14
Introduzca los 8 10 11
costos. 12 7
362 CAPÍTULO 9 • MODELOS DE TRANSPORTE, ASIGNACIÓN Y REDES

PROGRAMA 9.10B J file Etit Y.... Module Fornee joces ?fiador del ---1
ID »g él Ba 'al 111:111 " 1.1 ui a n* ze I co
Salida de QM para
Windows del ejemplo
E m.,
Otiedeve
.
" la I A. *0,
12.1 /I I 111llf II M I •Oto° ' P.'•.. 0.05-[ -
C 144Onize
de asignación del taller ' Aliirnize
Fix-It. "•--. Awgnrnent,
Fix-119)ap Solution
Optima' cost = Project 1 Project 2 I Projed 3
S25
Adams 11 14 Assign 6
Brown 8 Assign 10 11
Cooper Assign 9 12 7

—.
 11
Gestión de proyectos

OBJETIVOS DE APRENDIZAJE

Después de estudiar este capítulo, el alumno será capaz de:

1. Comprender la forma de planear, supervisar y
controlar proyectos mediante el uso de PERT
y CPM.
2. Determinar el inicio más cercano,
la terminación más cercana, el inicio más
lejano, la terminación más lejana y los tiempos
de holgura para cada actividad, junto con el
tiempo total-para la terminación del proyecto.
3. Reducir el tiempo total del proyecto con el menor
costo total mediante la aceleración de la red,
utilizando técnicas manuales o de programación
lineal.
4. Entender el importante papel del software en la
gestión de proyectos.

CONTENIDO DEL CAPÍTULO

11.1 Introducción 11.4 Aceleración del proyecto

11.2 PERT/CPM 11.5 Otros temas en la gestión de proyectos
11.3 PERT/Costo

Resumen • Glosario • Ecuaciones clave • Problemas resueltos • Autoevaluación • Preguntas para análisis y problemas •
Estudio de caso: Construcción del estadio de la Southwestern University • Estudio de caso: Centro de Investigación sobre
Planificación Familiar en Nigeria • Estudios de caso en Internet • Bibliografía
Apéndice 11.1: Gestión de proyectos con QM para Windows

395
396 CAPÍTULO 11 • GESTIÓN DE PROYECTOS

11.1 Introducción
La gestión de proyectos se puede
utilizar para el manejo de proyectos
complejos.
PERT es probabilística, mientras
que CPM es determinista.
Los proyectos más realistas que llevan a cabo organi aciones como Microsoft, General Motors o el Depar-
tamento de Defensa de Estados Unidos son grandes y complejos. Un constructor que erige un edificio de
oficinas, por ejemplo, debe completar miles de activi Jades que cuestan millones de dólares. La NASA tiene
que inspeccionar un sinnúmero de componentes ante s de lanzar un cohete. El astillero Bath Iron Works en
el río Kennebec de Bath, Maine, debe administrar y coordinar miles de actividades complejas en forma
simultánea. Casi todas las industrias se preocupan acerca de cómo deben manejar los proyectos grandes y
complicados con eficacia. Es un problema difícil y hay mucho en juego. Se han perdido millones de dólares
por costos excesivos debido a la mala planeación de .os proyectos. Han ocurrido demoras innecesarias oca-
sionadas por una planeación deficiente. ¿Cómo se pueden resolver este tipo de problemas?
El primer paso en la planeación y programación de un proyecto consiste en el desarrollo de la estruc-
tura desglosada del trabajo (EDT), lo cual impliea identificar las actividades que se deben realizar en
el proyecto. Una actividad es un trabajo o una tarea que forma parte de un proyecto. El principio o el fi-
nal de una actividad se llama un evento. Puede haber diferentes niveles de detalle, y cada actividad puede
dividirse en sus componentes más básicos. Se identifican para cada actividad el tiempo, el costo, los
requisitos de recursos, los predecesores y la(s) perlona(s) responsable(s). Después de haber hecho esto,
es posible desarrollar un calendario para el proyecto.
La técnica de evaluación y revisión del programa (PERT, program evaluation and review tech-
nique) y el método de la ruta crítica (CPM, critical path method) son dos populares técnicas de análi-
sis cuantitativo que ayudan a los administradores a planear, programar, supervisar y controlar proyectos
grandes y complejos. Fueron desarrolladas porque había una necesidad imperiosa de una mejor forma de
realizar este tipo de gestión (vea el recuadro Historia).
Al momento de desarrollarse, PERT y CPM eran semejantes en su enfoque básico, pero diferían en la
forma en la cual estimaban sus tiempos de actividad Por cada actividad en PERT, se combinan tres estima-
ciones de tiempo para determinar el tiempo previsto ara la terminación de la actividad. Por lo tanto, PERT
es una técnica probabilística. Por otra parte, CPM es n método determinista porque supone que los tiempos
se conocen con certeza. Aunque tales diferencias se iguen observando en la actualidad, las dos técnicas son
tan similares que a menudo suele usarse el término RT/CPM para describir el enfoque general. Esta refe-
rencia se utiliza en el presente capítulo, y las diferencias se indican en caso de ser necesario.

HISTORIA ¿Cómo iniciaron PERT y CPM?

(PERT) para planear y controlar el programa de misiles Polaris. Este

Los administradores han estado planeando, programando, supervi-
sando y controlando proyectos a gran escala durante cientos de años,
pero sólo ha sido hasta los últimos 50 años que han aplicado técnicas
de AC a los grandes proyectos. Una de las primeras técnicas fue el
diagrama de Gantt, el cual muestra los tiempos de inicio y termina-
ción de una o más actividades, como se indica en la gráfica adjunta.
En 1958 la Oficina de Proyectos Especiales de la Marina de Esta-
dos Unidos desarrolló la técnica de evaluación y revisión del programa
proyecto consistió en la coordinación de miles de contratistas. En la
actualidad, PERT se sigue usando para controlar un sinnúmero de pro-
gramas de contratos gubernamentales. Casi al mismo tiempo (1957),
J. E. Kelley, ir. de Remington Rand y M. R. Walker de DuPont desa-
rrollaron el método de la ruta crítica (CPM). Originalmente, el CPM
se utilizó para ayudar en la construcción y mantenimiento de plantas
químicas en DuPont.

ccs D ti
—o
B

G
H

7 8 9 10
Semana

La ruta crítica es importante porque
las actividades que forman parte de
ella pueden retrasar todo el proyecto.
11.2 PERT/CPM
Preguntas contestadas por PERT.
El primer paso es definir el proyecto
y todas sus actividades.
11.2 PERT/CPM 397
Existen seis pasos que son comunes tanto a PERT como a CPM. El procedimiento es como sigue:
Seis pasos de PERT/CPM
1. Defina el proyecto y todas sus actividades o tareas significativas.
2. Desarrolle relaciones entre las actividades. Decida qué actividades deben preceder a otras.
3. Trace la red que conecta todas las actividades.
4. Asigne tiempos y/o estimaciones de costos a cada actividad.
5. Calcule la ruta con el tiempo más largo a través de la red; ésta se denomina la ruta crítica.
6. Use la red para ayudar a planear, programar, supervisar y controlar el proyecto.
La determinación de la ruta crítica es una parte importante del control de un proyecto. Las actividades
que forman parte de la ruta crítica representan tareas que retrasarían todo el proyecto si se demoran. Los
administradores obtienen flexibilidad al identificar las actividades no críticas y planearlas de nuevo, repro-
gramarlas y reasignarles recursos como personal y dinero.
Casi cualquier proyecto grande puede subdividirse en una serie de actividades o tareas más pequeñas que
pueden analizarse con PERT/CPM. Si se reconoce que los proyectos pueden tener miles de actividades
específicas, es posible ver cuán importante es dar respuesta a preguntas como las siguientes:
1. ¿Cuándo se completará todo el proyecto?
2. ¿Cuáles son las actividades o tareas críticas en el proyecto, es decir, las que retrasarían todo el
proyecto si se demoran?
3. ¿Cuáles son las actividades no críticas, es decir, las que pueden demorarse sin retrasar la terminación
de todo el proyecto?
4. Si hay tres estimaciones de tiempo, ¿cuál es la probabilidad de que el proyecto se complete en una
fecha específica?
5. En cualquier fecha determinada, ¿está el proyecto en programa, atrasado o adelantado?
6. En cualquier fecha determinada, ¿el dinero gastado es igual, menor o mayor que la cantidad
presupuestada?
7. ¿Hay suficientes recursos disponibles para terminar el proyecto a tiempo?
Ejemplo de PERT/CPM para General Foundry
Durante mucho tiempo, General Foundry, Inc., una planta metalúrgica ubicada en Milwaukee, ha estado
tratando de evitar el gasto por la instalación de equipos de control de la contaminación del aire. El grupo de
protección ambiental local ha dado recientemente 16 semanas a la fundidora para instalar un sistema com-
plejo de filtros de aire en su chimenea principal. General Foundry fue advertida de que se verá obligada a
cerrar si no instala el dispositivo en el periodo asignado. Lester Harky, el socio gerente, quiere asegurarse
de que la instalación del sistema de filtros avance sin problemas y a tiempo.
Al comienzo del proyecto, puede iniciar la construcción de los componentes internos del dis-
positivo (actividad A) y las modificaciones que son necesarias para el suelo y el techo (actividad B).
La construcción de la pila de recolección (actividad C) puede comenzar una vez que se hayan terminado
los componentes internos y el vaciado del nuevo piso de concreto; por otro lado, la instalación del basti-
dor (actividad D) puede completarse en cuanto se hayan modificado el techo y el piso. Después de haber
construido la pila de recolección, es posible construir el quemador de alta temperatura (actividad E), y
puede iniciar la instalación del sistema de control de la contaminación (actividad F). El dispositivo contra
la contaminación del aire se puede instalar (actividad G) después de haber construido el quemador de alta
temperatura, vaciado el piso de concreto e instalado el bastidor (actividad D). Finalmente, después de
haber instalado el sistema de control y el dispositivo contra la contaminación, es posible inspeccionar y
probar el sistema (actividad E).
Todas estas actividades parecen bastante confusas y complejas hasta que se representan en una red.
Primero, es necesario numerar todas las actividades, como se indica en la tabla 11.1. En la tabla se observa
que antes de que se pueda construir la pila de recolección (actividad C), deben construirse los componentes
398 CAPÍTULO 11 • GESTIÓN DE PROYECTOS

TABLA 11.1 PREDECESORES

Actividades y ACTIVIDAD DESCR1P 2IÓN INMEDIATOS
predecesores
inmediatos para A Construir componentes int nos
General Foundry, Inc. B Modificar techo y el piso

Construir pila de recolección A

D Vaciar concreto e instalar bastidor B

E Construir quemador de alta temperatura

F Instalar sistema de control

G Instalar dispositivo contra contaminación del aire D, E

H Inspeccionar y probar F, G

PERT ayuda a cambiar la cara

MODELADO EN EL MUNDO REAL de British Aírways

Definición
Definición del problema
del problema British Airways (BA) quería rejuvenecer su imagen utiliz ando consultores internacionales en diseño para ayu-
dar a desarrollar una nueva identidad. El "cambio de ir nagen" en todos los ámbitos de la imagen pública de
BA debía completarse lo más rápido posible.

1 Desarrollo de un modelo
Desarrollo de
un modelo Mediante el uso de un software para la gestión de proy estos —Pertmaster de Abex— un equipo de BA cons-
truyó un modelo PERT con todas las tareas involucrada$

Adquisición de
Adquisición de datos de entrada
datos de entrada Se recopilaron datos en cada departamento involucrado. Se pidió a los impresores el desarrollo de estimacio-
nes de tiempo para la nueva papelería de la empresa, boletos, horarios y etiquetas de equipaje; a los provee-
dores de ropa para los nuevos uniformes, y a Boeing Corp. para todas las tareas de reconstrucción del interior
y el exterior de los aviones de BA.

Desarrollo de
Desarrollo de una solución
una solución Todos los datos se introdujeron en Pertmaster para obt( ner un programa y una ruta crítica.

Pruebas
Pruebas a la solución
a la solución El programa resultante no agradó a la dirección de BA. Boeing no podría preparar un enorme 747 a
tiempo para el lanzamiento de gala, el 4 de diciembre . El diseño de los uniformes también retrasaría todo
el proyecto.

1 Análisis de resultados
Análisis
de resultados Un análisis de la fecha más cercana posible en la que tc dos los elementos de un avión rediseñado podrían es-
tar listos (nueva pintura, tapicería, alfombras, asientos, tcétera) reveló que sólo había material suficiente para
convertir totalmente un avión más pequeño, el Boeing 737, que estaba disponible en la planta de Seattle. El
análisis de la ruta crítica también mostró que los unifoi mes —trabajo del diseñador británico Roland Klein—
tendrían que presentarse seis meses más tarde en una eremonia por separado.

Implementación
Implementación de resultados
de resultados El Boeing 737 se equipó justo a tiempo para un es ectáculo luminoso en un auditorio especialmente
construido en un hangar del aeropuerto de Heathrov, Los vehículos terrestres también estuvieron listos a
tiempo.

Fuente: Basado en Industrial Management cmd Data Systems marzo-abril de 1986): 6-7.

FIGURA 11.1
Red para General
Foundry, Inc.
Los predecesores inmediatos se
determinan en el segundo paso.
Las actividades y los eventos se
trazan y se conectan en el tercer
paso.
El cuarto paso es asignar los tiempos
de la actividad.
La distribución de probabilidad beta
se utiliza con frecuencia.
11.2 PERT/CPM 399
A
Construir componentes Construir pila Instalar sistema
internos de recolección de control
Construir Inspeccionar Final
quemador y probar
Modificar techo Vaciar concreto e Instalar dispositivos
y piso instalar bastidor contra contaminación
internos (actividad A). Así, la actividad A es el predecesor inmediato de la actividad C. Del mismo modo,
las actividades D y E deben realizarse justo antes de la instalación del dispositivo contra la contaminación
del aire (actividad G).
Trazado de la red PERT/CPM
Una vez que se hayan especificado todas las actividades (paso 1 del procedimiento PERT) y la gerencia ha
decidido qué actividades deben preceder a las demás (paso 2), es posible trazar la red (paso 3).
Existen dos técnicas comunes para el trazo de redes PERT. La primera se llama actividades en los
nodos (AON) debido a que los nodos representan las actividades. La segunda se llama actividades en
los arcos (AOA) debido a que los arcos se utilizan para representar las actividades. En este libro, se pre-
senta la técnica AON porque es más sencilla y es la más utilizada en los programas comerciales.
Al construir una red AON, debería haber un nodo que represente el inicio del proyecto y un nodo que
represente el final del mismo. Habrá un nodo (como un rectángulo en este capítulo) para cada actividad.
En la figura 11.1 se presenta toda la red para General Foundry. Los arcos (flechas) se utilizan para mostrar
los predecesores de las actividades. Por ejemplo, las flechas que conducen a la actividad G indican que D
y E son los predecesores inmediatos de G.
Tiempos de actividad
El siguiente paso, tanto en CPM como en PERT, consiste en asignar estimaciones del tiempo necesario
para completar cada actividad. Para algunos proyectos, como los de construcción, el tiempo para terminar
cada actividad se conoce con certeza. Los desarrolladores de CPM asignan sólo una estimación de tiempo
a cada actividad. Después, estos tiempos se utilizan para encontrar la ruta crítica, como se describe en las
secciones que siguen.
Sin embargo, para los proyectos únicos en su tipo o para los trabajos nuevos, la determinación de
estimaciones del tiempo de la actividad no siempre es una tarea fácil. Sin datos históricos sólidos, con
frecuencia los gerentes se sienten inseguros acerca de los tiempos de las actividades. Por tal razón, los de-
sarrolladores de PERT emplean una distribución de probabilidad con base en tres estimaciones de tiempo
para cada actividad. En PERT, se utiliza un promedio ponderado de estos tiempos, en vez de la estimación
de un solo tiempo como ocurre en CPM, y estos promedios se utilizan para encontrar la ruta crítica. Las
estimaciones de tiempo en PERT son
Tiempo optimista (a) = tiempo que requerirá una actividad si todo ocurre de la mejor manera
posible. Debería haber sólo una pequeña probabilidad (por ejemplo,
I /100) de que esto suceda.
Tiempo pesimista (b) = tiempo que requeriría una actividad suponiendo condiciones muy
desfavorables. También debería haber sólo una pequeña probabilidad
de que la actividad realmente tomara tanto tiempo.
Tiempo más probable (m) = estimación más realista del tiempo para completar la actividad.
A menudo, PERT supone que las estimaciones de tiempo siguen la distribución de probabilidad
beta (vea la figura 11.2). Se ha encontrado que esta distribución continua es adecuada, en muchos casos,
para determinar un valor esperado y una varianza para los tiempos de terminación de la actividad.
400 CAPÍTULO 11 • GESTIÓN DE PROYECTOS

FIGURA 11.2
Distribución de Probabilidad de ocurrencia
probabilidad beta de a, 1 en 100
con tres estimaciones
de tiempo -o
:10 Probabilidad de ocurrencia
-O

Tiempo de
actividad
Tiempo Tiempo Tiempo
más más más
optimista probable pesimista

(a) (my (b)

Para encontrar el tiempo de actividad esperado (t), la distribución beta pondera las estimaciones de
la siguiente manera:
a + 4m + b
t=
6

Para calcular la dispersión o varianza del tiempo de terminación de la actividad, se utiliza la siguiente
fórmula:*
(b a)2
Varianza = (11-2)
6

La tabla 11.2 muestra las estimaciones de tiempo optimista, más probable y pesimista para cada acti-
vidad de General Foundry. También revela el tiempo esperado (t) y la varianza para cada una de las activi-
dades, calculados con las ecuaciones 11-1 y 11-2.

Cómo encontrar la ruta crítica

El quinto paso es calcular la ruta
más larga a través de la red:
la ruta crítica.
Una vez que se ha determinado el tiempo de terminación esperado para cada actividad, lo aceptamos como
el tiempo real de esa tarea. La variabilidad en los tiempos se tomará en cuenta más adelante.
Aunque la tabla 11.2 indica que el tiempo total previsto para las ocho actividades de General Foundry
es de 25 semanas, es evidente en la figura 11.3 que varias de las tareas pueden realizarse simultáneamente.
Para saber cuánto tiempo tomará el proyecto, realizamos el análisis de la ruta crítica para la red.
La ruta crítica es la trayectoria más larga en tiempo a través de la red. Si Lester Harky quiere reducir
el tiempo total del proyecto para General Foundry, tendrá que reducir la duración de alguna actividad en la
ruta crítica. Por el contrario, cualquier retraso de una actividad en la ruta crítica demorará la terminación
de todo el proyecto.
Para encontrar la ruta crítica, debemos determinar las siguientes cantidades para cada actividad en
la red:
1. Tiempo de inicio más cercano (ES por earliest start): El momento más cercano en el cual una acti-
vidad puede comenzar sin vulnerar los requisitos del predecesor inmediato
2. Tiempo de terminación más cercano (EF por earliest finish): El momento más cercano en el que
una actividad puede terminar
3. Tiempo de inicio más lejano (LS por latest s rt): El tiempo más lejano en el cual una actividad
puede comenzar sin retrasar todo el proyecto
4. Tiempo de terminación más lejano (LF por atest finish): El tiempo más lejano en el que una acti-
vidad puede terminar sin retrasar todo el proyecto

* Esta fórmula se basa en el siguiente concepto estadístico: de un extremo a otro de la distribución beta hay 6 desviaciones
estándar (±3 desviaciones estándar desde la media). Debido a que b — a es igual a 6 desviaciones estándar, 1 desviación es-
tándar es igual a (b — a)/6. Por lo tanto, la varianza es [(b — a)/612.
 11.2 PERT/CPM 401

TABLA 11.2 Estimaciones de tiempo (en semanas) para General Foundry, Inc.

MÁS TIEMPO
OPTIMISTA, PROBABLE, PESIMISTA, ESPERADO, VARIANZA,
ACTIVIDAD a ni b 1= ((a ± 4m + b)i 6 b
(3 — 1 4
A 1 2 3 2
6 ) = 36
4 — 2)2 4
B 2 3 4 3
( 6 ) = 36
(3 — 1)2 4
C 1 2 3 2
6 ) = 36
(6 — 2)2 _ 16
D 2 4 6 4
6 ) — 36
(7 — 1)2 _ 36
E 1 4 7 4
6 ) — 36
(9 — 1)2 _ 64
F 1 2 9 3
6 ) — 36
11 —3)2 _ 64
G 3 4 11 5
( 6 ) 36

(3 —1)2 4
H 1 2 3 2
6 ) — 36

25

En la red, representamos estos tiempos, así como los tiempos de actividad (t) en los nodos, como se ob-
serva a continuación:

ACTIVIDAD
ES EF
LS LF

Primero, mostramos la forma de determinar los tiempos más cercanos. Después de encontrarlos, es posible
determinar los tiempos más lejanos.

FIGURA 11.3
Red de General
Foundry con los
tiempos de actividad
esperados

H 2
Final

B 3 D 4 G 5
402 CAPÍTULO 11 • GESTIÓN DE PROYECTOS
El ES es el mayor EF de los
predecesores inmediatos.
Los tiempos más cercanos se
encuentran a partir del inicio del
proyecto y haciendo un paso hacia
adelante a través de la red.
FIGURA 11.4
Tiempo de inicio más
cercano (ES) y tiempo
de terminación más
cercano (EF) para
General Foundry
TIEMPOS MÁS CERCANOS Hay dos reglas básicas a seguir cuando se calculan los tiempos ES y EF.
La primera regla es para el tiempo de terminación cercano, que se calcula como sigue:
Tiempo de terminación más cercano = Tiempo de inicio más cercano + Tiempo de actividad esperado
EF = ES + t (11-3)
Además, antes de que cualquier actividad pueda iniciar, todas sus actividades predecesoras deben haberse
completado. En otras palabras, para la determinación del ES buscamos el mayor EF de todos los predece-
sores inmediatos. La segunda regla es para el tiempo de inicio más cercano, que se calcula de la siguiente
manera:
Inicio más cercano = El mayor de los tiempos de terminación más cercanos de los predecesores inmediatos
ES = El mayor EF de los predecesores inmediatos
El inicio de todo el proyecto se establecerá en el tiempo igual a cero. Por lo tanto, cualquier actividad que
no tenga predecesores tendrá un tiempo de inicio más cercano igual a cero. Así, ES = O para A y B en el
problema de General Foundry, como se muestra a continuación:
A t=2
ES=O EF=0+2=2
Inicio
e t=3
ES=O EF=0+3=3
El resto de los tiempos más cercanos para General Foundry se muestran en la figura 11.4. Éstos se encuen-
tran usando un paso hacia adelante a través de la red. En cada paso, EF = ES + t, y ES es el mayor EF de
los predecesores. Observe que la actividad G tiene un tiempo de inicio más cercano de 8, porque tanto D
(con EF = 7) como E (con EF = 8) son sus predecesores inmediatos. La actividad G no puede comenzar
hasta que hayan terminado los dos predecesores, por lo que se elige el mayor de los tiempos de termina-
ción más cercanos. Así, G tiene un ES = 8. El tiempo de terminación para el proyecto será de 15 semanas,
que es el EF para la actividad H.
TIEMPOS MÁS LEJANOS El siguiente paso en la determinación de la ruta crítica es calcular el tiempo
de inicio más lejano (LF) y el tiempo de terminación más lejano (LF) para cada actividad. Esto se logra
mediante un paso hacia atrás a través de la red, es decir, se comienza en el final y se trabaja hacia atrás.
A 2 C 2 F 3
0 2 2 4 4 7
4
Inicio A- Final
B 3
O 3
 11.2 PE RT/CPM 403

FIGURA 11.5
Tiempo de inicio más A 2
lejano (LS) y tiempo
0 2
de terminación más
0 2
lejano (LF) para
General Foundry

Final

3 4 G 5
0 3 3 7 8 13
1 4 4 8 8 13

Los tiempos más lejanos se
encuentran comenzando en el final
del proyecto y haciendo un paso
hacia atrás a través de la red.
El LF es el LS más pequeño
de las actividades que siguen
inmediatamente.
Hay dos reglas básicas a seguir cuando se calculan los tiempos más lejanos. La primera regla implica
al tiempo de inicio más lejano, que se calcula como
Tiempo de inicio más lejano = Tiempo de terminación más lejano — Tiempo de actividad
LS = LF — t (11-4)
Asimismo, dado que todos los predecesores inmediatos deben estar terminados antes de comenzar una acti-
vidad, el tiempo de inicio más lejano de una actividad determina el tiempo de terminación más lejano para
sus predecesores inmediatos. Si una actividad es el predecesor inmediato de dos o más actividades, debe
estar terminada para que todas las siguientes actividades puedan comenzar en sus tiempos de inicio más
lejanos. Por lo tanto, la segunda regla involucra al tiempo de terminación más lejano, que se calcula como
Tiempo de terminación más lejano = El menor de los tiempos de inicio más lejanos
de las siguientes actividades, o
LF = El menor LS de las actividades siguientes
Para calcular los tiempos más lejanos, empezamos en el final y trabajamos hacia atrás. Como el tiempo
de terminación para el proyecto de General Foundry es 15, la actividad H tiene LF = 15. El inicio más
lejano de la actividad H es
LS = LF — t = 15 — 2 = 13 semanas
Si se continúa trabajando hacia atrás, este tiempo de inicio más lejano de 13 se convierte en el tiempo de
terminación más lejano para los predecesores inmediatos F y G. Todos los tiempos más lejanos se mues-
tran en la figura 11.5. Observe que para la actividad C, que es el predecesor inmediato de dos actividades
(E y F), el tiempo de terminación más lejano es el menor de los tiempos de inicio más lejanos (4 y 10) para
las actividades E y F.

A EN ACCIÓN
Gestión de proyectos en un ambiente de trabajo
sin oficina basado en la nube

Stillwater comenzó a usar Project Insight, una herramienta de

S tillwater Associates es una empresa de consultoría sobre la cadena
de suministro de energía con una característica única: es una compa-
ñia sin oficina. No cuenta con una instalación física. Todos sus asocia-
dos se encuentran dispersos por todo el país. Huelga decir que, en
cierto modo, no tener una oficina de "ladrillos y concreto" ha ayu-
dado a Stillwater. Por ejemplo, los gastos generales de Stillwater son
extremadamente bajos en comparación con sus competidores. Sin em-
bargo, en otro sentido, no tener una oficina ha sido un obstáculo para
la empresa... especialmente en el área de la gestión de proyectos. Los
empleados estuvieron duplicando esfuerzos y experimentando proble-
mas de comunicación. Como resultado, los programas se desfasaban,
los presupuestos no se cumplían y los clientes se mostraban irritados.
software desarrollada por MetaFuse, Inc. Project Insight permitió que
los empleados de Stillwater se "registraran" en proyectos específicos
desde cualquier sitio de trabajo y desde cualquier plataforma. Tan
pronto como los empleados de Stillwater Associates se registran, el sof-
tware mantiene un registro de sus horas dedicadas a cualquier tarea, en
cualquier proyecto, desde cualquier lugar.
Como resultado, los excesos en el presupuesto de Stillwater Asso-
ciates se volvieron cosa del pasado, lo cual permitió a sus empleados
responder más eficazmente a las necesidades de los clientes.
Fuente: Project Insight Drives Budget Management Success at Stillwater
Associates. Wall Street Journal, 21 de mayo de 2013. <online.wsj.com>.
404 CAPÍTULO 11 • GESTIÓN DE PROYECTOS

TABLA 11.3 INICIO TERMINACIÓN INICIO TERMINACIÓN

Programa y tiempos mÁs MÁS MÁS MÁS ¿EN LA
de holgura de General ACTIVIDAD CERCANO, CERCANA, LEJANO, LEJANA, HOLGURA, RUTA
Foundry ES EF LS LF LS ES CRÍTICA?

A O 2 0 2 O Sí

B O 3 1 4 1 No

C 2 4 2 4 O Sí

D 3 7 4 8 1 No

E 4 8 4 8 Sí

4 7 10 13 6 No

G 8 13 8 13 Sí

H 13 15 13 15 0 Sí

El tiempo de holgura es tiempo libre CONCEPTO DE HOLGURA EN LOS CÁLCULOS DE LA RUTA CRÍTICA Cuando se han determinado los
para una actividad. ES, LS, EF y LF, resta simplemente encontrar la cantidad de tiempo de holgura, o tiempo libre, que tiene
cada actividad. La holgura es la longitud de tiempo que una actividad puede retrasarse sin demorar todo el
proyecto. En forma matemática,

Holgura = LS — ES, u Holgura = LF — EF (11-5)

Las actividades críticas no tienen
tiempo de holgura.
En la tabla 11.3 se resumen los ES, EF, LS, LF, y los tiempos de holgura para todas las actividades
de General Foundry. Por ejemplo, la actividad B tiene 1 semana de tiempo de holgura, puesto que
LS — ES = 1 — O = 1 (o, de manera similar, LF — EF = 4 — 3 = 1). Esto significa que B se puede retra-
sar hasta 1 semana sin hacer que el proyecto tarde más tiempo de lo esperado.
Por otro lado, las actividades de A, C, E, G y H no tienen tiempo de holgura; esto significa que
ninguna de ellas se puede retrasar sin demorar todo el proyecto. Debido a esto, se les llama actividades
críticas y se dice que están en la ruta crítica. En la figura 11.6, se muestra la ruta crítica de Lester Harky
en forma de red. El tiempo total para la terminación del proyecto (T), 15 semanas, se observa como el
número más grande en las columnas EF o LF de la tabla 11.3. Los gerentes industriales llaman a esto
un calendario límite.

FIGURA 11.6
Ruta crítica (A-C-E-G-H)
de General Foundry A 2 C 2 F 3
0 2 2 4 4 7
0 2 2 4 10 13

E 4 H 2
4 8 13 15 Final
4 8 13 15

B 3 D 4 G 5
0 3 3 7 8 13
1 4 4 8 8 13

El cálculo de la varianza del proyecto
se realiza sumando las varianzas
de las actividades a lo largo de la
ruta crítica.
Cálculo de la desviación estándar:
PERT tiene dos supuestos.
FIGURA 11.7
Distribución de
probabilidad para los
tiempos de terminación
del proyecto
11.2 PERT/CPM 405
Probabilidad de terminación del proyecto
El análisis de la ruta crítica nos ayudó a determinar que el tiempo de terminación esperado para la fundi-
dora es de 15 semanas. Sin embargo, Harky sabe que si el proyecto no se ha completado en 16 semanas, los
controladores ambientalistas cenarán General Foundry. También está consciente de que hay una variación
significativa en las estimaciones de tiempo para diversas actividades. La variación en las actividades que
están en la ruta crítica puede afectar la terminación global del proyecto —posiblemente retrasarlo—. Este
posible evento preocupa considerablemente a Harky.
PERT utiliza la varianza de las actividades de la ruta crítica para ayudar a determinar la varianza del
proyecto global. Si los tiempos de actividad son estadísticamente independientes, la varianza del proyecto
se calcula sumando las varianzas de las actividades críticas:
Varianza del proyecto = E varianzas de las actividades en la ruta crítica (11-6)
A partir de la tabla 11.2 sabemos que
ACTIVIDAD
CRÍTICA VA RIANZA
A 4/36
/
4/36
C x/36
G 64/36
/
H 4/3
/ 6
Por consiguiente, la varianza del proyecto es
Varianza del proyecto = 4/36 + 4/36 + 36/36 + 64/36 + 4/36 = 112//36 = 3.1 1 1
Sabemos que la desviación estándar es la raíz cuadrada de la varianza, por lo que
Desviación estándar del proyecto = crT = VVarianza del proyecto
= V3.111 = 1.76 semanas
¿Cómo puede usarse esta información para ayudar a responder preguntas sobre la probabilidad de terminar
a tiempo el proyecto? Además de suponer que los tiempos de las actividades son independientes, también
suponernos que el tiempo total para la terminación del proyecto sigue una distribución de probabilidad
normal. Con estos supuestos, es posible emplear la curva en forma de campana que se muestra en la figura
Desviación estándar = 1.76 semanas
15 semanas
(Tiempo de terminación esperado)
406 CAPÍTULO 11 • GESTIÓN DE PROYECTOS

FIGURA 11.8
Probabilidad de que El tiempo esperado es de 15 semanas 0 57 desviaciones estándar
General Foundry cumpla
con la fecha límite Probabilidad
de 16 semanas (T 16 semanas)
es 71.6%

15 16 Tiempo
semanas semanas

11.7, para representar las fechas de terminación del proyecto. También implica que hay 50% de probabi-
lidades de que todo el proyecto se complete en menos de las 15 semanas esperadas y una probabilidad de
50% de que tarde más de esas 15 semanas.*
Para que Harky encuentre la probabilidad de que su proyecto esté terminado para la fecha límite de 16
semanas o antes, se debe determinar el área apropiada bajo la curva normal. La ecuación normal estándar
se puede aplicar de la manera siguiente:

Fecha limite — Fecha de terminación esperada

Cálculo de la probabilidad de Z=
terminación del proyecto. CTT
16 semanas — 15 semanas
= 0.57
1.76 semanas (11-7)
donde
Z es el número de desviaciones estándar a las que se encuentra la fecha límite o fecha objetivo con
respecto a la media o fecha de terminación esperada.
Con referencia a la tabla normal del apéndice A, encontramos una probabilidad de 0.71566. Por lo tanto,
existe una probabilidad de 71.6% de que el equipo de control de la contaminación pueda ponerse en mar-
cha en 16 semanas o menos, lo cual se muestra en la figura 11.8.

Qué puede proporcionar PERT

Hasta ahora, PERT ha sido capaz de ofrecer a Lester Harky varias piezas valiosas de información para la
gestión:
El sexto y último paso es monitorear 1. La fecha esperada de terminación del proyecto es de 15 semanas.
y controlar el proyecto mediante 2. Hay una probabilidad de 71.6% de que el equipo esté instalado dentro del plazo de 16 semanas.
la información proporcionada PERT puede encontrar fácilmente la probabilidad de terminar en cualquier fecha que a Harky le
por PERT. interese
3. Cinco actividades (A, C, E, G, H) se encuentraQ en la ruta crítica. Si alguna de ellas se retrasa por
cualquier razón, todo el proyecto se demorará.
4. Tres actividades (B, D, F) no son críticas, sino que tienen un tiempo de holgura incluido. Esto signi-
fica que Harky puede tomar recursos de ellas, si es necesario, para acelerar todo el proyecto.
5. Se dispone de un programa detallado de las fechas de inicio y terminación para cada actividad (vea la
tabla 11.3).

Uso de Excel QM para el ejemplo de G neral Foundry

Este ejemplo se puede trabajar con Excel QM. Par ello, seleccione Excel QM de la pestaña Add-Ins en
Excel 2013, como se muestra en el programa 11.1 A. En el menú desplegable, coloque el cursor sobre
Project Management, y aparecerán algunas opciones a la derecha. Para introducir un problema que se

Usted debería estar consciente de que las actividades no críticas también tienen variabilidad (como se muestra en la tabla 11.2).
De hecho, una ruta crítica diferente podría evolucionar debido a la situación probabilística. Esto también puede ocasionar que
las estimaciones de probabilidad sean poco confiables. En tales casos, es mejor utilizar la simulación para determinar las
probabilidades.
 11.2 PERT/CPM 407

PROGRAMA 11.1A FILE HOME INSERT PAGE LAYOUT FORMULAS DATA REVIEW VIEW ADD-3145 Excel 0M

Pantalla de inicio de [1 0 1 2 Gridlines Headings bst.ction o 13 Default preferenc

A 1.7i.....— '''I r --luías . Default color,
Excel QM para el ejemplo E Chapeen Probabáty Concepts and Applications >: User Color Load VVír
cha preferentes selection Cabila
de General Foundry con Chapees 3: Decnion Andysis
Chapea 4. Regression Modele De la pestaña Add-Ins seleccione Excel 0.M)
3 estimaciones de tiempo
92 Chapees Forecasting
Chapees & Inyentory Control Modds
Chapear 7: Lesear Programming
Seleccione Project Management
2 Chapees 8: linear Programming
en el menú desplegable.
3 Chames 9: Transpostation and Assignment Mod
4 Chapter 10: Integer Programming
5 Seleccione Predecessor List (AON))
Chapees 11: Network Modelo
6 .1 Chapees IZ Project Management • P cedecesagt
7
Chapees 13: Waitang Unes and Quesing Theoly Modds • Start End Nodes (AOA)
8
9 Chapee, 14: Simutation Modeling Crashang
10 Chapen Marte., Analysis Meare Stel Dev given
11 Chapen. l& Stabsticai Quafity Control
12 ~otea: Game Theory Elija el número de actividades, el número
Changa textbook máximo de predecesores y seleccione 3
estimaciones de tiempo. Haga clic en OK.
16
17 Spreadsheet Initialirdhon

13
Me: Sheet mune:
19
20
4: Options
Enter the number of actnnties
2Z
Name for rows
22 &.1 Graph
(1.1seAfor 4, 8,C... or atora, b,
23
Mal • of predecessors
24
25 Narre for columns Peed
.2s
27
Orme estrmates
25 • er,rrn Sethngs
1 trrne estrmate
29
4 3 time estirnate ririr OK I
30
31:
32
33

presenta en una tabla con los predecesores inmediatos y tres estimaciones de tiempo, seleccione Pre-
decessor List (AON) y aparecerá la ventana de inicio. Especifique el número de actividades, el número
máximo de predecesores inmediatos de las actividades y seleccione la opción 3 Tinte Estimate. Si de-
sea ver un diagrama de Gantt, seleccione la opción Graph. Haga clic en OK cuando haya terminado, y
aparecerá una hoja de cálculo, con todas las filas y columnas necesarias etiquetadas. Para este ejemplo,
introduzca las tres estimaciones de tiempo en las celdas B8:D15 y, luego, ingrese los predecesores inme-
diatos en las celdas C18:D25, como se indica en el programa de 11.1B. No se requieren otras entradas
ni otros pasos.
A medida que se introducen los datos, Excel QM calcula los tiempos esperados y las varianzas para
todas las actividades, y una tabla mostrará automáticamente los tiempos más lejanos y más cercanos, así
como los tiempos de holgura para todas las actividades. Se despliega un diagrama de Gantt que muestra
la ruta crítica y el tiempo de holgura para las actividades.

Análisis de sensibilidad y gestión de proyectos

Durante la ejecución de cualquier proyecto, el tiempo requerido para completar una actividad puede variar
con respecto al tiempo proyectado o esperado. Si la actividad está en la ruta crítica, el tiempo total para
la terminación del proyecto cambiará, como ya se expuso. Además de tener un impacto en el tiempo total
de terminación del proyecto, también hay un efecto sobre los tiempos de inicio más cercano, terminación
más cercana, inicio más lejano, terminación más lejana y holgura de otras actividades. El impacto preciso
depende de la relación entre las diversas actividades.
En las secciones anteriores se definió una actividad predecesora inmediata como una actividad
que está inmediatamente antes de una actividad dada. En general, una actividad predecesora es aque-
lla que debe completarse antes de que pueda iniciarse la actividad en cuestión. Considere la activi-
dad G (instalar el dispositivo contra la contaminación) del ejemplo de General Foundry. Como se vio
408 CAPÍTULO 11 • GESTIÓN DE PROYECTOS

PROGRAMA 11.1B o F 6 fi ( El diagrama de Gantt muestra las actividade

General Foundry \ críticas y las actividades no críticas.
Pantalla de introducción
2 —1
en Excel QM y solución 3 — 3 Uribe estimateic
para el ejemplo de 4
A 11~
General Foundry 6 Dat e
Introduzca las tres estimaciones
con 3 estimaciones 7 Aotiuity O dmistitLikel
IIIIIIIII
1111110111111
. 1111~1111. de tiempo para cada actividad.
de tiempo 9 13 ~llaga S 1.173:57:0-4 U.I 13 •\21111~1111111.11
C 11111:1111111111111111111111111 2' 0.33333 ^__0.111111 E•
11 0 111831111~811113118 41 0.666667 0.444444
12 E 11110111111111113111~ 4 1 1
13 F MIIIIIEME81111111131/ 3 1.333333 1.777778
14 6 1~111111111111•1111811 51.333333 1.777778
15 H 11111111111111~~11111 2 0.333333 0.111111
16 Preeedences Immediate Predecessors (1 per colmo) o 5 10 15
17 Actieits Time Pred 1 Pred 2
18A 2 (los tiempos esperados, las desviaciones estándar
19 3 ‘\.1( las varianzas se calculan automáticamente. :vitt • 9act
206 2 A
21 DI 4 B
22 E 4
23 F 3 -----------(Introduzca los predecesores inmediatos.)
24 6 5 o E
25 H 2 /II tabla de resultados desplie- g
26 todas las actividades con todos
27 Results---- -
Early Early Late Late los tiempos más cercanos, más
28 Activitu Start Finish Start Finish Slack Vaciattoe ejanos y de holgura.
29 0 2 0 2 0 0.111111 j
30 13 0 3 12 15 12
31 C 2 4 2 4 0 0.111111
32 D 0 4 4 8 4
33 E 4 8 4 8 0
34 F 4 7 10 13 6
35 G 8 13 8 03 1.777778
36 13 15 13 15 O 0.111111
37 Problet 15 Prolect 3.1111
38 Std.deso 1.7638

anteriormente, esta actividad está en la ruta crítica. Las actividades predecesoras son A, B, C, D y E.
Todas estas actividades deben completarse antes de que la actividad G pueda iniciar. Una actividad
sucesora es aquella que puede iniciar sólo después de finalizada la actividad dada. Por ejemplo, la ac-
tividad II es la única actividad sucesora de la actividad G. Una actividad paralela es aquella que no
depende directamente de la actividad dada. Una vez más, considere la actividad G. ¿Existen actividades
que le sean paralelas? Si se observa la red de General Foundry, es posible ver que la actividad F es una
actividad paralela a la actividad G.
Después de haber definido las actividades predecesoras, sucesoras y paralelas, podemos explorar
el impacto que un aumento (disminución) del tiempo de una actividad en la ruta crítica tendría en las
demás actividades de la red. Los resultados se resumen en la tabla 11.4. Si el tiempo que tarda en
completarse la actividad G aumenta, habrá un aumento en el inicio más cercano, la terminación más
cercana, el inicio más lejano y la terminación más lejana de todas las actividades sucesoras. Debido
a que estas actividades siguen después de la actividad G, sus tiempos también aumentarían. Como
el tiempo de holgura es igual al tiempo de terminación más lejano menos el tiempo de terminación
más cercano (o el tiempo de inicio más lejano menos el tiempo de inicio más cercano; LF — EF o
LS — ES), no habrá ningún cambio en la holgura de las actividades sucesoras. Como la actividad G

TABLA 11.4 TIEMPO 1)E A(TI I DA I) ACTIVIDAD ACTIVIDAD

Impacto de un aumento AcriviDAD SUCESORA PARALELA PREDECESORA
(disminución) del tiempo
Inicio más cercano Aumento (disminución) Sin cambio Sin cambio
de actividad para una
actividad en la ruta Terminación más cercana Aumento (disminución) Sin cambio Sin cambio
crítica
Inicio más lejano Aumento (disminución) Aumento (disminución) Sin cambio

Terminación más lejana Aumento (disminución) Aumento (disminución) Sin cambio

Holgura Sin cambio Aumento (disminución) Sin cambio

 11.3 PERT/COSTO 409

está en la ruta crítica, un aumento del tiempo de esa actividad incrementará el tiempo total para la
terminación del proyecto. Esto significa que los tiempos de terminación más lejana, inicio más lejano
y de holgura también aumentarán para todas las actividades paralelas. Esto lo puede probar usted
mismo, completando un paso hacia atrás a través de la red usando un mayor tiempo total de termina-
ción del proyecto. No hay cambios para las actividades predecesoras.

11.3 PERT/Costo
El uso de PERT/Costo para planear,
programar, supervisar y controlar el
costo del proyecto ayuda a lograr
el sexto y último paso de PERT.
Aunque PERT es un excelente método para dar seguimiento y controlar la duración de un proyecto, no
considera otro factor muy importante: el costo del proyecto. PERT/Costo es una modificación de PERT
que permite a un administrador planear, programar, supervisar y controlar tanto el costo como el tiempo.
Esta sección inicia investigando cómo los costos pueden planearse y programarse. Después se averi-
gua cómo se supervisan y controlan los costos.
Planeación y programación de los costos del proyecto:
proceso de presupuesto
El enfoque general en el proceso de elaboración del presupuesto de un proyecto es determinar cuánto se
gastará cada semana o mes. Esto se logra de la siguiente manera:

Cuatro pasos del proceso de presupuesto

1. Identifique todos los costos asociados con cada una de las actividades. Después, sume estos costos
para obtener una estimación o un presupuesto para cada actividad.
2. Si se trata de un proyecto grande, es posible combinar vanas actividades en paquetes de trabajo más
grandes. Un paquete de trabajo es simplemente una colección lógica de actividades. Dado que el pro-
yecto de General Foundry que hemos estado analizando es pequeño, cada actividad será un paquete
de trabajo.
3. Convierta el costo presupuestado por actividad en un costo por un periodo de tiempo. Para ello,
suponga que el costo por completar cualquier actividad se gasta a una razón uniforme a través
del tiempo. Por lo tanto, si el costo presupuestado para una actividad dada es de $48,000 y el
tiempo esperado de la actividad son cuatro semanas, el costo presupuestado por semana es de
$12,000 (= 48,000/4 semanas).
4. Use los tiempos de inicio más cercano y más lejano para averiguar la cantidad de dinero que debería
gastarse cada semana o cada mes para terminar el proyecto en la fecha deseada.

PRESUPUESTO PARA GENERAL FOUNDRY Apliquemos este proceso de presupuesto al problema de

General Foundry. El diagrama de Gantt para el problema, que se muestra en la figura 11.9, ilustra este pro-
ceso. En el diagrama, una barra horizontal muestra cuándo se llevará a cabo cada actividad con base en los
tiempos más cercanos. Al desarrollar un programa de presupuesto, determinaremos cuánto se gasta en cada
actividad durante cada semana y tales cantidades se introducirán en el diagrama en vez de las barras. Lester
Harky ha calculado cuidadosamente los costos asociados a cada una de sus ocho actividades. También di-
vidió el presupuesto total para cada actividad entre el tiempo de terminación esperado de esa actividad, con
la finalidad de determinar el presupuesto semanal de cada actividad. El presupuesto para la actividad A,

FIGURA 11.9
Diagrama de Gantt
para el ejemplo de
General Foundry
A

B
o
::::31111111
D
ca D

t, E

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
410 CAPÍTULO 11 • GESTIÓN DE PROYECTOS

A EN ACCIÓN
California necesita la gestión de'proyectos para
un proyecto de agua de $25 mil millones

administración de los contratistas de construcción y excavación, y la

La crisis presupuestaria de California ha afectado muchas vidas. En
medio de la confusión, se presentó un nuevo proyecto para desviar el
agua del río Sacramento a través de dos enormes túneles dirigidos ha-
cia la parte sur del estado. El proyecto tardará 10 años en terminarse y
se espera que tenga 50 años de vida útil.
Sus defensores dicen que el proyecto de agua mejorará la cali-
dad de este líquido, incrementará su sustentabilidad, aumentará la
fortaleza ante terremotos, minimizará las exportaciones totales y dis-
minuirá la demanda de instalaciones existentes con aguas que ma-
tan peces provenientes de la parte sur de California. El mayor desafío
para el proyecto propuesto de trasvase de aguas mediante un túnel
doble será la coordinación de las agencias estatales y federales, la
supervisión de los gastos generales... en otras palabras, la gestión del
proyecto.
El estado de California ha estimado que la construcción de los
dos túneles tendrá un costo de 94,500 millones, el valor presente
neto de la operación y el mantenimiento de los dos túneles duran-
te su vida útil de 50 años, equivale a $4,800 millones, y la restaura-
ción del hábitat requeriría otros $4,100 millones. En este caso, parece
que la gestión de proyectos no es sólo un lujo, es una necesidad.
Fuente: California plan to overhaul water system hub to cost S25 billion, Los
Angeles Times. 29 de mayo de 2013. <articles.latimes.com>.

por ejemplo, es de $22,000 (vea la tabla 11.5). Como su tiempo esperado (t) es de 2 semanas, se gastan
$11,000 cada semana para completar la actividad. La tabla 11.5 también proporciona dos datos que en-
contramos anteriormente utilizando PERT: el tiempo de inicio más cercano (ES) y el tiempo de inicio más
lejano (LS) para cada actividad.
Si se observa el total de los costos de actividad presupuestados. todo el proyecto tendrá un costo de
$308,000. Encontrar el presupuesto semanal ayudará a Harky a determinar cómo avanza el proyecto cada
semana.
Un presupuesto se calcula El presupuesto semanal para el proyecto se desarrolla a partir de los datos de la tabla 11.5. El tiempo
utilizando ES. de inicio más cercano para la actividad A, por ejemplo, es 0. Debido a que A requiere 2 semanas para
completarse, su presupuesto semanal de $11,000 debería gastarse en las semanas 1 y 2. Para la actividad
B, el tiempo de inicio más cercano es 0, el tiempo de terminación esperado es de 3 semanas y el costo
presupuestado por semana es de 510,000. Por lo tanto, para la actividad B se deberían gastar $10,000 en
cada una de las semanas 1, 2 y 3. Mediante el uso del tiempo de inicio más cercano, podemos encontrar
las semanas exactas durante las cuales se tiene que gastar el presupuesto de cada actividad. Estas cantida-
des semanales se pueden sumar para todas las actividades, con la finalidad de obtener el presupuesto se-
manal para todo el proyecto. Esto se muestra en la tabla 11.6. Note las semejanzas entre esta tabla y el
diagrama de Gantt mostrado en la figura 11.9.
¿Puede usted ver cómo se determina el presupuesto semanal para el proyecto (total por semana)
en la tabla 11.6? Las dos únicas actividades que se pueden realizar durante la primera semana son A y 8,
ya que sus tiempos de inicio más cercanos son 0. Por lo tanto, durante la primera semana se debe gastar un

TABLA 11.5 Costo de actividad para General Foundry, Inc.

TIEMPO DE INICIO TIEMPO DE INICIO TIEMPO COSTO COSTO PRESUPUESTADO

MÁS CERCANO, MÁS LEJANO, ESPERADO, PRESUPUESTADO POR SEMANA
ACTIVIDAD ES LS t TOTAL ($) ($)
A o 2 22,000 11,000
3 30,000 10,000

2 9 9 26,000 13,000

D 3 4 4 48,000 12,000

B 4 4 4 56,000 14,000

F 4 10 3 30,000 10,000

G 8 8 5 80,000 16,000

H 13 13 9 16,000 8,000
Total 308,000
 11.3 PE RT/COSTO 411
TABLA 11.6 Costo presupuestado (miles de S) para General Foundry, Inc., utilizando los tiempos
de inicio más cercanos

A 11 11 22
I() 10 10 30
13 13 26
D 12 12 12 12 48
B 14 14 14 14 56
10 10 10 30
G 16 16 16 16 16 80
H 8 8 16
308
Total por semana 21 21 23 25 36 36 36 14 16 16 16 16 16 8 8
Total a la fecha 21 42 65 90 126 162 198 212 228 244 260 276 292 300 308

Otro presupuesto se calcula
utilizando LS.
total de $21,000. Debido a que las actividades A y B todavía se siguen realizando en la segunda semana,
durante ese periodo también se tiene que gastar un total de $21,000. El tiempo de inicio más cercano para
la actividad C está al final de la semana 2 (ES = 2 para la actividad C). Por lo tanto, se gastan $13,000
en la actividad C, tanto en la semana 3 como en la 4. Como la actividad B también se está realizando du-
rante la semana 3, el presupuesto total de la semana 3 es de $23,000. Para todas las actividades, se llevan a
cabo cálculos similares a éstos que determinan el presupuesto total para todo el proyecto por cada semana.
Entonces estos totales semanales se pueden agregar para determinar la cantidad total que debería gastarse
hasta cierta fecha (total a la fecha). Esta información se muestra en la fila inferior de la tabla.
Las actividades que se encuentran en la ruta crítica deben gastar sus presupuestos en los tiempos
mostrados en la tabla 11.6. Por su parte, las actividades que no están en la ruta crítica pueden iniciar en una
fecha posterior. Este concepto se materializa en el tiempo de inicio más lejano, LS, para cada actividad.
Por consiguiente, si se utilizan los tiempos de inicio más lejanos, es posible obtener otro presupuesto, el
cual retrasará el gasto de fondos hasta el último momento posible. Los procedimientos para calcular
el presupuesto usando los LS son los mismos que cuando se utilizan los ES. Los resultados de los nuevos
cálculos se muestran en la tabla 11.7.

TABLA 11.7 Costo presupuestado (miles de S) para General Foundry, Inc., usando los tiempos
de inicio más lejanos

A 11 11 22
10 10 10 30
13 13 26
D 12 12 12 12 48
B 14 14 14 14 56
10 10 10 30
G 16 16 16 16 16 80
H 8 8 16
308
Total por semana 11 21 23 23 26 26 26 26 16 16 26 26 26 8 8
Total a la fecha 11 32 55 78 104 130 156 182 198 214 240 266 292 300 308
412 CAPITULO 11 • GESTIÓN DE PROYECTOS
FIGURA 11.10
Rangos de presupuesto
para General Foundry
¿Cumple el proyecto con el programa
y está dentro de su presupuesto?
Costo
á
total
presupuestado
$300,000
Presupuesto usando
los tiempos de inicio
más cercanos, ES
250,000
200,000
Presupuesto usando
150,000
los tiempos de inicio
más lejanos, LS
100,000
50,000
1 I I 1 I I 1 l 1 1 l 1 1 1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 semanas
Compare los presupuestos dados en las tablas 11.6 y 11.7. La cantidad que debería gastarse hasta la
fecha (total a la fecha) para el presupuesto de la tabla 11.7 utiliza menos recursos financieros en las prime-
ras semanas. Esto se debe a que el presupuesto se prepara utilizando los tiempos de inicio más lejanos. Por
lo tanto, el presupuesto de la tabla 11.7 muestra el último momento posible en el que los fondos pueden
gastarse y aun así terminar el proyecto a tiempo. El presupuesto de la tabla 11.6 muestra el momento más
cercano posible en el que los fondos pueden gastarse. Por consiguiente, un administrador elige cualquier
opción que se sitúe entre los presupuestos presentados en estas dos tablas, las cuales forman rangos facti-
bles para el presupuesto. Este concepto se ilustra en la figura 11.10.
Los rangos de presupuesto para General Founlry se establecieron al graficar los presupuestos totales
a la fecha para ES y LS. Lester Harky puede utiliz cualquier presupuesto entre estos rangos factibles y
aun así completar a tiempo el proyecto contra la contaminación del aire. Normalmente, antes de que inicie
el proyecto se desarrollan presupuestos como los mostrados en la figura 11.10. Luego, a medida que el
proyecto avanza, los fondos gastados deben supervisarse y controlarse.
Aunque hay ventajas en el flujo de efectivo y en el manejo del dinero para retrasar las actividades
hasta sus tiempos de inicio más lejanos, estos retrasos pueden crear problemas con la terminación del
proyecto a tiempo. Si una actividad no se inicia sino hasta su tiempo de inicio más lejano, no hay holgura
restante. Cualquier retraso subsecuente en esta actividad demorará el proyecto. Por tal razón, es posible
que no sea deseable programar todas las actividades para que inicien en su tiempo de inicio más lejano.
Seguimiento y control de los costos d I proyecto
El propósito de la supervisión y el control de los c stos del proyecto es asegurar que éste avance según
lo previsto y que los excesos de costos se manteng al mínimo. El estatus de todo el proyecto tiene que
revisarse de manera periódica.
Lester Harky quiere saber cómo va su proyec o contra la contaminación del aire. En este momento
transcurre la sexta semana del proyecto de 15 semanas. Las actividades A, B y C han concluido, e implica-
ron costos de $20,000, $36,000 y $26,000, respectiVamente. La actividad D se ha completado sólo 10% y,
hasta el momento, el costo invertido ha sido de $6,000. La actividad E está completada 20% con un costo
 11.3 PERT/COSTO 413
TABLA 11.8 Seguimiento y control del costo presupuestado
COSTO PORCENTAJE VALOR DEL COSTO DIFERENCIA
RESU PUESTA DO DE TRABAJO REAL POR ACTIVIDAD
TOTAL. ($) TERMINA(' ÓN COM PI KVA DO ($) ($) ($)
A 22,000 100 22,000 20,000 —2,000
30,000 100 30,000 36,000 6,000
26,000 100 26,000 26,000
48,000 10 4,800 6,000 1,200
D 56,000 20 11,200 20,000 8,800
F 30,000 20 6,000 4,000 —2,000
G 80,000 O O O O
H 16,000 O
Total 100,000 112,000 12,000
Faltante

incurrido de $20,000, y la actividad de F se ha completado 20% con un costo incurrido de $4,000. Las
actividades G y H no han iniciado. ¿El proyecto contra la contaminación del aire cumple con el programa
previsto? ¿Cuál es el valor del trabajo realizado? ¿Hay exceso de costos?
El valor del trabajo realizado, o el costo presupuestado hasta la fecha para cualquier actividad, se pue-
den calcular de la siguiente manera:

Valor del trabajo completado = (Porcentaje del trabajo completado)

X (Presupuesto de actividad total) (11-8)

La diferencia por actividad también es interesante:

Diferencia por actividad = Costo real — Valor del trabajo realizado (11-9)

Calcule el valor del trabajo realizado
multiplicando el costo presupuestado
por el porcentaje de terminación.
Si una diferencia por actividad es negativa, existe un ahorro en el costo; pero si es positiva, ha ocurrido un
sobrecosto.
La tabla 11.8 presenta esta información para General Foundry. La segunda columna contiene el costo
presupuestado total (de la tabla 11.6), y la tercera columna contiene el porcentaje de terminación. Con
estos datos y el costo real gastado para cada actividad, podemos calcular el valor del trabajo realizado y el
ahorro o el sobrecosto para cada actividad.
Una forma de medir el valor del trabajo realizado consiste en multiplicar los costos presupuestados
totales por el porcentaje de terminación de cada actividad.* Por ejemplo, la actividad D tiene un valor
del trabajo realizado de $4,800 (=$48,000 por 10%). Para determinar la cantidad de sobrecosto o aho-
rro para cualquier actividad, el valor del trabajo realizado se resta del costo real. Estas diferencias se su-
man para determinar el sobrecosto o el ahorro del proyecto. Como se observa, en la semana 6 hay un
sobrecosto de $12,000. Además, el valor del trabajo realizado es de sólo $100,000, y el costo real del pro-
yecto hasta la fecha es de $112,000. ¿Cómo se comparan estos costos con los costos presupuestados para
la semana 6? Si Harky hubiera decidido utilizar el presupuesto para los tiempos de inicio más cercanos
(vea la tabla 11.6) veremos que deberían haberse gastado $162,000. Por lo tanto, el proyecto se ha retra-
sado y hay sobrecostos. Harky necesita moverse más rápido en este proyecto para terminar a tiempo, y
debe controlar los costos futuros cuidadosamente para tratar de eliminar el sobrecosto actual de $12,000.
Para monitorear y controlar los costos, es necesario calcular periódicamente la cantidad presupuestada, el
valor del trabajo terminado y los costos reales.
En la siguiente sección veremos cómo acortar un proyecto mediante un gasto de dinero adicional.
La técnica se llama aceleración y forma parte del método de la ruta crítica (CPM).

El porcentaje de terminación de cada actividad también se puede medir de otras maneras. Por ejemplo, podría examinarse la
relación entre las horas de mano de obra usadas y las horas de mano de obra totales estimadas.
414 CAPÍTULO 11 • GESTIÓN DE PROYECTOS

Pequeñas compañías usan la gestión de proyectos

EN ACCIÓN en cinco fases

R ecientemente, varias compañías pequeñas han incorporado he-
rramientas de gestión de proyectos a sus lugares de trabajo. En las
empresas pequeñas, los propietarios y gerentes asignan actividades
en el proyecto a lol empleados y a sí mismos. Los investigadores han
identificado cinco fases básicas de un proyecto para ayudar a las pe-
queñas empresas; éstas son la concepción, la planeación y el diseño,
la ejecución, el control y el cierre.
Concepción
Durante la concepción, los tomadores de decisiones de los peque-
ños negocios integran sus ideas y las alinean con los objetivos de la
empresa. En esta fase se toma la decisión de seguir adelante con el
proyecto.
Planeación y diseño
La segunda fase consiste en determinar las tareas y los hitos que deben
pasarse para que el proyecto tenga éxito. También implica la asignación
de actividades a los departamentos y la preparación de la red PERT.
Ejecución
Al inicio de la pt. esta en marcha del proyecto está la fase de ejecu-
ción. Los gerente s dirigen a los empleados para que realicen tareas y
tomen nota de st tiempos de terminación.
Control
La fase de control puede superponerse a la anterior fase de ejecución
y consiste en asegurar el cumplimiento de los plazos de ejecución y
los hitos, a tiempo y dentro del presupuesto. Durante esta fase, es
posible que deban reasignarse los recursos.
Cierre
El nombre de esta fase indica acertadamente que se realizan las presen-
taciones, se completan los análisis y se entregan los informes.
Fuente: Major Act ivities in Project Management Phases, Houston Chronicle,
21 de mayo de 201 , <smallbusiness.chron.corn>.

11.4 Aceleración del proyecto

El acortamiento de un proyecto
se llama aceleración.
En ocasiones, los proyectos tienen plazos de ejecución que serían imposibles de cumplir utilizando los
procedimientos normales para la terminación del proyecto. Sin embargo, mediante el uso de horas extras,
fines de semana de trabajo, contratación de trabajadores adicionales o el uso de más equipo, es posible
terminar un proyecto en menos tiempo de lo que no almente se requiere. Sin embargo, como resultado
de esto, el costo del proyecto suele aumentar. Cuan o se desarrolló CPM, se reconocía la posibilidad de
reducir el tiempo de terminación del proyecto; este p oceso se llama aceleración.
Al acelerar un proyecto, se utiliza el tiempo normal de cada actividad para encontrar la ruta crítica.
El costo normal es el costo de completar la actividad utilizando procedimientos normales. Si el tiempo
de terminación del proyecto utilizando procedimientos normales cumple con la fecha límite impuesta,
no hay ningún problema. Sin embargo, cuando el plazo es anterior al tiempo normal de terminación
del proyecto, se deben tomar algunas medidas extraordinarias. Entonces, se desarrolla otro conjunto de
tiempos y costos para cada actividad. El tiempo acelerado es el menor tiempo posible para la actividad, y
esto requiere el uso de recursos adicionales. El costo de aceleración es el precio de completar la actividad
en un tiempo anterior a lo normal. Si un proyecto s debe acelerar, resulta conveniente hacerlo al menor
costo adicional posible.
La aceleración de proyectos con CPM consta de cuatro pasos:

Cuatro pasos de la aceleración de un prdyecto

1. Encuentre la ruta crítica normal e identifique las actividades críticas.
2. Calcule el costo de aceleración por semana (u otro periodo de tiempo) para todas las actividades en
la red. Este proceso utiliza la siguiente fórmula:*
Costo de aceleración — Costo normal
Costo de aceleración/Periodo de tiempo = (11-10)
iempo normal — Tiempo de aceleración
3. Seleccione la actividad en la ruta crítica con el enor costo de aceleración por semana. Acelere esta
actividad en la mayor medida posible o hasta e punto donde se alcance su fecha limite deseada.
4. Revise para asegurarse de que la ruta crítica ac lerada sigue siendo crítica. Con frecuencia, una
reducción en el tiempo de una actividad a lo 1 o de la ruta crítica ocasiona que otra u otras rutas
se vuelvan críticas. Si la ruta crítica sigue sien o el camino más largo a través de la red, vuelva al
paso 3. Si no, encuentre la nueva ruta crítica y regrese al paso 3.

* Esta fórmula supone que los costos de aceleración son lineal es. En caso de no serlo, deberán hacerse ajustes.
 11.4 ACELERACIÓN DEL PROYECTO 415

TABLA 11.9 Datos normales y acelerados para General Foundry, Inc.

TIEMPO (SEMANAS)
ACELERACIÓN ¿RUTA
.,«DAD NORMAL ACELERADO NORMAL ACELERADO POR SEMANA ($) CRÍTICA?
_.
A 1 22,000 23,000 1,000 Sí
E 3 1 30,000 34,000 2,000 No
2 1 26,000 27,000 1,000 Sí
4 3 48,000 49,000 1,000 No
D 4 2 56,000 58,000 1,000 Sí
F 3 2 30,000 30,500 500 No
G 5 2 80,000 86,000 2,000 Sí
H 2 1 16,000 19,000 3,000 Sí

Ejemplo de General Foundry

Suponga que a General Foundry se le han concedido 14 semanas en vez de 16 para instalar el nuevo equipo
de control de la contaminación, o enfrentar un cierre ordenado por los tribunales. O suponga que hay una
bonificación establecida por Lester, si el equipo llegara a estar instalado en 12 semanas o menos. Como
recordará, la longitud de la ruta crítica de Lester Harky fue de 15 semanas. ¿Qué más puede hacer? Es
claro que Harky no cumplirá con el plazo a menos que sea capaz de acortar algunos de los tiempos de las
actividades.
Los tiempos normales y acelerados de General Foundry, así como sus costos normales y acelerados,
se muestran en la tabla 11.9. Observe, por ejemplo, que el tiempo normal para la actividad B es de 3 se-
manas (esta estimación también se utilizó para PERT) y su tiempo acelerado es de 1 semana. Esto signi-
fica que la actividad se puede acortar 2 semanas si se proporcionan recursos adicionales. El costo normal
es de $30,000, y el costo acelerado es de $34,000. Lo anterior implica que la aceleración de la actividad B
tendrá un costo adicional para General Foundry de $4,000. Se supone que los costos acelerados son linea-
les. Como se muestra en la figura 11.11, el costo acelerado por semana de la actividad B es de 52,000. Los
costos acelerados para todas las demás actividades se calculan de manera similar. En seguida, se pueden
aplicar los pasos 3 y 4 para reducir el tiempo de terminación del proyecto.

FIGURA 11.11
Costo
Tiempos y costos de
acelerados y normales actividad
para la actividad B Aceleración
$34,000 /
Costo de Costo de _ Costo acelerado - Costo normal
aceleración \\ aceleración/semana Tiempo normal - Tiempo acelerado
$33,000 _ $34,000 - $30,000
3-1
$32,000 _ $4,000 - $2,000 / Semana
2 semanas

$31,000

Normal
$30,000
Costo
normal

o 1 2 3 Tiempo (semanas)

Tiempo acelerado Tiempo normal

416 CAPÍTULO 11 • GESTIÓN DE PROYECTOS
Ahora hay dos rutas críticas.
El primer paso es definir las variables
de decisión para el programa lineal.
FIGURA 11.12
Red de General Foundry
con tiempos de actividad
Las actividades A, C y E están en la ruta críticas cada una tiene un costo mínimo de aceleración por
semana de $1,000. Harky puede acelerar la actividad A en una semana para reducir el tiempo de termina-
ción del proyecto a 14 semanas. El costo es de $1,000 adicionales.
En esta etapa, hay dos rutas críticas. La original consta de las actividades A, C, E, G y H, con un plazo
de terminación total de 14 semanas. La nueva ruta crítica consta de las actividades B, D, G y H, también
con un plazo de terminación total de 14 semanas. Cualquier aceleración adicional debe hacerse para ambas
rutas críticas. Por ejemplo, si Harky quiere reducir el tiempo de terminación del proyecto en dos sema-
nas más, necesitará reducir ambas rutas. Esto se puede hacer al reducir la actividad G, que está en ambas
rutas críticas, en dos semanas por un costo adicional de $2,000 semanales. El tiempo total de terminación
sería de 12 semanas, y el costo total de aceleración sería de $5.000 ($1,000 por reducir la actividad A en
una semana y $4,000 por reducir la actividad G en dos semanas).
Para redes pequeñas, como la de General Foundry, es posible utilizar el procedimiento de cuatro pasos
para encontrar el menor costo por reducir el tiempo de terminación del proyecto. Por otro lado, en redes
más grandes, este enfoque es difícil y poco práctico, y resulta necesario emplear técnicas más sofisticadas,
como la programación lineal.
Aceleración de un proyecto con programación lineal
La programación lineal (vea los capítulos 7 y 8) es otro enfoque para encontrar el mejor programa de ace-
leración de un proyecto. Su uso se ilustrará en la red de General Foundry. Los datos necesarios se obtienen
en la tabla 11.9 y en la figura 11.12.
Comenzamos definiendo las variables de decisión. Si X es el tiempo de terminación más cercano para
una actividad, entonces
XA = EF para la actividad A
XB = EF para la actividad B
Xc = EF para la actividad C
XD = EF para la actividad D
XE = EF para la actividad E
XF = EF para la actividad F
4 = EF para la actividad G
XH = EF para la actividad H
= tiempo de inicio para el proyecto (normalmente 0)
Xfinai = tiempo de terminación más cercano para el proyecto
Aunque el nodo de inicio tiene una variable (X10 10) asociado con él, esto no es necesario puesto que se le
dará un valor de 0, que podría utilizarse en lugar de la variable.
Y se define como el número de semanas que se acelera cada actividad. YA es el número de semanas
que decidimos acelerar la actividad A, YB es la cantidad de tiempo de aceleración usado en la actividad
B, y así sucesivamente hasta YH.
B 4
 11.4 ACELERACIÓN DEL PROYECTO 417

El siguiente paso es determinar la FUNCIÓN OBJETIVO Dado que el objetivo es minimizar el costo de aceleración del proyecto total, nues-
función objetivo. tra función objetivo de PL es

Minimizar el costo de aceleración = 1,000YA + 2,000YB + 1,000Yc + 1,000YD + 1,000YE

+ 500YF + 2,000YG + 3,000YH

(Estos coeficientes de costo fueron extraídos de la sexta columna de la tabla 11.9).

En seguida se determinan las RESTRICCIONES DEL TIEMPO DE ACELERACIÓN Se requieren restricciones para asegurar que
restricciones de aceleración. cada actividad no se acelera más allá de su tiempo de aceleración máximo permisible. El máximo
para cada variable Y es la diferencia entre el tiempo normal y el tiempo de aceleración (a partir de la
tabla 11.9):

YA 1
YB 5- 2
Yc s1
YD 1
YE s 2
YF 1
l'G 5- 3
YH :5 1

El paso final es determinar las RESTRICCIÓN DE LA TERMINACIÓN DEL PROYECTO Esta restricción especifica que el último evento
restricciones de los eventos. debe tener lugar antes de la fecha límite del proyecto. Si el proyecto de Harky debe acelerarse a 12 sema-
nas, entonces,

Xfinal S- 12

RESTRICCIONES QUE DESCRIBEN LA RED El conjunto final de restricciones describe la estructura de

la red. Cada actividad tendrá una restricción para cada uno de sus predecesores. La forma de estas restric-
ciones es

Tiempo de terminación Tiempo de terminación más cercanoTiempo

+ de
más cercano del predecesor la actividad
EF EFp„dc,„0, + (t — Y)
o bien, X Xprcciccesor (t Y)

El tiempo de actividad se da como t — Y, o el tiempo normal de la actividad menos el tiempo ahorrado por la
aceleración. Sabemos que EF = ES + Tiempo de la actividad, y que ES = Mayor EF de los predecesores.
Comenzamos por definir el inicio del proyecto en el tiempo igual a cero: Xinicio = O.
Para la actividad A,

XA > Xinicio + — YA)

o • Xinicio + YA 2

Para la actividad B,

XB Xinicio (3 Y B)
o XB Xinicio YB 3
Para la actividad C,

Xc XA ( 2 YC)
o Xc — XA Yc 2

Para la actividad D,

XD XB +(4— YD)
o XD Xg YD 4
418 CAPÍTULO 11 • GESTIÓN DE PROYECTOS

Para la actividad E,

XE Xc +(4 — YE)
o XE — Xc + YE k 4

Para la actividad F,
XF Xc + (3 YF)
o XF — Xc + p 3

Para la actividad G, necesitamos dos restricciones ya que hay dos predecesores. La primera restricción para
la actividad G es
XG + (5 YG) -
o XG — XD -F Ya z 5

La segunda restricción para la actividad G es

XG 4 +(5— YG)
o XG — XE -F YG 5

Para la actividad H necesitamos dos restricciones puesto que hay dos predecesores. La primera restric-
ción para la actividad H es
XH ?XF+(2 — Yy)
o XII — + Y„ a• 2

La segunda restricción para la actividad H es

Xll (2 — Y,,)
o Xy — XG Yll 2

Para indicar que el proyecto está terminado cuando concluye la actividad H, tenemos

Xfinal

Después de agregar las restricciones de no negatividad, este problema de PL puede resolverse para encon-
trar los valores Y óptimos. Lo anterior se puede hacer con QM para Windows o Excel QM. En el programa
11.2 se presenta la solución de Excel QM a este problema.

B C O EFG 11 1 .1 K LLINOPOR S T U V
PROGRAMA 11.2 A
Creshing General Foundry Problern — ..
Solución al problema de 2, YA YB YC YD YE YF YG YE XST XA XB XC XD XE XF XG XH XF11,1
3 iValues 1 O 0 O 0 0 2 0 0 1 3 3 7 7 10 10 12 12 Total
aceleración mediante 4 IMmirrize cosí 2000 1000 1000 1000 500 3000 5000
5 A crash max 1 c
Solver en Excel 6 8 crash max
7 C crash_max__r O
La actividad A se acelera La actividad G se acelera 2 semanas) O
9 1 semana.
O
lo 1 O
11 G crash mate 1 1 El costo total de acelerar el 2
12 H crash max o
\proyecto 3 semanas es de $5,000 12 12
13 Duo date
4 Slart o 0
10 A constramt 2 2
16 B constramt 3
17 C constramt 2
18 D CornItrmnt 1
19 E comarznt 4
20 F constrarn: 1
21 G constrant 1 1 5 5
22 G constrant 2 -1 5
23 á Constramt 1 -1 1 2
24 H consuma 2 -1 1 2
25 Farash constramt -1 1
 RESUMEN 419

11.5 Otros temas en la gestión de proyectos

Hemos visto cómo programar un proyecto y desarrollar programas de presupuesto. Sin embargo, hay otras
cuestiones que son importantes y útiles para un administrador de proyectos. A continuación las presen-
taremos brevemente.

Subproyectos
Para proyectos extremadamente grandes, una actividad puede componerse de varias subactividades más
pequeñas. Cada actividad puede verse como un proyecto más pequeño o un subproyecto del proyecto ori-
ginal. La persona a cargo de la actividad tal vez desee crear un gráfico PERT/CPM para la gestión de este
subproyecto. Muchos paquetes de software tienen la capacidad de incluir varios niveles de subproyectos.

Hitos
Con frecuencia, los eventos principales en un proyecto se refieren como hitos. Éstos se reflejan a menudo
en los diagramas de Gantt y los gráficos PERT para destacar la importancia de llegar a esos eventos.

Nivelación de recursos
Además de gestionar el tiempo y los costos involucrados en un proyecto, un administrador también debe
estar preocupado con los recursos utilizados en un proyecto. Estos recursos podrían ser equipos o perso-
nas. En la planeación de un proyecto (y, a menudo como parte de la estructura de desglose del trabajo), un
administrador debe identificar qué recursos se necesitan en cada actividad. Por ejemplo, en un proyecto
de construcción puede haber varias actividades que requieran el uso de equipo pesado, por ejemplo, una
grúa. Si la empresa constructora tiene sólo una grúa, entonces es posible que se generen conflictos al
programar dos actividades que requieren el uso de la grúa en el mismo día. Para aliviar los problemas de
este tipo, se utiliza la nivelación de recursos, que significa que una o más actividades se trasladan del
tiempo de inicio más cercano a otro tiempo (no posterior al tiempo de inicio más lejano) para que la uti-
lización de recursos se distribuya más uniformemente a lo largo del tiempo. Si los recursos son cuadrillas
de construcción, esto es muy benéfico, porque las cuadrillas se mantienen ocupadas y el tiempo extra se
reduce al mínimo.

Software
Existen varios paquetes de software para la gestión de proyectos en el mercado, tanto para estaciones de
trabajo como para computadoras personales. Algunos de estos programas se alojan localmente, mientras
que otros están basados en la nube. Entre el software destacado se encuentra Microsoft Project, Clarizen
(basado en la nube), OmniPlan y OpenProj, que pueden utilizarse para desarrollar programas de presu-
puesto, ajustar automáticamente los tiempos de inicio futuros con base en los tiempos de inicio reales de
las actividades anteriores, y nivelar la utilización de recursos.
Un buen software para computadoras personales varía en precio desde unos pocos cientos hasta varios
miles de dólares. Para estaciones de trabajo, el software suele costar mucho más. Las empresas han pagado
varios cientos de miles de dólares por software y soporte para la gestión de proyectos, debido a que ayuda
a que la gerencia tome mejores decisiones y realice un seguimiento de aspectos de un proyecto que, de otro
modo, serían muy difíciles de manejar.

Resumen

En este capítulo, se presentaron los fundamentos de PERT y CPM.
Ambas técnicas son excelentes para controlar proyectos grandes y
complejos.
PERT es probabilfstica y permite tres estimaciones de tiempo
para cada actividad. Estas estimaciones se utilizan para calcular el
tiempo de terminación esperado del proyecto, la varianza y la pro-
babilidad de que el proyecto se complete en una fecha determinada.
PERT/Costo, una extensión de PERT estándar, se puede utilizar para
planear, programar, supervisar y controlar los costos del proyecto.
Mediante el uso de PERT/Costo, es posible determinar si hay sobre-
costos o ahorros en cualquier momento. También se puede determinar
si el proyecto se ajusta al programa establecido.
CPM, aunque similar a PERT, tiene la capacidad de acelerar los
proyectos, reduciendo su tiempo de terminación mediante la aplica-
ción de recursos adicionales. Por último, vimos que la programación
lineal también se utiliza para acelerar una red, en una cantidad de-
seada, a un costo mínimo.
420 CAPÍTULO 11 • GESTIÓN DE PROYECTOS
Glosario
Aceleración El proceso de reducir el tiempo total que se necesita para
completar un proyecto mediante el gasto de fondos adicionales.
Actividad Un trabajo o una tarea que consume tiempo y es una
subparte clave del proyecto total.
Actividades en los arcos (AOA) Una red en la cual las actividades
se representan mediante arcos.
Actividades en los nodos (AON) Una red en la que las actividades
se representan mediante nodos. Éste es el modelo que se ilustra
en nuestro libro.
Análisis de la ruta crítica Un análisis que determina el tiempo
total para la terminación del proyecto, su ruta crítica, así como
la holgura, ES, EF, LS y LF para cada actividad.
CPM Método de la ruta crítica. Una técnica determinista de redes
similar a PERT, pero que permite acelerar los proyectos.
Diagrama de Gantt Una gráfica de barras que indica cuándo se
llevarán a cabo las actividades (representadas mediante barras)
de un proyecto.
Distribución de probabilidad beta Una distribución de probabilidad
que se utiliza con frecuencia para calcular los tiempos esperados de
terminación de las actividades y las varianzas en las redes.
Estimaciones del tiempo de la actividad Tres estimaciones de
tiempo que se utilizan para determinar el tiempo de terminación
esperado y la varianza de una actividad en una red PERT.
Estructura de desglose del trabajo (EDT) Una lista de las activi-
dades que se deben realizar en un proyecto.
Evento Un punto en el tiempo que marca el inicio o el final de una
actividad.
Hito Un evento importante en un proyecto.
Nivelación de recursos El proceso de suavizar la utilización de los
recursos en un proyecto.
Paso hacia adelante Un procedimiento que se mueve desde el ini-
cio de una red hasta el final de ésta. Se utiliza en la determinación
de los tiempos de inicio más cercanos y los tiempos de termina-
ción más cercanos de cada actividad.
Paso hacia atrás Un procedimiento que se mueve desde el final
de una red hasta el inicio de ésta. Se utiliza para determinar los
tiempos de inicio más lejano y de terminación más lejana.
PERT Técnica de evaluación y revisión del programa. Una técnica
de redes que permite tres estimaciones de tiempo para cada activi-
dad en un proyecto.
Ecuaciones clave
a + 4m + b
(11-1) t =
6
Tiempo de terminación esperado para la actividad.
Cb
— ay
(11-2) Varianza =
6
Varianza de una actividad.
(11-3) EF = ES + t
Tiempo de terminación más cercano.
(11-4) LS = LF — t
Tiempo de inicio más lejano.
(11-5) Holgura = LS — ES u Holgura = LF — EF
Tiempo de holgura en una actividad.
(11-6) Varianza del proyecto = E varianzas de las actividades en la
ruta crítica
PERT/Costo Una técnica que permite al tomador de decisiones
planear, programar, supervisar y controlar los costos, así como el
tiempo del proyecto.
Predecesor inmediato Una actividad que debe completarse antes
de poder iniciar otra actividad.
Red Una representación gráfica de un proyecto que contiene las
actividades y los eventos.
Ruta crítica La serie de actividades que tienen holgura cero. Es la
trayectoria con el tiempo más largo a través de la red. Un retraso
de cualquier actividad que se encuentra en la ruta crítica demorará
la terminación de todo el proyecto.
Tiempo de actividad esperado El tiempo promedio que se requiere
para completar una actividad. t = (a + 4m + b)/6.
Tiempo de holgura La cantidad de tiempo que puede retrasarse una
actividad sin demorar todo el proyecto. La holgura es igual al
tiempo de inicio más lejano menos el tiempo de inicio más
cercano, o el tiempo de terminación más lejano menos el tiempo
de terminación más cercano.
Tiempo de inicio más cercano (ES) El tiempo más cercano en el
que puede iniciar una actividad sin quebrantar los requisitos de
precedencia.
Tiempo de inicio más lejano (LS) El tiempo más lejano en el que
una actividad puede iniciar sin retrasar todo el proyecto.
Tiempo de terminación más cercano (EF) El tiempo más cercano
en el que se puede terminar una actividad sin quebrantar los requi-
sitos de precedencia.
Tiempo de terminación más lejano (LF) El tiempo más lejano en
el cual una actividad puede terminar sin retrasar todo el proyecto.
Tiempo más probable (m) La cantidad de tiempo esperada que se
requiere para completar una actividad.
Tiempo optimista (a) El menor lapso de tiempo que podría reque-
rirse para terminar una actividad.
Tiempo pesimista (b) La mayor cantidad de tiempo que podría
requerirse para completar la actividad.
Varianza del tiempo de terminación de la actividad Una medida
de dispersión del tiempo de terminación de la actividad.
Varianza = [(b — a)/6]2.
Fecha de vencimiento — Fecha esperada de terminación
(11-7) Z =
Número de desviaciones estándar a las que se encuentra la
fecha objetivo con respecto a la fecha esperada, usando
la distribución normal.
(11-8) Valor del trabajo completado = (Porcentaje de trabajo com-
pletado) X (Presupuesto total de la actividad)
(11-9) Diferencia de la actividad = Costo real — Valor del trabajo
completado
Costo de aceleración Costo de aceleración — Costo normal
(11-10)
Periodo de tiempo Tiempo normal — Tiempo acelerado
El costo en CPM por reducir la longitud de una actividad en
un periodo de tiempo.
 PROBLEMAS RESUELTOS 421

Problemas resueltos

Problema resuelto 11-1

Para terminar el ensamble de las alas de un avión experimental, Scott DeWitte ha establecido los principales pasos
y las siete actividades involucradas. Estas actividades se han etiquetado de la A a la G y se muestran en la siguiente
tabla, donde también se presentan sus tiempos estimados de terminación (en semanas) y sus predecesores inmedia-
tos. Determine el tiempo esperado y la varianza para cada actividad.

PREDECESORES
ACTIVIDAD a nl b INMEDIATOS

A 1 2 3
B 2 3 4
C 4 5 6 A
D 8 9 10
E 2 5 8 C, D
F 4 5 6
G 1 2 3 E

Solución
Aunque no es necesario para este problema, resultaría útil contar con una gráfica de todas las actividades. En la
figura 11.13, se muestra un diagrama PERT para el ensamble de alas.

FIGURA 11.13
Diagrama PERT
para Scott DeWitte
(problema
resuelto 11-1)

Los tiempos y las varianzas esperados pueden calcularse utilizando las fórmulas que se presentaron en el capí-
tulo. Los resultados se resumen en la siguiente tabla:

TIEMPO
ESPERADO
ACTIVIDAD (EN SEMANAS) VA1R1ANZA
I/
A 2 /9
I/
3 /9

5 1 /9
9
E 5
I/
5 /9
2
422 CAPÍTULO 11 • GESTIÓN DE PROYECTOS

Problema resuelto 11-2

Con referencia al problema resuelto 11-1, ahora Scott dese 'a determinar la ruta crítica para todo el proyecto del
ensamble de alas, así como el tiempo de terminación espera o para la totalidad del proyecto. Además, le gustaría
determinar los tiempos de inicio y de terminación más cero os y más lejanos para todas las actividades.

Solución
La ruta crítica, los tiempos de inicio más cercanos, los tiempos de terminación más cercanos, los tiempos de inicio
más lejanos y los tiempos de terminación más lejanos pueden determinarse con base en los procedimientos descri-
tos en el capítulo. Los resultados se muestran en la figura 11.14 y se resumen en la siguiente tabla:

TIEMPO DE ACTIVIDAD

ACTIVIDAD ES EF 1,S LF HOLGURA

A 2 5 7 5
3 0 3
7 7 12 5
3 12 3 12
D 12 17 12 17
F 3 8 14 19 11
G 17 19 17 19

Duración esperada del proyecto = 19 semanas

Varianza de la ruta crítica = 1.333
Desviación estándar de la ruta crítica = 1.155 semanas

FIGURA 11.14
Diagrama PERT
completo para A 2 C 5
Scott DeWitte 0 2 2 7
(problema 5 7 7 12
resuelto 11-2)

Las actividades a lo largo de la ruta crítica son B, D, E y G. Estas actividades tienen holgura cero, como se muestra
en la tabla. El tiempo de terminación esperado del proyecto es de 19 semanas. Los tiempos de inicio y de termina-
ción más cercanos y más lejanos se muestran en la tabla.
 AUTOEVALUACIÓN 423

Autoevaluación
• Antes de realizar la autoevaluación, consulte los objetivos de aprendizaje al comienzo del capítulo, las notas en los márgenes y el glosario
al final del capítulo.
• Consulte las soluciones en la parte final del libro para corregir sus respuestas.
• Vuelva a estudiar las páginas que correspondan a todas las preguntas que respondió incorrectamente o al material del que no se sienta seguro.

1. Los modelos de redes como PERT y CPM se utilizan para b. la suma de las desviaciones estándar de las actividades
a. planear proyectos grandes y complejos. en la ruta crítica.
b. programar proyectos grandes y complejos. c. la raíz cuadrada de la suma de las variatras de las actividades
c. supervisar proyectos grandes y complejos. del proyecto.
d. controlar proyectos grandes y complejos. d. todas las anteriores.
e. todo lo anterior. e. ninguna de las anteriores.
2. La principal diferencia entre PERT y CPM es que 9. La ruta crítica es
a. PERT utiliza una estimación del tiempo. a. la ruta más corta en una red.
b. CPM tiene tres estimaciones de tiempo. b. la ruta más larga en una red.
c. PERT tiene tres estimaciones de tiempo. c. la ruta con la menor varianza.
d. con CPM, se supone que todas las actividades pueden reali- d. la ruta con la mayor varianza.
zarse al mismo tiempo. e. ninguna de las anteriores.
3. La tiempo de inicio más cercano para una actividad es igual a 10. Si el tiempo de terminación del proyecto se distribuye
a. el mayor EF de los predecesores inmediatos. normalmente y la fecha limite para el proyecto es mayor que el
b. el menor EF de los predecesores inmediatos. tiempo de terminación esperado, entonces la probabilidad de
c. el mayor ES de los predecesores inmediatos. que el proyecto esté terminado para la fecha límite es
d. el menor ES de los predecesores inmediatos. a. menor que 0.50.
4. El tiempo de terminación más lejano de una actividad se b. mayor que 0.50.
encuentra con un paso hacia atrás a través de la red. El tiempo c. igual a 0.50.
de terminación más lejano es igual a d. indeterminable sin más información.
a. el mayor LF de las actividades para las cuales es un predece- 11. Si la actividad A no está en la ruta crítica, entonces la holgura
sor inmediato. de A será igual a
b. el menor LF de las actividades para las cuales es un predece- a. LF — EF.
sor inmediato. b. EF — ES.
c. el mayor LS de las actividades para las cuales es un predece- c. 0.
sor inmediato. d. todas las anteriores.
d. el menor LS de las actividades para las cuales es un predece- 12. Si un proyecto debe acelerarse con el costo adicional mínimo
sor inmediato. posible, entonces la primera actividad que se debe acelerar
5. Cuando se utiliza PERT y se encuentran las probabilidades, uno a. está en la ruta crítica.
de los supuestos que se adopta es que b. es la que tenga el menor tiempo de actividad.
a. todas las actividades están en la ruta crítica. c. es la que tenga el mayor tiempo de actividad.
b. los tiempos de actividad son independientes. d. es la que tenga el menor costo.
c. todas las actividades tienen la misma varianza. 13. Las actividades son aquellas que retrasan
d. la varianza del proyecto es igual a la suma de las varianzas todo el proyecto si se demoran o atrasan.
de todas las actividades que forman parte de él. 14. PERT quiere decir
e. todo lo anterior. 15. La aceleración de un proyecto se puede realizar utilizando
6. En PERT, la estimación de tiempo b representa
a. el tiempo más optimista. 16. PERT puede usar tres estimaciones del tiempo de la
b. el tiempo más probable. actividad. Estas tres estimaciones son
c. el tiempo más pesimista. y
d. el tiempo esperado. 17. El tiempo de inicio más lejano menos el tiempo de inicio más
e. ninguno de los anteriores. cercano se llama el tiempo para cualquier
7. En PERT, el tiempo de holgura es igual actividad.
a. ES + t. 18. El porcentaje de terminación del proyecto, el valor del trabajo
b. LS — ES. completado y los costos reales de las actividades reales se
c. 0. utilizan para los proyectos.
d. EF — ES.
e. ninguna de las anteriores.
8. La desviación estándar para el proyecto PERT es
aproximadamente
a. la raíz cuadrada de la suma de las varianzas a lo largo de la
ruta crítica.
424 CAPÍTULO 11 • GESTIÓN DE PROYECTOS

Preguntas para análisis y problemas

Preguntas para análisis gusta 'a determinar el tiempo total para la terminación
del pi yecto y la ruta crítica. Los tiempos de actividad se
11-1 ¿Cuáles son algunas de las preguntas que pueden contes- mues tt en la siguiente tabla (vea el problema 11.12):
tarse con PERT y con CPM?
11-2 ¿Cuáles son las principales diferencias entre PERT y
CPM? ACTIVIDAD TIEMPO (DÍAS)
11-3 ¿Qué es una actividad? ¿Qué es un evento? ¿Qué es un A
predecesor inmediato? 5
11-4 Describa cómo se pueden calcular los tiempos de activi- 1
dad esperados y las varianzas en una red PERT.
D 10
11-5 Comente brevemente qué se entiende por análisis de la
ruta crítica. ¿Cuáles son las actividades en la ruta crítica y B 3
por qué son importantes? F 6
11-6 ¿Qué son el tiempo de inicio más cercano y el tiempo de G 8
inicio más lejano de una actividad? ¿Cómo se calculan? 35
11-7 Describa el significado de holgura y comente cómo se
puede determinar.
11-8 ¿Cómo podemos determinar la probabilidad de que un •11-14 Jean Walker está haciendo planes para sus vacaciones de
proyecto se termine para una fecha determinada? ¿Qué primavera en las playas de Florida. Desea aplicar las téc-
supuestos se adoptan para realizar este cálculo? nicas que aprendió en su clase de métodos cuantitativos;
para ello, ha identificado las actividades necesarias para
11-9 Describa brevemente PERT/Costo y cómo se utiliza.
preparar su viaje. La siguiente tabla muestra las activida-
11-10 ¿Qué es acelerar y cómo se hace en forma manual? des y sus predecesores inmediatos. Trace la red para este
11-11 ¿Por qué es útil la programación lineal en la aceleración proyecto.
con CPM?
ACTIVIDAD PREDECESORES INMEDIATOS
Problemas* A
: 11-12 Sid Davidson es el director de personal de Babson and
Willcount, una empresa especializada en consultoría e
investigación. Uno de los programas de capacitación que
Sid está considerando para los gerentes de nivel medio de D B
Babson and Willcount es la formación en liderazgo. Sid ha B C, D
numerado una serie de actividades que deben completarse F A
antes de que un programa de capacitación de esta natura- E, F
G
leza pueda implementarse. Las actividades y los predece-
sores inmediatos se muestran en la siguiente tabla:
W:11-15 A continuación se presentan los tiempos de actividad
ACTIVIDAD PREDECESORES INMEDIATOS para el proyecto del problema 11-14. Encuentre los tiem-
pos más cercanos, más lejanos y de holgura para cada
A actividad. Después, encuentre la ruta crítica.

ACTIVIDAD TIEMPO (DÍAS)

D B
A
B A, D
7
F
4
G E, F
D 2
B 5
Desarrolle una red para este problema.
F 6
2:11-13 Sid Davidson fue capaz de determinar los tiempos de ac-
tividad para el programa de formación en liderazgo. Le G 3

Nota: 2 significa que el problema puede resolverse con QM para Windows; X significa que el problema puede resolverse con Excel QM, y < significa que el problema
puede resolverse con QM para Windows y/o Excel QM.
 PREGUNTAS PARA ANÁLISIS Y PROBLEMAS 425

.11-16 Monohan Machinery se especializa en el desarrollo de (d) ¿Cuál es la probabilidad de que el proyecto tarde más
equipos de recolección de maleza que se utilizan para eli- de 46 semanas?
minar la flora nociva de pequeños lagos. George Mono- (e) El gerente de proyecto desea establecer la fecha limite
han, presidente de la compañía, está convencido de que para la terminación del proyecto, de modo que haya
la recolección de la maleza es mucho mejor que el uso una probabilidad de 90% de terminar a tiempo. Por lo
de sustancias químicas para exterminarla. Los productos tanto, sólo habría una probabilidad de 10% de que el
químicos causan contaminación y la flora nociva parece proyecto requiera más tiempo que el establecido por
crecer más rápido después de haber utilizado tales sustan- la fecha limite. ¿Cuál debería ser ésta?
cias. George está contemplando la construcción de una Q:11-19 Tom Schriber, un director de personal de Management
máquina que recolecte maleza en ríos y canales estrechos. Resources, Inc., está diseñando un programa que sus
Las actividades necesarias para desarrollar una de estas clientes puedan utilizar en el proceso de búsqueda de em-
máquinas experimentales se numeran en la siguiente tabla. pleo. Algunas de las actividades incluyen la preparación
Construya una red para estas actividades. de currículos, escribir cartas, hacer citas para ver los po-
sibles empleadores, investigar las empresas e industrias,
etcétera. En la siguiente tabla, se muestra parte de la infor-
ACTIVIDAD PREDECESORES INMEDIATOS
mación sobre las actividades:
A
DÍAS
PREDECESORES
ACTIVIDAD a m b INMEDIATOS
D A
B B A 8 10 12
F B 6 7 9
G C, E 3 3 4
H D, F D 10 20 30 A
B 6 7 8
:11-17 Después de consultar con Butch Radner, George Monohan
9 10 11 B, D, E
fue capaz de determinar los tiempos de actividad para la
construcción de la máquina recolectora de maleza en ríos G 6 7 10 B, D, E
estrechos. A George le gustaría determinar los ES, EF, LS,
H 14 15 16 F
LF y la holgura para cada actividad. También debe deter-
minar el tiempo total para la terminación del proyecto y F 10 11 13 F
la ruta crítica. (Vea el problema 11-16 para mayores deta- 6 7 8
J G, H
lles). Los tiempos de actividad se muestran en la siguiente
tabla: K 4 7 8 1, J

L 1 2 4 G, H
ACTIVIDAD TIEMPO (SEMANAS)
A (a) Construya una red para este problema.
(b) Determine el tiempo esperado y la varianza para cada
5 actividad.
3 (c) Determine los ES, EF, LS, LF y la holgura para cada
2 actividad.
4 (d) Determine la ruta crítica y el tiempo de terminación
D
del proyecto.
6 (e) Determine la probabilidad de que el proyecto esté ter-
G 10 minado en 70 días o menos.
H 7 (O Determine la probabilidad de que el proyecto esté
terminado en 80 días o menos.
(g) Determine la probabilidad de que el proyecto esté ter-
:11-18 Se planeó un proyecto usando PERT con tres estimacio-
minado en 90 días o menos.
nes de tiempo. Se determinó que el tiempo de terminación
esperado del proyecto es de 40 semanas. La varianza de la • 11-20 Mediante el uso de PERT, Ed Rose fue capaz de determi-
ruta crítica es 9. nar que el tiempo de terminación esperado del proyecto
para la construcción de un yate recreacional es de 21 me-
(a) ¿Cuál es la probabilidad de que el proyecto esté termi-
ses y que la varianza del proyecto es de 4 meses.
nado en 40 semanas o menos?
(b) ¿Cuál es la probabilidad de que el proyecto requiera (a) ¿Cuál es la probabilidad de que el proyecto se com-
más de 40 semanas? plete en 17 meses o menos?
(c) ¿Cuál es la probabilidad de que el proyecto esté (b) ¿Cuál es la probabilidad de que el proyecto se com-
terminado en 46 semanas o menos? plete en 20 meses o menos?
426 CAPÍTULO 11 • GESTIÓN DE PROYECTOS

(c) ¿Cuál es la probabilidad de que el proyecto se comple- *11-23 Los d tos de la aceleración del proyecto de General Foun-
te en 23 meses o menos? dry s muestran en la tabla 11.9. Acelere este proyecto a
(d) ¿Cuál es la probabilidad de que el proyecto se com- 13 sei anas utilizando CPM. ¿Cuáles son los tiempos fi-
plete en 25 meses o menos? nales 'ara cada actividad después de la aceleración?
11-21 El proyecto contra la contaminación del aire analizado x:11-24 Bowr an Builders fabrica cobertizos de almacenamien-
en el capítulo ha continuado en las semanas recientes, y to he hos de acero para uso comercial. Joe Bowman,
ahora está al final de la semana 8. Lester Harky desearía presidente de Bowman Builders, está contemplando
conocer el valor de los trabajos realizados, el importe de la producción de cobertizos para uso doméstico. En la
los sobrecostos o ahorros en el proyecto y el grado en el tabla adjunta, se proporcionan las actividades necesa-
cual el proyecto está adelantado o atrasado con respecto al rias para construir un modelo experimental y los datos
programa, mediante el desarrollo de una tabla similar a la relacionados.
tabla 11.8. Las cifras revisadas de costos se muestran en (a) ¿Cuál es la fecha de terminación del proyecto?
la siguiente tabla: (b) Formule un problema de PL para acelerar este pro-
yecto a 10 semanas.
PORCENTAJE COSTO
ACTIVIDAD COMPLETADO REAL ($)
COSTO COSTO
A 100 20,000 TIEMPO TIEMPO NORMAL ACELERADO PREDECESORES
100 36,000 ACTIVIDAD NORMAL ACELERADO (S) (S) INMEDIATOS
100 26,000 A 3 2 1,000 1,600
D 100 44,000 2 1 2,000 2,700
B 50 25,000
1 1 300 300
F 60 15,000
D 7 3 1,300 1,600 A
G 10 5,000
B 6 3 850 1,000 B
H 10 1,000
F 1 1 4,000 5,000
O 4 2 1,500 2,000 D, E
11-22 Fred Ridgeway ha recibido la responsabilidad de adminis-
trar un programa de capacitación y desarrollo. Él conoce
el tiempo de inicio más cercano, el tiempo de inicio más Q ;1 1-25 La Bender Construction Co. está involucrada en la cons-
lejano y los costos totales de cada actividad. Esta informa- trucción de edificios municipales y otras estructuras que
ción se da en la siguiente tabla. se utilizan principalmente por los gobiernos estatales y
(a) Usando los tiempos de inicio más cercanos, determine municipales. Para ello es necesario desarrollar documen-
el presupuesto mensual total de Fred. tos legales, elaborar estudios de factibilidad, obtener ca-
(b) Mediante los tiempos de inicio más lejanos, determine lificaciones de bonos, etcétera. Recientemente, Bender
el presupuesto mensual total de Fred. recibió una solicitud para presentar una propuesta para
la construcción de un edificio municipal. El primer paso
COSTO TOTAL es desarrollar los documentos legales y llevar a cabo to-
ACTIVIDAD ES LS t (EN MILES DE $) dos los pasos necesarios antes de firmar el contrato de
0 0 6 10 construcción. Esto requiere más de 20 actividades diferen-
A
tes que se deben completar. Las actividades, sus predece-
B 1 4 2 14 sores inmediatos y los requisitos de tiempo se presentan
C 3 3 7 5 en la ¡tabla 11.10 de la página siguiente.
D 4 9 3 6 Como se observa, se han dado las estimaciones de
6 6 10 14 tiempo optimista (a), más probable (m) y pesimista (b)
E
para todas las actividades descritas en la tabla. Con base
F 14 15 11 13 en estos datos, determine el tiempo total para la termi-
G 12 18 2 4 nación del proyecto en esta etapa preliminar, la ruta
H 14 14 11 6 crítica y el tiempo de holgura para todas las actividades
18 involucradas.
/ 18 21 6
11-26 Conseguir un título universitario puede ser una tarea
J 18 19 4 12
larg} I y difícil. Algunos cursos deben completarse antes
K 22 22 14 10 de p der tomar otros. Desarrolle un diagrama de red,
L 22 23 8 16 en e que cada actividad sea un curso en particular que
M 18 24 6 18 debe tomarse para un programa de estudios determinado.
Los predecesores inmediatos serán los prerrequisitos
 PREGUNTAS PARA ANÁLISIS Y PROBLEMAS 427

TABLA 11.10 Datos para el problema 11-25, compañía Bender Construction

TIEMPO ',OPP.-
RIDO (SEMAN Xs,
ACTIVIDAD a PI G DESCRIPCIÓN DE LA ACTIVIDAD PREDECESORES INMEDIATOS
1 1 4 5 Proyecto de los documentos legales
2 2 3 4 Preparación de los estados financieros
3 3 4 5 Proyecto de la historia
4 7 8 9 Proyecto de la parte de la demanda en el estudio de factibilidad
5 4 4 5 Revisión y aprobación de documentos legales 1
6 1 2 4 Revisión y aprobación de la historia 3
7 4 5 6 Revisión del estudio de factibilidad 4
8 I 2 4 Proyecto de la parte financiera final del estudio de factibilidad 7
9 3 4 4 Proyecto de los hechos relacionados con la transacción de bonos 5
10 1 1 2 Revisión y aprobación de los estados financieros 2
11 18 20 26 Recepción del precio firme del proyecto
12 I 2 3 Revisión y terminación de la parte financiera del estudio de 8
factibilidad
13 1 1 2 Terminación de la declaración del proyecto 6, 9, 10, 11, 12
14 0.10 0.14 0.16 Todo el material enviado a los servicios de calificación de bonos 13
15 0.2 0.3 0.4 Declaración impresa y distribuida a todas las partes interesadas 14
16 1 1 2 Presentación a los servicios de calificación de bonos 14
17 1 2 3 Recepción de la calificación de bonos 16
18 3 5 7 Comercialización de bonos 15, 17
19 0.1 0.1 0.2 Contrato de compra ejecutado 18
20 0.1 0.14 0.16 Declaración final autorizada y terminada 19
21 2 3 6 Contrato de compra 19
22 0.1 0.1 0.2 Bonos disponibles 20
23 0 0.2 0.2 Contrato de construcción firmado 21, 22

del curso. No olvide incluir todos los requisitos de cur- Tabla para el problema 11-27
sos de la universidad, la facultad y el departamento. A TIEMPO
continuación, intente agrupar estos cursos en semestres PREDECESORES TIEMPO MÁS TIEMPO
o trimestres para su escuela específica. ¿Cuánto tiempo ACTIVIDAD INMEDIATOS OPTIMISTA PROBABLE PESIMISTA
cree usted que le llevará graduarse? ¿Qué cursos, si no
Tarea 1 1 2 4
los toma en la secuencia apropiada, podrían retrasar su
graduación? Tarea 2 3 3.5 4

Q;11-27 Dream Team Productions estaba en las fases finales del di- Tarea 3 10 12 13
seño de su nueva película, Gusanos Mutantes, que se lan- Tarea 4 4 5 7
zará el próximo verano. Market Wise, la firma contratada Tarea 5 2 4 5
para coordinar el lanzamiento de los juguetes de Gusanos Tarea 6 Tarea 1 6 7 8
Mutantes, identificó 16 tareas críticas que debían comple-
Tarea 7 Tarea 2 2 4 5.5
tarse antes del lanzamiento de la película.
Tarea 8 Tarea 3 5 7.7 9
(a) ¿Cuántas semanas antes del lanzamiento de la pelícu-
Tarea 9 Tarea 3 9.9 10 12
la debería Market Wise iniciar su campaña de mar-
Tarea 10 Tarea 3 2 4 5
keting? ¿Cuáles son las actividades de la ruta crítica?
Las tareas son las siguientes: Tarea 11 Tarea 4 2 4 6
Tarea 12 Tarea 5 2 4 6
Tarea 13 Tareas 6, 7, 8 5 6 6.5
Tarea 14 Tareas 10, 11, 12 1 1.1 2
Tarea 15 Tareas 9, 13 5 7 8
Tarea 16 Tarea 14 5 7 9
428 CAPÍTULO 11 • GESTIÓN DE PROYECTOS

(b) Si las tareas 9 y 10 no fueran necesarias, ¿qué im- :11-30 La empresa de contabilidad Scott Corey está instalando un
pacto tendría esto en la ruta crítica y en el número nuevo sistema computacional. Es necesario hacer varias
de semanas necesario para completar la campaña de actividades para asegurar que el sistema funcione correc-
marketing? tamente antes de introducir todas las cuentas en el nuevo
Q :11-28 En la siguiente tabla, se dan los tiempos estimados (en se- sistema. La siguiente tabla presenta información acerca del
manas) y los predecesores inmediatos para las actividades proyecto. ¿Cuánto tiempo tomará instalar el sistema? ¿Cuál
de un proyecto. Suponga que los tiempos de las activi- es la ruta crítica?
dades son independientes.
PREDECESORES TIEMPO
PREDECESORES ACTIVIDAD INMEDIATOS (SEMANAS)
ACTIVIDAD INMEDIATOS a
A 3
A 9 10 11
4
B 4 10 16
6
A 9 10 11
D 2
D B 5 8 11
B B 5
F 2
(a) Calcule el tiempo esperado y la varianza para cada
actividad. G D, E 4
(b) ¿Cuál es el tiempo de terminación esperado de la ruta H F, G 5
crítica? ¿Cuál es el tiempo de terminación esperado
de la otra ruta en la red?
Q:11-31 El socio gerente de la firma de contabilidad de Scott
(c) ¿Cuál es la varianza de la ruta crítica? ¿Cuál es la
Corey (vea el problema 11-30) ha decidido que el sistema
varianza de la otra ruta en la red?
debe estar en funcionamiento en 16 semanas. Por consi-
(d) Si el tiempo para completar la ruta A-C se distribuye
guiente, se elaboró la información sobre la aceleración del
normalmente, ¿cuál es la probabilidad de que esta
proyecto que se muestra en la siguiente tabla:
ruta se termine en 22 semanas o menos?
(e) Si el tiempo para completar la ruta B-D tiene una
distribución normal, ¿cuál es la probabilidad de que TIEMPO TIEMPO COSTO COSTO
esta ruta se termine en 22 semanas o menos? PREDECESORES NORMAL ACELERADO NORMAL ACELERADO
ACTIVIDAD INMEDIATOS (SEMANAS) (SEMANAS) (S) ($)
(O Explique por qué la probabilidad de que la ruta críti-
ca se termine en 22 semanas o menos no necesaria- A 3 2 8,000 9.800
mente sea la probabilidad de que el proyecto termine 4 3 9.000 10,000
en 22 semanas o menos. 6 4 12,000 15,000
j:11-29 Se han estimado los siguientes costos para las actividades D 2 1 15,000 15,500
de un proyecto:
B B 5 3 5,000 8,700
PREDECESORES F 2 I 7,500 9,000
ACTIVIDAD INMEDIATOS TIEMPO COSTO ($) G D. E 4 2 8,000 9,400
A 8,000 H 5 3 5,000 6,600
4 12,000
3 6,000 (a) Si el proyecto debe terminarse en 16 semanas, ¿qué
actividad o actividades debería(n) acelerarse para
D B 5 15,000
lograrlo al menor costo adicional? ¿Cuál es el costo
B C, D 6 9,000 total de esto?
F C, D 5 10,000 (b) Liste todas las rutas en esta red. Después de realizar la
3 6,000 aceleración del inciso (a), ¿cuál es el tiempo requerido
G F
para cada ruta? Si el tiempo de terminación del pro-
yecto debe reducirse otra semana para que el tiempo
(a) Desarrolle un programa de costos basado en los tiem-
total sea de 15 semanas, ¿qué actividad o actividades
pos de inicio más cercanos.
deberían acelerarse? Resuelva esto por inspección.
(b) Desarrolle un programa de costos basado en los tiempos
Considere que a veces es mejor acelerar una actividad
de inicio más lejanos.
que no tiene el menor costo de aceleración si está en
(c) Suponga que se ha determinado que los $6,000 para la
varias rutas, en vez de acelerar varias actividades en ru-
actividad G no se distribuyen uniformemente en las tres
semanas. En realidad, el costo para la primera semana tas separadas cuando hay más de una ruta crítica.
es de $4,000, y el costo es de $1,000 para cada una de 4E11-32 La corporación L. O. Gystics tiene necesidad de un nuevo
las últimas dos semanas. Modifique el programa de cos- centro de distribución regional. La planeación está en las
tos basado en los tiempos de inicio más cercanos para primeras etapas de este proyecto, pero se han identificado
reflejar esta situación. las actividades junto con sus predecesores y sus tiempos de
 ESTUDIO DE CASO 429

actividad en semanas. La siguiente tabla presenta esta in- Determine el diagrama de la red PERT asociada y de-
formación. Desarrolle un programa lineal que pueda usarse termine la probabilidad de que el proyecto se complete
para determinar la longitud de la ruta crítica (es decir, el en 16 semanas o menos.
tiempo mínimo requerido para completar el proyecto). Re- 11-34 La corporación Laurenster ha determinado que el cliente
suelva este programa lineal para encontrar la ruta crítica y les pague un bono de $10,000 si termina el proyecto del
el tiempo necesario para completar el proyecto. problema 11-33 en 14 semanas o menos. A continuación
se muestran los tiempos normales y sus costos asociados,
PREDECESORES TIEMPO
así como los tiempos acelerados y sus costos.
ACTIVIDAD INMEDIATOS (SEMANAS)
A 4
COSTO COSTO
B 8 TIEMPO TIEMPO NORMAL ACELERADO
C A 5 ACTIVIDAD NORMAL ACELERADO ($) ($)
D B 11 A 3 2 600 1,200
E A, B 7 B 6 4 1,200 2,400
F C, E 10 C 5 2 1,200 2,400
G D 16 D 4 3 1,200 1,800
H F 6 E 7 6 1,200 1,800
F 7 4 1,200 3,000
11-33 La corporación Laurenster necesita realizar las siguientes G 5 1 2,400 4,800
tareas en semanas. 2 1,200 3,000
H 5
TIEMPO 1 5 3 1,800 2,400
PREDECESORES TIEMPO MÁS TIEMPO
J 2 2 300 300
ACTIVIDAD INMEDIATOS OPTIMISTA PROBABLE PESIMISTA
K 4 4 300 300
A 2 3 4
L 3 3 300 300
B 4 6 8
C 2 5 8
Teniendo en cuenta los costos involucrados por acele-
D A 3 4 5
rar el proyecto, determine si la corporación Laurenster
E B 6 7 8 debería acelerar el proyecto a 14 semanas para recibir
F C 4 7 10 el bono.
G A 1 5 9
H B 2 5 8
I C 3 5 7
J D, G 2 2 -,
K E, H 4 4 4
L F,/ 3 3 3

Estudio de caso

Construcción del estadio de la Southwestern University

Después de seis meses de estudio, mucho forcejeo político y algún
análisis financiero serio, el Dr. Martin Starr, presidente de la Sou-
thwestern University, había llegado a una decisión. Para el deleite de
sus alumnos y para decepción de sus impulsores atléticos, el fútbol
americano de la SWU no se trasladaría a una nueva ubicación, sino
que se ampliaría la capacidad de su estadio en el campus.
La adición de 21,000 asientos, incluyendo docenas de palcos de
lujo, no sería del agrado de todos. El influyente entrenador del equipo
de fútbol americano, Billy Bob Taylor, había sostenido durante mucho
tiempo la necesidad de un estadio de primera clase, con habitacio-
nes compartidas integradas para sus jugadores y una oficina pala-
ciega adecuada para el entrenador de un futuro equipo campeón de la
430 CAPÍTULO 11 • GESTIÓN DE PROYECTOS

TABLA 11.11 Proyecto del estadio de la Southwestern University

ESTIMACIONES DE TIEMPO (DÍAS
COSTO
MÁS ACELERADO/DÍA
-M "os/ IDA 'CRIPCiÓN PREDECESORES OPTIMISTA PROBABLE PESIMISTA ($)

A Fondeo, seguros, estructuración 20 30 40 1,500

fiscal
B Cimientos, zapatas de concreto A 20 65 80 3,500
para palcos
C Modernización de palcos y A 50 60 100 4.000
asientos en el estadio
D Modernización de pasarelas, 30 50 100 1,900
escaleras y ascensores
E Cableado interior, tomos 25 30 35 9.500
F Aprobaciones de inspección B 1 1 1 O
G Plomería D, E 25 30 35 2.500
H Pintura 10 20 30 2,000
Equipamiento/aire acondicionado/ H 20 25 60 2.000
trabajos con metal
J Mosaicos/alfombras/ventanas H 8 10 12 6.000
K Inspección J 1 1 1
L Detalles finales/limpieza G 20 25 60 4.500
Fuente: Adaptado de J. Heizer y B. Render. Operations Management, 6a. ed. Upper Saddle River, Ni: Prentice Hall, 2000: 693 a 694.

NCAA. Pero la decisión estaba tomada, y todos, incluido el entrena-
dor, tendrían que aprender a vivir con ello.
El trabajo ahora era lograr que la construcción comenzara in-
mediatamente después de que concluyera la temporada actual. Esto
daría exactamente 270 días hasta el próximo juego de apertura de
temporada. El contratista, Hill Construction (Bob Hill era un ex
alumno, por supuesto), firmó el contrato. Bob Hill observó las ta-
reas que sus ingenieros habían bosquejado y miró al presidente Starr
directamente a los ojos. "Le garantizo que el equipo podrá saltar al
campo en la fecha prevista el próximo año", dijo con una sensación
de confianza. "Por supuesto, así lo espero", respondió Starr. "La pe-
nalización de $10,000 por día de atraso, establecida en el contrato, no
es nada comparada con lo que el entrenador Bill Bob Taylor les hará,
si nuestro primer partido contra Penn State se retrasa o se cancela".
Hill sudaba un poco y no respondió. En el estado de Texas, fanático
del fútbol americano, Hill Construction estaría acabada si no cumplía
con el plazo de 270 días.
De regreso en su oficina, Hill nuevamente revisó los datos. (Vea
la tabla 11.11 y notó que las estimaciones de tiempo optimistas podían
usarse como tiempos acelerados). Luego reunió a sus jefes de proyecto.
"Señores, si no estamos 75% seguros de que terminaremos este estadio
en menos de 2701días, ¡quiero que este proyecto se acelere! Denme las
cifras de costos para una fecha límite de 250 días —también para una
de 240 días—. ¡Quiero terminar antes, no justo a tiempo!"
Preguntas para análisis
1. Desarrolle un dibujo de la red para Hill Construction y determine
la ruta crítica. ¿Cuánto tiempo se espera que dure el proyecto?
2. ¿Cuál es la probabilidad de terminar en 270 días?
3. Si fuera necesario acelerar a 250 o a 240 días, ¿cómo podría ha-
cerlo Hill, a qué costos? Como se señaló en el caso, se supone
que las estimaciones de tiempo optimistas se pueden utilizar
como los tiempos acelerados.

Estudio de caso

Centro de Investigación sobre Planificación Familiar en Nigeria

El Dr. Adinombe Watage, subdirector del Centro de Investigación sobre
Planificación Familiar en la provincia Over-The-River, Nigeria, recibió
el encargo de organizar y capacitar a cinco equipos de trabajadores de
campo para llevar a cabo actividades educativas y de difusión, como
parte de un gran proyecto para demostrar la aceptación de un nuevo mé-
todo de control de la natalidad. Estos trabajadores ya tenían capacita-
ción en educación para la planificación familiar, pero debían recibir una
formación espec fica sobre el nuevo método de anticoncepción. También
tenían que prep e dos tipos de materiales: 1. los que se usarían en la
capacitación de los trabajadores, y 2.1os que se distribuirían en campo.
Los capacitadores deberían trasladarse al sitio y era necesario tomar las
disposiciones para el transporte y el alojamiento'e los participantes.
Primero, el Dr. Watage convocó a una reunión de su personal en
su oficina. Juntos identificaron las actividades que se llevarían a cabo,
 ESTUDIO DE CASO 431

TABLA 11.12 Actividades del Centro de Investigación sobre Planificación Familiar

PERSONA L
ACTIVIDAD DEBE SEGUIR TIEMPO (DÍAS) NECESARIO

A. Identificar a los capacitadores y sus horarios 5 9

B. Organizar el transporte a la base 7 3
C. Identificar y recoger los materiales de capacitación 5 9

D. Disponer los alojamientos A 3 1

E. Identificar el equipo A 7 4
F. Trasladar el equipo B, E 2 1
G. Transportar a los capacitadores a la base A, B 3 2
H. Imprimir el material del programa 10 6
I. Entregar los materiales del programa H 7 3
J. Conducir el programa de capacitación D, F, C,1 15 o
K. Realizar la capacitación del trabajo en campo 30 o

TABLA 11.13 Costos del Centro de Investigación sobre Planificación Familiar

COSTO
PROMEDIO POR
ACTIVIDAD TIEMPO COST6($) TIEMPO COSTO ($1 DÍA AHORRADO ($)

A. Identificar a los capacitadores 5 400 2 700 100

B. Organizar el transporte 7 1.000 4 1,450 150
C. Identificar materiales 5 400 3 500 50
D. Disponer alojamientos 3 2,500 1 3,000 250
E. Identificar el equipo 7 400 4 850 150
E Trasladar el equipo 2 1,000 1 2,000 1,000
G. Transportar a los capacitadores 3 1,500 9 2,000 500
H. Imprimir materiales 10 3,000 5 4,000 200
Entregar materiales 7 200 2 600 80
J. Capacitar al equipo 15 5,000 10 7,000 400
K. Realizar trabajo en campo 30 10,000 20 14,000 400

sus secuencias necesarias y el tiempo que requerirían. Sus resultados
se muestran en la tabla 11.12.
Louis Odaga, el oficial mayor, señaló que el proyecto debía ter-
minarse en 60 días. Sacó rápidamente su calculadora de energía solar
y sumó el tiempo necesario. Llegó a 94 días. "Entonces, es una tarea
imposible", señaló. "No", respondió el Dr. Watage, "algunas de estas
tareas pueden hacerse en paralelo". "Pero, tenga cuidado", advirtió el
Sr. Oglagadu, el jefe de enfermeros, "no somos tantos para ir a todos
lados. En esta oficina únicamente somos 10".
"Podré comprobar si tenemos suficientes cabezas y manos
cuando haya programado tentativamente las actividades", respondió
el Dr. Watage. "Si el calendario es muy apretado, tengo permiso del
Fondo Pathminder de usar algunos fondos para acelerarlo, siempre
que pueda probar que se puede hacer al menor costo posible. ¿Pueden
ayudarme a probarlo? Les presento los costos de las actividades, con
el tiempo transcurrido que hemos planeado y los costos y tiempos, si
los acortamos a un mínimo absoluto". Estos datos se presentan en la
tabla 11.13.

Preguntas para análisis

1.Algunas de las tareas de este proyecto se pueden realizar en pa-
ralelo. Prepare un diagrama que muestre la red de tareas reque-
rida y defina la ruta crítica. ¿Cuál es la duración del proyecto sin
acelerarlo?
2. En este punto, ¿puede realizarse el proyecto, considerando la res-
tricción de sólo 10 personas en el personal?
3. Si la ruta crítica es mayor a 60 días, ¿cuál es la menor cantidad
que el Dr. Watage puede gastar y aun así cumplir con este obje-
tivo del programa? ¿Cómo puede probar a la Fundación Path-
minder que ésta es la alternativa de costo mínimo?
Fuente: Profesor Curtis P. McLaughlin, Kenan-Flagler Business School, Univer-
sity of North Carolina en Chapel Hill.
432 CAPÍTULO 11 • GESTIÓN DE PROYECTOS

Estudios de caso en Internet

Visite nuestra página en Internet, www.pearsonenespañol.com/render, y consulte estos estudios de caso

adicionales:
(1) Alfa Beta Gamma Record: Se refiere a la publicación de una revista mensual para una fraternidad.
(2) Hospital Bay Community: Presenta la adquisición e instalación de equipos que se utilizarán en un
nuevo procedimiento médico.
(3) Compañía Cranston Construction: Se refiere a la construcción de un nuevo edificio en una
universidad.
(4) Compañía Haygood Brothers Construction: Presenta la planeación de la construcción de una
casa.
(5) Compañía Shale Oil: Se refiere a la planeación del cierre de una planta petroquímica para darle
mantenimiento rutinario.

Bibliografía

Ahuja, V. y V. Thiruvengadam. "Project Scheduling and Monitoring: Current
Research Status", Construction Innovation 4, 1 (2004): 19-31.
Griffith, Andrew F. "Scheduling Practices and Project Success", Cost Engineering
48, 9 (2006): 24-30.
Herroelen, Willy y Roel Leus. "Project Scheduling Under Uncertainty: Survey
and Research Potentials", European Journal of Operational Research 165,
2 (2005): 289-306.
Jorgensen, Trond y Stein W. Wallace. "Improving Project Cost Estimation by
Taking into Account Managerial Flexibility", European Journal of
Operational Research 127, 2 (2000): 239-251.
Lancaster, John y Mustafa Ozbayrak. "Evolutionary Algorithms Applied to Project
Scheduling Problems—A Survey of the State-of-the-art", International
Journal of Production Research 45, 2 (2007): 425-450.
Lu, Ming y Heng Li. "Resource-Activity Critical-Path Method for Construction
Planning", Journal of Construction Engineering & Management 129, 4
(2003): 412-420.
Mantel, Samuel J., Iack R. Meredith, Scott M. Shafer y Margaret M. Sutton.
Project Management in Practice. Nueva York: John Wiley & Sons, Inc.,
2001.
Premachandra, I. M. "An Approximation of the Activity Duration Distribution in
PERT", Computers and Operations Research 28, 5 (abril de 2001): 443-452.
Roe, Justin. "Bringing Discipline to Project Management", Harvard Business
Review (abrilfde 1998): 153-160.
Sander, Wayne. "The Project Manager's Guide", Quality Progress (enero de 1998):
109.
Vaziri, Kabeh, Paul G. Carr y Linda K. Nozick. "Project Planning for Construction
under Uncertainty with Limited Resources", Journal of Construction
Engineering & Management 133, 4 (2007): 268-276.
Walker II, Edward D. "Introducing Project Management Concepts Using a Jewelry
Store Robbe Decision Sciences Journal of Innovative Education 2, 1
(2004): 65-6

Apéndice 11.1: Gestión de proyectos con QM para Windows

PERT es una de las técnicas más populares para la gestión de proyectos. En este capítulo, se explora el ejem-
plo de la General Foundry, Inc. Cuando se han calculiclo los tiempos esperados y las varianzas de cada acti-
vidad, podemos utilizar los datos para determinar la holgura, la ruta crítica y el tiempo total de terminación
del proyecto. El programa 11.3A muestra la pantalla de entrada en QM para Windows para el problema de
General Foundry. Al seleccionar la lista de precedencia como el tipo de red, los datos se pueden introducir
sin siquiera construir la red. El método indicado es para tres estimaciones de tiempo, aunque esto se puede
cambiar a una sola estimación, aceleración o presupuesto de costos. El programa 11.3B proporciona la sa-
lida para el problema de General Foundry. La ruta ct 'ea consta de las actividades con holgura cero.
Además de la gestión básica de proyectos, Ql para Windows también permite acelerar proyectos,
donde se utilizan recursos adicionales para reducir el empo de terminación del proyecto. El programa 11.4A
muestra la pantalla de introducción con los datos de neral Foundry de la tabla 11.9. La salida se muestra
en el programa de 11.4B. Ésta indica que el tiempi normal es de 15 semanas, pero el proyecto se termi-
naría en 7 semanas si es necesario; puede terminarse én cualquier número de semanas entre 7 y 15. Al selec-
cionar Windows—Crash Schedule se obtiene infonnalión adicional con respecto a estos otros tiempos.
El seguimiento y control de los proyectos es simpre. un aspecto importante de la gestión de proyec-
tos. En este capítulo se muestra cómo construir pres1puestos utilizando los tiempos de inicio más cercanos
y más lejanos. Los programas 11.5 y 11.6 muestran 6mo puede usarse QM para Windows para desarrollar
presupuestos utilizando los tiempos de inicio más cercanos y más lejanos de un proyecto. Los datos provie-
nen del ejemplo de General Foundry en las tablas 11.6 y 11.7.
 APÉNDICE 11.1: GESTIÓN DE PROYECTOS CON QM PARA WINDOWS 433

PROGRAMA 11.3A ll Cae PR kit. Module Fopnet DOS Ilndow Help

Pantalla de entrada en " 1.11€73g- - eala.s.lcal›1---1

11 / wznixo
QM para Windows para - Netwodc type N Melod I
General Foundry, Inc. F Imnedete Prod.... id
r Statiend node mg:te.,
11 Dirk time estioett -II'

Activily Ophmistic
time
A 1
B 2
C 1
D 2
E 1
F 1
G 3
H 1
PERT Example
Most Likely Pessimistic Predecessor 1 Predecessor 2
time time
2 3
3 4
1 3 A
4 6 8
4 7 C
2 9 C
4 11 O E
2 3 F G

PROGRAMA 11.3B Ede kát Se« Madk %met Ices bodc. fiel

Pantalla de solución en ID i»lillillki el 01101 - 1.1 ti gff ion - glang.s,i ailliEdill)Ma

1brial , 12 - I B z Illigitni .00 -1.0.R714>M4- e' - E 1
QM para Windows para NebotOpe Mellad
e Inroodoteteerkoettor ht ilide
• b,e
' sprnate
General Foundry, Inc. , r Stut/end rase amber:

PERT Example Sokiton

Actwity Activdy Earty Start Eady Late Start Late Finish Slack Standard
time Finish Deviation
Progect 15 1.76
A 2 0 2 0 2 0 0.33
B 3 0 3 1 4 1 0.33
C 2 2 4 2 4 0 0.33
0 4 3 7 4 8 1 0.67
E 4 4 8 4 8 0 1
F 3 4 7 10 13 6 1.33
G 5 8 13 8 13 0 1.33
H 2 13 15 13 15 0 0.33

PROGRAMA 11.4A Netwcak type

e Immo-leo pcedecessol he
Method
ilDoshing
Pantalla de entrada en r Stadion:1,4de ambas
Z.I !

General Foundry
QM para Windows para
Activity Normal time Crash time Normal Cost Crash Cost Predecessor Predecessor
el ejemplo de aceleración 1 2
de General Foundry A 2 1 I 22,000 23,000
13 3 1 30,000 34,000
C 2 1 26,000 27,000 A
D 4 3 48,000 49,000 B
E 4 2 56,000 58,000 C
F 3 2 30,000 30,500 C
G 5 2 80,000 86,000 D E
H 2 1 16,000 19,000 F G
• 434 CAPÍTULO 11 • GESTIÓN DE PROYECTOS

PROGRAMA 11.4B Immedhate acede.. fN

C SlaVond nodo nuger3
Pantalla de salida en QM
para Windows para el
ejemplo de aceleración Actnaty Normal time Crash lune Normal Cost Gasa Ces* Crash costipd Crash by . Crastang cosí

de General Foundry Project 15

A 2 1 22,000 23,000 1,000 1 1,000
8 3 1 30,000 34,000 2,000 2 4,000
C 2 1 28,000 27,000 1,000 1 1,000
D 4 3 48,000 49,000 1,000 1 1,000
E 4 2 56,000 58,000 1,000 2 2,000
F 3 2 30,000 30,500 500 0 0
G 5 2 80,000 86,000 2,000 3 8,000
H 2 1 18,000 19,000 3,000 1 3,000
II- TOTALS 308,000 18,000

PROGRAMA 11.5
General Fan» Soiution
Presupuesto en QM para Penod Penod Penod Penod Penad Penod Pedod Period Period Petiod Peyiod Penad Period Penad Period
Windows con los tiempos 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
A 11 11
de inicio más cercanos de 1 8 1 10 . 10 10
General Foundry C 13 13
o 12 12 12 12
E s 14 14 14 14
F 10 10 10 1
G 16 16 1 16 16 16
H 8
1 Total in Penad 21 21 , 23 25 36 38 36 14 16 16 18 16 16 8
Cunda:.....,..,`-:.,-r. 2' 42 1 65 128 182 198 212 228 244 260 278 292 300 308

PROGRAMA 11.6
Genera Foundry goidian
Presupuesto en QM para Period Penod Penod Peñod Period Period Period Period Penad Penad Phriocl Period Penad Period Period
1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Windows con los tiempos A 1 11 11
J
de inicio más lejanos de e lo 10 10
C: 13 13
General Foundry 12 12 12 12
14 14 14 14
I
F 10 10 10
G 16 16 16 18 16
H 1 8 8
Total in Pencd 1 11 21 23 23 26 28 26 26 16 18 26 26 28 8 8
Cumulatiye froml 11 32 55 78 104 130 156 182 198 214 240 268 292 300 308
 12
Modelos de líneas de
espera y teoría de colas

OBJETIVOS DE APRENDIZAJE

Después de estudiar este capítulo, el alumno será capaz de:

1. Describir las curvas de compensación para el 4. Comprender los supuestos de los modelos
costo del tiempo de espera y el costo del servicio. comunes estudiados en este capítulo.
2. Entender las tres partes de un sistema de colas: 5. Analizar las diversas características del
la población potencial, la cola en sí misma y la funcionamiento de las líneas de espera.
instalación de servicio.
3. Describir las configuraciones básicas de un
sistema de colas.

CONTENIDO DEL CAPÍTULO

olededwit

12.1 Introducción 12.6 Modelo con tiempo de servicio constante

12.2 Costos de las líneas de espera (M/D/1)
12.3 Características de un sistema de colas 12.7 Modelo de población finita (M/M/1 con fuente
finita)
12.4 Modelo de colas con un solo canal, llegadas de
Poisson y tiempos de servicio exponenciales 12.8 Algunas relaciones características generales
(M/M/1) de funcionamiento
12.5 Modelo de colas con múltiples canales, llegadas 12.9 Modelos de colas más complejos y el uso
de Poisson y tiempos de servicio exponenciales de la simulación
(M/M/m)

Resumen • Glosario • Ecuaciones clave • Problemas resueltos • Autoevaluación • Preguntas para análisis y problemas
• Estudio de caso: New England Foundry • Estudio de caso: Winter Park Hotel • Estudio de caso en Internet • Bibliografía
Apéndice 12.1: Uso de QM para Windows

435
436 CAPÍTULO 12 • MODELOS DE LÍNEAS DE ESPERA Y TEORÍA DE COLAS
12.1 Introducción
12.2 Costos de las líneas de espera
Uno de los objetivos del análisis de
colas es encontrar el mejor nivel
de servicio para una organización.
Los administradores deben hacer
frente a la disyuntiva entre el costo
de proporcionar un buen servicio
y el costo del tiempo de espera del
cliente. Este último suele ser difícil
de cuantificar.
HISTORIA Cómo iniciaron los modelos de colas
L a teoría de colas tuvo su inicio en el trabajo de investigación de
un ingeniero danés llamado A. K. Erlang. En 1909 Erlang experimentó
con la fluctuación de la demanda en el tráfico telefónico. Odio años
El estudio de las líneas de espera, llamada teoría de colas, es una de las técnicas de análisis cuantitativo
más antiguas y más utilizadas. Las lineas de espera so? un hecho cotidiano que afecta a las personas mien-
tras compran en el supermercado, cargan gasolina, hacen un depósito bancario o esperan al teléfono por
la primera reservación disponible para un viaje en avión. Las colas, otra forma de llamar a las líneas de
espera, también pueden tomar la forma de máquinas er espera de ser reparadas, camiones en fila que deben
ser descargados o aviones alineados en una pista a la espera del permiso para despegar. Los tres compo-
nentes básicos de un proceso de gestión de colas son las llegadas, las instalaciones de servicio y la línea de
espera real.
En este capítulo se estudia la forma en la cual los modelos de análisis de las líneas de espera ayudan
a los administradores a evaluar el costo y la eficacia de los sistemas de servicios. Iniciaremos con una
perspectiva de los costos en las líneas de espera y, luego, describiremos las características de las lineas
de espera, así como los supuestos matemáticos subyTentes utilizados para desarrollar modelos de colas.
También presentaremos las ecuaciones necesarias par calcular las características de funcionamiento de un
sistema de servicio y mostraremos ejemplos de cómo se utilizan. Más adelante en el capítulo, usted verá
cómo ahorrar tiempo de computadora mediante la ap1icación de tablas de colas y la ejecución de progra-
mas de computadora para líneas de espera.
La mayoría de los problemas de líneas de espera se centran en la cuestión de encontrar el nivel ideal de
servicios que una empresa debería proporcionar. Los supermercados deben decidir el número de cajas re-
gistradoras que tienen que abrir. Las estaciones de gasolina deberían decidir cuántas bombas estén funcio-
nando y cuántos asistentes presten el servicio. Las plantas de manufactura tienen que determinar el número
óptimo de mecánicos que necesitan estar en servicio cada turno, para reparar las máquinas que se descom-
pongan. Los bancos deben decidir el número de ventanillas a mantener abiertas para servir a los clientes
durante varias horas del día. En la mayoría de los casos, este nivel de servicio es una opción sobre la que
la gerencia tiene el control. Por ejemplo, es posible tomar un cajero adicional de otra tarea o contratarlo y
capacitarlo rápidamente, si la demanda lo justifica. Sin embargo, esto no siempre es así. Es posible que una
planta no sea capaz de localizar o contratar mecánicos especializados para reparar maquinaria electrónica
sofisticada.
Cuando una organización tiene control, su objetivo suele ser encontrar un feliz término medio entre
dos extremos. Por un lado, una empresa puede mantener un gran número de personal y ofrecer muchas
instalaciones de servicio, lo cual resultaría en un excelente servicio al cliente, y rara vez habrá más de uno
o dos clientes en una cola. Los clientes se mantienen contentos con la respuesta rápida y aprecian la como-
didad. Esto, sin embargo, suele ser muy costoso.
El otro extremo es tener el mínimo número poslible de lineas de pago, bombas de gasolina o venta-
nillas abiertas, lo cual mantiene un costo del servicio bajo, pero puede dar lugar a la insatisfacción del
cliente. ¿Cuántas veces regresaría usted a un gran almacén de descuento que sólo tuviera una caja registra-
dora abierta, durante el día que fue de compras? A medida que aumenta la duración promedio de la cola y
esto resulta en un servicio deficiente, los clientes y la buena imagen pueden perderse.
La mayoría de los administradores reconocen la compensación que debe existir entre el costo de ofre-
cer un buen servicio y el costo del tiempo de espera del cliente. Quieren colas que sean suficientemente
cortas para que los clientes no se sientan insatisfechos o tan molestos que no compren, o que compren pero
nunca más regresen. Los administradores están dispuestos a permitir algo de espera en la línea, si esto se
equilibra con un importante ahorro en los costos del servicio.
Por lo tanto, una forma de evaluar una instalación de servicio es buscar un costo esperado total,
un concepto que se ilustra en la figura 12.1. El costo esperado total es la suma de los costos del servicio
esperados más los costos de espera previstos.
.1
más tarde, publiló un informe relativo a los retrasos en el equipo de
marcado automktico. Al final de la Segunda Guerra Mundial, los pri-
meros trabajos de Erlang se extendieron a problemas más generales y
aplicaciones de las líneas de espera a los negocios.
 12.2 COSTOS DE LAS LÍNEAS DE ESPERA 437

FIGURA 12.1
Costos de las colas y
Costo esperado total
niveles de servicio

o Costo de la prestación
o de servicio

Costo del tiempo de espera

Nivel de servicio
Nivel de
servicio
óptimo

El costo esperado total es la suma
del costo del servicio más el
costo de espera.
Se consid¿ra que los costos del servicio aumentan a medida que una empresa intenta elevar su nivel
de servicio. Por ejemplo, si se emplean tres equipos de estibadores, en lugar de dos, para descargar un
barco de carga, los costos del servicio se incrementan por el precio adicional de los salarios. Sin embargo,
a medida que la velocidad del servicio mejora, el costo del tiempo de espera en las líneas disminuye. Este
costo de espera puede reflejar la pérdida de productividad de los trabajadores, mientras que sus herramien-
tas o máquinas están en espera de reparaciones, o puede ser simplemente una estimación de los costos de
los clientes perdidos por el mal servicio y las largas colas.

Ejemplo de la compañía Three Rivers Shipping

El objetivo es encontrar el nivel
de servicio que minimice el costo
esperado total.
A manera de ejemplo, veamos el caso de la compañía Three Rivers Shipping, que opera una enorme ins-
talación de transbordo situada en el río Ohio, cerca de Pittsburgh. Aproximadamente cinco barcos llegan a
descargar sus cargamentos de acero y mineral durante cada turno de trabajo de 12 horas. Cada hora que un
buque se encuentra inactivo en espera de ser descargado cuesta a la empresa una gran cantidad de dinero,
alrededor de $1,000 por hora. Con base en su experiencia, la gerencia estima que, si se dispone de una cua-
drilla de estibadores para realizar el trabajo de descarga, cada barco esperará un promedio de 7 horas para
ser descargado. Si se cuenta con dos cuadrillas, el tiempo de espera promedio se reduce a 4 horas; con tres
cuadrillas, a 3 horas, y con cuatro cuadrillas de estibadores, a sólo 2 horas. Pero cada cuadrilla adicional de
estibadores también implica costos, debido a los contratos sindicales.
El superintendente de Three Rivers desea determinar el número óptimo de cuadrillas de estibadores
que debería tener en servicio cada turno. El objetivo es minimizar los costos esperados totales. Este análisis
se resume en la tabla 12.1. Para minimizar la suma de los costos de servicio y de espera, la empresa toma la
decisión de contratar a dos equipos de estibadores en cada turno.

TABLA 12.1 Análisis de costos de las líneas de espera en la compañía Three Rivers Shipping
NUMERO DE EQUIPOS DE ESTIBADORFS
EN SERVICIO

(a) Número promedio de barcos que llegan por turno 5 5 5 5

(b) Tiempo promedio que espera cada barco para ser descargado (horas) 7 4 3 2
(c) Total de horas de barco perdidas por turno (a x b) 35 20 15 10
(d) Costo estimado por hora del tiempo inactivo de un barco $1,000 $1,000 $1,000 $1,000
(e) Valor del tiempo perdido de los barcos o costos de espera (c X d) $35,000 $20.000 $15,000 $10,000
(t) Salario de una cuadrillas de estibadores,* o costo del servicio $6,000 $12,000 $18,000 S24,000
(g) Costo esperado total (e + f) $41,000 ($32,000) $33,000 $34,000
r Costo óptimo
* El salario de una cuadrilla de estibadores se calcula como el número de personas en un equipo típico (que se supone es de 50), multiplicado por el número de
horas que cada persona trabaja por día (12 horas), por un salario por hora de $10. Si se emplean dos cuadrillas, la cifra sólo se duplica
438 CAPÍTULO 12 • MODELOS DE LÍNEAS DE ESPERA Y TEORÍA DE COLAS
12.3 Características de un sistema de colas
Para la mayoría de los modelos
de colas se suponen poblaciones
ilimitadas (o infinitas).
Las llegadas son aleatorias cuando
son independientes entre sí y no se
pueden predecir con exactitud.
Conceptos de rechazo y renuncia.
Los modelos de este capítulo suponen
una longitud de cola ilimitada.
La mayoría de los modelos de
colas utilizan la regla de FIFO.
Evidentemente, esto no es adecuado
en todos los sistemas de servido,
sobre todo en los relacionados con
emergencias.
En esta sección analizamos las tres partes de un sist ma de colas: 1. las llegadas o entradas al sistema
(a veces conocidas como la población potencial), 2. la cola o la línea de espera en sí y 3.1a instalación
de servicio. Los tres componentes tienen ciertas cara erísticas que deben examinarse antes de desarrollar
los modelos matemáticos de colas.
Características de llegada
La fuente de entrada que genera llegadas o clientes para el sistema de servicio tiene tres características
principales. Es importante tener en cuenta el tamaño de la población potencial, el patrón de llegadas en el
sistema de colas y el comportamiento de las llegadas.
TAMAÑO DE LA POBLACIÓN POTENCIAL Los tamaños de población se consideran ilimitados (esen-
cialmente infinitos) o limitados (finitos). Cuando el número de clientes o llegadas disponibles en cualquier
momento dado es sólo una pequeña parte de las llegadas posibles, la población potencial se considera ili-
mitada. Para efectos prácticos, los ejemplos de poblaciones ilimitadas incluyen los automóviles que llegan
a una caseta de peaje en la autopista, los compradores que llegan a un supermercado o los estudiantes que
llegan a inscribirse a los cursos de una gran universidad. La mayoría de los modelos de colas suponen una
población potencial infinita de este tipo. Cuando esto no es así, el modelado se vuelve mucho más com-
plejo. Un ejemplo de una población finita es un taller con sólo ocho máquinas que podrían descomponerse
y requerir servicio.
PATRÓN DE LLEGADAS AL SISTEMA Los clientes llegan a una instalación de servicio de acuerdo
con algún patrón conocido (por ejemplo, un paciente cada 15 minutos o un estudiante en busca de ase-
soría cada media hora), o bien, llegan aleatoriamnte. Las llegadas se consideran aleatorias cuando
son independientes entre sí y su ocurrencia no puede predecirse con exactitud. Con frecuencia, en los
problemas de colas, el número de llegadas por unidad de tiempo puede estimarse mediante una distribu-
ción de probabilidad conocida como la distribución de Poisson. Vea la sección 2.11 para obtener más
información acerca de tal distribución.
COMPORTAMIENTO DE LAS LLEGADAS La mayoría de los modelos de colas suponen que un cliente
que llega es un cliente paciente. Los clientes pacientes son personas o máquinas que esperan en la cola
hasta que reciben el servicio y no cambian entre líneas. Por desgracia, la vida y el análisis cuantitativo se
complican por el hecho de que es sabido que las personas rechazan o renuncian. El rechazo se refiere a los
clientes que se niegan a unirse a la línea de espera, porque el tiempo de espera es demasiado grande para
adaptarse a sus necesidades o intereses. La renuncia hace alusión a los clientes que entran en la cola pero,
luego, se impacientan y la abandonan sin completar su transacción. En realidad, estas dos situaciones sólo
sirven para acentuar la necesidad de la teoría de colas y del análisis de la línea de espera. ¿Cuántas veces
ha visto usted a un comprador con una cesta llena de comestibles, incluidos los perecederos como leche,
alimentos congelados o carnes, simplemente dejar la cesta de las compras antes de abandonar la fila porque
ésta era demasiado larga? Esta ocurrencia cara para la tienda hace que los gerentes estén muy conscientes
de la importancia de las decisiones del nivel de servicio.
Características de la línea de espera
La línea de espera en sí es el segundo componente de un sistema de colas. La longitud de la línea puede ser
limitada o ilimitada. Una cola es limitada cuando no puede, por restricción de las leyes alcas, aumentar
a una longitud infinita. Éste puede ser el caso en unpequeño restaurante que tiene sólo 10 mesas y puede
servir a no más de 50 comensales por noche. Los modelos de colas analíticos se tratan en este capítulo bajo
el supuesto de una longitud de cola ilimitada. Una cola es ilimitada cuando su tamaño es irrestricto, como
en el caso de una caseta de peaje que da servicio a todos los automóviles que llegan.
Una segunda característica de las líneas de espera describe la disciplina de la cola, que se refiere
a la regla mediante la cual los clientes en la línea eciben el servicio. La mayoría de los sistemas uti-
lizan una disciplina de la cola conocida como la gla primero en entrar, primero en salir (FIFO,
first-in, first-out). Sin embargo, en una sala de eme gencias de un hospital o una línea de caja rápida en
un supermercado, es posible asignar diferentes prioridades que pueden modificar la regla de FIFO. Los
pacientes gravemente heridos avanzarán en la prioridad de tratamiento sobre los pacientes con dedos
o narices fracturados. Los compradores con menos; de 10 artículos pueden ser autorizados a entrar en
la cola de una caja rápida, pero luego son tratadois como primero en llegar, primero en ser atendido.
Las corridas de programación en computadora son otro ejemplo de sistemas de colas que operan bajo
la programación con prioridades. En la mayoría de las grandes empresas, cuando los cheques de pago

El número de canales de servicio
en un sistema de colas es el
número de servidores.
Sistema de una fase significa que
el cliente recibe el servicio en sólo
una estación antes de salir del
sistema. Sistema con múltiples
fases implica dos o más paradas
antes de salir del sistema.
Con frecuencia, los tiempos de
servicio siguen la distribución
exponencial negativa.
Es importante confirmar que los
supuestos de llegadas de Poisson
y servicios exponenciales son
válidos, antes de aplicarlos en
el modelo de colas.
12.3 CARACTERÍSTICAS DE UN SISTEMA DE COLAS 439
producidos por computadora se liberan en una fecha específica. el programa de nómina tiene la mayor
prioridad sobre las demás corridas.*
Características de las instalaciones de servicio
La tercera parte de cualquier sistema de colas es la instalación del servicio. Es importante examinar dos
propiedades básicas: 1.1a configuración del sistema de servicio y 2. el patrón de los tiempos de servicio.
CONFIGURACIONES BÁSICAS DE UN SISTEMAS DE COLAS Por lo general, los sistemas de servicio
se clasifican de acuerdo con su número de canales, o número de servidores, y el número de fases, o el
número de paradas de servicio, que deben realizarse. Un sistema de un solo canal, con un servidor, se
tipifica por la ventanilla del banco que tiene un solo cajero abierto, o por el tipo de restaurante de comida
rápida con servicio al auto que se ha vuelto tan popular en Estados Unidos. Si, por otro lado, el banco
tiene varios cajeros en servicio y cada cliente espera en una línea común por el primer cajero disponi-
ble, tendríamos un sistema con múltiples canales en operación. Muchos bancos en la actualidad tienen
sistemas de servicio con múltiples canales, como sucede con las grandes peluquerías y muchos mostrado-
res de boletos de avión.
Un sistema de una fase es aquel donde un cliente recibe servicio sólo de una estación y, luego, sale
del sistema. Un restaurante de comida rápida en el cual la persona que toma su pedido también le trae los
alimentos y toma su dinero es un sistema de una sola fase. Lo mismo ocurre en una oficina de licencias
de conducir, donde la persona que toma su solicitud también califica su examen y recaba la tarifa por
la licencia. Pero si en el restaurante se requiere hacer el pedido en una estación, pagar en una segunda y
recoger los alimentos en una tercera parada de servicio, se convierte en un sistema con múltiples fases.
Del mismo modo, si la oficina de licencias de conducir es grande o está ocupada, es probable que tenga
que esperar en línea para completar la solicitud (la primera parada de servicio), después, hacer cola de
nuevo para obtener la calificación del examen (la segunda parada de servicio) y, finalmente, ir a un tercer
mostrador de servicio para pagar la tarifa. Para ayudar a relacionar los conceptos de canales y fases, en la
figura 12.2 se presentan cuatro configuraciones posibles.
DISTRIBUCIÓN DE TIEMPO DE SERVICIO Los patrones de servicio son como los patrones de llegada,
en el sentido que pueden ser constantes o aleatorios. Si el tiempo de servicio es constante, se necesita la
misma cantidad de tiempo para atender a cada cliente. Éste es el caso de una operación de servicio reali-
zada por máquinas, como el lavado automático de automóviles. Más a menudo, los tiempos de servicio se
distribuyen aleatoriamente. En muchos casos, se puede suponer que los tiempos de servicio aleatorios es-
tán descritos por la distribución de probabilidad exponencial negativa. Vea la sección 2.10 para obtener
más información acerca de esta distribución.
La distribución exponencial es importante para el proceso de construcción de los modelos matemá-
ticos de colas, ya que muchos de los fundamentos teóricos de estos modelos se basan en el supuesto de
llegadas de Poisson y servicios exponenciales. Sin embargo, antes de su aplicación, el analista cuantitativo
puede y debe observar, recopilar y graficar los datos del tiempo de servicio, para determinar si se ajustan a
la distribución exponencial.
Identificación de modelos mediante la notación Kendall
D. G. Kendall desarrolló una notación que ha sido ampliamente aceptada para especificar el patrón de
llegadas, la distribución del tiempo de servicio y el número de canales en un modelo de colas. Esta nota-
ción se observa con frecuencia en el software para modelos de colas. La notación Kendall básica de tres
símbolos tiene la forma
Distribución de llegada/Distribución del tiempo de servicio/Número de canales de servicio abiertos
donde se utilizan letras específicas para representar. distribuciones de probabilidad. Las siguientes letras
son de uso general en la notación Kendall:
M = distribución de Poisson para el número de ocurrencias (o tiempos exponenciales)
D = razón constante (determinista)
G = distribución general con media y varianza conocidas
El término FIFS (primero en entran primero en ser atendido, first in, first served) se utiliza a menudo en lugar de FIFO.
Otra disciplina, LIFS (último en entran primero en ser atendido, las: in, first served), es común cuando los materiales se
apilan o enciman, y los elementos en la parte superior son los que se emplean primero.
440 CAPÍTULO 12 • MODELOS DE LÍNEAS DE ESPERA Y TEORÍA DE COLAS

FIGURA 12.2 Cuatro configuraciones básicas de los sistemas de colas

Cola

Llegadas
_ o Instalación
de servicio
Salidas
después
del servicio

Sistema de una fase de un solo canal

Cola
Instalación Instalación Salidas
Llegadas -- 0 00 de servicio de servicio --).• después
tipo 1 tipo 2 del servicio

Sistema con múltiples fases de un solo canal

Instalación
de servicio —0- Salidas
Cola
1

Instalación
Llegadas - 0 de servicio después
/ 2

Instalación
de servicio -1- del servicio
3

Sistema de una fase con múltiples canales

Cola Instalación Instalación

de servicio de servicio
1 del tipo 1 2 del tipo 1

OOO
Salidas
Llegadas - después
del servicio
Instalación Instalación
de servicio de servicio
1 del tipo 2 2 del tipo 2

Sistema con múltiples fases y múltiples canales

Por lo tanto, un modelo de un solo canal con llegadas de Poisson y tiempos de servicio exponenciales se
representaría como

M/M /1

Un modelo MIM/2 tiene llegadas Al agregar un segundo canal, tendríamos

de Poisson, tiempos de servicio
exponenciales y dos canales. M/M/2

Si hubiera ni canales de servicio distintos en un sistema de colas con llegadas de Poisson y tiempos
de servicio exponenciales, la notación Kendall sería M/M/m. Un sistema de tres canales con llegadas de
Poisson y tiempo de servicio constante se identificaría como M/D/3. Un sistema de cuatro canales con
llegadas de Poisson y tiempos de servicio distribuidos normalmente podría identificarse como M/G/4.
 12.3 CARACTERÍSTICAS DE UN SISTEMA DE COLAS 441

Servicios de salud pública en el

MODELADO EN EL MUNDO REAL condado de Montgomery

Definición
Definición del problema
del problema En 2002 los centros para el control y la prevención de enfermedades comenzaron a exigir que los departa-
mentos de salud pública crearan planes de vacunación contra la viruela. Un condado debe estar preparado
para vacunar a todas las personas en un área infectada en unos pocos días. Esto fue motivo de especial preo-
cupación después de los ataques terroristas del 11 de septiembre de 2001.

Desarrollo de
Desarrollo de un modelo
un modelo Se desarrollaron modelos de colas para la planeación de la capacidad y modelos de simulación de eventos dis-
cretos, gracias a un esfuerzo conjunto del Servicio de Salud Pública del condado de Montgomery (Maryland) y
la University of Maryland, College Park.

Adquisición de Adquisición de datos de entrada

datos de entrada Se recopilaron datos sobre el tiempo necesario para realizar la vacunación o para efectuar la entrega de medi-
camentos. Para este propósito, se utilizaron ejercicios clínicos.

Desarrollo de Desarrollo de una solución

una solución Los modelos indican el número de miembros del personal necesarios para alcanzar las capacidades específicas
para evitar así la saturación en las clínicas.

Pruebas Pruebas a la solución

a la solución El plan de vacunación contra la viruela se probó usando una simulación de una clínica de vacunación en un
ejercicio a gran escala que involucra a los residentes que pasan por la clínica. Esto puso de relieve la necesidad
de modificaciones en algunas áreas. A continuación, se desarrolló un modelo de simulación por computadora
para realizar pruebas adicionales.

Análisis Análisis de resultados

de resultados Los resultados de la planeación de la capacidad y del modelo de gestión de colas ofrecieron muy buenas
estimaciones del verdadero desempeño del sistema. Los planeadores y administradores de las clínicas pueden
calcular rápidamente la capacidad y la saturación a medida que se desarrolla la situación.

Implementación Implementación de resultados

de resultados Los resultados de este estudio están disponibles en un sitio web para que los profesionales de salud pú-
blica los descarguen y utilicen. Las directrices incluyen sugerencias para las operaciones en estaciones de
trabajo. Las mejoras al proceso son continuas.

Fuente: Basado en Kay Aaby, et al. "Montgomery County's Public Health Service Operations Research to Plan Emergency
Mass Dispensing and Vaccination Clinics", Interfaces 36, 6 (noviembre-diciembre de 2006): 569-579.

A EN ACCIÓN Desaceleración del telesquí para obtener líneas más cortas

Sorprendentemente, en vez de construir nuevos telesquíes, el con-

E n una pequeña estación de esquí, con cinco telesquíes, la gerencia
estaba preocupada de que las colas para subir a los telesquíes se estu-
vieran volviendo demasiado largas. Si bien esto es a veces un problema
agradable porque significa que el negocio está en auge, también es un
asunto que puede resultar contraproducente. Si se corre la voz de que las
colas en un resort de este tipo son demasiado largas, los clientes quizá
optarían por esquiar en otros lugares donde las líneas fueran más cortas.
Debido a que la construcción de nuevos telesquíes requiere una
inversión financiera significativa, la gerencia decidió contratar a un
consultor externo con experiencia en sistemas de colas para estudiar el
problema. Después de varias semanas de investigación del problema,
recopilación de datos y medición de la longitud de las líneas para subir
a los telesquíes en varios momentos, el consultor presentó sus recomen-
daciones a la gerencia de la estación de esquí.
sultor propuso a la gerencia alentar sus cinco telesquíes a la mitad de
su velocidad actual y duplicar el número de sillas en cada uno de ellos,
lo cual significaría, por ejemplo, que, en vez de 40 pies entre las sillas,
habría únicamente 20 pies entre ellas; pero debido a que se movían más
lentamente, habría la misma cantidad de tiempo para que los clientes
subieran al telesquí. Así que si un telesquí particular requería previa-
mente 4 minutos para llegar a la cima, ahora tardaría 8 minutos. Se
concluyó que los esquiadores no notarían la diferencia de tiempo por-
que se encuentran en el telesquí disfrutando de la vista en el camino
hacia la cumbre; esto resultó ser un supuesto válido. Por otro lado, en
cierto momento, habría el doble de personas en realidad sobre las pistas
de esquí, y un menor número de personas en las líneas del telesquí. ¡El
problema quedó resuelto!
 CAPÍTULO 12 • MODELOS DE LÍNEAS DE ESPERA Y TEORÍA DE COLAS
12.4 Modelo de colas con un solo canal, llegadas de Poisso
y tiempos de servicio exponenciales (M/M/1)
Estos siete supuestos deben
cumplirse cuando se aplique
el modelo de una fase de un
solo canal.
Estas siete ecuaciones de colas para
el modelo de una fase y de un solo
canal describen las características
de funcionamiento importantes del
sistema de servicio.
Existe una notación más detallada con términos adicionales que indican el número máximo en el
sistema y el tamaño de la población. Cuando éstos se imiten, se supone que no hay límite en la longitud
de la cola o en el tamaño de la población. La mayoría le los modelos que estudiaremos aquí tendrán esas
propiedades.
En esta sección presentamos un enfoque analítico para determinar medidas de desempeño importantes en
un sistema de servicio típico. Después de haber calculado estas medidas numéricas, será posible agregar
datos de costos y comenzar a tomar decisiones que equilibren los niveles de servicio deseables con los
costos de espera en la línea de servicio.
Supuestos del modelo
El modelo de una fase de un solo canal considerado aquí es uno de los modelos de colas más utilizados y
más sencillo. Implica el supuesto de que existen siete condiciones:
1. Las llegadas reciben el servicio sobre una base de FIFO.
2. Cada llegada espera a ser atendida, independientemente de la longitud de la línea; es decir, no hay
rechazo ni renuncia.
3. Las llegadas son independientes de las llegadas anteriores, pero el número promedio de llegadas
(la tasa de llegada) no cambia con el tiempo.
4. Las llegadas están descritas por una distribución 1le probabilidad de Poisson y provienen de una
población infinita o muy grande.
5. Los tiempos de servicio también varían de un cliente a otro y son independientes entre sí, pero se
conoce su tasa promedio.
6. Los tiempos de servicio se producen de acuerdo con la distribución de probabilidad exponencial
negativa.
7. La tasa promedio de servicio es mayor que la tasa promedio de llegada.
Cuando se cumplen estas siete condiciones, podemos desarrollar una serie de ecuaciones que definen
las características de funcionamiento de la cola. Lag matemáticas utilizadas para deducir cada ecuación
son bastante complejas y están fuera del alcance de e e libro, por lo que aquí sólo se presentan las fórmu-
las resultantes.
Ecuaciones de colas
Sean
A = número medio de llegadas por periodo de tiempo (por ejemplo, cada hora)
= número medio de personas o artículos atendidos por periodo de tiempo
Al determinar la tasa de llegada (A) y la tasa de servicio (A, se debe utilizar el mismo periodo de tiempo.
Por ejemplo, si A es el número promedio de llegadas por hora, entonces 1..(. debe indicar el número prome-
dio que podría atenderse en una hora.
Las ecuaciones de colas son las siguientes.
1. Número promedio de clientes o unidades en el sistema, L; es decir, el número en la línea más
el número que está recibiendo el servicio:
L= (12-1)
—
2. Tiempo promedio que un cliente pasa en el siste na, W; es decir, el tiempo que pasa en la línea más el
tiempo en el que recibe el servicio:
1
W= (12-2)
—A
12.4 MODELO DE COLAS CON UN SOLO CANAL, LLEGADAS DE POISSON Y TIEMPOS DE SERVICIO EXPONENCIALES (M/M/1) 443

3. Número promedio de clientes en la cola, Lel:

A2
L= (12-:
q 11.(1t, — A)
4. Tiempo promedio que un cliente pasa esperando en la cola, Wq:

Wq = (12-4)
12,(11 — A)
5. Factor de utilización del sistema, p (la letra griega rho minúscula); es decir, la probabilidad de que
la instalación de servicio se esté utilizando:

P= (12-5)

6. Porcentaje de tiempo inactivo, Po; es decir, la probabilidad de que nadie está en el sistema:

Po = 1 — (12-6)

7. La probabilidad de que el número de clientes en el sistema sea mayor que k, P,T>k:

Pn>k = A)k+1 (12-7)

Caso del taller Arnold's Muffler

Ahora aplicaremos estas fórmulas al caso del taller de silenciadores de Arnold en Nueva Orleans. El mecá-
nico de Arnold, Reid Blank, es capaz de instalar silenciadores nuevos a una tasa promedio de 3 por hora,
o alrededor de 1 cada 20 minutos. En promedio, los clientes que necesiten este servicio llegan al taller a
razón de 2 por hora. Larry Amold, el dueño del taller, estudió modelos de colas en un programa de MBA
y siente que se cumplen las siete condiciones para un modelo de un solo canal. Procedió a calcular los va-
lores numéricos de las características de funcionamiento descritas anteriormente:

A = 2 autos llegan por hora

p, = 3 autos atendidos por hora
A 2 2
L= — 5 = — = 2 autos en el sistema, en promedio
p. — Á -2 1
1 1
W= — 1 hora que pasa un auto en el sistema, en promedio
— 3—2
A2
22 4 4
I-q = A) = 3(3 2) = 3( ) = —3 = 1.33 autos esperando en la línea, en promedio

Wq A 2 2
= = = — de hora = 40 minutos = tiempo de espera promedio por auto
,a(µ, — A) 3(3 — 2) 3

Observe que W y Wq están en horas, puesto que A se definió como el número de llegadas por hora.

2_ _ porcentaje de tiempo que el mecánico está ocupado,

p = — — 0.67 —
o la probabilidad de que el servidor esté ocupado
A 2
Po = 1 — — = 1 — — = 0.33 = probabilidad de que haya O autos en el sistema
11. 3
444 CAPÍTULO 12 • MODELOS DE LÍNEAS DE ESPERA Y TEORÍA DE COLAS

Probabilidad de más de k autos en el sistema

tt,

( 0.667J Note que esto es igual a 1 — Po = 1 — 0.33 = 0.667.

1 0.444

2 0.296

3 ( 0.198 ) Implica una posibilidad de 19.8% de que haya más

de 3 autos en el sistema.

4 0.132

5 0.088

6 0.058

7 0.039

USO DE EXCEL QM EN LA COLA DEL TALLER DE SILENCIADORES DE ARNOLD Para utilizar Excel
QM en este problema, del menú de Excel QM seleccione ~Mg Unes - Single Channel (M/M/l ). Cuando
aparezca la hoja de cálculo, introduzca la tasa de llegada (2) y la tasa de servicio (3). Todas las caracterís-
ticas de funcionamiento se calcularán automáticamente, como se muestra en el programa 12.1.

El siguiente paso es realizar un
análisis económico, el cual permite
incluir factores de costo.
INTRODUCCIÓN DE COSTOS EN EL MODELO Ahora que se han calculado las características del sis-
tema de colas, Arnold decide hacer un análisis económico de su impacto. El modelo de líneas de espera
fue valioso para predecir los tiempos de espera, las longitudes de cola, los tiempos inactivos potenciales,
etcétera; pero no identificó las decisiones óptimas ni consideró los factores de costo. Como se estable-
ció anteriormente, la solución a un problema de gestión de colas puede requerir que la gerencia logre un
equilibrio entre el aumento del costo por proporcionar un mejor servicio y la disminución de los costos de
espera derivados de la prestación de ese servicio. Estos dos costos se llaman el costo de espera y el costo
del servicio.
El costo total del servicio es

Costo total del servicio = (Número de canales) (Costo por canal)

Costo del servicio total = mCs (12-8)

PROGRAMA 12.1 A o E
Arnold's Muffler Shop
Solución en Excel QM
2
para el taller Arnold's 3 Waitinz Unes M Sin le Server Model)
4
Muffler 5
6 Dote
1
7 A":1Y91.t.) 2 Average senrer utilmtion(p) 0.666667
8 Service rete (14 Average member oí customers in the queue(I,) 1.333333
Average number pf custamers in the systemttj 2
Average weiting time in the que0e0A‘) 0.666667
Average time in the systern(W.) 1
Ph144h0itYttrtof time} system is emptv (Pa) 0333333

15 iprobatarmes
-
Cumulative
16 1 Number Psobabffity ProbetuTey
17 o 0.333333 n 531333
181 1 0.222222 0.555556
19 2 0.148148 0.703704
20 3 0.098765 0802469
211 4 0.0658« 0868313
22 5 0.043896 0912209
23 6 0.029264 0941472
24 i 7 0.019509 0360982
 12.4 MODELO DE COLAS CON UN SOLO CANAL, LLEGADAS DE POISSON Y TIEMPOS DE SERVICIO EXPONENCIALES (M/M/1)
Con frecuencia, el tiempo de espera
de los clientes se considera el factor
más importante.
El costo de espera más el costo del
servicio es igual al costo total.
445
donde
m = número de canales
CS = costo del servicio (costo de mano de obra) en cada canal
El costo de espera cuando el costo del tiempo de espera se basa en el tiempo en el sistema es
Costo de espera total = (Tiempo de espera total de todas las llegadas)(Costo de espera)
= (Número de llegadas)(Espera promedio por Ilegada)C.,
Así que,
Costo de espera total = (AW)C„, (12-9)
Si el costo del tiempo de espera se basa en el tiempo en la cola, esto se convierte en
Costo de espera total = (AWq)C,„ (12-10)
Estos costos se basan en cualesquiera unidades de tiempo (a menudo horas) que se hayan utilizado para
determinar A. Al sumar el costo del servicio total al costo de espera total, tenemos el costo total del siste-
ma de colas. Cuando el costo de espera se basa en el tiempo en el sistema, esto es
Costo total = Costo del servicio total + Costo de espera total
Costo total = mc, + AWC., (12-11)
Cuando el costo de espera se basa en el tiempo en la cola, el costo total es
Costo total = mC5 + AWqC„, (12-12)
A veces podemos desear determinar el costo diario y, luego, simplemente encontrar el número total de
llegadas por día. Consideremos la situación del taller de silenciadores de Arnold.
Arnold estima que el costo del tiempo de espera del cliente, en términos de la insatisfacción de éstos
y la buena imagen perdida, es de $50 por hora del tiempo esperando en la fila. (Después de que los auto-
móviles de los clientes ya se están atendiendo, ellos no parecen molestarse por la espera). Debido a que
en promedio un auto tiene una espera de 2/3 de hora y hay aproximadamente 16 autos atendidos por día
(2 cada hora por 8 horas de trabajo al día), el número total de horas que los clientes pasan esperando para
que les instalen silenciadores cada día es 2/3 X 16 = 32/3, o 10 2/3 horas. Por lo tanto, en este caso,
Costo de espera diario total = (8 horas por día)AW/C,„ = (8)(2)(2/3)($50) = $533.33
El único otro costo que Larry Arnold puede identificar en esta situación de colas es la tarifa de pago a Reid
Blank, el mecánico. Blank recibe un pago de $15 por hora:
Costo del servicio diario total = (8 horas al día)mC5 = 8(1)($15) = $120
El costo diario total del sistema, tal como está configurado actualmente, es la suma del costo de espera más el
costo del servicio, de donde resulta
Costo diario total del sistema de colas = $533.33 + $120 = $653.33
Ahora viene una decisión. Arnold se entera por los rumores en el negocio que Silenciadores Rusty, un
competidor del otro lado de la ciudad, cuenta con un mecánico llamado Jimmy Smith, que puede insta-
lar de manera eficiente silenciadores nuevos, a razón de 4 por hora. Larry Arnold contacta a Smith y le
consulta acerca de su interés por cambiar de empleador. Smith dice que consideraría abandonar Silen-
ciadores Rusty, pero sólo si se le paga un salario de $20 por hora. Arnold, que es un hombre de negocios
astuto, decide que podría serle útil despedir a Blank y reemplazarlo con el más rápido pero más caro
Smith.
446 CAPITULO 12 • MODELOS DE LÍNEAS DE ESPERA
Se presenta una comparación
de los costos totales empleando
a dos mecánicos diferentes.
Y TEORÍA DE COLAS
Primero, vuelve a calcular todas las características de funcionamiento utilizando una nueva tasa de
servicio de 4 silenciadores por hora:
A = 2 autos que llegan por hora
= 4 autos atendidos por hora
2
L= = 1 auto en el sistema, en promedio
— 4 —2
1 = 1 1
= — hora en el sistema, en promedio
W= 4— 2 2
22 4 1
L = = = = — auto esperando en la cola, en promedio
q it(p. — A) 4(4 — 2) 8 2
2 2 1
W
W= — de hora = 15 minutos de tiempo de
9 µ(g. — A) • 4(4 — 2) 8 4 espera promedio por auto
A 2
p = = — = 0.5 = porcentaje de tiempo que el mecánico está ocupado
4
A
Po = 1 — — = 1 — 0.5 = 0.5 = probabilidad de que haya O autos en el sistema
Probabilidad de que haya más de k autos en el sistema
pu ,k 4
O 0.500
1 0.250
2 0.125
3 0.062
4 0.031
5 0.016
6 0.008
7 0.004
Es bastante evidente que la velocidad de Smith dará como resultado colas y tiempos de espera considera-
blemente más cortos. Por ejemplo, un cliente podría ahora pasar un promedio de media hora en el sistema
y un cuarto de hora esperando en la cola, en contraste con 1 hora en el sistema y 2/3 de hora en la cola si
Blank es el mecánico. El costo del tiempo de espera total diario con Smith como mecánico será
1
4 )($50) = $200 al día
Costo de espera total diario = (8 horas al día)AV„. = (8)(2)(-
Observe que el tiempo total dedicado a la espera de los 16 clientes diarios es ahora
(16 autos al día) X (1/4 de hora por auto) = 4 horas
en vez de las 10.67 horas con Blank. Por lo tanto, la espera es mucho menos de la mitad de lo que era,
a pesar de que la tasa de servicio sólo cambió de 3 r hora a 4 por hora.
El costo del servicio se incrementará debido al alario más alto, pero el costo global disminuirá, como
observamos aquí:
Costo del servicio de Smith = 8 horas/dí x $20/hora = $160 por día
Costo esperado total = Costo de e pera + Costo del servicio = $200 + $160
= $360 por a
 12.5 MODELO DE COLAS CON MÚLTIPLES CANALES, LLEGADAS DE POISSON Y TIEMPOS DE SERVICIO EXPONENCIALES (M/M/m) 447

A EN ACCIÓN
Ambulancias en Chile evalúan y mejoran las medidas
de desempeño a través de la teoría de colas

Los investigadores en Chile consideraron la teoría de colas para
evaluar y mejorar los servicios de ambulancias. Investigaron los indi-
cadores clave de desempeño que tienen valor para un gerente de una
compañía de ambulancias (por ejemplo, el número de ambulancias
desplegadas, las ubicaciones de las bases de ambulancias, los costos
de operación) y los indicadores clave de desempeño que tienen valor
para un cliente (por ejemplo, el tiempo de espera hasta recibir servi-
cio, el sistema de priorización de colas).
El resultado algo sorprendente que los investigadores obtuvie-
ron fue que las medidas aparentemente simples, como el tiempo de
espera en la cola, Wq, eran las de mayor valor para las operaciones de
las ambulancias. La reducción de los tiempos de espera ahorra dinero
a la compañía en costos de gasolina y de transporte y, más impor-
tante, puede salvar la vida a sus clientes. En otras palabras, a veces lo
más sencillo es lo mejor.
Fuente: Basado en Marcos Singer y Patricio Donoso. "Assessing an Ambu-
lance Service with Queuing Theory", Computers & Operations Research 35,
8 (2008): 2549-2560.

Debido a que el costo esperado diario total con Blank como mecánico fue de $653.33, Arnold podría deci-
dir contratar a Smith y reducir el costo en $653.33 — $360 = $29333 al día.

Mejora del entorno de la cola

Aunque la reducción del tiempo de espera es un factor importante en la reducción del costo de tiempo
de espera de un sistema de colas, un administrador puede encontrar otras maneras de reducir este costo.
El costo total del tiempo de espera se basa en la cantidad total de tiempo esperado (con base en W o Wq) y el
costo de espera (C„). La reducción de cualquiera de éstos reducirá el costo global de la espera. Promover
un entorno de la cola que haga la espera menos desagradable puede reducir C„ ya que los clientes no esta-
rán tan molestos por tener que esperar. Por ejemplo, en la sala de espera de los consultorios médicos hay
revistas para que los pacientes puedan leer mientras esperan. También hay tabloides exhibidos en las colas
de las cajas registradoras de las tiendas de comestibles, y los clientes leen los titulares para pasar el tiempo
mientras esperan. Con frecuencia se toca música mientras las personas se colocan en espera en una lla-
mada telefónica. En los principales parques de atracciones hay pantallas y televisores de video en algunas
de las colas para hacer la espera más interesante. En algunos casos, la línea de espera es tan entretenida que
es casi una atracción en sí misma.
Todas esos recursos están diseñados para mantener al cliente ocupado y mejorar las condiciones que
rodean la espera, haciendo que el tiempo parezca pasar más rápido de lo que realmente lo hace. En con-
secuencia, el costo de espera (C„) baja y el costo total del sistema de colas se reduce. A veces, disminuir
el costo total de este modo es más fácil que reducirlo mediante la disminución de W o Wq. En el caso del
taller de silenciadores de Arnold, podría considerarse la instalación de un televisor en la sala de espera y
la remodelación de esta sala para que los clientes se sientan más cómodos al esperar que sus autos sean
atendidos.

12.5 Modelo de colas con múltiples canales, llegadas de Poisson

y tiempos de servicio exponenciales (M/M/m)
El modelo con múltiples canales
también supone llegadas de Poisson
y tiempos de servicio exponenciales.
El siguiente paso lógico es analizar un sistema de colas con múltiples canales, donde dos o más servidores
o canales están disponibles para manejar los clientes que llegan. Sigamos suponiendo que los clientes que
esperan el servicio forman una sola línea y, luego, proceden al primer servidor disponible. Un ejemplo de
una línea de espera de una fase con múltiples canales como ésta se encuentra en muchos bancos de la ac-
tualidad. Se forma una línea común y el cliente al frente de la línea pasa a la primera caja libre (consulte en
la figura 12.2 una configuración típica con múltiples canales).
El sistema con múltiples canales que se presenta aquí, de nuevo, supone que las llegadas siguen una
distribución de probabilidad de Poisson y que los tiempos de servicio se distribuyen de manera exponen-
cial. El servicio es del tipo primero en llegar, primero en ser atendido, y se supone que todos los servidores
operan a la misma velocidad. Los demás supuestos listados anteriormente para el modelo de un solo canal
también son aplicables.
448 CAPÍTULO 12 • MODELOS DE LÍNEAS DE ESPERA Y TEORÍA DE COLAS

Ecuaciones para el modelo de colas con últiples canales

Si consideramos que

m = número de canales tbiertos,

= tasa promedio de Il gada y
p, = tasa promedio de rvicio en cada canal

las siguientes fórmulas se pueden utilizar para el análisis de la línea de espera:

1. La probabilidad de que haya cero clientes o unidades en el sistema:

1
Po = r_ i i ( A )„ para m > (12-13)
1 ( A y' mp,
E— 1 +
n=o n! i-z, m!,(A , } mit — A
I
2. El número promedio de clientes o unidades en el sistema:

Alh(A/Ihr
L = (12-14)
(m — 1)!(mp, —A)2Po +

3. El tiempo promedio que pasa una unidad en la línea de espera o siendo atendido (es decir, en el
sistema):

IL(A/P,)" 1
w= : + (12-15)
(m — i)!(M/.4 )1.)2

4. El número promedio de clientes o unidades en la línea, en espera del servicio:

A
L=L— (12-16)

5. El tiempo promedio que un cliente o unidad pasa en la cola, en espera del servicio:

1 L,
= w = —A (12-17)

6. Tasa de utilización:

A
A = (12-18)

Resulta evidente que estas ecuaciones son más complejas que las utilizadas en el modelo de un solo
canal; sin embargo, se utilizan exactamente de la misma manera y proporcionan el mismo tipo de informa-
ción que el modelo más sencillo.

Revisión del taller Arnold's Muffler

El taller de silenciadores considera
la apertura de un segundo canal de
servicio que funcione a la misma
velocidad que el primero.
Para una aplicación del modelo de gestión de colas on múltiples canales, regresaremos al caso del taller
de silenciadores de Arnold. Anteriormente, Larry old examinó dos opciones. Podía mantener su mecá-
nico actual, Reid Blank, a un costo esperado total de $653 al día; o podía despedir a Blank y contratar a un
trabajador un poco más caro pero más rápido, llama o Jimmy Smith. Con Smith contratado, los costos del
sistema de servicio podrían reducirse a $360 al día.
Ahora explora una tercera opción. Arnold des ubre que con un costo mínimo después de impuestos
se puede abrir una segunda bahía en el taller donde se pueden instalar silenciadores. En vez de despedir a
su primer mecánico, Blank, contrataría a un segundo trabajador. Se espera que el nuevo mecánico instale
silenciadores al mismo ritmo que Blank: aproximadamente p, = 3 por hora. Los clientes, que seguirían
llegando a una tasa de A = 2 por hora, esperarían er una sola línea hasta que uno de los dos mecánicos se
 12.5 MODELO DE COLAS CON MÚLTIPLES CANALES, LLEGADAS DE POISSON Y TIEMPOS DE SERVICIO EXPONENCIALES (M/M/m) 449
TABLA 12.2

•
Efecto del nivel de servicio sobre las características de funcionamiento de Arnold

IN M NILO
UN MECÁNICO DOS MECÁNICOS RÁPIDO
CARACTERÍSTICAS (REID BLANK =3 (JIMN1Y SMITH)
DE F1'NCIONANHENT0 =3 PARA CADA UNO =4
Probabilidad de que el sistema esté vacío (P0) 0.33 0.50 0.50
Número promedio de autos en el sistema (L) 2 autos 0.75 autos 1 auto
Tiempo promedio de permanencia en el sistema (W) 60 minutos 22.5 minutos 30 minutos
Número promedio de autos en la cola (Lq) 1.33 autos 0.083 autos 0.50 autos
Tiempo promedio de permanencia en la cola (Wq) 40 minutos 2.5 minutos 15 minutos

desocupara. Para averiguar cómo se compara esta opción con el antiguo sistema de líneas de espera de un
solo canal, Arnold calcula varias características de funcionamiento para el sistema de m = 2 canales:

1
Po
i(ayi + 1 (2)2( 2(3)
[ n=on! k3) 2! 3) 2(3) — 2)
1 1 1
- — 0.5
1 4. .1. ± 2 (4)( 6 2 1 2
3 —2)
= probabilidad de O autos en el sistema
( (2)(3)(2/3)2 )(1) %1 — 3
L= — — = 0.75
k 1 ! [ 2 ( 3 ) — 2]2A2) 3 16 \-"2i 3 4
= número promedio de autos en el sistema
L 34 3
W = — = — = — de hora = 221/2 minutos
A 2 8
= tiempo promedio que un auto pasa en el sistema
3 2 1
Lq = L — — = 12 =0.083
µ 4 3
= número promedio de autos en la cola
Lo 0.083
= = = 0.0417 horas = 21/2 minutos
2
= tiempo promedio que un auto pasa en la cola

La apertura de una segunda área
de servicio resulta en un tiempo de
espera drásticamente menor.
Estos datos se comparan con las características de funcionamiento anteriores de la tabla 12.2. El aumento
del servicio a partir de la apertura de un segundo canal tiene un efecto dramático en casi todas las carac-
terísticas. En particular, el tiempo de espera en la cola se reduce de 40 minutos con un mecánico (Blank)
o 15 minutos con Smith ¡a sólo 2.5 minutos! Del mismo modo, el número promedio de autos en la cola
disminuye a 0.083 (alrededor de 1/12 de un auto).* Pero ¿esto significa que debería abrirse una segunda
bahía?
Para completar su análisis económico, Arnold supone que el segundo mecánico recibiría el mismo pago
que el mecánico actual (Blank), es decir, $15 por hora. El costo de espera diario será ahora

Costo de espera diario total = (8 horas al día) AWqC,„ = (8)(2)(0.0417)($50) = $33.36

• Es posible observar que la adición de un segundo mecánico no reduce el tiempo de espera en la cola simplemente ala mitad,
sino que lo hace aun más pequeño. Esto se debe a los procesos de llegada y de servicio aleatorios. Cuando sólo hay un mecánico
y dos clientes llegan con una diferencia de un minuto entre sí, el segundo tendrá una larga espera. El hecho de que el mecánico
pueda haber estado inactivo entre 30 y 40 minutos antes de que ambos llegaran no cambia este tiempo de espera promedio. Por lo
tanto, es frecuente que los modelos de un solo canal tengan mayores tiempos de espera que los modelos con múltiples canales.
450 CAPÍTULO 12 • MODELOS DE LÍNEAS DE ESPERA Y TEORÍA DE COLAS
PROGRAMA 12.2
Solución en Excel QM al
ejemplo con múltiples
canales de silenciadores
de Arnold
12.6 Modelo con tiempo de servicio constante (M/ D/1)
Las tasas de servicio constantes
aceleran el proceso en comparación
con los tiempos de servicio
distribuidos exponencialmente
que tienen el mismo valor de p.
A E
Amold's Muffler Shop
Waiting Lines Mrlvifs
Data
7 Armar rare
DATE and rs ice RA tí. hoth m
keeuIts
1111•1111111111
at
Average salte uhezation(p) O add53
Service arte Average number of customers in the crueue(l.,) 0.08333
9 Number of serversrst Average number of customers in the systam(L) 175
10 Average watting lin» in the queue(W,) 0.04167
11 Average time in the system((e) 0.375
12 Probatity (% ottime) system is en111/ (Pe) 05
13 Probabilitess
14 Numbet Probablity Con-amis.
15 0- 0.5000005000001
16 1 0.333333 0.8333331
17 2 0.111111 0.
18 3 1037037 0. Ingrese la tasa de llegada, la tasa de servicio`
19 4 0.012346 0 y el número de servidores (canales).
20 5 O 004115 0.
Observe que el tiempo de espera total para los 16 automóviles al día es (16 autos/día) x (0.0415 ho-
ras/auto) = 0.664 horas por día en vez de las 10.67 horas con un solo mecánico.
El costo del servicio se duplica, puesto que hay dos mecánicos, por lo que éste es
Costo del servicio diario total = (8 horas al día)mCs = (8)2($15) = $240
El costo diario total del sistema según está configurado actualmente es la suma de los costos de espera y
los costos del servicio, que es
Costo diario total del sistema de colas = $33.20 + $240 = $273.20
Como usted recordará, el costo total sólo con Blank omo mecánico resultó ser de $653 diarios. El costo
sólo con Smith fue de $360. La apertura de una segunda área de servicio ahorrará alrededor de $380
diarios en comparación con el sistema actual, y ahorrará alrededor de $87 diarios en comparación con el
sistema del mecánico más rápido. Por lo tanto, debido a que el costo después de impuestos de una segunda
bahía es muy bajo, la decisión de Arnold es abrir una segunda área de servicio y contratar a un segundo
trabajador que reciba el mismo pago que Blank. Lo anterior puede tener beneficios adicionales porque es
posible que se disemine el rumor de las esperas tan cortas que hay en el taller de Arnold, y esto aumentaría
el número de clientes que optan por utilizar este taller de silenciadores.
USO DE EXCEL QM PARA ANALIZAR EL MODELO DE COLAS CON MÚLTIPLES CANALES DE ARNOLD
Para utilizar Excel QM en este problema, del menú Excel QM seleccione Waiting Lines - Multiple Chazuzel
Model (M/M/s). Cuando aparezca la hoja de cálculo, introduzca la tasa de llegada (2), la tasa de servicio
(3) y el número de servidores (2). Una vez que éstos se ingresen, aparecerá la solución mostrada en el
programa 12.2.
Algunos sistemas de servicios tienen tiempos de servicio constantes en vez de tiempos distribuidos ex-
ponencialmente. Cuando los clientes o equipos se procesan de acuerdo con un ciclo fijo, como en el caso
de un autolavado automático o un juego de un parque de diversiones, las tasas de servicios constantes son
las adecuadas. Debido a que las tasas constantes tienen certidumbre, los valores para Lq, Wq, L y W
son siempre menores de lo que serían en los modelos que acabamos de analizar, los cuales poseen tiempos
de servicio variables. De hecho, tanto la longitud promedio de la cola como el tiempo de espera promedio
en la cola se reducen a la mitad con el modelo de tasa de servicio constante.
Ecuaciones para el modelo con tiempo de servicio constante
A continuación, se presentan las fórmulas para el modelo de servicio constante:
1. Longitud promedio de la cola:
A2
Lq — 211(11 A) (12-19)
2. El tiempo de espera promedio en la cola:
W= (12-20)
q — A)
 12.6 MODELO CON TIEMPO DE SERVICIO CONSTANTE (MIDI1) 451

A EN ACCIÓN Colas en las urnas

L as largas filas en las urnas de las elecciones presidenciales recientes
en Estados Unidos han causado cierta preocupación. En 2000 algunos
votantes en Florida esperaron en fila más de 2 horas para emitir su voto.
El recuento final favoreció al ganador por 527 votos de los casi 6 millo-
nes de votos emitidos en ese estado. Algunos electores se cansaron de
esperar y simplemente abandonaron la fila sin votar, lo cual pudo haber
afectado el resultado. Un cambio de 0.01% podría haber causado re-
sultados diferentes. En 2004, hubo informes de votantes en Ohio que
esperaron en la fila hasta 10 horas para votar. Si tan sólo 19 votantes
potenciales en cada distrito electoral de los 12 condados más grandes
de Ohio se cansaron de esperar y se fueron sin votar, el resultado de
las elecciones podría haber sido diferente. Hubo problemas evidentes
con el número de máquinas disponibles en algunos de los recintos. Una
instalación de este tipo que necesitaba 13 máquinas, sólo tenía 2. Inex-
plicablemente, había 68 máquinas de votación en los almacenes, que
ni siquiera se utilizaron. Otros estados también presentaron largas filas.
El problema básico surge de no tener suficientes máquinas de
votación en muchos de los recintos, aunque algunos de ellos tenían
máquinas suficientes y no tuvieron problemas. ¿Por qué hubo un
J
problema en algunos de los distritos electorales? Parte de la razón
está relacionada con la previsión deficiente del número de votantes
en los diferentes distritos. Cualquiera que sea la causa, la mala dis-
tribución de las máquinas de votación entre los distritos parece ser
la principal causa de las largas filas en las elecciones nacionales. Los
modelos de colas pueden ayudar a proporcionar una manera cientí-
fica para analizar las necesidades y anticipar las líneas de votación con
base en el número de máquinas previstas.
El recinto de votación básico puede modelarse como un sistema
de colas con múltiples canales. Mediante la evaluación de un ran-
go de valores para el número pronosticado de electores en los dife-
rentes momentos del día, es posible determinar cuán largas serán las
líneas, con base en el número de máquinas de votación disponibles.
Aunque podría haber algunas líneas si el estado no tiene máquinas de
votación suficientes para satisfacer la necesidad prevista, la adecua-
da distribución de estas máquinas ayudará a mantener los tiempos de
espera en un nivel razonable.
Fuente: Basado en Alexander S. Belenky y Richard C. Larson. "To Queue or
Not to Queue", ORNS Today 33, 3 (junio de 2006): 30-34.

3. Número promedio de clientes en el sistema:

L = Lq (12-21)

4. Tiempo promedio en el sistema:

W = W + át1,„ (12-22)

García-Golding Recycling, Inc.

García-Golding Recycling, Inc., recolecta y comprime las latas de aluminio y botellas de vidrio en la ciu-
dad de Nueva York. Sus conductores de camión, que llegan a descargar estos materiales para reciclaje, es-
peran actualmente un promedio de 15 minutos antes de vaciar sus cargas. El costo por hora desperdiciada
del conductor y el camión mientras están en la cola tiene un valor de $60. Se puede comprar un nuevo
compactador automatizado que procesará cargas de camión a una velocidad constante de 12 camiones por
hora (es decir, 5 minutos por camión). Los camiones llegan de acuerdo con una distribución de Poisson a
una tasa promedio de 8 por hora. Si el nuevo compactador se pone en uso, su costo se amortizará a razón
de $3 por camión de descargado. Un practicante de verano de una universidad local hizo el siguiente análi-
sis para evaluar los costos contra los beneficios de la compra:
Costo de espera actual/viaje = (1/4 de hora de espera ahora)(costo de $60/hora)
= $15/viaje
Sistema nuevo: A = 8 camiones/hora que llegan
12, = 12 camiones/hora atendidos
A 8
Análisis de costos para el ejemplo Tiempo de espera promedio en la cola = Wq =
de reciclaje. 211.(bc — A) = 2(12) (12 — 8)

1
= — de hora
12
Costo de espera/viaje con el nuevo compactador = (1/1, de hora de espera)(costo de $60/hora) = $5/viaje
Ahorro con el equipo nuevo = $15 (sistema actual) — $5 (sistema nuevo)
= $10 viaje
El costo del equipo nuevo amortizado = $3/viaje
Ahorro neto = $7/viaje
452 CAPÍTULO 12 • MODELOS DE LÍNEAS DE ESPERA Y TEORÍA DE COLAS

PROGRAMA 12.3 A o
Garcie-Golding Recycling
Solución en Excel QM
para el modelo del 3 Waiting Unes M/D/1(Consta nt Service Times)
The erival RAU: ars] serme RATE nutra must be tules ami use 1000 ,
,aritilifie una kvx, 11 toro sutil
tiempo de servicio .0. ? o rrint.a.m, conviut e to a r. sud: zis G set has
constante, en el ejemplo 6 Data Resulta
Average %croar utilizetion(p) 0.66667
de García-Golding 7 Arnvul roe
s Sennco rato (µ) 12 Average number of eustomers in the queue(L.) 0.66667
Recycling 9 Average number of customars in the system(L) 1.33333
Average waiting time in the queue(131.) 0.03333
11 Average time in the system(WJ 016667
12 Probability (% of time) system is ernpty (P.) 0.33333

USO DE EXCEL QM PARA EL MODELO DEL TIEMPO DE SERVICIO CONSTANTE EN GARCÍA-GOLDING

Para utilizar Excel QM en este problema, del menú de Excel QM, seleccione Waiting Lines - Constata
Service Time Model (M/D/1). Cuando aparezca la hoja de cálculo, introduzca la tasa de llegada (8) y la
tasa de servicio (12). Una vez que las haya ingresado, se desplegará la solución mostrada en el pro-
grama 12.3.

12.7 Modelo de población finita (M/M/1 con fuente final

Cuando hay una población limitada de clientes potenciales para un centro de servicio, debemos considerar
un modelo de gestión de colas diferente. Este modelo se utilizaría, por ejemplo, si usted estuviera conside-
rando reparaciones de equipos en una fábrica que cuenta con cinco máquinas, si usted estuviera a cargo del
mantenimiento de una flota de 10 aviones de uso intensivo, o si se operara una sala de hospital que cuenta
con 20 camas. El modelo de población limitada permite la consideración de cualquier número de personas
de reparación (servidores).
Este modelo difiere de los tres modelos de colas anteriores en que ahora existe una relación depen-
diente entre la longitud de la cola y la tasa de llegada. Para ilustrar la situación extrema, si su fábrica
tuviera cinco máquinas y todas estuvieran descompuestas en espera de reparación, la tasa de llegada se
reduciría a cero. En general, a medida que la línea de espera se alarga en el modelo de población limitada,
la tasa de llegada de clientes o máquinas se reduce.
En esta sección, se describe un modelo de población llamado finito que tiene los siguientes supuestos:

1. Hay un solo servidor.

2. La población de unidades que solicitan el servicio es finita.*
3. Las llegadas siguen una distribución de Poisson y los tiempos de servicio se distribuyen
exponencialmente.
4. Los clientes se atienden de una forma primero en llegar, primero en ser atendido.

Ecuaciones para el modelo de población finita

Si se usa

= tasa media de llegada, µ = tasa media de servicio, N = tamaño de la población

las características de funcionamiento para el modelo de población finita con un solo canal o servidor en
operación son los siguientes:
1. Probabilidad de que el sistema esté vacío:
1
PO = A0 (12-23)
N! (
rt=0 (N — nKAt

• Aunque no hay un número definitivo que podamos usar para dividir poblaciones finitas de infinitas, la regla general empírica
es: si el número en la cola es una proporción significativa de la población de llegada, utilice un modelo de gestión de colas
finito. La obra Finite Queuing Tables, de L. G. Peck y R. N. Hazelwood (Nueva York: John Wiley & Sons, Inc., 1958) elimina
gran parte de las matemáticas involucradas en el cálculo de las características de funcionamiento de un modelo de este tipo.
 12.7 MODELO DE POBLACIÓN FINITA (M/M/1 CON FUENTE FINITA) 453

2. Longitud promedio de la cola:

(A +
Lq = N I.L) (1 - Po) 112-24)
A
3. Número promedio de clientes (unidades) en el sistema:
L = Lq + (1 - Po) (12-25)
4. Tiempo de espera promedio en la cola:
Ly
- (N - L)A (12-26)

5. Tiempo promedio en el sistema:

W = Wq - (12-27)

6. Probabilidad den unidades en el sistema:

N! (A ) "
P= Po para n = 0,1, ... , N (12-28)
P„= (N - n)!

Ejemplo del Departamento de Comercio

Los registros históricos indican que cada una de las cinco impresoras de alta velocidad del Departamento
de Comercio de Estados Unidos, en Washington, D.C., necesitan reparación después de unas 20 horas de
uso. Se ha determinado que las averías tienen distribución de Poisson. El técnico puede dar servicio a una
impresora en un promedio de 2 horas, a partir de una distribución exponencial.
Para calcular las características de funcionamiento del sistema, observamos en primer lugar que la
tasa media de llegada esa = 1/20 = 0.05 impresoras/hora. La tasa media de servicio esµ = 1/2 = 0.50
impresoras/hora. Entonces

1
= 0.564 (usted puede confirmar estos cálculos)
1. =y
5 5! 0.05
E
n=0 (5 - n)! 0.5 )
(0.05 + 0.5)(1 _
2. Lq = 5 P-(11) (1 - 0.564) = 5 - 4.8
0.05 )‘
= 0.2 impresoras
3. L = 0.2 + (1 - 0.564) = 0.64 impresoras

4. W =
0.2 0.2
= - 0.91 horas
q (5 - 0.64)( 0.05) 0.22

5. W = 0.91 0.50
+ - = 2.91 horas

Si el tiempo de inactividad de una impresora cuesta $120 por hora y al técnico se le pagan $25 por
hora, también podemos calcular el costo total por hora:
Costo total por hora = (Número promedio de impresoras averiadas)(Costo por hora de inactividad)
+ Costo del técnico por hora
• = (0.64)($120) + $25 = $76.80 + $25.00 = $101.80

SOLUCIÓN DEL MODELO DEL DEPARTAMENTO DE COMERCIO CON POBLACIÓN FINITA ME-
DIANTE EXCEL QM Para utilizar Excel QM en este problema, en el menú de Excel QM seleccione
Waiting Gines - Limited Population Model (M/M/s). Cuando aparezca la hoja de cálculo, introduzca la
tasa de llegada (8), la tasa de servicio (12), el número de servidores y el tamaño de la población. Una vez
que los haya ingresado, se desplegará la solución mostrada en el programa 12.4. Además, existen salidas
adicionales disponibles.
454 CAPÍTULO 12 • MODELOS DE LÍNEAS DE ESPERA Y TEORÍA DE COLAS
PROGRAMA 12.4
Solución en Excel
QM para el modelo
de población finita
en el ejemplo del
Departamento de
Comercio
12.8 Algunas relaciones características generales de funcionamiento
Un estado estacionario es la
condición normal de funcionamiento
del sistema de colas.
Un sistema de colas está en un
estado transitorio antes de alcanzar
el estado estacionario.
12.9 Modelos de colas más complejos y el uso de la simulación
Existen modelos más sofisticados
para manejar variaciones de los
supuestos básicos, pero incluso
cuando éstos no son aplicables,
es posible recurrir a la simulación
por computadora, el tema del
capítulo 13.
Department of Commerce
3 Waiting Linos 98/M/s with a finito population
4 rhe anwai rafe a la laca merntrei of ate poputation f1 arey go tor servke every 20
5 mn.Am tiren creer 3 tper tocar
Data Re-sults
Arma! rato (4 per
7 customer 065 Average server utilizatia n(p) 0.43605
8 Service 'ate (µ) 0.5 Average number of customcrs in the queue(1.5) 010347
9 Number of seivers Average number of custorners in the system(LJ 0.63952
10 Poi:datan size (N) Average waiting time in the querae(W.) 0.93326
11 Average ten* in the systemMJ 293326
12 ProbabiEty (% of time) system is empty (P.) 0.56395
13 Effactive *nivel rata 0.21802
Existen ciertas relaciones entre las características de funcionamiento específicas para cualquier sistema
de colas en estado estacionario. Existe una condición de estado estacionario cuando un sistema de colas
se encuentra en su condición de funcionamiento normal, estabilizado, generalmente después de un estado
transitorio o inicial que puede ocurrir (por ejemplo, los clientes que están esperando en la puerta cuando
una empresa abre por la mañana). Tanto la tasa de llegada como la tasa de servicio deberían ser estables en
el estado estacionario. John D. C. Little ha recibido el crédito de las dos primeras relaciones de este tipo y,
por eso, se denominan ecuaciones de flujo de Little:
L = AW (o W = LA) (12-29)
Lq = An (o Wq = Lq/A) (12-30)
Una tercera condición que siempre se debe cumplir es
Tiempo promedio en el sistema = tiempo promedio en la cola + tiempo promedio recibiendo el
servicio
W = Wq + (12-31)
La ventaja de estas fórmulas es que, luego de conocer una de las cuatro características, las restantes se
obtienen fácilmente. Esto es importante porque, para ciertos modelos de colas, una de las características
puede ser mucho más fácil de determinar que las otras. Las fórmulas son aplicables a todos los sistemas de
colas analizados en este capítulo, excepto al modelo de población finita.
Muchos de los problemas prácticos de líneas de espera que se presentan en los sistemas de servicios de
producción y operaciones tienen características como las del taller de silenciadores de Arnold, García-Gol-
ding Recycling Inc., o el Departamento de Comercio. Esto es válido cuando la situación requiere lineas de
espera de un solo canal o con múltiples canales, con llegadas de Poisson y tiempos de servicio exponencia-
les o constantes, una población potencial infinita y un servicio de FIFO.
Sin embargo, es común que haya variaciones de este caso específico en un análisis. Los tiempos de
servicio en un taller de reparación de automóviles, por ejemplo, tienden a seguir la distribución de proba-
bilidad normal en vez de la exponencial. Un sistema de registro a la Universidad, donde los alumnos de
último año tienen la primera opción de cursos y horarios sobre el resto de los estudiantes, es un ejemplo
de un modelo primero en llegar, primero en ser atendido y una disciplina de colas de prioridad preferente.
Un examen médico para los reclutas militares es un ejemplo de un sistema con múltiples fases —diferen-
te de los modelos de una fase estudiados en este capítulo—. Un recluta primero hace fila para que le to-
men la muestra de sangre en una estación y, luego, espera a realizar un examen de la vista en la próxima
estación, habla con un psiquiatra en la tercera y es examinado por un médico en la cuarta. En cada fase, el
recluta debe entrar en otra cola y esperar su turno.
Los investigadores de operaciones han desarrol ado modelos para manejar tales casos. Los cálculos
para las formulaciones matemáticas resultantes son go más complejas que las que se tratan en este ca-
pítulo,* y muchas aplicaciones de las colas en el m ndo real son demasiado complejas para modelarse
analíticamente en absoluto. Cuando esto sucede, lo analistas cuantitativos generalmente recurren a la
simulación por computadora.
• Con frecuencia, los resultados cualitativos de los modelos de colas son tan útiles como los cuantitativos. Los resultados
muestran que es inherentemente más eficiente unir recursos, usar estaciones de envío centralizadas y proporcionar sistemas
con varios servidores individuales en lugar de varios sistemas con un solo servidor.
 GLOSARIO 455

La simulación, el tema del capítulo 13, es una técnica en la cual se utilizan números aleatorios para
obtener conclusiones acerca de las distribuciones de probabilidad (por ejemplo, las llegadas y los servi-
cios). Con este enfoque, es posible desarrollar muchas horas, días o meses de datos por medido de una
computadora en pocos segundos. Esto permite el análisis de los factores controlables, como la adición de
otro canal de servicio, sin llegar a hacerlo de manera física. Básicamente, siempre que un modelo analítico
de colas estándar presenta una aproximación deficiente al sistema de servicio real, es razonable desarrollar
un modelo de simulación en su lugar.

Resumen

Las lineas de espera y los sistemas de servicios son partes importan-
tes del mundo de los negocios. En este capítulo se describen varias
situaciones comunes de colas y se presentan modelos matemáticos
para analizar líneas de espera que siguen ciertos supuestos. Esos su-
puestos son que 1. las llegadas provienen de una población infinita o
muy grande, 2. las llegadas tienen una distribución de Poisson, 3. las
llegadas son atendidas de manera FIFO y no rechazan ni renuncian,
4. los tiempos de servicio siguen una distribución exponencial nega-
tiva o son constantes y 5. la tasa promedio de servicio es más rápida
que la tasa promedio de llegada.
Los modelos presentados en este capítulo son para problemas de
un solo canal, de una fase y de una fase con múltiples canales. Des-
pués de calcular una serie de características de funcionamiento, se es-
tudian los costos esperados totales. Como se muestra gráficamente en
la figura 12.1, el costo total es la suma del costo de la prestación del
servicio más el costo del tiempo de espera.
Se mostró que las características operativas clave para un siste-
ma son 1. la tasa de utilización, 2. el porcentaje de tiempo inactivo,
3. el tiempo promedio pasado en espera en el sistema y en la cola, 4. el
número promedio de clientes en el sistema y en la cola y 5. las proba-
bilidades de varios números de clientes en el sistema.
El capítulo enfatiza que existe una gran variedad de modelos de
colas que no cumplen todos los supuestos de los modelos tradiciona-
les. En tales casos, se utilizan modelos matemáticos más complejos o
recurrimos a una técnica denominada simulación por computadora.
En el capítulo 13 se estudia la aplicación de la simulación a problemas
de sistemas de colas, control de inventarios, averías de máquinas y
otras situaciones de análisis cuantitativo.

Glosario
Características de funcionamiento Características descriptivas de
un sistema de colas, incluyendo el número promedio de clientes
en una linea y en el sistema, los tiempos de espera promedio en
una línea y en el sistema, y el porcentaje de tiempo inactivo.
Costo de espera Costo en el que incurre una compañía por tener
clientes u objetos en espera de ser atendidos en la cola o en el
sistema.
Costo del servicio El costo de proporcionar un determinado nivel
de servicio.
Disciplina de cola Una regla mediante la cual los clientes en una
línea de espera reciben el servicio.
Distribución de Poisson Una distribución de probabilidad que
se utiliza a menudo para describir las llegadas aleatorias a una
cola.
Distribución de probabilidad exponencial negativa Una distribu-
ción de probabilidad que se utiliza con frecuencia para describir
los tiempos de servicio aleatorios en un sistema de servicio.
Ecuaciones de finjo de Little Un conjunto de relaciones existentes
para cualquier sistema de colas en un estado estacionario.
Estado estacionario La condición de funcionamiento normal, esta-
bilizado de un sistema de colas.
Estado transitorio La condición inicial de un sistema de colas an-
tes de alcanzar un estado estacionario.
Factor de utilización (p) Proporción del tiempo que las instalacio-
nes de servicio están en uso.
FIFO Una disciplina de cola (significa primero en entrar, primero
en salir) donde se da el servicio a los clientes en estricto orden de
llegada.
Línea de espera (cola) Uno o más clientes u objetos en espera de
ser atendidos.
Longitud de cola ilimitada Una cola que puede aumentar hasta un
tamaño infinito.
Longitud de cola limitada Una línea de espera que no puede au-
mentar más allá de un tamaño específico.
MIDIl Notación Kendall para el modelo del tiempo de servicio
constante.
M/M/1 Notación Kendall para el modelo de un solo canal con lle-
gadas de Poisson y tiempos de servicio exponenciales.
M/M/m Notación Kendall para un modelo de colas con múltiples
canales (con m servidores), llegadas de Poisson y tiempos de ser-
vicio exponenciales.
Notación Kendall Un método de clasificación de los sistemas de
colas basado en la distribución de llegadas, la distribución de los
tiempos de servicio y el número de canales de servicio.
Población ilimitada o infinita Una población potencial que es
muy grande en relación con el número de clientes que están ac-
tualmente en el sistema.
Población limitada o finita Un caso en el cual el número de clien-
tes en el sistema es una proporción significativa de la población
potencial.
Población potencial La población de elementos de donde provie-
nen las llegadas al sistema de colas.
Rechazo El caso en el que los clientes que llegan se niegan a unirse
a la línea de espera.
Renuncia El caso en el cual los clientes entran a una cola, pero
luego se van antes de ser atendidos.
456 CAPÍTULO 12 • MODELOS DE LÍNEAS DE ESPERA Y TEORÍA DE COLAS

Sistema con múltiples fases Un sistema donde se recibe servicio Sistema de una Un sistema de colas en el cual se recibe servi-
en más de una estación, una después de la otra. cio en una sol estación.
Sistema de colas con múltiples canales Un sistema que tiene más Teoría de colas El estudio matemático de las lineas de espera
de una instalación de servicio, todo alimentado por una sola cola. o colas.
Sistema de un solo canal Un sistema con una instalación de
servicio alimentada por una cola.

Ecuaciones clave

A = número promedio de llegadas por periodo de tiempo (12-9) Costo de espera total por periodo de tiempo = (AW) C,,
= número promedio de personas o elementos atendidos Cw = costo de espera
por periodo de tiempo Costo del tiempo de espera con base en el tiempo en el
Las ecuaciones 12-1 a 12-7 describen las características de funciona- sistema.1
miento en el modelo de un solo canal que tiene llegadas de Poisson y
(12-10) Costo de espera total por periodo de tiempo = (AWq)Cw
tasas de servicio exponenciales.
Costo del tiempo de espera con base en el tiempo en la cola.
(12-1) L = número promedio de unidades (clientes) en el sistema.
(12-11) Costo total = mCs + ÁWCw
A
Costo del tiempo de espera con base en el tiempo en el
12, — A sistema.
(12-2) W = tiempo promedio que pasa una unidad en el sistema (12-12) Costo total = mCs + AWqC,„
(Tiempo de espera + Tiempo de servicio) Costo del tiempo de espera con base en el tiempo en la cola.
1 Las ecuaciones 12-13 a 12-18 describen las características de fun-
— A cionamiento en los modelos con múltiples canales que tienen llegadas
de Poisson y tasas de servicio exponenciales, donde m = número de
(12-3) Lq = número promedio de unidades en la cola canales abiertos.
A2
1
(12-13) Po =
g(iL — A) (A fl- 1 I (A yn
(12-4) Wq = tiempo promedio que pasa una unidad esperando n1
=0 — A
en la cola para mµ >
A Probabilidad de que no haya personas o unidades en el
- A) sistema.
Aia(Aiihri .4_
(12-5) p = factor de utilización para el sistema = — (12-14) L =
(in — 1)!(mp. — A)2
(12-6) Po = probabilidad de O unidades en el sistema Número promedio de personas o unidades en el sistema.
(es decir, la unidad de servicio está inactiva)
1 L
Á ( 12-15) W= 11(A/Pr
=1—— (m— 1)1(mil, — A)2 11, = —
A
Tiempo promedio que pasa una unidad en la línea de espera
(12-7) -Prt>k= probabilidad de más de k unidades en el sistema o siendo atendida (es decir, en el sistema).

(12-16)47 = L — —
P•
Númerp promedio de personas o unidades en la línea espe-
Las ecuaciones 12-8 a 12-12 se utilizan para encontrar los costos de rando 1 servicio.
un sistema de colas.
1 L
(12-8) Costo del servicio total = mCs (12-17) Wq = W — — =
A
donde Tiem promedio que una persona o unidad pasa en la cola
m = número de canales esperando el servicio.
Cs = costo del servicio (costo de mano de obra) en cada canal
(12-18) p =

Tasa de utilización.
 PROBLEMAS RESUELTOS 457

Las ecuaciones 12-19 a 12-22 describen las características de fun- (A + ih)

cionamiento de los modelos de un solo canal que tienen llegadas de (12-24) Lq = N (1 — Po)
Poisson y tasas de servicio constantes.
Longitud promedio de la cola.
A2
(12-19)4 = 21.1,(1 A) (12-25) L = Lq + (1 — P0)

Longitud promedio de la cola. Número promedio de unidades en el sistema.

Lq
(12-20) Wq — 211(1 A) (12-26) W =
q (N — L)A

Tiempo de espera promedio en la cola. Tiempo promedio en la cola.

A 1
(12-21) L = Lq + — (12-27) W = Wq + —

Número promedio de clientes en el sistema. Tiempo promedio en el sistema.

1 N! ( Ay
(12-22) W = Wq + — (12-28) = (N ) Po para n = O, 1, . . , N

Tiempo de espera promedio en el sistema. Probabilidad den unidades en el sistema.

Las ecuaciones 12-23 a 12-28 describen las características de funciona- Las ecuaciones 12-29 a 12-31 son las ecuaciones de flujo de Little, que
miento de los modelos de un solo canal que tienen llegadas de Poisson y pueden utilizarse cuando existe una condición de estado estacionario.
tasas de servicio exponenciales y una población potencial finita.
(12-29) L = AW
1 (12-30) Lq = AWq
(12-23) Po = N N! (
E
n=o N — n)
(12-31) W = Wq + 1/12.

Probabilidad de que el sistema esté vacío.

Problemas resueltos

Problema resuelto 12-1

La tienda Maitland Furniture recibe un promedio de 50 clientes por turno. La gerente de Maitland quiere calcular
si debería contratar a 1, 2, 3 o 4 vendedores. Ella determinó que el tiempo de espera promedio será de 7 minutos
con 1 vendedor, 4 minutos con 2 vendedores, 3 minutos con 3 vendedores y 2 minutos con 4 vendedores. También
estimó que el costo por minuto que los clientes esperan es de $1. El costo por vendedor por turno (incluyendo pres-
taciones) es de $70.
¿Cuántos vendedores deberían contratarse?
Solución
Los cálculos de la gerente son los siguientes:

NÚMERO DE VENDEDORES
1 2 3 4
(a) Número promedio de clientes por turno 50 50 50 50
(b) Tiempo de espera promedio por cliente (minutos) 7 4 3 2
(c) Tiempo de espera total por turno (a X b) (minutos) 350 200 150 100
(d) Costo por minuto de tiempo de espera (estimado) $1.00 $1.00 $1.00 $1.00
(e) Valor del tiempo perdido (c X d) por turno $ 350 $ 200 $ 150 $ 100
(f) Costo salarial por turno $ 70 $ 140 $ 210 $ 280
(g) Costo total por turno $ 420 $ 340 $ 360 $ 380

Debido a que el costo total mínimo por turno es el generado por dos vendedores, la estrategia óptima de la gerente
es contratar a 2 vendedores.
458 CAPÍTULO 12 • MODELOS DE LÍNEAS DE ESPERA Y TEORÍA DE COLAS

Problema resuelto 12-2

Marty Schatz es el dueño y gerente de un negocio de hot-dogs Y bebidas gaseosas cerca del campus. Aunque Marty
puede dar servicio a 30 clientes por hora en promedio (4 sólo recibe 20 clientes por hora (A). Debido a que
Marty puede atender 50% más de los clientes que en realidad recibe, para él no tiene ningún sentido que haya
líneas de espera en su negocio.
Marty lo contrata a usted para estudiar la situación y determinar algunas características de la cola. Después de
examinar el problema, usted encontrará que éste es un sistema M/M/1. ¿Cuáles son sus conclusiones?
Solución
A 20
L= = = 2 clientes en el sistema, en promedio
1.t, — A 30 — 20
1 1
W— = = 0.1 horas (6 minutos) que el cliente pasa en el sistema total,
AL
— A 30 — 20 en promedio
A2 202
Lq = = 1.33 clientes que esperan servicio en la línea, en promedio
µ(u. — A) 30(30 — 20)
A 2
W = = = 1/15 horas = (4 minutos) = tiempo de espera promedio
q ILO.A. — A) 30(30 0 — 20)
de un cliente en la cola
0
‘- = 1
P= tc - = 0.67 = porcentaje del tiempo que Marty está ocupado atendiendo a los clientes
30

Po = 1 — = 1 — p = 0.33 = probabilidad de que no haya clientes en el sistema (siendo

atendidos o esperando en la cola) en un momento dado

Probabilidad de k o más clientes que esperan

en la línea y/o que están siendo atendidos

k Pa

O 0.667
0.444
1
2 0.296
3 0.198

Problema resuelto 12-3

Consulte el problema resuelto 12-2. Marty acordó que estas cifras parecían representar su situación de negocios
aproximada. Usted está muy sorprendido por la longitud de las líneas y obtiene de Marty un valor estimado del
tiempo de espera del cliente (en la cola, no siendo atendido) de 10 centavos por minuto. Durante las 12 horas que
el negocio está abierto, recibe (12 X 20) = 240 clientes. El cliente promedio está 4 minutos en la cola, por lo
que el tiempo total de espera de los clientes es de (240 X 4 minutos) = 960 minutos. El valor de los 960 minutos
es ($0.10)(960 minutos) = $96. Usted le dice a Marty que 10 centavos por minuto no sólo es bastante conservador,
sino que probablemente podría ahorrarse la mayor parte de esos $96 por la mala imagen ante el cliente, si contra-
tara a otro vendedor. Después de mucho regateo, Marty se compromete a invitar a usted todos los hot-dogs que
pueda comerse durante un periodo de una semana, a cambio de un análisis de los resultados si tuviera dos emplea-
dos para atender a los clientes.
Suponiendo que Marty contrata a un vendedor adicion cuya tasa de servicio es igual a la de Marty, realice
el análisis.
 PROBLEMAS RESUELTOS 459

Solución
Con dos personas trabajando, el sistema se vuelve de dos canales, o m = 2. Al realizar los cálculos se obtiene

1
Po = 2(30) 1
PI' [2011 + 1[20121-
n=0 n!l_ 3oi 2!1_30 j L 2(30) — 20 j
1
(1)(2/3)° + (1)(2/3)' + (1/2)(4/9)(6/4) = 0.5
= probabilidad de que no haya clientes en el sistema
[ (20)(30)(20/30)2 20
L= 0.5 + — = 0.75 clientes en el sistema, en promedio
(2 — 1)![(2)(30 — 20)12 30
L 3/4 3
W = — = — = 80 de hora = 2.25 minutos que el cliente promedio pasa en todo el sistema
A 20
A 3 20 1
Lq = L — — = — — — = — = 0.083 clientes que esperan el servicio en la línea, en promedio
AL 4 30 12
4 'A 1
W= de hora = — de minuto = tiempo de espera promedio de un cliente
q Á 20 240 4
en la cola (sin ser atendido)
A 20 1
= = = = 0.33 = tasa de utilización
P
mp. 2(30) 3

Ahora se tienen (240 clientes) X (1/240 de hora) = 1 hora de tiempo total de espera de los clientes por día.

El costo total de 60 minutos de tiempo de espera de los clientes es (60 minutos) ($0.10 por minuto) = $6.

Ahora ya está listo para señalar a Marty que la contratación de un empleado adicional le ahorrará $96 — $6 = $90
por la mala imagen ante el cliente, cada turno de 12 horas. Marty responde que la contratación también debería
reducir el número de personas que ven la fila y se van, así como el número de clientes que se cansan de esperar
en la cola y se retiran. En ese momento, usted le dice a Marty que está listo para comerse dos hot-dogs con picante
extra.

Problema resuelto 12-4

Vacations Inns es una cadena de hoteles que opera en el suroeste de Estados Unidos. La empresa utiliza un número
de teléfono gratuito para realizar reservaciones en cualquiera de sus hoteles. El tiempo promedio para atender cada
llamada es de 3 minutos, y se recibe un promedio de 12 llamadas por hora. La distribución de probabilidad que
describe las llegadas es desconocida. Durante un periodo de tiempo, se determina que la persona que llama gasta
en promedio 6 minutos, ya sea en espera o recibiendo el servicio. Encuentre el tiempo promedio en la cola, el
tiempo promedio en el sistema, el número promedio de llamadas en la cola y el número promedio de llamadas en
el sistema.
Solución
Las distribuciones de probabilidad son desconocidas, pero se tiene el tiempo promedio en el sistema (6 minutos).
Por lo tanto, podemos utilizar las ecuaciones de flujo de Little:
W = 6 minutos = 6/60 horas = 0.1 horas
A= 12 por hora
p, = 60/3 = 20 por hora
Tiempo promedio en la cola = Wq = W — 1/1.t, = 0.1 — 1/20 = 0.1 — 0.05 = 0.05 horas
Número promedio de llamadas en el sistema = L = ÁW = 12(0.1) = 1.2 llamadas
Número promedio de llamadas en la cola = Lq = AWq = 12(0.05) = 0.6 llamadas
460 CAPÍTULO 12 • MODELOS DE LÍNEAS DE ESPERA Y TEORÍA DE COLAS
Autoevaluación
• Antes de realizar la autoevaluación, consulte los objetivos de aprendizaje al comienzo del capítulo, las notas en los márgenes y el glosario
al final del capítulo.
• Consulte las soluciones en la parte final del libro para corregir sus respuestas.
• Vuelva a estudiar las páginas que correspondan a todas las preguntas que respondió incorrectamente o al material del que no se sienta seguro.
1. La mayoría de los sistemas usan la disciplina de cola conocida
como la regla de FIFO.
a. Verdadero
b. Falso
2. Antes de usar distribuciones exponenciales para construir
modelos de colas, el analista cuantitativo debería determinar si
los datos del tiempo de servicio se ajustan a la distribución.
a. Verdadero
b. Falso
3. En un sistema de colas de una fase con múltiples canales,
la llegada pasará a través de, al menos, dos instalaciones de
servicio diferentes.
a. Verdadero
b. Falso
4. ¿Cuál de los siguientes no es un supuesto en los modelos M/M/1?
a. Las llegadas provienen de una población infinita o muy
grande.
b. Las llegadas tienen una distribución de Poisson.
c. Las llegadas son atendidas con base en FIFO y no rechazan
ni renuncian.
d. Los tiempos de servicio siguen una distribución exponencial.
e. La tasa promedio de llegada es más rápida que la tasa pro-
medio de servicio.
5. Un sistema de colas descrito como M/D/2 tendría
a. tiempos de servicio exponenciales.
b. dos colas.
c. tiempos de servicio constantes.
d. tasas de llegada constantes.
6. Los automóviles entran al servicio por la ventanilla de un
restaurante de comida rápida para realizar un pedido y, luego,
proceden a realizar el pago y recoger los alimentos. Éste es un
ejemplo de
a. un sistema con múltiples canales.
b. un sistema con múltiples fases.
c. un sistema con múltiples colas.
d. ninguno de los anteriores.
7. El factor de utilización de un sistema se define como
a. el número medio de personas atendidas dividido entre el
número medio de llegadas por periodo de tiempo.
b. el tiempo promedio que un cliente pasa esperando en una
cola.
c. la proporción del tiempo que las instalaciones de servicio
están en uso.
d. el porcentaje de tiempo inactivo.
e. ninguno de los anteriores.
8. ¿Cuál de los siguientes sistemas no tendría una disciplina de
cola de FIFO?
a. Restaurante de comida rápida
b. Oficina de correos
c. Fila para pagar en una tienda de comestibles
d. Sala de emergencias en un hospital
9. Una empresa tiene un técnico en computación que se encarga
de las reparaciones de 20 computadoras de la empresa. Cuando
un equipo falla, se llama al técnico para que haga la reparación.
Si el reparador está ocupado, la computadora debe esperar por
el servicio. Éste es un ejemplo de
a. un sistema con múltiples canales.
b. un sistema con población finita.
c. un sistema con tasa de servicio constante.
d. un sistema con múltiples fases.
10. Al realizar un análisis de costos de un sistema de colas, el
costo del tiempo de espera (C„,) se basa a veces en el tiempo en
la cola y, a veces en el tiempo en el sistema. ¿Para cuál de las
siguientes situaciones el costo de espera se debería basar en el
tiempo en el sistema?
a. Espera en una fila para subir a un juego mecánico
b. Espera para discutir un problema de salud con un médico
c. Espera por una foto y un autógrafo de una estrella de rock
d. Espera por la reparación de una computadora para que se
pueda poner de nuevo en servicio
H. Los clientes entran a la línea de espera en una cafetería de
la forma primero en llegar, primero en ser atendido. La tasa
de llegadas sigue una distribución de Poisson y los tiempos de
servicio sé distribuyen exponencialmente. Si el número pro--
medio de llegadas es de 6 por minuto y la tasa de servicio
promedio de un solo servidor es de 10 por minuto, ¿cuál es
el número promedio de clientes en el sistema?
a. 0.6
b. 0.9
c. 1.5
d. 0.25
e. ninguno de los anteriores
12. En el modelo de colas estándar, suponemos que la disciplina de
la cola es
13. Se supone que el tiempo de servicio en el modelo de colas
M/M/1 es
14. Cuando los administradores encuentran que las fórmulas
estándar para los sistemas de colas son inadecuadas o que
las matenrticas son irresolubles, con frecuencia recurren a
para obtener soluciones.

Preguntas para análisis y problemas
Preguntas para análisis
12-1 ¿Cuál es el problema de la línea de espera? ¿Cuáles son
los componentes de un sistema de líneas de espera?
12-2 ¿Cuáles son los supuestos subyacentes en los modelos de
colas comunes?
12-3 Describa las características de funcionamiento importan-
tes en un sistema de colas.
12-4 ¿Por qué la tasa de servicio debe ser mayor que la tasa de
llegada en un sistema de colas de un solo canal?
12-5 Describa brevemente tres situaciones en las cuales la regla
de disciplina de FIFO no es aplicable al análisis de colas.
12-6 Mencione ejemplos de cuatro situaciones en las que existe
una población limitada o finita.
12-7 ¿Cuáles son los componentes de los siguientes sistemas?
Dibuje y explique la configuración de cada uno.
(a) Una barbería
(b) Un lavado de autos
(c) Una lavandería
(d) Una pequeña tienda de comestibles
12-8 Dé un ejemplo de una situación en la que el costo del
tiempo de espera se basa en el tiempo de espera en la cola.
Mencione un ejemplo de una situación donde el costo
de tiempo de espera se basa en el tiempo de espera en el
sistema.
12-9 ¿Cree usted que la distribución de Poisson, que supone
llegadas independientes, es una buena estimación de las
tasas de llegada en los siguientes sistemas de colas? De-
fienda su posición en cada caso.
(a) La cafetería de su escuela
(b) Una barbería
(c) Una ferretería
(d) Un consultorio dental
(e) Una clase universitaria
(f) Una sala de cine
Problemas*
: 12-10 La tienda departamental Schmedley Discount cuenta con
aproximadamente 300 clientes que compran en su tienda
de 9 A.M. a 5 P.M. los días sábado. Al decidir cuántas cajas
registradoras debe mantener abiertas cada sábado, el ge-
rente de Schmedley considera dos factores: el tiempo de
espera de los clientes (y el costo de espera asociado) y los
costos del servicio debido al empleo de cajeros adiciona-
les. A los cajeros se les paga un promedio de $8 por hora.
Cuando sólo uno está en servicio, el tiempo de espera por
cliente es de unos 10 minutos (o 1/6 de hora); cuando hay
dos empleados en servicio, el tiempo de pago promedio
es de 6 minutos por persona; 4 minutos, cuando hay tres
* Nora: fa significa que el problema puede resolverse con QM para Wmdows; 3£ significa que el problema puede resolverse con Excel QM, y z significa que el problema
puede resolverse con QM para Windows y/o Excel QM.
PREGUNTAS PARA ANÁLISIS Y PROBLEMAS 461
empleados trabajando, y 3 minutos, cuando se tienen cua-
tro empleados en servicio
La gerencia de Schmedley ha realizado encuestas de
satisfacción de los clientes y ha sido capaz de estimar que
la tienda tiene un costo aproximado de $10 por pérdida
de ventas y de buena imagen por cada hora del tiempo de
los clientes dedicada a esperar en las filas para pagar. Use
la información proporcionada para determinar el número
óptimo de empleados que se deben tener en servicio cada
sábado, con la finalidad de minimizar el costo esperado
total de la tienda.
2- 12-11 La corporación Rockwell Electronics mantiene un perso-
X
nal de servicio para reparar las averías de sus máquinas,
que se producen en un promedio de = 3 por día (con
una naturaleza aproximadamente de Poisson).
Este personal puede dar servicio a un promedio de
= 8 máquinas por día, con una distribución del tiempo
de reparación que se asemeja a la distribución exponencial.
(a) ¿Cuál es la tasa de utilización de este sistema de
servicio?
(b) ¿Cuál es el tiempo inactivo promedio para una máqui-
na que se ha averiado?
(c) ¿Cuántas máquinas están esperando a ser atendidas en
un momento dado?
(d) ¿Cuál es la probabilidad de que más de una máquina
se encuentre en el sistema? ¿La probabilidad de que
más de dos están descompuestas y en espera de ser re-
paradas o atendidas? ¿Más de tres? ¿Y más de cuatro?
1- 12-12 A partir de datos históricos, el lavado de autos de Harry
3
estima que los automóviles sucios llegan a una tasa de 10
por hora durante todo el día sábado. Con una cuadrilla tra-
bajando en la línea de lavado, Harry calcula que los autos
se pueden atender a razón de uno cada 5 minutos. En este
ejemplo de una línea de espera de un solo canal, los autos
se lavan de uno en uno.
Si se supone que las llegadas son de Poisson y los
tiempos de servicio exponenciales, encuentre
(a) el número promedio de autos en la línea.
(b) el tiempo promedio que un auto espera antes de ser
lavado.
(c) el tiempo promedio que un auto pasa en el sistema de
servicio.
(d) la tasa de utilización del sistema de lavado.
(e) la probabilidad de que no haya autos en el sistema.
2: 12-13 Mike Dreskin administra un gran complejo de cines en
Los Ángeles llamado Cinema I, II, M y IV. Cada una de
las cuatro salas proyecta una película diferente; el horario
se establece de modo que los tiempos de inicio estén es-
calonados para evitar las grandes aglomeraciones que se
producirían si las cuatro películas comenzaran al mismo
tiempo. El complejo tiene una sola taquilla y un cajero
462 CAPÍTULO 12 • MODELOS DE LÍNEAS DE ESPERA Y TEORÍA DE COLAS
que puede mantener una tasa de servicio promedio de 280
clientes por hora. Se supone que los tiempos de servicio
siguen una distribución exponencial. Las llegadas en un
día típicamente activo tienen una distribución de Poisson
y promedian 210 por hora.
Para determinar la eficiencia de la operación actual
de venta de boletos, Mike desea examinar varias caracte-
rísticas del funcionamiento de la cola.
(a) Encuentre el número promedio de clientes que espe-
ran en la fila para comprar un boleto.
(b) ¿Qué porcentaje del tiempo el cajero está ocupado?
(c) ¿Cuál es el tiempo promedio que un cliente pasa en el
sistema?
(d) ¿Cuál es el tiempo de espera promedio en la cola para
llegara la taquilla?
(e) ¿Cuál es la probabilidad de que haya más de dos per-
sonas en el sistema? ¿Más de tres personas? ¿Más de
cuatro?
al:12-14 Una línea en la cafetería de una universidad en el centro
de estudiantes es una instalación de autoservicio donde los
estudiantes seleccionan los alimentos que desean y, luego,
forman una sola línea para pagar al cajero. Los estudiantes
llegan a la caja a una tasa aproximada de cuatro por mi-
nuto de acuerdo con una distribución de Poisson. El único
cajero que realiza los cobros tarda unos 12 segundos por
cliente, siguiendo una distribución exponencial.
(a) ¿Cuál es la probabilidad de que haya más de dos estu-
diantes en el sistema? ¿Más de tres estudiantes? ¿Más
de cuatro?
(b) ¿Cuál es la probabilidad de que el sistema esté vacío?
(c) ¿Cuánto tiempo espera el estudiante promedio antes
de llegar a la caja?
(d) ¿Cuál es el número esperado de estudiantes en la cola?
(e) ¿Cuál es el número promedio de estudiantes en el
sistema?
(f) Si se agrega una segunda caja (que trabaja al mismo
ritmo), ¿cómo cambian las características de funcio-
namiento calculadas en los incisos (b), (c), (d) y (e)?
Suponga que los clientes esperan en una sola línea y
van a la primera caja disponible.
Q:12-15 La temporada de cosecha de trigo en el medio oeste estadou-
X*
nidense es corta, y la mayoría de los agricultores entregan
sus camiones cargados de trigo a un gigantesco contenedor
de almacenamiento central en un lapso de dos semanas. De-
bido a esto, los camiones llenos de trigo esperan en una fila
para descargar en el contenedor y volver a los campos de
cultivo. El contenedor central es propiedad cooperativa, y es
en beneficio de todos los agricultores con la finalidad de que
el proceso de almacenamiento/descarga sea lo más eficiente
posible. El costo del deterioro del grano causado por los re-
trasos en la descarga, el costo del alquiler de los camiones
y el tiempo de inactividad de los conductores son preocu-
paciones importantes de los miembros de la cooperativa.
Aunque los agricultores tienen dificultades para cuantificar
los daños a los cultivos, es fácil asignar un costo de espera y
descarga por camión y conductor de $18 por hora. El conte-
nedor está abierto y opera 16 horas al día, 7 días a la semana,
durante la temporada de cosecha y es capaz de descargar 35
camiones por hora de acuerdo con una distribución expo-
nencial. Los camiones cargados llegan durante todo el día
(d te las horas que el contenedor está abierto) a una tasa
de edor de 30 por hora, siguiendo un patrón de Poisson.
ara ayudar a la cooperativa con el problema de la
pérdi a de tiempo, mientras los camiones esperan en la fila
o mi tras son descargados en el contenedor, encuentre
(a) e número promedio de camiones en el sistema de
d scarga.
(b) e tiempo promedio por camión en el sistema.
(c) la tasa de utilización del área del contenedor.
(d) la probabilidad de que haya más de tres camiones en
el sistema en cualquier momento dado.
(e) el costo total diario de los agricultores por tener sus
camiones detenidos en el proceso de descarga.
Como se ha mencionado, la cooperativa utiliza el conte-
nedor sólo dos semanas al año. Los agricultores estiman
que una ampliación de este depósito recortaría los costos
de descarga en 50% el próximo año. Costaría $9,000 ha-
cer la expansión durante la temporada en que no hay des-
carga. ¿Sería rentable para la cooperativa ampliar el área
de almacenamiento?
ztE 12-16 La tienda departamental Ashley's en Kansas City mantie-
ne un exitoso departamento de ventas por catálogo, en el
cual un empleado recibe órdenes por teléfono. Si el em-
pleado está ocupado en una línea, las llamadas telefónicas
entrantes al departamento de ventas por catálogo son con-
testadas automáticamente por una máquina grabadora que
pide al cliente esperar. Tan pronto como el empleado se li-
bera, la llamada que ha esperado más tiempo se transfiere y
se responde primero. Las llamadas llegan a una tasa de alre-
dedor de 12 por hora. El empleado es capaz de tomar un pe-
dido en un promedio de 4 minutos. Las llamadas tienden a
seguir una distribución de Poisson y los tiempos de servicio
suelen ser exponenciales. Al empleado se le pagan $10 por
hora, pero debido a la pérdida de ventas y de buena imagen,
Ashley's pierde alrededor de $50 por cada hora que los
clientes pasan esperando a que el empleado tome su pedido.
(a) ¿Cuál es el tiempo promedio que los clientes por catá-
logo deben esperar antes de que sus llamadas se trans-
fieran al empleado?
(b) ¿Cuál es el número promedio de clientes esperando a
hacer un pedido?
(c) Ashley's está considerando la adición de un segundo
empleado para recibir llamadas. La tienda pagaría a
esa persona los mismos $10 por hora. ¿Debería con-
tratar a otro empleado? Explique su respuesta
x:12-17 Los automóviles llegan a la ventanilla de servicio en una
oficina de correos a una tasa de 4 cada 10 minutos. El
tiempo de servicio promedio es de 2 minutos. La distribu-
ción de Poisson es adecuada para la tasa de llegadas y los
tiempos de servicios se distribuyen de manera exponencial.
(a) ¿Cuál es el tiempo promedio que un auto está en
el sistema?
(b) ¿Cuál es el número promedio de vehículos en el
sistema?
(c) ¿Cuál es el tiempo promedio que pasan los autos en
espera de recibir el servicio?
(d) ¿Cuál es el número promedio de autos en la fila
detrás del cliente que está recibiendo el servicio?
(e) ¿Cuál es la probabilidad de que no haya autos en la
ventanilla?

(f) ¿Qué porcentaje del tiempo el empleado de correos
está ocupado?
(g) ¿Cuál es la probabilidad de que haya exactamente dos
autos en el sistema?
0: 12-18 En la oficina de correos del problema 12-17, se está con-
3C•
siderando una segunda ventanilla para atender a los clien-
tes. Se formaría una sola fila y cuando un auto llegara a
la parte delantera de la línea se dirigiría al siguiente em-
pleado disponible. El cajero de la nueva ventanilla trabaja-
ría al mismo ritmo que el actual.
(a) ¿Cuál es el tiempo promedio que un auto estaría en el
sistema?
(b) ¿Cuál es el número promedio de autos en el sistema?
(c) ¿Cuál es el tiempo promedio que pasarían los autos
en espera de recibir el servicio?
(d) ¿Cuál es el número promedio de autos que habría en
la fila detrás de los clientes que están recibiendo el
servicio?
(e) ¿Cuál es la probabilidad de que no hubiera autos en
el sistema?
(f) ¿Qué porcentaje del tiempo los cajeros estarían
ocupados?
(g) ¿Cuál es la probabilidad de que hubiera exactamente
dos autos en el sistema?
1- 12-19 La distribuidora mayorista de frutas Juhn and Sons utiliza
2
a un empleado cuyo trabajo consiste en cargar fruta en los
camiones que salen de la compañía. Los camiones llegan
a la puerta de carga en un promedio de 24 por día, o 3 por
hora, de acuerdo con una distribución de Poisson. El tra-
bajador los carga a una velocidad de 4 por hora, siguiendo
aproximadamente una distribución exponencial en los
tiempos de servicio.
Determine las características de funcionamiento de
este problema de puerta de carga. ¿Cuál es la probabilidad
de que haya más de tres camiones ya sea siendo cargados
o en espera? Comente los resultados de su cálculo en este
modelo de colas.
Q "12-20 Juhn cree que la adición de un segundo cargador de fruta
.74*
mejoraría sustancialmente la eficiencia de la compañía. Se
estima que un equipo de dos personas seguiría actuando
como un sistema de un solo servidor y que la puerta de
carga duplicará su tasa de carga de 4 camiones por hora
a 8 camiones por hora. Analice el efecto en la cola de tal
cambio y compare los resultados con los encontrados en el
problema 12-19.
Ac
Q -12-21 Los conductores de camión que trabajan para Juhn and Sons
(vea los problemas 12-19 y 12-20) reciben un pago de $20
por hora en promedio. Los cargadores de frutas reciben al-
rededor de $12 por hora. Los conductores de camiones que
esperan en la cola o en la puerta de carga están percibiendo
un salario, pero están productivamente inactivos y son inca-
paces de generar ingresos durante ese tiempo. ¿Cuál sería el
ahorro en costos por hora para la compañía, asociado con
el empleo de dos cargadores en lugar de uno?
Q • 12-22 La distribuidora mayorista de frutas Juhn and Sons (del pro-
blema 12-19) está considerando la construcción de una se-
gunda plataforma o puerta para acelerar el proceso de carga
de sus camiones de fruta. Piensan que esto sería aún más
eficaz que la simple contratación de otro cargador que ayude
en la primera plataforma (como en el problema 12-20).
PREGUNTAS PARA ANÁLISIS Y PROBLEMAS 463
Suponga que los trabajadores de cada plataforma
podrán cargar 4 camiones por hora cada uno y que los
camiones seguirán llegando a una tasa de 3 por hora. En-
cuentre las nuevas condiciones de funcionamiento de la
línea de espera. ¿Es cierto que este nuevo enfoque es más
rápido que los otros dos considerados?
at, 12-23 Bill First, gerente general de la tienda departamental Worth-
more, ha estimado que cada hora que los clientes pasan
esperando en la cola a que un empleado de ventas esté dis-
ponible cuesta a la tienda $100 en pérdida de ventas y de
buena imagen. Los clientes llegan a la caja registradora a
un ritmo de 30 por hora, y el tiempo de servicio prome-
dio es de 3 minutos. La distribución de Poisson describe
las llegadas y los tiempos de servicio se distribuyen de
manera exponencial. El número de empleados de ventas
puede ser de 2, 3 o 4, donde cada uno trabaja a la misma
tasa. Bill estima que el salario y las prestaciones para cada
empleado son de $10 por hora. La tienda está abierta 10
horas al día.
(a) Calcule el tiempo promedio en la línea si se utilizan 2,
3 y 4 cajeros.
(b) ¿Cuál es el tiempo total diario de espera en la línea si
se utilizan 2, 3 y 4 cajeros?
(c) Calcule el total diario de los costos de espera y del ser-
vicio si se utilizan 2, 3 y 4 cajeros. ¿Cuál es el costo
total diario mínimo?
Q • 12-24 Billy's Bank es el único banco en un pequeño pueblo de
Arkansas. En un viernes típico, un promedio de 10 clien-
tes por hora llegan al banco para realizar transacciones
comerciales. Hay un solo cajero en el banco, y el tiempo
promedio necesario para realizar transacciones comercia-
les es de 4 minutos. Se supone que los tiempos de servicio
pueden describirse mediante la distribución exponencial.
Aunque éste es el único banco en el pueblo, algunas per-
sonas han comenzado a utilizar el banco de un pueblo ve-
cino a unas 20 millas de distancia. Si se utiliza un solo
cajero en Billy's, encuentre
(a) el tiempo promedio en la línea.
(b) el número promedio de clientes en la línea.
(c) el tiempo promedio en el sistema.
(d) el número promedio de clientes en el sistema.
(e) la probabilidad de que el banco esté vacío.
ti 12-25 Consulte la situación del Billy's Bank en el problema
12-24. Billy está considerando la adición de un segundo
cajero (quien trabajaría al mismo ritmo que el primero)
para reducir el tiempo de espera de los clientes, y supone
que esto reduciría el tiempo de espera a la mitad. Se utili-
zaría una sola línea, y el cliente al frente de la fila iría a la
primera caja disponible. Si se. agrega un segundo cajero,
encuentre
(a) el tiempo promedio en la línea.
(b) el número promedio de clientes en la línea.
(c) el tiempo promedio en el sistema.
(d) el número promedio de clientes en el sistema.
(e) la probabilidad de que el banco esté vacío.
• 12-26 Para la situación del Billy's Bank en los problemas 12-24
y 12-25, el salario y las prestaciones de un cajero serían de
$12 por hora. El banco está abierto 8 horas al día. Se ha
 CAPITULO 12 • MODELOS DE LINEAS DE ESPERA Y TEORÍA DE COLAS
estimado que el costo del tiempo de espera es de $25 por
hora en la línea.
(a) ¿Cuántos clientes entrarían al banco en un día típico?
(b) ¿Cuánto tiempo pasarían los clientes en total espe-
rando en la línea durante todo el día si se utilizara un
solo cajero? ¿Cuál es el costo total diario del tiempo
de espera?
(c) ¿Cuánto tiempo pasarían los clientes en total esperan-
do en la línea durante todo el día si se utilizaran dos
cajeros? ¿Cuál es el costo total diario del tiempo de
espera?
(d) Si Billy desea minimizar el costo total del tiempo de
espera y del personal, ¿qué número de cajeros debe
utilizar?
-12-27 Los clientes llegan a una máquina automática expende-
dora de café a una tasa de 4 por minuto, siguiendo una dis-
tribución de Poisson. La máquina de café dispensa una
taza de café en exactamente 10 segundos.
(a) ¿Cuál es el número promedio de personas esperando
en la línea?
(b) ¿Cuál es el promedio de personas en el sistema?
(c) ¿Cuánto tiempo espera en la línea la persona prome-
dio antes de recibir el servicio?
;12-28 El número promedio de clientes en el sistema de una fase
de un solo canal del modelo descrito en la sección 12.4 es
L=
Demuestre que para m = 1 servidor, el modelo de colas
con múltiples canales de la sección 12.5,
A y"
L= Aµ(µA P0 + —
A quier momento promedio.
(m — 1)1(mµ, — A)2
es idéntico al sistema de un solo canal. Tenga en cuenta
que, en este ejercicio, altamente algebraico, se debe utili-
zar la fórmula para P0 (ecuación 12-13).
9 * 12" 29 Un mecánico da servicio a 5 máquinas de perforación
para un fabricante de placas de acero. Las máquinas se
descomponen en promedio una vez cada 6 días de trabajo,
y las averías tienden a seguir una distribución de Poisson.
El mecánico puede manejar un promedio de un trabajo
de reparación al día. Las reparaciones siguen una distri-
bución exponencial.
(a) ¿Cuántas máquinas están a la espera del servicio, en
promedio?
(b) ¿Cuántas hay en el sistema, en promedio?
(c) ¿Cuántas máquinas perforadoras están operando
correctamente, en promedio?
(d) ¿Cuál es el tiempo de espera promedio en la cola?
(e) ¿Cuál es la permanencia promedio en el sistema?
Q • 12-30 Un técnico supervisa un grupo de cinco computadoras
31'
que controlan una instalación de manufactura automa-
tizada. Tarda un promedio de 15 minutos (distribuidos
exponencialmente) en ajustar una computadora que ha
des liado un problema. Las computadoras funcionan
duran un promedio de 85 minutos (distribución de Pois-
son) s necesidad de ajustes. ¿Cuál es
(a) el número promedio de computadoras en espera de
ajustadas?
(b) el número promedio de computadoras que no está
funcionando?
(c) la probabilidad de que el sistema esté vacío?
(d) el tiempo promedio en la cola?
(e) el tiempo promedio en el sistema?
x
9 E 1 2 -3 1 La estación de metro típica en Washington, D.C., tiene
6 torniquetes, cada uno de los cuales puede ser contro-
lado por el gerente de la estación para ser utilizado en
el control de la entrada o la salida, pero no para ambos.
El gerente debe decidir en diferentes momentos del día
cuántos torniquetes debe utilizar para la entrada de pa-
sajeros y cuántos empleará para permitir la salida de
pasajeros.
En la estación del Washington College, los pasajeros
entran a una tasa aproximada de 84 por minuto entre las
7 y 9 A.M. Los pasajeros que salen de los trenes llegan a
la zona de torniquetes a una tasa aproximada de 48 por
minuto durante la misma hora pico de la mañana. Cada
torniquete puede permitir la entrada o la salida de un pro-
medió de 30 pasajeros. Se piensa que los tiempos de lle-
gada y del servicio siguen las distribuciones de Poisson
y exponencial, respectivamente. Suponga que los pasaje-
ros forman una cola común en las áreas de los torniquetes
de entrada y salida, y avanzan hacia el primer torniquete
vacío.
El gerente de la estación del Washington College no
quiere que el pasajero promedio tenga que esperar en una
línea de torniquete por más de 6 segundos, ni tampoco de-
sea que haya más de 8 personas haciendo cola en cual-
(a) ¿Cuántos torniquetes deberían abrirse en cada direc-
ción cada mañana?
(b) Comente los supuestos que subyacen a la solución de
este problema utilizando la teoría de colas.
• 12-32 La banda de la Clear Brook High School está realizando
un lavado de automóviles para recaudar fondos con la fi-
nalidad de comprar nuevo equipamiento. El tiempo pro-
medio para lavar un auto es de 4 minutos, y el tiempo se
distribuye de manera exponencial. Los autos llegan a ra-
zón de uno cada 5 minutos (o 12 por hora), y el número
de llegadas por periodo de tiempo se describe mediante la
distribución de Poisson.
(a) ¿Cuál es el tiempo promedio que los autos esperan en
la línea?
(b) ¿Cuál es el número promedio de autos en la línea?
(c) . Cuál es el número promedio de vehículos en el
istema?
(d) Cuál es el tiempo promedio en el sistema?
(e) Cuál es la probabilidad de que haya más de tres autos
en el sistema?
x9
:12-33 Cuando llegaron miembros adicionales de la banda para
ayudar en el lavado de autos (vea el problema 12-32),

se decidió que debían lavarse dos autos a la vez en lugar
de uno. Ambas cuadrillas de trabajo funcionarían con la
misma velocidad.
(a) ¿Cuál es el tiempo promedio que los autos esperan en
la línea?
(b) ¿Cuál es el número promedio de autos en la línea?
(c) ¿Cuál es el número promedio de vehículos en el
sistema?
(d) ¿Cuál es el tiempo promedio en el sistema?
x :12-34 Al llegar a la Puerta Sunkist en la Base Naval del Con-
dado de Ventura en Port Hueneme, California, hay dos
guardias de seguridad, cada uno asignado a uno de los
dos carriles vehiculares que conducen a la puerta, para
comprobar la identificación (es decir, la tarjeta militar de
acceso común) de las personas en los vehículos que de-
sean pasar a la base. Por la mañana, cuando la puerta está
más activa, los autos llegan cada 12 segundos y toman
aleatoriamente uno de los dos carriles, que claramente in-
dican "NO HAY CAMBIO DE CARRIL". Una vez que el auto
está al frente de su fila particular, el guardia requiere 20
segundos, en promedio, para comprobar las identificacio-
nes de todos los ocupantes de cada auto. Por lo general,
eso significa una sola persona. Sin embargo, algunas per-
sonas comparten el viaje y puede haber hasta seis o siete
en un vehículo específico. Teniendo en cuenta que las lle-
gadas de vehículos siguen una distribución de Poisson y
el tiempo para comprobar las identificaciones sigue una
Estudio de caso
New England Foundry
Durante más de 75 años, la New England Foundry, Inc., ha fabricado
estufas de leña para uso doméstico. En los últimos años, con el au-
mento de precios de la energía, George Mathison, presidente de New
England Foundry, ha visto sus ventas triplicarse. Este dramático incre-
mento en las ventas ha hecho que sea aún más dificil para George man-
tener la calidad en todas las estufas de leña y productos relacionados.
A diferencia de otras empresas que fabrican estufas de leña, New
England Foundry es la única en el negocio que fabrica estufas y pro-
ductos relacionados. Sus productos principales son la Warmglo I, la
Warmglo II, la Warmglo III y la Warmglo IV. La Warmglo I es la es-
tufa de leña más pequeña, con una salida de calor de 30,000 BTU; y la
Warmglo IV es la más grande, con una salida de calor de 60.000 BTU.
Además, New England Foundry, Inc., produce una gran variedad de
productos diseñados para su utilización con una de las cuatro estu-
fas, incluyendo estantes de calentamiento, termómetros superficiales,
conductos para estufa, adaptadores, guantes para cocina, colgadores,
bastidores, hornillas, chimeneas y aislantes térmicos. New England
Foundry también publica un boletín de noticias y varios libros de
ESTUDIO DE CASO 465
distribución exponencial negativa, determine el número
promedio de autos y el tiempo de espera promedio en
cada una de las filas.
até 12-35 Ye Olde Creamery, una popular tienda de helados en el
campus, tiene una fila para vender sus delicias. Los estu-
diantes llegan a Ye Olde aproximadamente uno cada mi-
nuto. Gracias al nuevo sistema automatizado "colocar y
pagar", sólo se requieren 40 segundos, en promedio, para
hacer un pedido y pagarlo; para ello, los estudiantes úni-
camente deben mantener sus teléfonos celulares sobre el
dispositivo "colocar y paga?' y el sistema deduce de su
cuenta automáticamente el costo del cono de helado. Sin
embargo, el sistema "colocar y pagar" tiene fallas y con
frecuencia está fuera de línea, provocando que los estu-
diantes deban pagar con efectivo. Esto hace que el prome-
dio del tiempo de pedidos y pagos se duplique y se forme
una larga fila, lo cual obliga a Ye Olde Creamery a abrir
otra estación de pedidos y pagos. Al tener dos estacio-
nes de pedidos y pagos abiertas (con una sola línea), los
costos de Ye Olde aumentan en $12.00 por hora, mientras
que la mejora del sistema "colocar y pagar" para no estar
nunca fuera de línea costaría $1,200. Suponiendo que las
llegadas son de Poisson y que los tiempos de servicio son
exponenciales negativos, compare el funcionamiento de
Ye Olde Creamery con las dos distintas configuraciones.
Considerando los costos adicionales implicados, ¿qué de-
bería hacer la gerencia de Ye Olde Creamery?
bolsillo sobre la instalación, el funcionamiento y el mantenimiento de
las estufas, así como de las fuentes de madera. George cree que su
amplio surtido de productos ha contribuido de manera importante al
aumento en las ventas.
La Warmglo III se vende más que todas las demás estufas por
un amplio margen. La producción de calor y los accesorios disponi-
bles son ideales para un hogar típico. La Warmglo IQ también tiene
una serie de características excepcionales que la convierten en una de
las estufas más atractivas y más eficientes en producción de calor del
mercado. Cada Warmglo HI tiene una válvula de admisión primaria
de aire controlada por termostato que permite que la estufa se ajuste
automáticamente para producir la salida de calor correcta de acuerdo
con las variaciones de las condiciones climáticas. Una abertura se-
cundaria de aire se utiliza para aumentar la salida de calor en caso de
tiempo muy frío. Las partes internas de la estufa producen una tra-
yectoria horizontal de la llama, para un quemado más eficiente; y los
gases de salida se ven obligados a tomar un camino en forma de S a
través de la estufa. La trayectoria en forma de S permite una combus-
tión más completa de los gases y una mejor transferencia del calor del
466 CAPÍTULO 12 • MODELOS DE LINEAS DE ESPERA Y TEORÍA DE COLAS
FIGURA 12.3 Diagrama general
de la fábrica
Limpieza, Almacenamiento
pulido y y envío
preparación
Fundición Moldeado Taller de
patrones y
mantenimiento
Arena
fuego y los gases a través del hierro fundido hasta la zona de calen-
tamiento. Estas características, junto con los accesorios, dieron lugar
a la expansión de las ventas y llevaron a George a construir una nueva
instalación para la fabricación de estufas Warmglo III. En la figura
12.3 se muestra un diagrama general de la fábrica.
La nueva fundidora utiliza equipos de última generación, inclu-
yendo un nuevo Disamatic que ayuda a la fabricación de piezas de
la estufa. Independientemente de los nuevos equipos o procedimien-
tos, las operaciones de fundición se han mantenido básicamente sin
cambios durante cientos de años. Para empezar, se hace un patrón
de madera para cada pieza de hierro fundido en la estufa. El patrón de
madera es una duplicación exacta de la pieza de hierro fundido que se
va a fabricar. Todos los patrones de New England Foundry son reali-
zados por Precision Patterns, Inc., y estos patrones se almacenan en
el área del taller de patrones y mantenimiento. A continuación, una
arena especialmente formulada se moldea alrededor del patrón de
madera. Puede haber dos o más moldes de arena para cada patrón.
La mezcla de la arena y la elaboración de moldes se realizan en el
área de moldeado. Cuando se retira el patrón de madera, los moldes
de arena resultantes forman una imagen negativa de la pieza fundida
que se desea. En seguida, los moldes se transportan al área de fundi-
ción, donde se vierte hierro fundido en los moldes y se deja enfriar.
Cuando el hierro se ha solidificado, los moldes se trasladan al área
de limpieza, pulido y preparación. Los moldes se vierten en grandes
vibradores que sacuden la mayor parte de la arena de la pieza colada.
Las piezas moldeadas en bruto se someten a continuación tanto a un
chorro de arena, para eliminar el resto de la arena, y a la pulidora para
las superficies de las piezas coladas. Luego, las fundiciones se pintan
con una pintura especial resistente al calor, se ensamblan en estufas
funcionales y se inspeccionan en busca de defectos que podrían ha-
ber pasado inadvertidos hasta ese momento de la manufactura. Por
último, las estufas terminadas se trasladan al área de almacenamiento
y envío, donde son empaquetadas y enviadas a los lugares apropiados.
En la actualidad, el taller de patrones y el departamento de man-
tenimiento se encuentran en la misma área. Hay un gran mostrador
que es utilizado tanto por el personal de mantenimiento para obtener
FIGURA 12.4 Diagrama general de la fábrica
después de los cambios
Limpieza,
pulido y Almacenamiento
preparación Y
envío
Taller de
Mantenimiento patrones
Fundición
Moldeado Arena
las herramientas y las piezas, como por los moldeadores de arena que
necesitan varios patrones en la operación de moldeo. Peter Nawler
y Bob Bryan, que trabajan detrás del mostrador, son capaces de dar
servicio a un total de 10 personas por hora (o aproximadamente a 5
por hora cada uno). En promedio, 4 personas de mantenimiento y 3
personas del departamento de moldeado llegan al mostrador por hora.
La gente del departamento de moldeado y de mantenimiento llegan al
azar y, para ser atendidos, forman una sola línea. Pete y Bob siempre
han tenido una política del tipo primero en llegar, primero en ser aten-
dido. Debido a la ubicación del taller de patrones y el departamento
de mantenimiento, se requieren unos 3 minutos para que una persona
del departamento de mantenimiento camine hasta el mostrador, y al-
rededor de 1 minuto para que una persona camine desde el departa-
mento de moldeado hasta el área de patrones y mantenimiento.
Después de observar el funcionamiento del área del taller de pa-
trones y mantenimiento durante varias semanas, George decidió hacer
algunos cambiol en el diseño de la fábrica. En la figura 12.4 se mues-
tra un diagrama general de estos cambios.
La separación del taller de mantenimiento y el taller de patro-
nes tiene varias ventajas. A las personas del departamento de man-
tenimiento les tomaría sólo 1 minuto, en lugar de 3, llegar al nuevo
mostrador del departamento de mantenimiento. Utilizando estudios
de tiempos y movimientos, George también fue capaz de determinar
que la mejora de la distribución del departamento de mantenimiento
permitiría que lob diera servicio a 6 personas del departamento de
mantenimiento por hora, y la mejora de la distribución del departa-
mento de patrones permitiría que Pete diera servicio a 7 personas del
taller de moldeado por hora.
Preguntascl)ara análisis
1.¿Cuánto ti mpo ahorraría el nuevo diseño?
2. Si al pers nal de mantenimiento se les paga $9.50 por hora y
el personal de moldeado recibe un pago de $11.75 por hora,
¿cuánto se ahorraría cada hora con la nueva distribución de la
fábrica?
 BIBLIOGRAFÍA 467

Estudio de caso

Winter Park Hotel ser atendidos por cualquiera de los cinco empleados que estuviera dis-
ponible. Esta opción requeriría suficiente espacio en el vestíbulo para
Donna Shader, gerente del Winter Park Hotel, está considerando
una cola de longitud considerable.
cómo reestructurar la recepción para llegar a un nivel óptimo de efi-
La tercera propuesta implica el uso de un cajero automático
ciencia del personal y del servicio al huésped. En la actualidad, el
(ATM) para los registros de entrada. Este ATM proporcionaría apro-
hotel cuenta con cinco empleados por turno, cada uno con una línea
ximadamente la misma tasa de servicio que un empleado. Teniendo
de espera separada, durante la hora de registro con mayor afluencia de
en cuenta que el uso inicial de esta tecnología podría ser mínimo,
3:00 P.M. a 5:00 P.M. La observación de llegadas durante este tiempo
Shader estima que 20% de los clientes, principalmente los huéspedes
muestra que cada hora llega un promedio de 90 personas (aunque no
más frecuentes, estarían dispuestos a usar las máquinas. (Esto podría
hay límite superior en el número que podría llegar en cualquier mo-
ser una estimación conservadora si los huéspedes perciben benefi-
mento dado). Se requiere un promedio de 3 minutos para que cada
cios directos por usar el cajero automático, como lo hacen los clien-
empleado de recepción registre a cada huésped.
tes bancarios. Citibank informa que alrededor de 95% de sus clientes
Donna está considerando tres planes para mejorar el servicio al
en Manhattan usan sus cajeros automáticos). Donna establecería una
cliente mediante la reducción del tiempo que los huéspedes pasan es-
sola cola para los clientes que prefieren registrarse con cajeros hu-
perando en la fila. La primera propuesta sería designar a un empleado
manos. Éstos serían atendidos por los cinco cajeros, aunque Donna
como empleado de servicio rápido para los huéspedes que se registran
tiene la esperanza de que la máquina podría permitirle una reducción
bajo cuentas corporativas, un segmento del mercado que implica al-
a cuatro.
rededor del 30% de todas las habitaciones ocupadas. Debido a que
los huéspedes de negocios están preinscritos, su registro tarda sólo
2 minutos. Con estos huéspedes separados del resto de la clientela,
el tiempo promedio para el registro de un cliente típico subiría a 3.4 Preguntas para análisis
minutos. Bajo el plan 1, los huéspedes no corporativos podrían elegir 1.Determine la cantidad promedio de tiempo que un cliente tarda
cualquiera de las cuatro líneas restantes. en registrarse. ¿Cómo cambiaría esto con cada una de las opcio-
El segundo plan es implementar un sistema de una sola línea. To- nes indicadas?
dos los huéspedes deberían formarse en una sola línea de espera para 2. ¿Qué opción recomendaría usted?

Estudio de caso en Internet

Visite nuestra página en Internet, www.pearsonenespañol.com/render y consulte este estudio de caso

adicional: Pantry Shopper. Este caso describe una mejora en el servicio prestado por una tienda de
comestibles.

Bibliografía
Baldwin, Rusty O., Nathaniel J. Davis IV, Scott F. Midkiff y John E. Kobza.
"Queueing Network Analysis: Concepts, Terminology, and Methods",
Journal of Systems & Software 66, 2 (2003): 99-118.
Barron, K. "Huny Up and Wait", Forbes (16 de octubre de 2000): 158-164.
Cayirli, lligba y Emre Veral. "Outpatient Scheduling in Health Care: A Review of
Literature", Production and Operations Management 12, 4 (2003): 519-549.
Cooper, R. B. Introduction to Queuing Theory, 2a. ed. Nueva York: Elsevier—
North Holland, 1980.
De Bruin, Amoud M., A. C. van Rossum, M. C. Visser y G. M. Koole. "Modeling
the Emergency Cardiac Inpatient Flow: An Application of Queuing Theory",
Health Care Management Science 10, 2 (2007): 125-137.
Derbala, Ali. "Priority Queuing in an Operating System", Computers & Operations
Remara 32, 2 (2005): 229-238.
Grassmann, Winfried K. "Finding the Right Number of Servers in Real-World
Queuing Systems", Interfaces 18, 2 (marzo-abril de 1988):94-104.
Janic, Milan. "Modeling Airport Congestion Charges", Transportation Planning
& Technology 28, 1 (2005): 1-26.
Kaff, K., B. Larson y R. Larson. "Prescription for the Waiting-in-Line Blues",
Sloan Management Review (invierno de 1991): 44-53.
Koizumi, Naoru, Eri Kuno y Tony E. Smith. "Modeling Patient Flows Using a
Queuing Network with Blocking", Health Care Management Science 8,
1(2005): 49-60.
Larson, Richard C. "Perspectives on Queues: Social Justice and the Psychology
of Queuing", Operations Research 35, 6 (noviembre-diciembre de 1987):
895-905.
Murtojárvi, Mika et al. "Determining the Proper Number and Price of Software
Licenses", IEEE Transactions on Software Engineering 33, 5 (2007):
305-315.
Prabhu, N. U. Foundations of Queuing Theory. Norwell, MA: Kluewer Academie
Publishers, 1997.
Regattieri, A., R. Gamberini, F. Lolli y R. Manzini. "Designing Production and
Service Systems Using Queuing Theory: Principies and Application to an
Airport Passenger Security Screening System", International Journal of
Services and Operations Management 6, 2 (2010): 206-225. •
Tarko, A. P. "Random Queues in Signalized Road Networks", Transportation
Science 34, 4 (noviembre de 2000): 415-425.
468 CAPÍTULO 12 • MODELOS DE LÍNEAS DE ESPERA Y TEORÍA DE COLAS

Apéndice 12.1: Uso de QM para Windows

Para todos estos problemas, desde el menú Module, seleccione ll'aitrn line,s y después .Vele para introdu-
cir un nuevo problema. En seguida, seleccione el tipo de modelo que desea utilizar entre los que aparecen.
Este apéndice ilustra la facilidad de uso de QM para Windows en la solución de problemas de colas.
El programa 12.5 representa el análisis del taller de silenciadores de Amold con 2 servidores. Las únicas
entradas requeridas son la selección del modelo adecuado, un título, indicar si se incluyen costos, las uni-
dades de tiempo usadas para las tasas de llegada y de servicio (horas en este ejemplo), la tasa de llegada
(2 autos por hora), la tasa de servicio (3 autos por hora) y el número de servidores (2). Debido a que las
unidades de tiempo se especifican como horas, W y Wq se dan en horas, pero también se convierten a mi-
nutos y segundos, como se observa en el programa 12.5.
El programa 12.6 representa un modelo con tiempo de servicio constante, ilustrado en este capítulo
mediante García-Golding Recycling, Inc. Los demás modelos de colas también pueden resolverse me-
diante QM para Windows que, además, ofrece un análisis de costos o económico.

PROGRAMA 12.5 Coa analisia onir larr r a - rara)

F. Naco:U lhou:
Uso de QM para C Use Costa

Windows para resolver 15====~111~11111~~1~. =L41 x1

un modelo de colas (untitted) Solution
Parameter Value I I Parametei Value Minutos Seconds
con múltiples canales
(datos del taller de Mrlirt/s Average server utilization 0.41-13
silenciadores de Arnold) Amval rate(lambda) 2. Average number in the queue(Lq) 0.0833
Service rate(mu) Avera e number in the system(Ls) 0.75
Number of servers 2. Average time in the queue(Wq) 0.0417 2.5 150.
Average time in the system(VVe) 0.375 22.5 1,350.

PROGRAMA 12.6 jj
lene und larrival sennce cace)
C.' No coats
Uso de QM para C Use Costa

Windows para resolver Waiting Linea Results

un modelo con tiempo Grarcia-Golding Recycling. Inc. Solution

Parameter Value Parameter atable Minutes Second;
de servicio constante
ri
(datos de García-Golding) Constan) serrice times Average server utilization .^..1121
6679Ir.""1"
Asma! rate(lambda) 8. Average number in the queue(Lq) 0.6667
Seroce ratelmu) 12. Average number in the system(Ls) 1.3333
Number of servers Average time in the queue(Wq) 0.0833 5. 303
Average time in the system(Ws) 0.1667 10.
 Apéndices

A. Área bajo la curva normal estándar

B. Probabilidades binomiales

C. Valores de e-A para su uso en la distribución de Poisson

D. Valores de la distribución F

E. Uso de POM-QM para Windows

F. Uso de Excel QM y complementos de Excel

G. Soluciones a problemas seleccionados

H. Soluciones a las autoevaluaciones

558 APÉNDICES

Apéndice A: Área bajo la curva normal estándar

1.55 Ejemplo: Para encontrar el área bajo la curva norma , usted debe saber a cuántas desviaciones estándar
Desviaciones estándar a la derecha de la media está ese punto. Después, el área bajo la curva normal se puede leer directamente de
la tabla normal. Por ejemplo, el área total bajo la curva normal para un punto que está a 1.55 desviaciones
estándar a la derecha de la media es 0.93943.
áréa es
0.93.943
O 1.55
Media de Z •

0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09

0.00
0.50399 0.50798 0.51197 0.51595 0.51994 0.52392 0.52790 0.53188 0.53586
0.0 0.50000
0.54380 0.54776 0.55172 0.55567 0.55962 0.56356 0.56749 0.57142 0.57535
0.1 0.53983
0.58317 0.58706 0.59095 0.59483 0.59871 0.60257 0.60642 0.61026 0.61409
0.2 0.57926
0.62172 0.62552 0.62930 0.63307 0.63683 0.64058 0.64431 0.64803 0.65173
0.3 0.61791
0.65910 0.66276 0.66640 0.67003 0.67364 0.67724 0.68082 0.68439 0.68793
0.4 0.65542
0.69497 0.69847 0.70194 0.70540 0.70884 0.71226 0.71566 0.71904 0.72240
0.5 0.69146
0.72907 0.73237 0.73565 0.73891 0.74215 0.74537 0.74857 0.75175 0.75490
0.6 0.72575
0.76115 0.76424 0.76730 0.77035 0.77337 0.77637 0.77935 0.78230 0.78524
0.7 0.75804
0.79103 0.79389 0.79673 0.79955 0.80234 0.80511 0.80785 0.81057 0.81327
0.8 0.78814
0.81859 0.82121 0.82381 0.82639 0.82894 0.83147 0.83398 0.83646 0.83891
0.9 0.81594
0.84375 0.84614 0.84849 0.85083 0.85314 0.85543 0.85769 0.85993 0.86214
1.0 0.84134
0.86650 0.86864 0.87076 0.87286 0.87493 0.87698 0.87900 0.88100 0.88298
1.1 0.86433
0.88686 0.88877 0.89065 0.89251 0.89435 0.89617 0.89796 0.89973 0.90147
1.2 0.88493
0.90490 0.90658 0.90824 0.90988 0.91149 0.91309 0.91466 0.91621 0.91774
1.3 0.90320
0.91924 0.92073 0.92220 0.92364 0.92507 0.92647 0.92785 0.92922 0.93056 0.93189
1.4
0.93319 0.93448 0.93574 0.93699 0.93822 0.93943 0.94062 0.94179 0.94295 0.94408
1.5
0.94630 0.94738 0.94845 0.94950 0.95053 0.95154 0.95254 0.95352 0.95449
1.6 0.94520
0.95637 0.95728 0.95818 0.95907 0.95994 0.96080 0.96164 0.96246 0.96327
1.7 0.95543
0.96485 0.96562 0.96638 0.96712 0.96784 0.96856 0.96926 0.96995 0.97062
1.8 0.96407
0.97128 0.97193 0.97257 0.97320 0.97381 0.97441 0.97500 0.97558 0.97615 0.97670
1.9
0.97725 0.97778 0.97831 0.97882 0.97932 0.97982 0.98030 0.98077 0.98124 0.98169
2.0
0.98214 0.98257 0.98300 0.98341 0.98382 0.98422 0.98461 0.98500 0.98537 0.98574
2.1
0.98610 0.98645 0.98679 0.98713 0.98745 0.98778 0.98809 0.98840 0.98870 0.98899
2.2
0.98928 0.98956 0.98983 0.99010 0.99036 0.99061 0.99086 0.99111 0.99134 0.99158
2.3
0.99180 0.99202 0.99224 0.99245 0.99266 0.99286 0.99305 0.99324 0.99343 0.99361
2.4
0.99379 0.99396 0.99413 0.99430 0.99446 0.99461 0.99477 0.99492 0.99506 0.99520
2.5
0.99534 0.99547 0.99560 0.99573 0.99585 0.99598 0.99609 0.99621 0.99632 0.99643
2.6
2.7 0.99653 0.99664 0.99674 0.99683 0.99693 0.99702 0.99711 0.99720 0.99728 0.99736
0.99744 0.99752 0.99760 0.99767 0.99774 0.99781 0.99788 0.99795 0.99801 0.99807
2.8
0.99813 0.99819 0.99825 0.99831 0.99836 0.99841 0.99846 0.99851 0.99856 0.99861
2.9
0.99865 0.99869 0.99874 0.99878 0.99882 0.99886 0.99889 0.99893 0.99896 0.99900
3.0
0.99903 0.99906 0.99910 0.99913 0.99916 0.99918 0.99921 0.99924 0.99926 0.99929
3.1
0.99931 0.99934 0.99936 0.99938 0.99940 0.99942 0.99944 0.99946 0.99948 0.99950
3.2
 APÉNDICE A: ÁREA BAJO LA CURVA NORMAL ESTÁNDAR 559

0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
3.3 0.99952 0.99953 0.99955 0.99957 0.99958 0.99960 0.99961 0.99962 0.99964 0.99965
3.4 0.99966 0.99968 0.99969 0.99970 0.99971 0.99972 0.99973 0.99974 0.99975 0.99976
3.5 0.99977 0.99978 0.99978 0.99979 0.99980 0.99981 0.99981 0.99982 0.99983 0.99983
3.6 0.99984 0.99985 0.99985 0.99986 0.99986 0.99987 0.99987 0.99998 0.99988 0.99989
3.7 0.99989 0.99990 0.99990 0.99990 0.99991 0.99991 0.99992 0.99992 0.99992 0.99992
3.8 0.99993 0.99993 0.99993 0.99994 0.99994 0.99994 0.99994 -0.99995 0.99995 0.99995
3.9 0.99995 0.99995 0.99996 0.99996 0.99996 0.99996 0.99996 0.99996 0.99997 0.99997
560 APÉNDICES

Apéndice B: Probabilidades binomiales

Probabilidad de exactamente r éxitos en n e4ayos

n r 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
1 0 0.9500 0.9000 0.8500 0.8000 0.7500 0.7000 0.6500 0.6000 0.5500 0.5000
1 0.0500 0.1000 0.1500 0.2000 0.2500 0.3000 0.3500 0.4000 0.4500 0.5000
2 0 0.9025 0.8100 0.7225 0.6400 0.5625 0.4900 0.4225 0.3600 0.3025 0.2500
1 0.0950 0.1800 0.2550 0.3200 0.3750 0.4200 0.4550 0.4800 0.4950 0.5000
2 0.0025 0.0100 0.0225 0.0400 0.0625 0.0900 0.1225 0.1600 0.2025 0.2500
3 0 0.8574 0.7290 0.6141 0.5120 0.4219 0.3430 0.2746 0.2160 0.1664 0.1250
1 0.1354 0.2430 0.3251 0.3840 0.4219 0.4410 0.4436 0.4320 0.4084 0.3750
2 0.0071 0.0270 0.0574 0.0960 0.1406 0.1890 0.2389 0.2880 0.3341 0.3750
3 0.0001 0.0010 0.0034 0.0080 0.0156 0.0270 0.0429 0.0640 0.0911 0.1250
4 0 0.8145 0.6561 0.5220 0.4096 0.3164 0.2401 0.1785 0.1296 0.0915 0.0625
1 0.1715 0.2916 0.3685 0.4096 0.4219 0.4116 0.3845 0.3456 0.2995 0.2500
2 0.0135 0.0486 0.0975 0.1536 0.2109 0.2646 0.3105 0.3456 0.3675 0.3750
3 0.0005 0.0036 0.0115 0.0256 0.0469 0.0756 0.1115 0.1536 0.2005 0.2500
4 0.0000 0.0001 0.0005 0.0016 0.0039 0.0081 0.0150 0.0256 0.0410 0.0625
5 0 0.7738 0.5905 0.4437 0.3277 0.2373 0.1681 0.1160 0.0778 0.0503 0.0313
1 0.2036 0.3281 0.3915 0.4096 0.3955 0.3602 0.3124 0.2592 0.2059 0.1563
2 0.0214 0.0729 0.1382 0.2048 0.2637 0.3087 0.3364 0.3456 0.3369 0.3125
3 0.0011 0.0081 0.0244 0.0512 0.0879 0.1323 0.1811 0.2304 0.2757 0.3125
4 0.0000 0.0005 0.0022 0.0064 0.0146 0.0284 0.0488 0.0768 0.1128 0.1563
5 0.0000 0.0000 0.0001 0.0003 0.0010 0.0024 0.0053 0.0102 0.0185 0.0313
6 0 0.7351 0.5314 0.3771 0.2621 0.1780 0.1176 0.0754 0.0467 0.0277 0.0156
1 0.2321 0.3543 0.3993 0.3932 0.3560 0.3025 0.2437 0.1866 0.1359 0.0938
2 0.0305 0.0984 0.1762 0.2458 0.2966 0.3241 0.3280 0.3110 0.2780 0.2344
3 0.0021 0.0146 0.0415 0.0819 0.1318 0.1852 0.2355 0.2765 0.3032 0.3125
4 0.0001 0.0012 0.0055 0.0154 0.0330 0.0595 0.0951 0.1382 0.1861 0.2344
5 0.0000 0.0001 0.0004 0.0015 0.0044 0.0102 0.0205 0.0369 0.0609 0.0938
6 0.0000 0.0000 0.0000 0.0001 0.0002 0.0007 0.0018 0.0041 0.0083 0.0156
7 0 0.6983 0.4783 0.3206 0.2097 0.1335 0.0824 0.0490 0.0280 0.0152 0.0078
1 0.2573 0.3720 0.3960 0.3670 0.3115 0.2471 0.1848 0.1306 0.0872 0.0547
2 0.0406 0.1240 0.2097 0.2753 0.3115 0.3177 0.2985 0.2613 0.2140 0.1641
3 0.0036 0.0230 0.0617 0.1147 0.1730 0.2269 0.2679 0.2903 0.29 I 8 0.2734
4 0.0002 0.0026 0.0109 0.0287 0.0577 0.0972 0.1442 0.1935 0.2388 0.2734
5 0.0000 0.0002 0.0012 0.0043 0.0115 0.0250 0.0466 0.0774 0.1172 0.1641
6 0.0000 0.0000 0.0001 0.0004 0.0013 0.0036 0.0084 0.0172 0.0320 0.0547
7 0.0000 0.0000 0.0000 0.0000 0.0001 0.0002 0.0006 0.0016 0.0037 0.0078

8 0 0.6634 0.4305 0.2725 0.1678 0.1001 0.0576 0.0319 0.0168 0.0084 0.0039
1 0.2793 0.3826 0.3847 0.3355 0.2670 0.1977 0.1373 0.0896 0.0548 0.0313
2 0.0515 0.1488 0.2376 0.2936 0.3115 0.2965 0.2587 0.2090 0.1569 0.1094
 APÉNDICE B: PROBABILIDADES BINOMIALES 561

P
n r 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
3 0.0054 0.0331 0.0839 0.1468 0.2076 0.2541 0.2786 0.2787 0.2568 0.2188
4 0.0004 0.0046 0.0185 0.0459 0.0865 0.1361 0.1875 0.2322 0.2627 0.2734
5 0.0000 0.0004 0.0026 0.0092 0.0231 0.0467 0.0808 0.1239 0.1719 0.2188
6 0.0000 0.0000 0.0002 0.0011 0.0038 0.0100 0.0217 0.0413 0.0703 0.1094
7 0.0000 0.0000 0.0000 0.0001 0.0004 0.0012 0.0033 0.0079 0.0164 0.0313
8 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0002 0.0007 0.0017 0.0039
9 0 0.6302 0.3874 0.2316 0. I 342 0.0751 0.0404 0.0207 0.0101 0.0046 0.0020
1 0.2985 0.3874 0.3679 0.3020 0.2253 0.1556 0.1004 0.0605 0.0339 0.0176
2 0.0629 0.1722 0.2597 0.3020 0.3003 0.2668 0.2162 0.1612 0.1110 0.0703
3 0.0077 0.0446 0.1069 0.1762 0.2336 0.2668 0.2716 0.2508 0.2119 0.1641
4 0.0006 0.0074 0.0283 0.0661 0.1168 0.1715 0.2194 0.2508 0.2600 0.2461
5 0.0000 0.0008 0.0050 0.0165 0.0389 0.0735 0.1181 0.1672 0.2128 0.2461
6 0.0000 0.0001 0.0006 0.0028 0.0087 0.0210 0.0424 0.0743 0.1160 0.1641
7 0.0000 0.0000 0.0000 0.0003 0.0012 0.0039 0.0098 0.0212 0.0407 0.0703
8 0.0000 0.0000 0.0000 0.0000 0.0001 0.0004 0.0013 0.0035 0.0083 0.0176
9 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0003 0.0008 0.0020
10 0 0.5987 0.3487 0.1969 0.1074 0.0563 0.0282 0.0135 0.0060 0.0025 0.0010
1 0.3151 0.3874 0.3474 0.2684 0.1877 0.1211 0.0725 0.0403 0.0207 0.0098
2 0.0746 0.1937 0.2759 0.3020 0.2816 0.2335 0.1757 0.1209 0.0763 0.0439
3 0.0105 0.0574 0.1298 0.20 I 3 0.2503 0.2668 0.2522 0.2150 0.1665 0.1172
4 0.0010 0.0112 0.0401 0.0881 0.1460 0.2001 0.2377 0.2508 0.2384 0.2051
5 0.0001 0.0015 0.0085 0.0264 0.0584 0.1029 0.1536 0.2007 0.2340 0.2461
6 0.0000 0.0001 0.0012 0.0055 0.0162 0.0368 0.0689 0.1115 0.1596 0.2051
7 0.0000 0.0000 0.0001 0.0008 0.0031 0.0090 0.0212 0.0425 0.0746 0.1172
8 0.0000 0.0000 0.0000 0.0001 0.0004 0.0014 0.0043 0.0106 0.0229 0.0439
9 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0005 0.0016 0.0042 0.0098
10 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0003 0.0010
15 0 0.4633 0.2059 0.0874 0.0352 0.0134 0.0047 0.0016 0.0005 0.0001 0.0000
1 0.3658 0.3432 0.2312 0.1319 0.0668 0.0305 0.0126 0.0047 0.0016 0.0005
2 0.1348 0.2669 0.2856 0.2309 0.1559 0.0916 0.0476 0.0219 0.0090 0.0032
3 0.0307 0.1285 0.2184 0.2501 0.2252 0.1700 0.1110 0.0634 0.0318 0.0139
4 0.0049 0.0428 0.1156 0.1876 0.2252 0.2186 0.1792 0.1268 0.0780 0.0417
5 0.0006 0.0105 0.0449 0.1032 0.1651 0.2061 0.2123 0.1859 0.1404 0.0916
6 0.0000 0.0019 0.0132 0.0430 0.0917 0.1472 0.1906 0.2066 0.1914 0.1527
7 0.0000 0.0003 0.0030 0.0138 0.0393 0.0811 0.1319 0.1771 0.2013 0.1964
8 0.0000 0.0000 0.0005 0.0035 0.0131 0.0348 0.0710 0.1181 0.1647 0.1964
9 0.0000 0.0000 0.0001 0.0007 0.0034 0.0116 0.0298 0.0612 0.1048 0.1527
10 0.0000 0.0000 0.0000 0.0001 0.0007 0.0030 0.0096 0.0245 0.0515 0.0916
11 0.0000 0.0000 0.0000 0.0000 0.0001 0.0006 0.0024 0.0074 0.0191 0.0417
12 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0004 0.0016 0.0052 0.0139
13 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0003 0.0010 0.0032
14 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0005
15 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
562 APÉNDICES

P
n r 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50

20 0 0.3585 0.1216 0.0388 0.0115 0.0032 0.0008 0.0002 0.0000 0.0000 0.0000
1 0.3774 0.2702 0.1368 0.0576 0.0211 0.0068 0.0020 0.0005 0.0001 0.0000
2 0.1887 0.2852 0.2293 0.1369 0.0669 0.0278 0.0100 0.0031 0.0008 0.0002
3 0.0596 0.1901 0.2428 0.2054 0.1339 0.0716 0.0323 0.0 I 23 0.0040 0.0011
4 0.0133 0.0898 0.1821 0.2182 0.1897 0.1304 0.0738 0.0350 0.0139 0.0046
5 0.0022 0.0319 0.1028 0.1746 0.2023 0.1789 0.1272 0.0746 0.0365 0.0148
6 0.0003 0.0089 0.0454 0.1091 0.1686 0.1916 0.1712 0.1244 0.0746 0.0370
7 0.0000 0.0020 0.0160 0.0545 0.1124 0.1643 0.1844 0.1659 0.1221 0.0739
8 0.0000 0.0004 0.0046 0.0222 0.0609 0.1144 0.1614 0.1797 0.1623 0.1201
9 0.0000 0.0001 0.0011 0.0074 0.0271 0.0654 0.1158 0. I 597 0.1771 0.1602
10 0.0000 0.0000 0.0002 0.0020 0.0099 0.0308 0.0686 0.1171 0.1593 0.1762
11 0.0000 0.0000 0.0000 0.0005 0.0030 0.0120 0.0336 0.0710 0.1185 0.1602
12 0.0000 0.0000 0.0000 0.0001 0.0008 0.0039 0.0136 0.0355 0.0727 0.1201
13 0.0000 0.0000 0.0000 0.0000 0.0002 0.0010 0.0045 0.0146 0.0366 0.0739
14 0.0000 0.0000 0.0000 0.0000 0.0000 0.0002 0.0012 0.0049 0.0150 0.0370
15 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0003 0.0013 0.0049 0.0148
16 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0003 0.0013 0.0046
17 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0002 0.0011
18 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0002
19 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
20 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000

P
n r 0.55 0.60 0.65 0.70 0.75 0.80 0.85 0.90 0.95
1 0 0.4500 0.4000 0.3500 0.3000 0.2500 0.2000 0.1500 0.1000 0.0500
I 0.5500 0.6000 0.6500 0.7000 0.7500 0.8000 0.8500 0.9000 0.9500
2 0 0.2025 0.1600 0.1225 0.0900 0.0625 0.0400 0.0225 0.0100 0.0025
1 0.4950 0.4800 0.4550 0.4200 0.3750 0.3200 0.2550 0.1800 0.0950
2 0.3025 0.3600 0.4225 0.4900 0.5625 0.6400 0.7225 0.8100 0.9025
3 0 0.0911 0.0640 0.0429 0.0270 0.0156 0.0080 0.0034 0.0010 0.0001
1 0.3341 0.2880 0.2389 0.1890 0.1406 0.0960 0.0574 0.0270 0.0071
2 0.4084 0.4320 0.4436 0.4410 0.4219 0.3840 0.3251 0.2430 0.1354
3 0.1664 0.2160 0.2746 0.3430 0.4219 0.5120 0.6141 0.7290 0.8574
4 0 0.0410 0.0256 0.0150 0.0081 0.0039 0.0016 0.0005 0.0001 0.0000
1 0.2005 0.1536 0.1115 0.0756 0.0469 0.0256 0.0115 0.0036 0.0005
2 0.3675 0.3456 0.3105 0.2646 0.2109 0.1536 0.0975 0.0486 0.0135
3 0.2995 0.3456 0.3845 0.4116 0.4219 0.4096 0.3685 0.2916 0.1715
4 0.0915 0.1296 0.1785 0.2401 0.3164 0.4096 0.5220 0.6561 0.8145
5 0 0.0185 0.0102 0.0053 0.0024 0.0010 0.0003 0.0001 0.0000 0.0000
1 0.1128 0.0768 0.0488 0.0283 0.0146 0.0064 0.0092 0.0004 0.0000
2 0.2757 0.2304 0.1811 0.1323 0.0879 0.0512 0.0244 0.0081 0.0011
3 0.3369 0.3456 0.3364 0.3087 0.2637 0.2048 0.1382 0.0729 0.0214
4 0.2059 0.2592 0.3124 0.3602 0.3955 0.4096 0.3915 0.3280 0.2036
5 0.0503 0.0778 0.1160 0.1681 0.2373 0.3277 0.4437 0.5905 0.7738
 APÉNDICE B: PROBABILIDADES BINOMIALES 563

n r 0.55 0.60 0.65 0.70 0.75 0.80 0.85 0.90 0.95

6 0 0.0083 0.0041 0.0018 0.0007 0.0002 0.0001 0.0000 0.0000 0.0000
1 0.0609 0.0369 0.0205 0.0102 0.0044 0.0015 0.0004 0.0001 0.0000
2 0.1861 0.1382 0.0951 0.0595 0.0330 0.0154 0.0055 0.0012 0.0001
3 0.3032 0.2765 0.2355 0.1852 0.1318 0.0819 0.0415 0.0146 0.0021
4 0.2780 0.3110 0.3280 0.3241 0.2966 0.2458 0.1762 0.0984 0.0305
5 0.1359 0.1866 0.2437 0.3025 0.3560 0.3932 0.3993 0.3543 0.2321
6 0.0277 0.0467 0.0754 0.1176 0.1780 0.2621 0.3771 0.5314 0.7351
7 0 0.0037 0.0016 0.0006 0.0002 0.0001 0.0000 0.0000 0.0000 0.0000
1 0.0320 0.0172 0.0084 0.0036 0.0013 0.0004 0.0001 0.0000 0.0000
2 0.1172 0.0774 0.0466 0.0250 0.0115 0.0043 0.0012 0.0002 0.0000
3 0.2388 0.1935 0.1442 0.0972 0.0577 0.0287 0.0109 0.0026 0.0002
4 0.2918 0.2903 0.2679 0.2269 0.1730 0.1147 0.0617 0.0230 0.0036
5 0.2140 0.2613 0.2985 0.3177 0.3115 0.2753 0.2097 0.1240 0.0406
6 0.0872 0.1306 0.1848 0.2471 0.3115 0.3670 0.3960 0.3720 0.2573
7 0.0152 0.0280 0.0490 0.0824 0.1335 0.2097 0.3206 0.4783 0.6983
8 0 0.0017 0.0007 0.0002 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000
1 0.0164 0.0079 0.0033 0.0012 0.0004 0.0001 0.0000 0.0000 0.0000
2 0.0703 0.0413 0.0217 0.0100 0.0038 0.0011 0.0002 0.0000 0.0000
3 0.1719 0.1239 0.0808 0.0467 0.0231 0.0092 0.0026 0.0004 0.0000
4 0.2627 0.2322 0.1875 0.1361 0.0865 0.0459 0.0185 0.0046 0.0004
5 0.2568 0.2787 0.2786 0.2541 0.2076 0.1468 0.0839 0.0331 0.0054
6 0.1569 0.2090 0.2587 0.2965 0.3115 0.2936 0.2376 0.1488 0.0515
7 0.0548 0.0896 0.1373 0.1977 0.2670 0.3355 0.3847 0.3826 0.2793
8 0.0084 0.0168 0.0319 0.0576 0.1001 0.1678 0.2725 0.4305 0.6634
9 0 0.0008 0.0003 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
1 0.0083 0.0035 0.0013 0.0004 0.0001 0.0000 0.0000 0.0000 0.0000
2 0.0407 0.0212 0.0098 0.0039 0.0012 0.0003 0.0000 0.0000 0.0000
3 0.1160 0.0743 0.0424 0.0210 0.0087 0.0028 0.0006 0.0001 0.0000
4 0.2128 0.1672 0.1181 0.0735 0.0389 0.0165 0.0050 0.0008 0.0000
5 0.2600 0.2508 0.2194 0.1715 0.1168 0.0661 0.0283 0.0074 0.0006
6 0.2119 0.2508 0.2716 0.2668 0.2336 0.1762 0.1069 0.0446 0.0077
7 0.1110 0.1612 0.2162 0.2668 0.3003 0.3020 0.2597 0.1722 0.0629
8 0.0339 0.0605 0.1004 0.1556 0.2253 0.3020 0.3679 0.3874 0.2985
9 0.0046 0.0101 0.0207 0.0404 0.0751 0.1342 0.2316 0.3874 0.6302
10 0 0.0003 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
1 0.0042 0.0016 0.0005 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000
2 0.0229 0.0106 0.0043 0.0014 0.0004 0.0001 0.0000 0.0000 0.0000
3 0.0746 0.0425 0.0212 0.0090 0.0031 0.0008 0.0001 0.0000 0.0000
4 0.1596 0.1115 0.0689 0.0368 0.0162 0.0055 0.0012 0.0001 0.0000
5 0.2340 0.2007 0.1536 0.1029 0.0584 0.0264 0.0085 0.0015 0.0001
6 0.2384 0.2508 0.2377 0.2001 0.1460 0.0881 0.0401 0.0112 0.0010
7 0.1665 0.2150 0.2522 0.2668 0.2503 0.2013 0.1298 0.0574 0.0105
8 0.0763 0.1209 0.1757 0.2335 0.2816 0.3020 0.2759 0.1937 0.0746
9 0.0207 0.0403 0.0725 0.1211 0.1877 0.2684 0.3474 0.3874 0.3151
10 0.0025 0.0060 0.0135 0.0282 0.0563 0.1074 0.1969 0.3487 0.5987
564 APÉNDICES

P
n r 0.55 0.60 0.65 0.70 0.75 0.80 0.85 0.90 0.95
15 0 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
1 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
2 0.0010 0.0003 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
3 0.0052 0.0016 0.0004 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000
4 0.0191 0.0074 0.0024 0.0006 0.0001 0.0000 0.0000 0.0000 0.0000
5 0.0515 0.0245 0.0096 0.0030 0.0007 0.0001 0.0000 0.0000 0.0000
6 0.1048 0.0612 0.0298 0.0116 0.0034 0.0007 0.0001 0.0000 0.0000
7 0.1647 0.1181 0.0710 0.0348 0.0131 0.0035 0.0005 0.0000 0.0000
8 0.2013 0.1771 0.1319 0.08 I 1 0.0393 0.0138 0.0030 0.0003 0.0000
9 0.1914 0.2066 0.1906 0.1472 0.0917 0.0430 0.0132 0.0019 0.0000
10 0.1404 0.1859 0.2123 0.2061 0.1651 0.1032 0.0449 0.0105 0.0006
11 0.0780 0.1268 0.1792 0.2186 0.2252 0.1876 0.1156 0.0428 0.0049
12 0.0318 0.0634 0.1110 0.1700 0.2252 0.2501 0.2184 0.1285 0.0307
13 0.0090 0.0219 0.0476 0.0916 0.1559 0.2309 0.2856 0.2669 0.1348
14 0.0016 0.0047 0.0126 0.0305 0.0668 0.1319 0.2312 0.3432 0.3658
15 0.0001 0.0005 0.0016 0.0047 0.0134 0.0352 0.0874 0.2059 0.4633
20 0 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
2 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
3 0.0002 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
4 0.0013 0.0003 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
5 0.0049 0.0013 0.0003 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
6 0.0150 0.0049 0.0012 0.0002 0.0000 0.0000 0.0000 0.0000 0.0000
7 0.0366 0.0146 0.0045 0.0010 0.0002 0.0000 0.0000 0.0000 0.0000
8 0.0727 0.0355 0.0136 0.0039 0.0008 0.0001 0.0000 0.0000 0.0000
9 0.1185 0.0710 0.0336 0.0120 0.0030 0.0005 0.0000 0.0000 0.0000
10 0.1593 0.1171 0.0686 0.0308 0.0099 0.0020 0.0002 0.0000 0.0000
11 0.1771 0.1597 0.1158 0.0654 0.0271 0.0074 0.0011 0.0001 0.0000
12 0.1623 0.1797 0.1614 0.1144 0.0609 0.0222 0.0046 0.0004 0.0000
13 0.1221 0.1659 0.1844 0.1643 0.1124 0.0545 0.0160 0.0020 0.0000
14 0.0746 0.1244 0.1712 0.1916 0.1686 0.1091 0.0454 0.0089 0.0003
15 0.0365 0.0746 0.1272 0.1789 0.2023 0.1746 0.1028 0.0319 0.0022
16 0.0139 0.0350 0.0738 0.1304 0.1897 0.2182 0.1821 0.0898 0.0133
17 0.0040 0.0123 0.0323 0.0716 0.1339 0.2054 0.2428 0.1901 0.0596
18 0.0008 0.0031 0.0100 0.0278 0.0669 0.1369 0.2293 0.2852 0.1887
19 0.0001 0.0005 0.0020 0.0068 0.0211 0.0576 0.1368 0.2702 0.3774
20 0.0000 0.0000 0.0002 0.0008 0.0032 0.0115 0.0388 0.1216 0.3585
 APÉNDICE C: VALORES DE e-A PARA SU USO EN LA DISTRIBUCIÓN DE POISSON 565

Apéndice C: Valores de e-A para su uso en la distribución de Poisson

A A
A e A
0.0 1.0000 3.1 0.0450
0.1 0.9048 3.2 0.0408
0.2 0.8187 3.3 0.0369
0.3 0.7408 3.4 0.0334
0.4 0.6703 3.5 0.0302
0.5 0.6065 3.6 0.0273
0.6 0.5488 3.7 0.0247
0.7 0.4966 3.8 0.0224
0.8 0.4493 3.9 0.0202
0.9 0.4066 4.0 0.0183
1.0 0.3679 4.1 0.0166
1.1 0.3329 4.2 0.0150
1.2 0.3012 4.3 0.0136
1.3 0.2725 4.4 0.0123
1.4 0.2466 4.5 0.0111
1.5 0.2231 4.6 0.0101
1.6 0.2019 4.7 0.0091
1.7 0.1827 4.8 0.0082
1.8 0.1653 4.9 0.0074
1.9 0.1496 5.0 0.0067
2.0 0.1353 5.1 0.0061
2.1 0.1225 5.2 0.0055
2.2 0.1108 5.3 0.0050
2.3 0.1003 5.4 0.0045
2.4 0.0907 5.5 0.0041
2.5 0.0821 5.6 0.0037
2.6 0.0743 5.7 0.0033
2.7 0.0672 5.8 0.0030
2.8 0.0608 5.9 0.0027
2.9 0.0550 6.0 0.0025
3.0 0.0498
 566 APÉNDICES

en O Cr) cn en en 4 o o -t en r- - VD CV 00 et en cr%
ten se0 M s..0 N as r-- 4 en csi o o ct; c; oo oo . VD
. VI
. cc) CV.
8 cD• ir.> 4 en en ni ni ni ni ni ni ni ni ni

en Q o o r-- r- vI 00 in nt ir) 00 "4 Ir- en O Oh co co r- ton ei

e..; 4 ten v0 4 C-- nt en N q O 6 C71 c:‘ ‘C! `1* M cl
esi oe5 v-i en en ni ni ni ni ni CV ni ni ni ni

v0 ni in o oo oo s.0 O t-- Óo ten CN r-- ni- 4 cr "cr ten V) VD

O C; '11- VD C-.• vn 00 en O 00 Ir.: •<,* Ch cn CV <=1 oo ir? .11:
en C:k 0e3 in 4 rei en en ni ni ni ni ni ni ni ni ni ni ni ni

o vn r- en 004 1 ni O 4 ten Q.
r, 1.r> 09\ trI
ni
ni: t-- V') ni- O0
et c:‘ oti tI1 et cri Ce) Cri CV CV CV <Ni cV ri esi fsi esi fV Csi Csi
"

O in v0 o b vn et r- TI' Vr ON en oo en as s.0 ni en en nr tn so e--

O 06
nt
4 v0 oo kr) 00 "o'
oi oe3 tr ni:
t"- tr> nt- en en ni esi
en en en ni ni ni ni ni ni ni ni ni ni ni ni ni
a; vz;

C\ en o sc, csl
esi c--+
=, v.> ei ei en se o in -I r-- en o --, _-. Csi .ct in r---
ten ,,..; nr r-: oo VD O'N VI 00 r.: ki:! gr) nr nr en en CM CM CM "4 0' e.3 og
4 0-; co iri 4 cn en en en ni ni ni ni ni ni ni ni ni ni ni ni ni - -• ,.... .-.
N -,

chni- .1 00 O N 00 N ,. 0\ a0 en 00 C \I CA TI' ,--I 00 r-.< 00 Q..O N M ten

9 9 '? °°.' .h
t: t•-• cs k.t: o in csi o cr‘ t-- s0
c7-71 in 4 ni- en en en ni
4 Q\ oo iri 4 4 en en en ni ni ni ni ni ni ni ni ni ni ni ni ni ni .... -, •..
N -,

C) O ON "ct v) nt 00 VI te-3 r- ni- as in "4 00 v") VI VD 00 a en

O
T•09 O cc) GT 00 N 1.0 \CD et en en ni 0‘ °9
Qi oo V7 c1: cci M ce; Csi (Ni CV (si CV tV CV N N CV ni ni ni ni

oo r-- 0 00 O\ 00 N O O kr) O. 4 0+ ei as O N nt 0 00
O <1 <19 q.
a! "^: e": , °°, h tD v) "Ir " i" t'? (1 °°.
et O+ 00 VD ct et en ce) cc) en cm Cm N CV N CV N N CV N <9 N N N
CV

O N t-- tr) eF N 11") en ni- en t- In In r O nt ON - 00 tn ‘40 r- oo O ei eF

oc; cn cc c> oo r- ni o oo e-- ‘0 in V") in nt nt en N Crl
00 ci oe v:3 ni 4 en en en en ni ni ni ni e ni ni ni ni ni ni ni ni ni ni
-

00 vl oo CN C CN et- Cr) ‘C) VD "4 00 nt es] en ton CN

VS MC)q q o0 N vl N -1 O (:7 `el `e? ir? irl "et el el -1 c?
01 00 vD et on ce) cc) cr) cc) NNNNN Cs1 NNNNNNNNN
Tabla de la distribución F para el 5% superior de probabilidad (a =0.05).

O cen nr 0 vn oo r- oo r- N C1 O r.1 y) o\ nr o VD ce) CD CV 'TI' Vn 00 CD

M GN CN el OD Vn o') N O O CN oD r r; MD VD vn et cn CV
en cC\ cei v:3 4- 4 en ce; en en e-i M ci ni ni ni ni ni ni ni ni ni ni ni ni ni

CMI 00 en O - M V0 0 •-• N M vl
c; en O CM O en 01 ni' en C CN ON 00 (X) t-- VD VI TI: cc) CV N
tr) cci cci ce; cc; ce) en en ni ni ni ni ni ni ni ni ni ni ni ni
Apéndice D: Valores de la distribución F

v0 in ni O. c:N en N nr en oo 1/40 so oo VD %.0 en O N 00 CN ce) v) r--

(1 °° e:1 0 09 h 1D`0.* ti?
Q1 s.0 tin Cr) en en en c^. (V N N CV NNNNN
Cs1

ts: CO O\ %O in r-- -~ cr%4 o VD en o ni kci oo O

v., ni ten 4 s. en oo r-- v-> M C.! cm N CN 00 t-- vD
en oi V7 nr eY 4 en M e-i e-i M en en en cn ei M cei en ni ni ni ni ni

,n E in 4 CA n? ni" \D ,0 00 CN nt 00 el ON CN N'n I-- O

O in CrN r".• nr CN 00 oC> C--VD VD VI in vn ni* cc) N CD
\ ON C/ v5 in in 4 et ni: ni Ci r•-; Cri Cri CM ce) en CM M cn en en en rei en

" \ CiN CM CM VD ni"Un t•-• O nr 00 VI VD N 00 Q N nt

V.1 ‘e? V7 el u) h .0 in 4 4 ni- en en N O Ch 00
VD 00 O r-- in ir> in xr) 4 4 nr 4 4- 4 ni: ni ni: 4 4 ni: ni ni et cei

ei en 4 in v0 r- oo ce. - N'en .1- in v0 r- oo 0 o 4 Oo Q

O •-• •-•• " c-.1 M‘.10 ni c.,
 APÉNDICE D: VALORES DE LA DISTRIBUCIÓN F 567

10 O en 1/40 N 00 in \O O 10 O S in 'n r- 0. N O O oo
0 00 10 00 en CN 10 en p 00 S \O N O oo O
8 0-> ‘c; en o vi in 4 4 M en en en N N N eni cni csi
1/40 on es]

0\ N \ —g ntv1 C> Q as in ir, CA VD nt vc oo est M m

r-: c. -cr. 0I) ni.
- N C> c7\ 00 e- \.0 kr, M .-• v"? <1
<e) cr% M cri 1D v-) nr ni en cn en en N esi cV Cal csi eni Cal
vc

N Ont. oo M CN O ir, in 4 O te-1 O O N J oo 00 0, O en vi o

O ,so 4 oo en cni gt7 ei VD el .C$ S ir) el el C> 01 00 e v1 en el O og
es] CN \C; <7 trl in 4 m en en en en en (ni (-si (rV CV rsi
1/40 CN csi

kn VD O en e- S 00 en en el 00 O\ M 0\ 00 00 Q el \O VD n O\ N v7 CN
M 10 0.1 "el" en O el N en O e.: In nt o o oo vD N —g e:
<9 a ‘o (fi o; e: VD vi ni ni •r1" fe) Cr; M cn en en en N N cni csi
1/40 o,N cni

kn Q` kn o ‹z, —« o VD \O e- VD VD 00 nt e- m co
O O .11: q "I
r. '1 11cc: 't. '1 'e ? 1/49 wl <1 <1 <=? C <?. wl <1 <1 q °<?
NC:N \C> nt 01 N VD v1 4 4 ni- m en en en M en en en el el el el el cal
•0 0\ N —g

N Ce> S O N VD 10 \O ,r)N \O el en In 0\ a o N in 01 "1 •, -

tr) trh"4' 00 el N 111 en cni O oo
In 01 Vs› Ir) d M cs.1 ,—. O oo kr> cei cz>
\D Cri vi ni 4 4 4 cei cei M M M cei M cei CV csi esi hl

so el in 0\ el e-- v:> vD O t-- c> cn cn %,o o oo

ntO M oo ni- 10 o oo 10 in 4 en cn cst o oo 1D kr> ce>
s‘
k% cs vi vi 4 d ni: en en re) en en en en M eei eni

O m tri nr o o TI' O\ CN en N N 00 C> MIr`.

O tr> csl kr> O oo \t> 00 el 00 kn 01 00 1/40 1/1 tfl "I:M <-« 00 VD nt
C> O\ e: ni O 1D ir; vi 4 4 4 4 en en en en cei en M ce; N C•1 t",l N Csi
‘C> cz r~

CN V-, \O 10 00 N V1 nt ce, O\ 01 M cn oo oo O el VD vD n CN N 10
CN
el en cel \O 01 M cn v." en oo 10 v;) kr) N c> kn
o N cn iri 4 4 ni ni nr cri en en en en en en en N CV N N
— o

cn O c. o 4 en r- VD ni- C> O C> en VD VD cN N \c>

00 00 cel oo est oo o ni- c? r-- v1 M c> oo CN 00 VD in
01 S ni O oc; 10 1:3 N in ni nt: ni 4 4 cei ce; ce; ce; cei cei M hl c‘i c-si
cri csi

00 VD N 00 1/40 1/40 CA 00 0 01 00 nt ce, en nt e- 0 O O el ir, 0\

(.4 en 1/40 CA ni- N CN vD el 00 \O 4 O 0 \ <X) N N V-1 ts: 1/409
01 01 ni: CS DD tri v-1 4 4 4 4 4 4 en c•-i M M M M M esi
ir> 01 (11

01 (--- 01 c•-• O CN e-- el el VD el O CD nt S S e- a c9 v:› o

1/40
cn a el \O d: en 00 en O 00 VD d: en el C1 O\ 00 vD 01 00
0 0\ S oo 15 ir; iri ni: 4 4 ni: 4 4 4 ce; M en en vi en N N
I 0ri as el •••I

0 ni- 0 nt N N in VD en 1/40 71t

. C,1 1D 1/40 CA vD ni- in e- O C> O e- el
M N in 0\ 1 10 O m O oo 1p v› cn c1/44 CN 1e1 -
01 00 v1 O oo 15 15 v-i v-> 4 nt nt ni ni M M M M ce; m
in o\ (-4

o Ir) 00 O In Ir> CN r- r•-• oo en N cm en v1 oo N

c. cm el ts O\
Ñ 00 O "Zr. CN nt el. 13.0 00 e- vD C> 00 VD `11
0) "O O \ 00 iri 1--: iri vi vi v-i v-i ni ni: 4 4 4 nt: M M cei cei
01 N

en io 00 ch N in ni- N O% 00 01 "Cr — Ce) ir) 00

nt VD O S 1:1- in 01 in el CN e- v 1 nt N. 4 O 0 s gr)
cy,
esi 01 oC v5 10 \v1 ir; Ir; ,r; kr; ,r) f 4 4 4 4 cei m
1->
p el 0 N el in kn el VD O 1/40 en •-• r-> oo 00 c"
O 00 O N c71 vn \O O vn el O\ e-- v1 m oo 10 en c1 r-
co O cn O oci en o cr rz r-: 1Ó vi vi vi vi vi \O vi vi vi vi vi 4 4 4
Ir) o\

(.1 o eni ‘.0 wi) vc ic-1 r- vc oo C> c7\ 00 O el VD 00 V1 M

.,(0 te.> —g el el e: el cl in o wr:: en 0 00 1/40 ir> ni: el og kr> cn o oo
Ú O od c.> en N ci O ch cr; cr; oi 00 00 0C 00 06 oi N N r-:
ni- a en (-si

1.) N en 4 tri r- oo o, O— N en 4 Ln \e, r- co 01O d' O 0 O 8

co N cm en 10 N
:E
568 APÉNDICES
Apéndice E: Uso de POM-QM para Windows
Resolución de un problema
Hay varias maneras de resolver
un problema. La forma más
sencilla consiste en pulsar
el botón Solve en la barra
de herramientas estándar. De
manera alternativa, se puede
usar la tecla de función F9.
Por último, si se presiona la
tecla Enter después de introducir
el último dato, el problema se
resolverá. Después de resolver
un problema, para seguir
editando los datos pulse el botón
Edit, que ha sustituido al
botón Solve en la barra de
herramientas estándar,
o bien utilice F9.
Bienvenido a POM-QM para Windows que, junto con su compañante Excel QM (vea el apéndice F), pone a
su disposición el software más fácil de usar disponible p el campo del análisis cuantitativo/métodos cuanti-
tativos (QA/QM), el cual también se utiliza en el campo d producción/administración de operaciones (POM).
Es posible visualizar todos los módulos, sólo los módulo de QM o sólo los módulos de POM. Debido a que
este libro trata de los métodos cuantitativos, únicamente se muestran los módulos de QM a lo largo del libro de
texto, y se hace referencia a este software como QM para Windows, que es un paquete diseñado para ayudarle
a aprender y entender mejor este campo. El software se puede utilizar para resolver problemas o para compro-
bar respuestas que se hayan obtenido en forma manual. Usted encontrará que este software es muy amigable
debido a las siguientes características:
,
• Cualquier persona familiarizada con las hojas de cál ulo o los procesadores de texto estándar en
Windows podrá fácilmente utilizar QM para Windo s. Todos los módulos tienen pantallas de ayuda
a las cuales es posible acceder en cualquier moment
• Las pantallas para cada módulo son consistentes, de modo que cuando un usuario se acostumbra a utilizar
un módulo, le será más fácil el uso de los demás módulos.
• El editor de datos tipo hoja de cálculo permite la edición en pantalla completa.
• Los archivos se abren y se guardan en la forma habitual de Wmdows y, además, los archivos se nombran
por módulo, lo que facilita la localización de archivos guardados previamente.
• Es fácil cambiar de un método de solución a otro para comparar los métodos y las respuestas.
• Las gráficas se muestran e imprimen con facilidad.
Instalación de POM-QM para Windows
Visite el sitio web que complementa a este libro para descargar e instalar el software POM-QM para Windows.
Se presentan instrucciones sobre cómo descargar, instalar y registrar el software.
Después de haber completado la instalación y el registro, usted tendrá un grupo de programas agregado
a su administrador de programas. El grupo se llamará POM-QM para Windows 3. Asimismo, se colocará en
el escritorio un acceso directo al programa. Para utilizar el programa QM para Windows, haga doble clic en el
acceso directo en el escritorio o utilice Inicio, POM-QM para Windows 3, POM-QM para Windows.
Cuando utilice por primera vez QM para Windows, debería seleccionar Help en la barra del menú y, a
continuación, PDF Manual o Word Manual para obtener instrucciones completas sobre cómo utilizar el soft-
ware. En este apéndice se incluyen algunas instrucciones breves.
La primera pantalla que se muestra en QM para Windows (vea el programa 1.1 en el capítulo 1) contiene
los diversos componentes que están disponibles en la mayoría de las pantallas. La parte superior de esa pan-
talla es la barra de título estándar de Windows. Debajo de la barra de título hay una barra de menú estándar
de Windows. Los detalles de las ocho opciones de menú, File, Edit, View, Module, Format, Tools, Window y
Help, se explican en este apéndice. Al iniciar QM para Windows, algunas de las opciones del menú como Edit
y Format quizá no estén disponibles. Solamente estarán disponibles cuando se seleccione un módulo o cuando
se introduzca un problema.
Debajo del menú se encuentran dos barras de herramientas: una barra de herramientas estándar y una
barra de herramientas de formato. Las barras de herramientas contienen accesos directos estándar para varios
de los comandos del menú. Si se coloca el puntero del mouse sobre el botón durante unos dos segundos, en la
pantalla se visualizará una explicación del botón.
La siguiente barra contiene una instrucción. Siempre hay una instrucción aquí tratando de ayudarle a
averiguar qué hacer o qué debe introducir. En este momento, la instrucción indica que seleccione un módulo
o abra un archivo. Cuando se van a introducir datos en la tabla de datos, esta instrucción explicará qué tipo de
datos (números enteros, reales, positivos, etcétera) deben introducirse.
En el programa 1.1 del capítulo 1, se muestra la lista de módulos después de hacer clic en Module. Aquí
se ha optado por mostrar únicamente los módulos de Q
Creación de un nuevo problema
Para introducir un nuevo problema, seleccione Module ara ver la lista de técnicas disponibles. Haga clic en el
módulo que desee utilizar de acuerdo con el tipo de problema a resolver. En seguida, haga clic en el icono para
introducir un nuevo problema o abrir un problema guardado previamente, o elija File y luego New u Open. En
algunos módulos, cuando se selecciona New, habrá un menú de submódulos. Cuando esto ocurra, es necesario
seleccionar uno de ellos antes de introducir el problema
La línea superior de la pantalla de creación contiene un cuadro de texto donde se puede introducir el título
del problema. Para muchos módulos, es necesario introducir el número de filas en el problema. Las filas tienen

Enter (Intro)
Esta tecla se mueve de una
celda a otra en el orden de
izquierda a derecha, de arriba
hacia abajo, pasando por alto
la primera columna (que por lo
general contiene los nombres).
Por lo tanto, al introducir una
tabla de datos, si inicia en
la parte superior izquierda
y trabaja fila por fila hasta la
parte inferior derecha, esta tecla
es excepcionalmente útil.
Formato numérico
El formato es manejado
automáticamente por el
programa. Por ejemplo, en la
mayoría de los casos, el número
1000 tendrá automáticamente
el formato 1,000. No escriba la
coma. ¡El programa le impedirá
hacerlo!
Eliminación de archivos
No es posible borrar un archivo
utilizando QM para Windows.
Use el administrador de archivos
de Windows para hacerlo.
APÉNDICE E: USO DE POM-QM PARA WINDOWS 569
diferentes nombres dependiendo de los módulos. Por ejemplo, en programación lineal, las filas son restriccio-
nes, mientras que en pronósticos, las filas son periodos anteriores. El número de filas puede elegirse con la
barra de desplazamiento, o bien, desde el cuadro de texto.
POM-QM para Windows tiene la capacidad de permitir diferentes opciones para los nombres por defecto
de las filas y columnas. Seleccione uno de los botones de radio para indicar qué estilo de nomenclatura pre-
determinada debería utilizarse. En la mayoría de los módulos, los nombres de las filas no se utilizan para los
cálculos, aunque se debe tener cuidado porque en algunos módulos (especialmente, la gestión de proyectos)
los nombres podrían relacionarse con las precedencias.
Muchos módulos requieren que usted ingrese el número de columnas, lo cual se da en la misma forma
que el número de filas. Todos los nombres de fila y columna se pueden modificar en la tabla de datos.
Algunos módulos tendrán un cuadro de opción adicional, por ejemplo, para elegir minimización o maxi-
mización, o bien, para seleccionar si las distancias son simétricas. Elija una de estas opciones. En la mayoría
de los casos, esta opción se puede cambiar más adelante en la pantalla de datos.
Cuando esté satisfecho con sus elecciones, haga clic en el botón OK o pulse la tecla Enter. En este punto,
se mostrará una pantalla de datos en blanco. Las pantallas diferirán de un módulo a otro.
Introducción y edición de datos
Después de haber creado un nuevo conjunto de datos o cargado un conjunto de datos existente, los datos
pueden editarse. Cada entrada está en una posición de fila y columna. Navegue a través de la hoja de cálculo
utilizando las teclas de movimiento del cursor, las cuales funcionan de manera regular con una excepción: la
tecla Enter.
La barra de instrucciones en la pantalla contendrá una breve instrucción que describe lo que se debe hacer.
Hay básicamente tres tipos de celdas en la tabla de datos. Un tipo es una celda de datos regular donde se intro-
duce un nombre o un número. Un segundo tipo es una celda que no se puede cambiar. Un tercer tipo es una
celda que contiene un cuadro desplegable. Por ejemplo, los signos en una restricción de programación lineal se
eligen de este tipo de cuadro. Para ver todas las opciones, pulse el cuadro con la flecha.
Hay un aspecto más de la pantalla de datos que debe considerarse. Algunos módulos necesitan datos
adicionales por encima de los que hay en la tabla. En la mayoría de estos casos, los datos están contenidos en
combinaciones de texto/barra de desplazamiento que aparecen en la parte superior de la tabla de datos.
Despliegue de la solución
En este punto, usted puede pulsar el botón Solve para iniciar el proceso de solución. Aparecerá una nueva
pantalla.
Algo importante que tiene que destacarse es que hay más información disponible relativa a la solución.
Ésta se puede observar mediante los iconos indicados en la parte inferior. Haga clic en ellos para ver la infor-
mación. Como alternativa, note que la opción Window en el menú principal está ahora habilitada. Siempre
estará activada en el momento de la solución. Incluso si los iconos están cubiertos por una ventana, la opción
Window siempre le permitirá ver las otras ventanas de solución.
Ahora que hemos examinado cómo crear y resolver un problema, explicamos todas las opciones dispo-
nibles del menú.
File
File contiene las opciones habituales que se encuentran en Windows:
New Como se mostró antes, ésta se elige para comenzar un nuevo problema/archivo.
Open Se utiliza para abrir/cargar un archivo guardado previamente. La selección de archivos es con el tipo
común de diálogo estándar en Windows. Observe que la extensión de los archivos en el sistema de QM para
Windows está dada por las tres primeras letras del nombre del módulo. Por ejemplo, todos los archivos de pro-
gramación lineal tienen la extensión *In. Cuando vaya al cuadro de diálogo abierto, el valor por defecto es el
que el programa debe buscar en los archivos de este tipo de módulo. Lo anterior se puede cambiar en la parte
inferior izquierda donde dice "I=rles of Type".
Los nombres legales son los nombres de archivo estándar. Las mayúsculas o minúsculas no importan.
Usted los puede escribir con mayúsculas, minúsculas o en forma mixta. En todos los casos, QM para Windows
agregará la extensión de tres letras al final del nombre del archivo. Por ejemplo, un problema de programación
lineal se convertiría en problema de programación lineaLlin (suponiendo que, de hecho, se trata de un pro-
blema de programación lineal).
Save Esta instrucción reemplazará el archivo sin preguntar si usted desea sobrescribir la versión anterior
del archivo. Si intenta guardar un archivo que no haya nombrado previamente, se le pedirá un nombre para
dicho archivo.
570 APÉNDICES
En la opción de menú Tools, se
encuentra una calculadora para
la distribución normal.
Save as Aquí se le pedirá un nombre de archivo antes de uardarlo. Esta opción es muy similar a la de cargar un
archivo de datos. Cuando se elige esta opción, se mostrará cuadro de diálogo Save as para los archivos.
Save as Excel File Guarda un archivo como un arch o de Excel que contiene los datos y las fórmulas
adecuadas para obtener las soluciones; se encuentra dise nible para algunos, pero no para todos los módulos.
Save as HTML Guarda las tablas como un archivo co formato HTML que de inmediato se puede colocar
en Internet.
Print Mostrará una pantalla del menú de impresión con cuatro pestañas. La pestaña Information le permite
seleccionar cuál de las tablas de salida debería imprimirse. La pestaña Page Header le permite controlar la
información que aparece en la parte superior de la página. La pestaña Layout controla el estilo de impresión.
La información puede imprimirse como texto ASCII o como una tabla (cuadrícula) semejante a la tabla en la
pantalla. Pruebe los dos tipos de impresión y vea cuál de ellos prefiere. La pestaña de impresión permite reali-
zar cambios en ciertas características de la impresión.
Exit the Program La última opción en el menú File es Exit, que cerrará el programa si está en la pantalla de
datos o, si se encuentra en la pantalla de solución, lo hará salir de esa pantalla y volverá a la pantalla de datos.
Lo anterior también se obtiene presionando el botón del comando Edit en la pantalla de solución.
Edit
Los comandos bajo Edit tienen tres propósitos. Los primeros cuatro comandos se utilizan para insertar o eli-
minar filas o columnas. El siguiente comando se utiliza para copiar una entrada de una celda a todas las celdas
que hay debajo de ella en la columna. Esto no suele ser útil pero, cuando lo es, ahorra una gran cantidad de
trabajo. Las dos últimas entradas sirven para copiar la tabla de datos a otros programas de Windows.
View
View tiene varias opciones que le permiten personalizar el aspecto de la pantalla. La barra de herramientas se
puede mostrar o no. La barra de instrucciones se muestra en su ubicación predeterminada encima o debajo de
los datos, como una ventana flotante, o no se muestra en absoluto. La barra de estado se puede visualizar o no.
Los colores cambian a monocromáticos (blanco y negro) o de este estado a sus colores originales.
Module
Module se muestra en el capítulo 1 como el programa 1.1. La selección de Module contiene una lista de los
programas disponibles con este libro.
Format
Format también tiene varias opciones para la pantalla. Es posible ajustar los colores para toda la pantalla, así
como el tipo de letra y el tamaño de la tabla. Los ceros se pueden configurar para mostrarse como espacios en
blanco en vez de ceros. Es posible cambiar el título del problema que se muestra en la tabla de datos y que se
estableció en la pantalla de creación. La tabla se comprime o se expande. Es decir, el ancho de las columnas
puede disminuirse o incrementarse. Las entradas se pueden verificar o no.
Tools
La opción de menú Tools es una área disponible para hacer anotaciones a los problemas. Si desea escribir
una nota para sí mismo sobre el problema, seleccione annotation; la nota se guardará junto con el archivo.
Hay una calculadora disponible para realizar cálculos sencillos, incluyendo raíz cuadrada, así como una
calculadora para la distribución normal que puede utilizarse para encontrar intervalos de confianza y efec-
tuar cálculos similares.
Window
La opción de menú Window sólo se activa en la pantalla de solución. En Window se puede encontrar informa-
ción de salidas adicionales. El tipo de salida depende dl módulo que se utilice.
Help
La opción de menú Help proporciona información acerca del software en general, así como sobre los módulos
individuales. La primera vez que se ejecuta POM-QM para Windows, se debería seleccionar Help y elegir
Program Update para asegurarse de que el software tiene las últimas actualizaciones.
Help también contiene un manual con información más detallada sobre el programa, un enlace a una
actualización del programa y un enlace para el soporte por correo electrónico. Si envía un correo, asegúrese
de incluir el nombre del programa (POM-QM para Windows), la versión del programa (desde Help, About), el
módulo donde se está produciendo el problema y una explicación detallada del problema; también adjunte
el archivo de datos en el cual se produce el problema.
 APÉNDICE F: USO DE EXCEL QM Y COMPLEMENTOS DE EXCEL 571

Apéndice F: Uso de Excel QM y complementos de Excel

Excel QM
Excel QM fue diseñado para ayudarle a aprender y entender mejor tanto el análisis cuantitativo como Excel.
A pesar de que el software contiene muchos módulos y submódulos, las pantallas de cada módulo son consis-
tentes y fáciles de usar. Los módulos se ilustran en el programa 1.3.
Excel QM es un complemento de Excel, por lo que usted debe tener Excel instalado en su computadora.
Para instalar Excel QM, vaya al sitio web complementario para obtener instrucciones y la descarga gratuita.
Un icono de Excel QM se colocará en su escritorio.
Para ejecutar Excel QM, haga clic en el icono del escritorio y Excel se iniciará con el complemento Excel
QM disponible. Además de las pestañas habituales de Excel, aparecerá una pestaña para Excel QM. Haga
clic en ella para ver la barra de Excel QM. Hay dos elementos de esta barra que se utilizan para accedes a las
técnicas disponibles. La primera forma es seleccionar By Chapter, que mostrará las técnicas dispuestas por el
número de capítulo. La segunda forma es seleccionar Alphabetical, que mostrará las técnicas en orden alfabé-
tico. Con cualquiera de estas formas, seleccione la técnica adecuada en función del problema que desea intro-
ducir. Se abrirá una ventana para que usted ingrese información sobre el problema, por ejemplo, el número de
variables o el número de observaciones. Al hacer clic en OK, aparecerá una hoja de cálculo que se ha iniciali-
zado. Las instrucciones se incluyen en un cuadro de texto que aparece justo debajo del título que se le ha dado
a este problema. Estas instrucciones suelen indicar lo que debe introducir en la hoja de trabajo y, para ciertos
métodos, los pasos restantes que se requieren para obtener la solución final. Para muchos de los módulos, no se
requieren nuevos pasos. Para otros, como la programación lineal, Excel QM habrá proporcionado las entradas
y hecho las selecciones necesarias para el uso de Solver.
Excel QM sirve para dos propósitos en el proceso de aprendizaje. En primer lugar, puede simplemente
ayudarle a resolver problemas de tarea. Se introducen los datos apropiados, y el programa ofrece soluciones
numéricas. QM para Windows opera sobre el mismo principio. Pero Excel QM permite un segundo enfoque,
esto es, observar las fórmulas de Excel utilizadas para desarrollar soluciones y modificarlas para hacer frente
a una variedad más amplia de problemas. Este enfoque "abierto" permite observar, comprender e incluso cam-
biar las fórmulas en que se basan los cálculos de Excel, comunicando el poder de Excel como una herramienta
de análisis cuantitativo.

Soporte técnico para Excel QM

Si tiene problemas técnicos con POM-QM para Windows o Excel QM que su profesor no pueda responder,
envíe un correo electrónico, en inglés, a la dirección que se encuentra en el sitio web www.prenhall.com/weiss.
Si envía el correo electrónico, asegúrese de incluir el nombre del programa (POM-QM para Windows o Excel
QM), la versión del programa (de Help, About en POM-QM para Windows; de QM About en Excel QM),
el módulo en el que se produce el problema y una explicación detallada del problema; también adjunte el
archivo de datos en el cual se produce el problema (si es necesario).

Activación de los complementos de Excel en Excel 2013 y 2010

Dos complementos importantes de Excel son Solver y Analysis ToolPak. Ambos son una parte de Excel, pero
deben activarse o cargarse antes de poder utilizarlos por primera vez. Para cargar los complementos, siga los
siguientes pasos:
1. Para Excel 2013 y 2010, haga clic en la pestaña ele, en Options y, después, en Add-Ins.
2. En el cuadro Manage, seleccione Excel Add-Ins y haga clic en Go.
3. Marque las casillas junto a Analysis ToolPak y Solver Add-In, y después haga clic en OK.
Ahora la pestaña de datos mostrará Solver y Data Analysis cada vez que inicie Excel. Las instrucciones sobre
el uso de Data Analysis para la regresión se presentan en el capítulo 4.
572 APÉNDICES

Apéndice G: Soluciones a problemas seleccionados

Capítulo 1 4-16 (a) $ 49,542 (b) El modelo predice el precio promedio
de una casa de este tamaño. (c) Antigüedad, el número de
1-16 BEP = 5 unidades habitaciones, tamaño del lote (d) 0.3969
1-18 BEP = 700 unidades 4-18 Para X = 1200, j>= 2.35 para X = 2400, 1." = 3.67
1-20 BEP = 160 por semana; ingreso total = $6,400 4-22 El modelo que sólo considera la antigüedad es mejor, por-
1-22 s = 45 que tiene la mayor r2 (0.70).
1-24 (a) BEP = 25 (b) BEP = 18.333 4-24 (a) Y = 91,446.49 + 29.86X1 + 2,116.861(2 -
1,504.77X3 = 142,465.16.
Capítulo 2 4-26 El modelo con caballos de fuerza es: Y = 53.87 - 0.269X1;
r2 = 0.77
2-14 0.30 El modelo con el peso es: Y = 57.53 - 0.0IX21
2-16 (a) 0.10 (b) 0.04 (c) 0.25 (d) 0.40 r2 = 0.73
2-18 (a) 0.20 (b) 0.09 (c) 0.31 (d) dependiente 4-30 = 77.190 + 0.047X
2-20 (a) 0.3 (b) 0.3 (c) 0.8 (d) 0.49 (e) 0.24 (1) 0.27 4-32 (a)/= 42.43 + 0.0004X;
2-22 0.719 (b) = -31.54 + 0.0058X
2-24 (a) 0.08 (b) 0.84 (c) 0.44 (d) 0.92 Capítulo 5
2-26 (a) 0.995 (b) 0.885 (c) Los eventos supuestos son 5-16 MAD = 6.48 para el promedio móvil de 3 meses;
independientes MAD = 7.78 para el promedio móvil de 4 meses
2-28 0.78 5-18 Y = 2.22 + 1.05X
2-30 2.85 5-20 El pronóstico para el año 12 es 11.789; MAD = 2.437
2-32 (a) 0.1172 (b) 0.0439 (c) 0.0098 5-22 Los pronósticos para el año 6 son 565.6 y 581.4
(d) 0.0010 (e) 0.1719 5-24 El pronóstico para el año 6 es 555
2-34 0.328, 0.590 5-26 MAD = 5.6 para la línea de tendencia; MAD = 74.56 para
2-36 0.776 la suavización exponencial; MAD = 67 para el promedio
(a) 0.0548 (b) 0.6554 (c) 0.6554 (d) 0.2119 móvil
2-38
5-28 (b) MAD = 2.60; RSFE = 5.11 en la semana 10
2-40 1829.27
5.32 MAD = 3.34
2-42 (a) 0.5 (b) 0.27425 (c) 48.2
5-36 = 6.26; MAD = 0.58 para a = 0.8 es la más baja.
2-44 0.7365
5-38 270, 390, 189, 351
2-46 0.162
Capítulo 6
Capítulo 3 6-20 (a) 20,000 (b) 50 (c) 50
3-18 Criterio maximin; Texan 6-22 $45 más. ROP -= 4,000
3-20 (a) Bolsa de valores (b) $21,500 6-24 8 millones
3-22 (b) CD 6-26 28,284; 34,641; 40,000
3-24 (b) Mediana 6-28 (a) 10 (b) 324.92 (c) 6.5 días; 65 unidades
3-26 8 cajas . (d) máximo = 259.94 promedio = 12.9.97
(e)7.694 corridas; (f) $19235; $37,384.71 (g) 5
3-30 (b) Muy grande (c) Pequeña (c) Muy grande
(d) Muy grande (f) Muy grande 6-30 (a) Z = 2.05 (b) 3.075 (c) 23.075 (d) $4.61
6-32 Añadir 160 pies. $1,920
3-32 Decisión con arrepentimiento minimax: opción 2; decisión
de POE mínima: opción 2 6-34 2,697
3-34 -$0.526 6-36 Tomar el descuento. Costo = $49,912.50
3-36 Construir la clínica (VME = 30,000) 6-38 $4.50; $6.00; $7.50
3-40 No recopilar información; construir cuádruplex 6-46 Artículo 4, EOQ = 45
6-48 Ordenar 200 unidades
3-42 0.533; 0.109
3-44 (c) Llevar a cabo la encuesta. Si la encuesta es favorable, Capitulo 7
producir la maquinilla para afeitar; si no es favorable, 7-14 40 aparatos de aire acondicionado, 60 ventiladores,
no producir la maquinilla para afeitar. utiilidad = $1,900
3-46 (a) 0.923, 0.077, 0.25, 0.75 (b) 0.949, 0.051, 0.341, 0.659 7-16 17 anuncios en radio, 10 anuncios en televisión
3-48 No utilizar el estudio. Aversos al riesgo. 7-18 40 estudiantes de licenciatura, 20 de posgrado, $160,000
3-50 (a) Broad (b) Autopista (c) Aversa al riesgo 7-20 $2 ,000, petroquímica; $30,000, organismo público;
re dimiento = $4,200; riesgo -= 6
Capítulo 4 7-22 X =-- 18.75, Y = 18.75, utilidad = $150
4-10 (b) SCT = 29.5 SEC = 12 y SCR = 17.5 = 6 + 0.1X 7-24 (1358.7, 1820.6), $3,179.30
(c) Y = 10 7-26 (a) utilidad = $ 2,375 (b) 25 barriles podados, 62.5 barriles
4-12 (a) f' = 6 + 0.1X regulares (c) 25 acres podados, 125 acres regulares

7-28 (a) Sí (b) No cambia
7-34 (a) 25 unidades del producto 1, 0 unidades del producto 2
(b) Se utilizan 25 unidades del recurso 1, holgura = 20;
se utilizan 75 unidades del recurso 2, holgura = 12; se
utilizan 50 unidades del recurso 3, holgura = 0; la restric-
ción 3 es vinculante y las otras no lo son. (c) 0, O y 25
(d) Recurso 3. Hasta $25 (precio dual) (e) La utilidad total
se reduciría en 5 (valor del costo reducido).
7-36 24 cocos, 12 pieles; utilidad = 5,040 rupias
7-42 Usar 75 lb de C-30, 15 lb de C-92, O lb de D-21 y 27.5 lb
de E-11; costo = $ 3.35 por lb
Capitulo 8
8-2 (b) $50,000 en bonos LA, $ 175,000 en Medicamentos
Palmer, $25,000 en Happy Days
8-4 1.33 libras de producto de avena para caballo, O libras de
grano, 3.33 libras de producto mineral
8-6 6.875 anuncios en televisión; 10 anuncios en radio; 9 vallas
publicitarias; 10 anuncios en periódicos
8-8 Usar 30 arrendamientos a 5 meses a partir de marzo,
100 arrendamientos de 5 meses a partir de abril, 170 arren-
damientos de 5 meses a partir de mayo, 160 arrendamien-
tos de 5 meses a partir de junio y 10 arrendamientos de
5 meses a partir de julio.
8-10 Enviar a 400 estudiantes del sector A a la escuela B, 300
del sector A a la escuela E, 500 del sector B a la escuela
B, 100 del sector C a la escuela C, 800 del sector D a
la escuela C y 400 del sector E a la escuela E.
8-12 (b) 0.499 lb de carne molida, 0.173 lb de pollo, 0.105 lb de
espinaca y 0.762 lb de papas. Costo total = $1.75.
8-14 13.7 aprendices comienzan en agosto y 72.2 comienzan en
octubre.
Capítulo 9
9-8 Des Moines a Albuquerque 200, Des Moines a Boston 50,
Des Moines a Cleveland 50, Evansville a Boston 150,
Ft Lauderdale a Cleveland 250. Costo = $3,200.
9-10 25 unidades de Pineville a 3; 30 unidades de Oak Ridge a 2;
10 unidades de Oakville a 3; 30 unidades de Mapletown
a 1. Costo = $230. Múltiples soluciones óptimas.
9-12 Costo total = $14,700.
9-14 Costo total = $635.
9-18 Los sistemas de Nueva Orleans cuestan = $20,000; los
de Houston $19,500, por lo que se debería seleccionar
Houston.
9-20 Costo óptimo usando East St. Louis: $17,400. Costo
óptimo usando St Louis: $17,250.
9-22 Trabajo Al2 a la máquina W; trabajo Al5 a la máquina Z;
trabajo B2 a la máquina Y; trabajo B9 a la máquina X.
Tiempo = 50 horas
9-24 4,580 millas
9-26 Calificación total = 335
9-28 Calificación total máxima = 75.5
9-30 (a) $2,591,200 (b) $2,640,400 (c) $2,610,100 y
$2,572,100
9-34 200 en la ruta 1-2-5-7-8, 200 en la ruta 1-3-6-8 y 100 en
la ruta 1-4-8. Total = 500. Esto aumenta a 700 con los
cambios.
9-36 Flujo total = 13
9-38 La ruta más corta es 1-3-7-11-14-16. La distancia total es 74.
9-40 (a) 1,200 millas (b) 1,000 millas
9-42 Distancia total = 40
APÉNDICE G: SOLUCIONES A PROBLEMAS SELECCIONADOS 573
Capítulo 10
10-10 (a) 2 anuncios en horario estelar por semana, 4.25 anuncios
en horario normal por semana, audiencia = 38,075
(b) 2 anuncios en horario estelar por semana, 4 anuncios en
horario normal por semana, audiencia = 36,800
(c) 4 anuncios en horario estelar por semana, 1 anuncio
en horario normal por semana, audiencia = 37,900
10-12 3 carteles grandes y 4 carteles pequeños
10-16 Construir en Mt. Aubum, Mt. Adams, Norwood, Covington
y Eden Park.
10-18 (a) XI a X2 (b) X1 + X2 + X3 = 2
10-20 (b) O TV, 0.73 radio, O carteleras y 8.86 anuncios en
periódicos
10-24 Xi = 15, X2 = 20
10-28 18.3 XJ6 y 10.8 XJ8; ingresos = 70,420.
10-30 0.333 en la acción 1 y 0.667 en la acción 2;
varianza = 0.102; rendimiento = 0.09
Capítulo 11
11-18 (a) 0.50 (b) 0.50 (c) 0.97725 (d) 0.02275
(e) 43.84
11-20 (a) 0.0228 (b) 0.3085 (c) 0.8413 (d) 0.9772
11-24 14
11-28 (b) La ruta crítica A-C tarda 20 semanas; la ruta B-D
tarda 18 semanas (c) 0.222 para A-C; 5 para B-D
(d) 1.00 (e) 0.963 (t) la ruta B-D tiene más
variabilidad y tiene mayor probabilidad de exceder
las 22 semanas.
11-34 Sí. El costo de la aceleración es de $ 2,200.
Capítulo 12
12-10 Los costos totales para los empleados 1, 2, 3 y 4 son de
$564, $428, $392 y $406, respectivamente.
12-12 (a) 4.167 autos (b) 0.4167 horas (c) 0.5 horas
(d) 0.8333 (e) 0.1667
12-14 (a) 0.512, 0.410, 0.328 (b) 0.2 (c) 0.8 minutos
(d) 3.2 (e) 4 (f) 0.429, 0.038 minutos, 0.15, 0.95
12-16 (a) 0.2687 horas (b) 3.2
(c)Sí. Ahorros = $142.50 por hora.
12-18 (a) 0.0397 horas (b) 0.9524 (c) 0.006 horas
(d)0.1524 (e) 0.4286 (I) 0.4 (g) 0.137
12-20 Con una persona, L = 3, W = 1 hora, Lq = 2.25
y W4 = 0.75 horas. Con dos personas, L = 0.6,
W = 0.2 horas, Lq = 2.225 y Wq = 0.075 horas.
12-22 No
12-24 (a) 0.1333 horas (b) 1.333 (c) 0.2 horas (d) 2
(e)0.333
12-26 (a) 80 clientes por día (b) 10.66 horas, $266.50
(c) 0.664, $16.60 (d) 2 cajeros, $208.60
12-30 (a) 0.576 (b) 1.24 (c) 0.344 (d) 0.217 horas
(e) 0.467 horas
12-32 (a) 0.27 horas (b) 3.2 (c) 4 (d) 0.33 horas
(e) 0.4096
Capítulo 13
13-14 No
13-16 Valor esperado de 6.35 (usando la fórmula). El número
promedio es 7 en el problema 13-15.
13-18 (b) Número promedio retrasado = 0.40. Número promedio
de llegadas = 2.07.
574 APÉNDICES

13-26 (a) El costo/hora suele ser más caro al reemplazar 1 pluma M3-12 (a Usar el nuevo proceso. Nuevo VME = $283,000.
a la vez. (b Aumentar el precio de venta.
(b)Costo esperado/hora con la política de 1 pluma = $ 1.38 Ni evo VME = $296,000.
(o $58/avería); costo esperado/hora con la política de M3-14 Bl P = 4,955
4 plumas = $1.12 (o $132/avería).
M3-16 E I = $249.96
Capítulo 14 M3-18 E I = $51.24
14-8 (b) 90% (e) 30% Módulo 4
14-10 El próximo mes, 4/15, 5/15, 6/15. Tres meses, 0.1952, M4-8 Estrategia para X:X2; estrategia para Y:Y1; valor del
0.3252, 0.4796 juego = 6
14-12 (a) 70% (b) 30% (c) 40% M4-10 X1 = 35/52; x2 = n/52; Yt = 3757; Y2 = 25/57; valor
14-14 25% para Baffles; 18.75% para University; 26.25% para del juego = 66.70
Bill's; 30% para College M4-12 (b) Q = 41/72, 1 - Q = 31/72; P = 55/72.
14-16 111 en Northside, 75 en West End y 54 en Suburban 1 - P = 17/72
14-18 Horizon tendrá 104,000 clientes, y Local tendrá 76,000. M4-14 Valor de juego = 933
14-20 Nueva MFA = (5,645.16, 1,354.84) M4-16 Existe un punto de silla. Shoe Town debería invertir
14-22 50% Hicourt, 30% Printing House y 20% Gandy $15,000 en publicidad y Fancy Foot debería inver-
tir $20,000 en publicidad.
14-26 La tienda 1 tendrá una tercera parte de los clientes, y la
tienda 2 tendrá dos tercios. M4-18 Eliminar la estrategia dominada X2. Después Y3 está
dominada y puede eliminarse. El valor del juego es 6.
Capítulo 15 M4-20 Jugar siempre con la estrategia A14. $3 millones.
15-8 De 45.034 a 46.966 para Módulo 5
De O a 4.008, para R
M5-8 X = -3/2, Y = 1/2; Z = 72
15-10 De 16.814 a 17.187 para :v.
De 0.068 a 0.932 para R (-48/60 960 32/1
6/60 -12/60 6/60
15-12 De 2.236 a 3.728 para M5-16
De O a 2.336 para R 12/60 6/60 -8/60
En control
M5-18 OXi 4X2 3X3 = 28; 1X1 + 2X2 + 2X3 = 16
15-16 (a) 1011.8 para x y 96.3 para R (b) De 956.23 a 1067.37
(c)El proceso está fuera de control. Módulo 6
15-18 LCI = 0, LCS = 4
M6-6 (a) r = 12X - 6 (b) Y" = 80X3 + 12X
Módulo 1 (c) Y" = 6/X4 (d) = 500/X6
M6-8 (a) Y' = 30X4 - 1 (b) Y" = 60X2 + 24
M1-4 SUN - 0,80 (c) Y" = 24/X5 (d) Y" = 250/X6
M1-6 Lambda = 3.0445, valor de CI = 0.0223, RI = 0.58, M6-10 X = 5 es el punto de inflexión.
CR = 0.0384
M6-12 Q = 2,400, TR = 1,440,000
M1-8 Auto 1, 0.4045
M6-14 P = 5.48
M1-10 La Universidad B tiene el mayor promedio
ponderado = 0.4995 Módulo 7
Módulo 2 M7-18 (b) 14X1 + 4X2 15 3,360; 10X1 + 12X2 s 9,600
(d) S] = 3,360, S2 = 9,600 (e) X2 (f) S2
M2-6 1-2-6-7, con una distancia total de 10 millas. (g) 800 unidades de X2 (h) 1,200,000
M2-8 La ruta más corta es 1-2-6-7, con una distancia total de M7-20 X1 - 2, X2 - 6, S1 - 0, S2 - O, P - $36
14 millas. M7-22 • = 14, X2 = 33, C = $221
M2-10 La ruta más corta es 1-2-5-8-9. Distancia = 19 millas. M7-24 No acotada
M2-12 4 unidades del producto 1, 1 unidad del producto 2, M7-26 Degeneración; Xl = 27, X2 = 5, X3 = 0, P = $177
y no hay unidades de los productos 3 y 4.
M7-28 (a) Min. C = 9Xi + 15X2
M2-14 Enviar 6 unidades del producto 1, 1 unidad del producto • + 2X2 k 30
2 y 1 unidad del producto 3. • + 4X2 k 40
M2-16 La ruta más corta es 1-3-6-11-15-17-19-20. (b)XI = 0, X2 = 20, C = $300
Módulo 3 M7-30 á mesas de café, 2 estantes para libros, utilidad = 96
M7-34 (a) De 7.5 al infinito (b) Del infinito negativo a $40
M3-6 (a) OL = $8(20,000 - X) para X s 20,000; OL = (c)$20 (d) $0
en otro caso (b) $0.5716 (c) $0.5716 (d) 99.99%
M7-36 (a) 18 modelo 102, 4 modelo H23
(e) Imprimir el libro
(b)S1 = tiempo de holgura para soldadura
M3-8 (a) BEP = 1,500 (b) Utilidad esperada = $8,000 S2 = tiempo de holgura para inspección
M3-10 (a) OL = $10(30 - X) para X S 30; OL = O de otro (c) Sí, el precio sombra es de $4
modo (b) EOL = S59.34 (c) EVPI = $59.34 (d) No, el precio sombra es menor a $1.75.
 APÉNDICE G: SOLUCIONES A PROBLEMAS SELECCIONADOS 575

M7-38 (a)Del infinito negativo a $6 para el fosfato; M8-22 Costo total = $28,300
De $5 al infinito para el potasio M8-24 El trabajo Al2 para la máquina W; el trabajo Al5 para
(b)Las bases no cambiarán; pero X1, X2 y S2 sí cambiarán. la máquina Z; el trabajo B2 para la máquina Y; el trabajo
M7-40 max P = 50111 + 4U2 B9 para la máquina X; Tiempo = 50 horas
121/1 + 1U2 S 120 M8-26 (a) 4,580 (b) 6.040
20U1 + 3U2 250 M8-28 Total = 86
Módulo 8 M8-32 Total de automóviles por hora = 5
M8-34 Distancia total = 430
M8-14 El costo total se mantiene sin cambios en $1,040.
M8-38 Total = 167 por día
M8-16 El costo total es $230. M8-40 (a) La ruta más corta es 1-3-7-11-14-16 con una distancia
M8-18 El costo total es $14,700. de 74. (b) la distancia se incrementa en 2.
M8-20 Desbalanceado, el costo total = $5,310 M8-42 (a) 1,200 millas (b) 1,000 millas
576 APÉNDICES

Apéndice H: Soluciones a las autoevaluaciones

Capítulo 1 7. b Capítulo 8
1. c 8. c 1. a
2. d 9. a 2. b
3. b 10. b 3. d
4. b 11. b 4. e
5. c 12. c 5. d
6. c 6. c
7. d Capítulo 5
Capítulo 9
8. c 1. b
9. d 2. a 1. d
10. a 3. d 2. b
11. a 4. c 3. c
12. c 5. b 4. b
6. b 5. d
Capítulo 2 7. d 6. b
1. c 8. b 7. b
2. b 9. d 8. d
3. a 10. b Capítulo 10
4. d 11. c
5. b 1. a
12. d
6. c 2. b
13. b 3. a
7. a 14. c
8. c 4. a
15. b
9. b 5. a
10. d Capítulo 6 6. b
11. b 7. b
1. e 8. b
12. a 2. e
13. a 9. d
3. c 10. b
14. b 4. c
15. a 11. e
5. a
Capítulo 3 6. b Capítulo 11
1. b 7. d 1. e
2. c 8. c 2. c
3. c 9. b 3. a
4. a 10. a 4. d
5. c 11. a 5. b
6. b 12. d 6. c
7. a 13. d 7. b
8. c 14. d 8. a
9. a 9. b
Capítulo 7 10. b
10. d
11. b 1. b 11. a
12. c 2. a 12. a
13. c 3. b 13. ruta crítica (o crítica)
14. a 4. c 14. evaluación del programa y
15. c 5. a técnica de revisión
16. b 6. b 15. modelo de programación lineal
7. c 16. optimista, más probable,
Capítulo 4 8. c pesimista
1. b 9. b 17. holgura
2. c 10. c 18. monitorear y controlar
3. d 11. a
4. b 12. a Capítulo 12
5. b 13. a 1. a
6. c 14. a 2. a
 APÉNDICE H: SOLUCIONES A LAS AUTOEVALUACIONES 577

3. b 3. d Módulo 5
4. e 4. a 1.
5. c 5. c 2. a
6. b 6. b 3. b
7. c 7. 4.
8. d 8. d 5. b
9. b 9. b 6. a
10. d 10. b 7. e
11. 8. d
Módulo 1
12. primero en llegar, primero
en ser atendido 1. a Módulo 6
13. distribución exponencial negativa 2. d 1. a
14. simulación 3. b 2. d
4. b 3. a
Capítulo 13 5. 4. h
1. b 6. b 5. c
2. h 7. b 6. d
3. a 8. b 7. d
4. b
Módulo 2 Módulo 7
5. a
6. a 1. 1. a
7. d 2. b 2. d
8. a 3. e 3. d
9. b 4. c 4. a
10. b 5. b 5. a
11. d 6. a 6. d
12. d 7. 7. a
13. c 8. e 8. d
14. e 9. a 9. h
15. (a) no, sí, no, no, no, sí, sí, sí, 10. a 10. a
no, sí 11. e 11. a
(b) sí, sí, sí, sí, no, sí, sí, no, no, no 12. c 12. b
13. b 13.
Capítulo 14 14. b 14.
1. b 15. d
2. a Módulo 3
16. a
3. c 1. c 17. h
4. c 2. d
5. b 3. b Módulo 8
6. a 4. a 1.
7. a 5. b 2. b
8. a 6. b 3. b
9. b 7. c 4. a
10. matriz de probabilidades de 5. b
transición Módulo 4 6. b
11. colectivamente exhaustivos, 1. b 7. a
mutuamente excluyentes 2. a 8. h
12. vector de probabilidades 3. 9. a
de estado 4. b 10. b
5. b 11. b
Capítulo 15
6. b 12. h
1. b 7. a 13. h
2. c