Unidad 1: introducción a los modelos

Unidad 2: programación lineal

Ejercicios: programación lineal

Una encuesta de mercado indica que la demanda diaria de pintura para interiores no puede
exceder la de pintura para exteriores en más de una tonelada. Asimismo, que la demanda diaria
máxima de pintura para interiores es de dos toneladas. Reddy Mikks se propone determinar la
(mejor) combinación óptima de pinturas para interiores y exteriores que maximice la utilidad
diaria total.

Sujeto a:

Ejercicio 2:
Pauta prueba 1 (unidad 1 y 2)

1. ¿Qué es la Investigación de Operaciones? (Definición) [10 pts]

Enciclopedia Británica: “Es la aplicación de métodos científicos a la administración y gestión de

organizaciones gubernamentales, industriales, comerciales y militares.”

2. En el contexto de la Investigación de Operaciones, ¿Qué es un modelo? [10 pts]

Un modelo es una abstracción cuidadosamente seleccionada de la realidad

3. Basado en el enfoque de la Investigación de Operaciones visto en clases, ¿Cuáles son las 5

fases principales de la implementación de la Investigación de Operaciones en la práctica? [20
pts]

 Definición/Identificación del problema u

 Construcción del modelo (modelo matemático) u
 Resolución del modelo u
 Validación del modelo u
 Toma de decisión/Implementación de la solución

4. Entregue un ejemplo de un modelo de optimización.

5. Suponga que usted es Gerente de Costos Corporativos de la empresa “Made in Chile” y ha

detectado el siguiente problema: Dado que muchos funcionarios (ejecutivos y mandos medios)
están viajando en comisión de servicio, dentro de Chile y hacia el exterior por la apertura de
nuevas sucursales, los gastos de rendición por concepto “Pago Taxi” han crecido en forma
exponencial. Considerando su cargo y rol dentro de la compañía decide tomar cartas en el asunto
e implementar una política que permita disminuir estos costos. Sin embargo, no está dentro de
sus pretensiones entorpecer la operación disminuyendo la cantidad de comisiones de servicio,
llevar este tipo de gastos a los niveles anteriores o generar incomodidad en los altos ejecutivos de
la compañía. ¿Usted en su rol de Gerente de Costos Corporativos qué haría? Proponga una
solución razonable al contexto planteado e incorpore todos los supuestos que considere
necesarios para que sea factible. [32.5 pts]
Unidad 2:

 Método simplex

Detalles de cálculo del algoritmo Simplex: A continuación, se explican los detalles de cálculo de
una iteración simplex, que incluyen las reglas para determinar las variables de entrada y de salida,
así como para detener los cálculos cuando se ha llegado a la solución óptima

Como la tabla simplex expresa la función objetivo en la forma Z–5x1–4x2=0, la variable de entrada
es x1, porque tiene el coeficiente más negativo en la función objetivo, que es de maximización. Si
fuera el caso que todos los coeficientes de la función objetivo fueran mayores que 0, no sería
posible mejorar Z y eso querría decir que se habría llegado al óptimo.

Ahora, para determinar la variable de salida, en forma directa con la tabla, se calculan las
intersecciones, o coordenadas (x1) al origen, de todas las restricciones con la dirección no negativa
del eje x1 (recuerden que x1 es la variable de entrada). Esas intersecciones son las razones del lado
derecho de las ecuaciones (columna Solución) entre los coeficientes de restricción
correspondientes, abajo de la variable de entrada x1, como se ve en la siguiente tabla:
La razón no negativa mínima corresponde a s1
básica, y quiere decir que s1 es la variable de salida
(su valor es cero en la nueva iteración). El valor de la
variable de entrada x1 en la nueva solución también
es igual a la razón mínima: x1=4. El aumento
correspondiente del valor de la Z objetivo es ($5x4
ton) = $20 El resultado final de “intercambiar” las
variables de entrada y de salida es que las variables
no básicas y básicas en el nuevo punto solución son:

Ahora se deben manipular las ecuaciones de la última tabla de modo que la columna Básica y la
columna Solución identifiquen la nueva solución en el punto B. El proceso se llama operaciones de
renglón de Gauss-Jordan La siguiente es una réplica de la tabla de inicio. Asocia a la columna
pivote y al renglón pivote con las variables de entrada y de salida, respectivamente. A la
intersección de la columna pivote con el renglón pivote se le llama pivote o elemento pivote

Los cálculos de Gauss-Jordan necesarios para obtener la nueva solución básica son de dos tipos:

1. Renglón pivote:

Nuevo renglón pivote = Renglón pivote actual ÷ Elemento pivote

2. Todos los demás renglones, incluyendo Z:

Nuevo renglón = (Renglón actual) – (Su coeficiente en la columna pivote) x (Nuevo renglón pivote)
Esos cálculos se aplican a la tabla anterior en la siguiente forma:

1. Nuevo renglón pivote x1 = Renglón pivote s1 actual ÷ 6

2. Nuevo renglón Z = Renglón Z actual –(–5) x Nuevo renglón pivote
3. Nuevo renglón s2 = Renglón s2 actual –(1) x Nuevo renglón pivote
4. Nuevo renglón s3 = Renglón s3 actual –(–1) x Nuevo renglón pivote
5. Nuevo renglón s4 = Renglón s4 actual–(0) x Nuevo renglón pivote
La tabla nueva que corresponde a la nueva solución básica (x1, s2, s3, s4) se convierte en:

La última tabla identifica a x2 y s2 como las

variables de entrada y de salida, respectivamente. La justificación de esas selecciones es la
siguiente: al examinar la tabla se ve que no es óptimo, porque la variable no básica x2 tiene un
coeficiente negativo en el renglón Z. Este razonamiento, igual al que usamos en la tabla de inicio,
se aclara al expresar el renglón Z en la forma:

Por lo tanto, es benéfico un aumento en x2 respecto a su valor actual de cero, porque hará
aumentar el valor de Z, y por consiguiente x2 es la variable de entrada
A continuación, los cálculos de razones de la siguiente tabla indican que s2 es la variable de salida.

Se ve que x2 = 1.5, y que el

aumento correspondiente en Z es
(2/3)x1.5 = 1, dando la nueva Z =
20 + 1 = 21

Dadas x2 y s2 como variables de entrada y de salida, necesitamos aplicar las siguientes

operaciones de renglón de Gauss-Jordan para obtener la tabla de la siguiente slide:
1. Nuevo renglón pivote x2 = Renglón pivote s2 actual ÷ (4/3)
2. Nuevo renglón Z = Renglón actual Z –(–2/3) x Nuevo renglón pivote
3. Nuevo renglón x1 = Renglón x1 actual –(2/3) x Nuevo renglón pivote
4. Nuevo renglón s3 = Renglón s3 actual –(5/3) x Nuevo renglón pivote
5. Nuevo renglón s4 = Renglón s4 actual –(1) x Nuevo renglón pivote

Como ninguno de los coeficientes

del renglón Z asociados con las
variables no básicas s1 y s2 son
negativos, esta última tabla es
óptima

Se puede leer la solución óptima en la tabla simplex como sigue: los valores óptimos de las
variables en la columna Básica se ven en la columna Solución del lado derecho, y se pueden
interpretar del siguiente modo
Es posible comprobar que los
valores s1=s2=0, s3=(5/2), s4=(1/2) son
consistentes con los valores dados de x1
y x2
  El Método M:
Dado M, un valor positivo suficientemente grande (matemáticamente, MàInfinito), el coeficiente
objetivo de una variable artificial representa una penalización adecuada si:

Al usar esta penalización, el proceso de optimización forzará en forma automática a las variables
artificiales para que sean cero (siempre que el problema tenga una solución factible)

Ejemplo:

Sujeto a:

Paso 1: Si se usan x3 como excedente en la segunda restricción y x4 como una holgura en la

tercera restricción, la forma del problema en ecuación es:

Sujeto a :

La primera y segunda ecuaciones no tienen variables que puedan desempeñar el papel de

holguras, pero la tercera sí, porque tiene la holgura x4. Así, se agregan las variables artificiales R1 y
R2 en las dos primeras ecuaciones y se penalizan en la función objetivo con MR1 + MR2 (porque
estamos minimizando)

Sujeto a:

Paso 3: En el nuevo modelo se pueden usar ahora R1, R2 y x como solución básica de inicio, como
se ve en la siguiente tabla (por comodidad se eliminó la columna Z, porque no cambia en todas las
iteraciones)
Paso 3: Para simplificar, reemplazamos M por un valor suficientemente grande, M=100

Paso 4:

Antes de proseguir con los cálculos del método simplex, la fila Z debe hacerse consistente con el
resto de la tabla. El lado derecho de la fila Z en la tabla en este momento muestra Z = 0. Sin
embargo, dada la solución no básica x1=x2=x3=0, la solución básica actual es R1=3, R2=6 y x4=4, la
cual da Z= (100 x 3) + (100 x 6) + (4 x 0) =900. Esta inconsistencia se deriva del hecho de que los
coeficientes de R1 y R2 no son cero (-100, -100) en la fila Z Para eliminar la inconsistencia,
tenemos que sustituir R1 y R2 en la fila Z por medio de la siguiente operación de filas:

Por tanto, la tabla modificada sería:

Esta tabla estaría lista para la

aplicación de las condiciones de optimalidad y factibilidad del método simplex

Paso 5:

Dado que la función objetivo se minimiza, la variable x1 que tiene el coeficiente más positivo en la
fila Z (=696) entra en la solución. La relación mínima de la condición de factibilidad especifica a R1
como la variable de salida Una vez que se han determinado las variables de entrada y de salida, la
nueva tabla se calcula utilizando las conocidas operaciones de Gauss-Jordan

La última tabla muestra que

x2 y R2 son las variables de
entrada y de salida,
respectivamente.
Continuando con los
cálculos simplex, se
requieren dos iteraciones
más para alcanzar el óptimo x1 = (2/5), x2 = (9/5), Z = (17/5) Observe que las variables artificiales
R1 y R2 se salen de la solución básica (es decir, se hacen iguales a cero) en la primera y segunda
iteraciones, un resultado que es consistente con el concepto de penalizarlas en la función objetivo.
  Problema dual:

Ejemplo: La siguiente tabla demuestra el uso de las reglas; incluso, muestran que nuestra
definición incorpora automáticamente todas las formas del primal.

Sujeto a

Sujeto a

 Relación primal-dual:

Solución dual óptima: Dos métodos para determinar los valores duales:
Ejemplo:

Sujeto a

Ahora, para preparar el problema para su solución mediante el método simplex, agregamos una
variable de holgura x4 en la primera restricción y una variable artificial R en la segunda. Por
consiguiente, el primal resultante y los problemas duales asociados se definen como sigue:

A continuación, demostramos cómo se determinan los valores duales óptimos aplicando el

método 1:

Tabla óptima del primal

Método 1:

En la tabla anterior, las variables primales iniciales x4 y R corresponden solo a las variables duales
y1 y y2, respectivamente. Por lo tanto, determinamos la solución dual óptima como sigue:

Relación entre z máxima y w

mínima:
Unidad 3: modelos de transporte

Ejercicio 1:

MG Autos tiene tres plantas: en Los Ángeles, Detroit y New Orleans; y dos centros principales de
distribución en Denver y en Miami. Las capacidades de las tres plantas durante el próximo
trimestre serían 1000, 1500 y 1200 autos. Las demandas trimestrales en los dos centros de
distribución son 2300 y 1400 autos. El kilometraje entre las fábricas y los centros de distribución
es:

La empresa transportista cobra 8 centavos por milla y por auto. El costo de transporte por auto, en
las distintas rutas y redondeado hasta el $ más próximo, se calcula como se ve en la siguiente
tabla:

El modelo de programación lineal para el problema sería el siguiente:

El modelo de programación lineal se puede resolver con el método simplex. Sin embargo, la
estructura especial de las restricciones permite resolverlo con más comodidad usando la tabla de
transporte siguiente:

Condición fundamental del algoritmo de transporte El algoritmo de transporte se basa en la

hipótesis que el modelo está balanceado, y eso quiere decir que la demanda total es igual a la
oferta total. Si el modelo está desbalanceado siempre se podrá aumentar con una fuente ficticia o
un destino ficticio para restaurar el equilibrio o balance.

Ejemplo:

En el modelo de MG, suponer que la capacidad de la planta de Detroit es 1300 automóviles (en
lugar de 1500). La oferta total (=3500 autos) es menor que la demanda total (=3700 autos), lo que
quiere decir que no será satisfecha parte de la demanda en Denver y Miami Como la demanda es
mayor que la oferta se agrega una fuente (planta) ficticia con una capacidad de 200 automóviles
(=3700 – 3500) para balancear el modelo de transporte. En este caso, el costo de transporte por
unidad, desde la planta ficticia a los dos destinos es cero, porque no existe esa fábrica

La siguiente tabla muestra el modelo balanceado junto con

su solución óptima. Se ve que la planta ficticia manda 200
automóviles a Miami, y eso quiere decir que a Miami le
faltan 200 vehículos para satisfacer su demanda de 1400
unidades

También podemos demostrar el caso en que la oferta es

mayor que la demanda, suponiendo que en Denver la demanda solo es de 1900 autos En este
caso, se debe agregar un centro de distribución ficticio que “reciba” el exceso de oferta. También,
los costos unitarios de transporte al centro ficticio de distribución son cero, a menos que se
deseen imponer otras condiciones.

En la siguiente tabla se ve el nuevo modelo y su

solución óptima. Esta solución indica que la planta de
Detroit tendrá un sobrante de 400 autos.
Pauta prueba 2

1. ¿Cuáles son los tres componentes básicos de un modelo de programación lineal? [7.5 pts]

El modelo de programación lineal, como en cualquier modelo de investigación de operaciones,

tiene tres componentes básicos.

i. Las variables de decisión que se trata de determinar

ii. El objetivo (la meta) que se trata de optimizar
iii. Las restricciones que se deben satisfacer

2. ¿Cuál es el objetivo de un modelo programación lineal? Pista: Piense en el objetivo de

resolver un modelo [10 pts]

Determinar la (mejor) combinación de valores factibles para las variables que maximicen o
minimicen la función objetivo

3.

a) Defina las variables del modelo de programación lineal [5 pts]

b) Defina la función objetivo (Z) del modelo de programación lineal, incluyendo max o min [5
pts]
c) Defina las restricciones del modelo de programación lineal, incluyendo las de no
negatividad [5 pts]
4. Resuelve el siguiente modelo con el método simplex, usando que x3 y x4 como variables
básicas factibles de inicio, y sin usar variables [20 pts]

Sujeto a

5. Considerando el siguiente problema modelo de programación lineal (primal)

a) Escriba el primal en forma de ecuación [10 pts]

b) escriba el dual del problema primal [12.5 pts]

 c) Resuelva el problema dual con el método gráfico [12.5 pts]

 Métodos no tradicionales de transporte

Ejemplo: Control de producción e inventarios

Boralis fabrica mochilas para excursionistas exigentes. La demanda de su producto se presenta

desde marzo hasta junio de cada año Boralis estima que la demanda durante los cuatro meses
es 100, 200, 180 y 300 unidades, respectivamente. La empresa emplea mano de obra de
tiempo parcial para fabricar las mochilas y, en consecuencia, su capacidad de producción varía
cada mes Se estima que Boralis puede producir 50, 180, 280 y 270 unidades de marzo a junio,
respectivamente.

Como no coinciden la capacidad de producción y la demanda en los distintos meses, la demanda

de determinado mes se puede satisfacer de uno de tres modos:

1. La producción del mes en curso

2. La producción sobrante en meses anteriores
3. La producción sobrante en meses posteriores
En el primer caso, el costo de producción es $40.00 por mochila. En el segundo se incurre en un
costo adicional de retención de $0.50 por mochila por mes. En el tercer caso se incurre en una
penalización adicional de $2.00 por mochila y por mes. Boralis desea determinar el programa
óptimo de producción en los cuatro meses.

El modelo de transporte que resulta se ve en la siguiente tabla:

El costo de “transporte” por unidad, desde el periodo i hasta el periodo j se calcula como sigue:
  Algoritmo de transporte

La compañía SunRay Transport transporta grano desde tres silos hasta tres molinos. La oferta (en
camionadas) y la demanda (también en camionadas) se resume en el modelo de transporte de la
siguiente tabla, junto con los costos unitarios de transporte por camionada en las distintas rutas.
Los costos unitarios de transporte, cij (que se ven en la esquina superior derecha de cada tabla),
están en cientos de $ En el modelo se busca el programa de transportes entre silos y molinos que
tenga costo mínimo. Eso equivale a determinar la cantidad xij transportada del silo i al molino
j (i = 1, 2, 3; j = 1, 2, 3, 4)

Determinación de la solución de inicio:

M+n-1 / ecuaciones de restricción, lo que quiere decir que

la solución básica de inicio consiste en m+n-1 variables
básicas

 Método esquina noroeste

  Método costo mínimo

Se aplicará el método del costo mínimo al ejemplo anterior de la siguiente manera:

La celda (1, 2) tiene el costo unitario mínimo de toda la tabla (= $2). Lo más que se puede
transportar por (1, 2) es x12=15 camionadas, y en este caso se satisfacen al mismo tiempo el
renglón 1 y la columna 2. Se tacha en forma arbitraria la columna 2 y se ajusta la oferta del renglón
1 a cero
La celda (3,1) tiene el mínimo costo unitario sin tachar (= $4). Se asigna x31=5, se tacha la columna
1 porque quedó satisfecha y se ajusta la demanda del renglón 3 a 10–5=5 camionadas
Al continuar de este modo, se asignan en forma sucesiva 15 camionadas a la celda (2, 3), 0
camionadas a la celda (1, 5), 5 a la celda (3, 4) y 10 a la (2, 4)

Ejemplo: La solución de inicio que resulta se muestra en la siguiente. Las flechas indican el orden
en que se hacen las asignaciones. La solución de inicio, formada con 6 variables básicas, es:

 Modelo de asignación
El modelo general de asignación con𝑛 trabajadores y𝑛 puestos se representa en la siguiente tabla:
Ejemplo:
Los tres hijos de Joe Klyne, John, Karen y Terri, quieren ganar algo para sus gastos personales,
durante un viaje de la escuela al zoológico. El señor Klyne ha destinado tres tareas para sus hijos:
cortar el pasto, pintar el garage y lavar los autos de la familia. Para evitar discusiones, les pide que
presenten ofertas (secretas) de lo que crean que es un pago justo para cada una de las tres tareas
Se sobreentiende que después los tres obedecerán la decisión de su papá sobre quién hace cual
tarea
La siguiente tabla resume las ofertas recibidas:

¿Con base en esta información, ¿cómo debe asignar las tareas el señor Klyne?

 El método húngaro
El problema de asignación se puede resolver con el método húngaro
Paso 1: En la matriz original de costo, identificar el mínimo de cada renglón y restarlo de todos los
elementos del renglón
Paso 2: En la matriz que resulte del paso 1, identificar el mínimo de cada columna, y restarlo de
todos los elementos de la columna
Paso 3: Identificar la solución óptima como la asignación factible asociada con los elementos cero
de la matriz obtenida en el paso 2

Paso 1:

Paso 2:

Paso 3:

Las celdas con elementos cero subrayados son la solución óptima. Eso quiere decir que John va a
pintar el garage, Karen cortará el pasto y Terri lavará los autos. El costo total para el señor Klyne
será9+10+8=$27 Esta cantidad siempre será (𝑝1+𝑝2+𝑝3)+(𝑞1+𝑞2+𝑞3)= $27
  Modelo de redes
Definiciones para redes
Una red consiste en una serie de nodos enlazados con arcos (o ramas). La notación para describir
una red es(𝑁,𝐴), donde𝑁es el conjunto de nodos y𝐴es el conjunto de arcos. Por ejemplo, la
siguiente red se describe como sigue:

Modelo de árbol de expansión mínima

Midwest TV Cable Company está en el proceso de proporcionar servicio de cable a cinco nuevas
áreas habitacionales
Pauta prueba 3

1. ¿Cuál es el principal objetivo del modelo de transporte? [5 pts]

El objetivo del modelo es determinar las incógnitas𝑥"#que minimicen el costo total de transporte,
y que al mismo tiempo satisfagan las restricciones de oferta y demanda

2. Entregue un ejemplo de un árbol de expansión [7.5 pts]

Un árbol de expansión es un árbol que enlaza todos los nodos de la red, sin permitir ciclos

3. Mencione la diferencia discutida en clases entre el algoritmo de Dijkstra y el algoritmo

de Floyd [5 pts]
El algoritmo de Dijkstra tiene por objeto determinar las rutas más cortas entre el nodo fuente y
todos los demás nodos de la red. El algoritmo de Floyd es general, porque permite determinar la
ruta más corta entre dos nodos cualquiera en la red
4. Se cuenta con dos depósitos para suministra agua a tres ciudades. Cada depósito puede
suministrar hasta 50 millones de galones de agua por día. A cada ciudad le gustaría
recibir 40 millones de galones por día. El costo de transportar un millón de galones de
agua desde cada depósito a cada ciudad se ilustra en la siguiente tabla.

a) Formule un problema de transporte balanceado (tabla de costos) y resuelva el problema

de transporte mediante el método del costo mínimo [10 pts]

5. Uno de los productos más importantes de PJ COMPANY es el tomate enlatado en

conserva. Los tomates se preparan en tres enlatadoras: Seattle, Portland y Minneapolis,
y después se envían por camión a cuatro centros de distribución (almacenes):
Sacramento, Salt Lake City, Rapid City y Albuquerque.
Debido a que los costos de embarque constituyen un gasto importante, la administración ha
iniciado un estudio para reducirlos a su mínima expresión. Se ha estimado la producción de
cada enlatadora durante la próxima temporada y se ha asignado a cada centro de distribución
cierta cantidad de la producción total de tomates.

 En la siguiente tabla se proporciona esta información (en toneladas), junto con el costo
de transporte por tonelada de tomates enlatados de cada combinación de enlatadora–
almacén. Como se ve, hay un total de 300 toneladas que se deben transportar.

a) Modele el problema de programación lineal para el problema de transporte planteado

[20 pts] Pista: Defina las variables, función objetivo y restricciones. No olviden incluir
componentes elementales del modelo de programación lineal

b) Realice la representación de red del problema de transporte de PJ COMPANY [15 pts]

c) Construya la tabla de costos de transporte y determine el plan de asignación de los

embarques a las distintas combinaciones de enlatadora–almacén que minimice el costo
total de transporte utilizando el método del costo mínimo. No olvide calcular el costo de
transporte total [15 pts]
6. Describa las fases de planificación de un proyecto con CPM o PERT [10 pts] Pista: No es
necesario describir el ciclo (loop) de retroalimentación entre la fase de cronograma y la
fase de red
Primero se definen las actividades del proyecto, sus relaciones de precedencia y sus
necesidades de tiempo. A continuación, el proyecto se traduce en una red que muestre las
relaciones de precedencia entre las actividades. El tercer paso implica cálculos específicos de
redes, que forman la base del desarrollo del programa del proyecto en función del tiempo

Unidad 4: modelos de inventario

Ejemplo
Se cambian luces de neón en el campus de la U Autónoma a una tasa de 100 unidades diarias.
Estas luces de neón se piden en forma periódica. Cuesta $100 iniciar una orden de compra. Se
estima que una luz de neón en el almacén cuesta unos $0,02 diarios. El tiempo de entrega,
entre la colocación y la recepción de un pedido es de 12 días.

Determine la política óptima de inventario para pedir las luces de neón

De acuerdo con los datos de este problema
Por lo tanto, el punto de reorden se presenta cuando la cantidad de inventario baja a:

La política de inventario para pedir las luces de neón es:

Finalmente, el costo diario de inventario correspondiente a la política propuesta es:

Ejemplo 2:

Engine Oil especializa en cambios rápidos de aceite para motor de automóvil. El servicio compra
aceite para motor a granel, a $3 dólares por galón. Si Engine Oil compra más de 1000 galones,
obtiene un descuento de $0,50 dólares por galón. En el servicio se atienden unos 150 autos
diarios, y cada cambio de aceite requiere de 1,25 galones. Engine Oil guarda el aceite a granel con
un costo de $0,02 dólares por galón y por día. También, el costo de colocar un pedido de aceite a
granel es de $20 dólares. Hay un tiempo de 2 días para la entrega

Determine la política óptima de inventario

  Modelos dinámicos de cantidad económica de pedido

Ejemplo

Suponga que la demanda trimestral de dos modelos𝑀1y𝑀2 de un producto, durante el próximo

año, es de 100 y 150 unidades, respectivamente. Las entregas de los lotes trimestrales se hacen al
final de cada trimestre. El tiempo de entrega de la producción es de 2 meses para𝑀1y de 1 mes
para𝑀2 Cada unidad de𝑀1y𝑀2usa 2 unidades del subensamble𝑆.

El tiempo de entrega de la producción de𝑆es de 1 mes

La siguiente figura representa los calendarios de producción de𝑀1y𝑀2. Comienzan con la

demanda trimestral de los dos modelos (indicada por las flechas llenas) al final de los meses 3, 6, 9
y 12. Como los tiempos de retraso para𝑀1y𝑀2son de 2 y 1 meses, las flechas interrumpidas
indican los inicios planeados de cada lote de producción

Para iniciar a tiempo la producción de los dos modelos, la entrega del sub-ensamble𝑆debe
coincidir con las flechas de línea intermitente𝑀1y 𝑀2. Esta información se indica con las flechas
de línea continua del diagrama𝑆, donde la demanda resultante de𝑆es 2 unidades por unidad
de𝑀1o de𝑀2. Con un tiempo de entrega de 1 mes, las flechas de línea intermitente del
diagrama𝑆indican los programas de producción de𝑆
 A partir de esos dos
programas, la demanda combinada de 𝑆 que corresponde a 𝑀1 y 𝑀2 se puede determinar
entonces como se ve en la figura. La demanda variable (pero conocida) que resulta para 𝑆 es
característica de la situación en el que se tiene cantidad económica de pedido dinámico. En
esencia, dada la demanda variable indicada de 𝑆, ¿cuánto se debe producir al iniciar cada mes
para reducir el costo total de producción e inventario?

 Modelo sin costo de preparación

 Modelo con costo de preparación

En la siguiente figura se resume la situación del inventario en un esquema. Los símbolos que se
ven en la figura se definen para el período𝑖(𝑖=1,2,…,𝑛) como sigue:
  Modelo “probabilizado” de cantidad económica de pedido

Ejemplo

En el ejemplo acerca de determinar la política de inventario de luces de neón, se determinó que la

cantidad económica de pedido era𝐸𝑂𝑄= 100unidades. Si la demanda diaria es normal, con
promedio𝐷=100 luces y la desviación estándar 𝜎=10 luces, esto es, 𝑁(100,10), determine el
tamaño de la reserva tal que la probabilidad de que se agote la existencia sea menor que𝛼=0,05

Unidad 5: proceso de decisión markoviana

Ejemplo:

El problema del jardinero: Usaremos un ejemplo para presentar los detalles del proceso
markoviano de decisión. El ejemplo parafrasea (ilustra) varias aplicaciones importantes en las
áreas de inventarios, reposiciones, administración del flujo de efectivo y control de la capacidad de
los depósitos de agua

Cada año, al comenzar la estación para trabajar los jardines (de marzo a septiembre) un jardinero
usa una prueba química para determinar el estado del suelo. Dependiendo de los resultados de las
pruebas, la productividad para la nueva estación cae en uno de tres estados:

1) bueno, 2) regular y 3) malo

A través de los años el jardinero observó que las condiciones meteorológicas prevalecientes
durante el invierno (de octubre a febrero) juegan un papel importante en la determinación de la
condición del suelo, dejándolo igual o empeorándolo, pero nunca mejorándolo

En consecuencia, el estado del suelo en el año anterior es un factor importante para la

productividad del presente año. Usando los datos de las pruebas hechas por el jardinero, las
probabilidades de transición durante un período de un año, de un estado de productividad a otro,
se representa con la siguiente cadena de Markov:

Las probabilidades de transición en 𝐏" indican que la

productividad de determinado año no puede ser mejor que la
del año anterior. Por ejemplo, si las condiciones del suelo en el
presente año son regulares (estado 2), la productividad en el
próximo año permanecerá regular con una probabilidad de
0,5, o se volverán malas (estado 3) con una probabilidad de 0,5
El jardinero puede alterar las probabilidades de transición
𝐏" con otras acciones. En el caso normal, se aplica
fertilizante para mejorar las condiciones del suelo, y se
produce la siguiente matriz de transición:

Para poner en perspectiva el problema de decisión, el jardinero asocia una función de ingreso (o
una estructura de recompensa) con la transición de un estado a otro La función de ingreso expresa
la ganancia o la pérdida durante un período de 1 año, dependiendo de los estados entre los que se
hace la transición. Como el jardinero tiene la opción de usar fertilizante o no, la ganancia o la
pérdida varían dependiendo de la decisión tomada. Las matrices 𝐑" y 𝐑$ resumen las funciones de
ingreso, en cientos de $, correspondientes a las matrices 𝐏" y 𝐏$, respectivamente

Los elementos 𝑟’( $ de 𝐑$ tienen en cuenta el costo de aplicar el fertilizante . Por ejemplo, si las
condiciones del suelo fueron regulares el año anterior (estado 2) y se vuelven malas (estado 3) en
este año, su ganancia será 𝑟$) $=0 en comparación con 𝑟$) "=1 cuando no se usa fertilizante

Es importante tener en consideración que 𝐑 expresa la recompensa neta después de haber

introducido el costo del fertilizante

Por ejemplo, para la política estacionaria de aplicar fertilizante solo cuando las condiciones del
suelo sean malas (estado 3), las matrices resultantes de transición y de ingreso son:

Estas matrices son distintas de 𝐏" y 𝐑" solo

en los terceros renglones, que se toman
directamente de 𝐏$ y 𝐑$, las matrices
asociadas con la aplicación del fertilizante

 Modelo de programación dinámica con etapas finitas:

Supongamos que el jardinero desea “jubilarse” de la jardinería dentro de 𝑁 años. Lo que interesa
es determinar las acciones óptimas de cada año (fertilizar o no) que produzcan los ingresos
esperados máximos al final de 𝑁 años

Sean 𝑘=1 y 2 las dos acciones (alternativas) disponibles para el jardinero. Las matrices𝐏2y𝐑2que
representan las probabilidades de transición y la función de recompensa para la alternativa 𝑘 se
presentaron anteriormente, y se muestran a continuación para mayor comodidad.
Para ilustrar el cálculo de 𝑣’2, veamos el caso en donde no se usa fertilizante (𝑘=1)

Así, si la condición del suelo es buena, una sola

transición produce 5,3 para ese año, si es regular la
productividad es 3; y si es mala, la productividad es
–1

Pauta prueba 4

1. ¿Cuáles son las dos preguntas que responde una política de inventario? [5 pts]

Una política de inventario contesta las dos siguientes preguntas: ¿Cuánto pedir? ¿Cuándo pedir?

2. ¿Cuáles son los componentes del costo total de inventario?

3. ¿Cuál es la principal diferencia entre los modelos estáticos y dinámicos? [5 pts]

Los modelos estáticos tienen una demanda constante en función del tiempo. En los modelos
dinámicos, la demanda cambia en función del tiempo

4. Derive la formula de𝒚∗ según el modelo clásico de cantidad económica de pedido (EOQ:
Economic Order Quantity) [10 pts]

5. ¿Cuáles son las 3 hipótesis del Modelo probabilístico de cantidad económica de pedido?
[7.5 pts]

El modelo tiene tres hipótesis:

1. La demanda no satisfecha durante el tiempo de entrega se acumula
2. No se permite más de un pedido vigente
3. La distribución de la demanda durante el tiempo de entrega permanece estacionaria (no
cambia) con el tiempo
6. Interprete por separado los siguiente dos gráficos [7.5 pts]

7. McBurger pide carne molida al comenzar cada semana, para cubrir la demanda semanal
de 300 lb. El costo fijo por pedido es de $20 dólares. Cuesta unos $0,03 dólares por libra y
por día refrigerar y almacenar la carne
a) Determine el costo semanal de inventario para la política actual de pedidos [5 pts]

b) Determine la política óptima de inventario que debería usar McBurger, suponiendo

tiempo de entrega cero entre la colocación y la recepción de un pedido. No olvide
expresar en palabras la política óptima de inventario [10 pts]

c) Determine la diferencia de costos semanales entre las políticas actual y óptima de

pedidos [5 pts]

8. Un artículo se vende en $25 dólares por unidad, pero se ofrece un descuento en lotes de
150 unidades o más. Una empresa usa este artículo, con una tasa de 20 unidades diarias.
El costo de preparación para pedir un lote es de $50 dólares, y el costo de
almacenamiento por unidad y por día es de $0.30 dólares
a) ¿Debe aprovechar la empresa el descuento? [15 pts]
 b) Grafique las curvas TCU(𝑦) y demarque la curva de costos totales que refleje la
discontinuidad en el precio al nivel de pedido óptimo. Es decir, la curva total de costos de
la empresa en el contexto del problema

Unidad 6: modelos de simulación

 Simulación monte carlo

Ejemplo: Ejemplo: Se usará muestreo Monte Carlo para estimar el área de un círculo cuya
ecuación es:

Para asegurar que todos los puntos del cuadrado tengan igual
probabilidad de aparecer, se representarán las coordenadas𝑥e𝑦de un
punto en el cuadrado con las siguientes distribuciones uniformes

Un punto muestreado 𝑥,𝑦 con base en la

distribución𝑓4(𝑥)y𝑓5(𝑦) garantiza que todos
los puntos del cuadrado tienen igual
probabilidad de ser seleccionados

Dado un par de números aleatorios𝑅4y𝑅5, se determina un punto aleatorio 𝑥,𝑦 en el cuadrado

como sigue:
Para demostrar la aplicación del procedimiento, supongamos que 𝑅4=0,0589 y 𝑅5=0,6733,
Entonces: