Víctor Manuel Quesada Ibarguen Juan Carlos Vergara Schmalbach

Programación lineal y entera, programación por
metas, programación dinámica, teoría y sistemas de

inventario, pronósticos, planeación agregada, PERT-
CPM, modelos de redes, análisis de decisiones,
teoría y simulación de colas, proceso de Markov
VÍCTOR MANUEL QUESADA IBARGUEN

JUAN CARLOS VERGARA SCHMALBACH
Grupo
Métodos
Cuantitativos de
Gestión
Programa de Administración Industrial Universidad de Cartagena

Universidad de Cartagena
ISBN: 978-84-690-3681-5
ANÁLISIS
CUANTITATIVO
CON WINQSB
VÍCTOR MANUEL QUESADA IBARGÜEN

JUAN CARLOS VERGARA SCHMALBACH
ISBN: 978-84-690-3681-5
UNIVERSIDAD DE CARTAGENA
FACULTAD DE CIENCIAS ECONÓMICAS
PROGRAMA DE ADMINISTRACIÓN INDUSTRIAL
AÑO 2006
CONTENIDO
PRÓLOGO .............................................................................................................. 6
1. INTRODUCCIÓN AL MANEJO DEL WINQSB .................................................... 8
2. PROGRAMACIÓN LINEAL Y ENTERA ............................................................ 13
2.1 CREANDO UN NUEVO PROBLEMA DE PROGRAMACIÓN LINEAL O
ENTERA ............................................................................................................ 13
2.2 UN PROBLEMA EJEMPLO ......................................................................... 14
2.3 INGRESANDO EL MODELO ....................................................................... 16
2.4 EL MODELO DE EJEMPLO ........................................................................ 17
2.5 RESOLVIENDO UN PROBLEMA ................................................................ 17
2.6 RESOLVIENDO EL PROBLEMA EJEMPLO ............................................... 18
2.7 ENTENDIENDO LA MATRIZ FINAL ............................................................ 18
2.8 LA TABLA FINAL DEL SIMPLEX ................................................................ 20
2.9 RESOLVIENDO EL MODELO PASO A PASO ............................................ 20
2.10 LA OPCIÓN IMPRIMIR .............................................................................. 21
2.11 GUARDANDO UN PROBLEMA ................................................................ 22
3. PROGRAMACIÓN POR METAS ...................................................................... 23
3.1 ESTRUCTURA DE UN MODELO DE PROGRAMACIÓN POR METAS ..... 23
3.2 EJERCICIO DE EJEMPLO .......................................................................... 24
3.3 DEFINIENDO LAS RESTRICCIONES TIPO METAS .................................. 25
3.4 INTRODUCIENDO EL PROBLEMA ............................................................ 25
3.5 INTERPRETANDO LA SOLUCIÓN ............................................................. 28
4. PERT - CPM...................................................................................................... 30
4.1 UN PROBLEMA EJEMPLO PARA CPM ..................................................... 32
4.2 INGRESANDO LOS DATOS DEL PROBLEMA EN MODO GRÁFICO ....... 34
4.3 ESTIMANDO LA RUTA CRÍTICA EN REDES DE PROYECTOS MEDIANTE
CPM ................................................................................................................... 35
4.4 RUTA CRÍTICA USANDO TIEMPOS NORMALES ..................................... 35
4.5 RUTA CRÍTICA USANDO TIEMPOS NORMALES EN MODO GRÁFICO .. 37
4.6 RESUMIENDO LAS RUTAS CRÍTICAS ...................................................... 38
4.7 ESTADO ACTUAL DEL PROYECTO .......................................................... 38
4.8 RUTA CRITICA USANDO TIEMPOS DE QUIEBRE ................................... 40
4.9 ANÁLISIS DE COSTOS DE EJECUCIÓN ................................................... 41
4.10 MODELOS PERT ...................................................................................... 43
4.11 ESTIMANDO LA RUTA CRÍTICA .............................................................. 45
4.12 PROBABILIDAD DE CUMPLIMIENTO DE UN PROYECTO ..................... 46
5. PLANEACIÓN AGREGADA .............................................................................. 47
5.1 MODELO DE EJEMPLO.............................................................................. 48
5.2 INTRODUCIENDO EL PROBLEMA ............................................................ 48
5.3 ESTABLECIENDO EL MÉTODO DE SOLUCIÓN ....................................... 53
5.4 SOLUCIONANDO UN PROBLEMA DE PLANEACIÓN AGREGADA ......... 54
6. PRONÓSTICOS ................................................................................................ 58
6.1 EJEMPLO DE SERIES DE TIEMPO ........................................................... 59
6.2 INTRODUCIENDO LOS DATOS ................................................................. 59
6.3 REALIZANDO EL PRONÓSTICO ............................................................... 61
6.4 ANALIZANDO LOS RESULTADOS............................................................. 63
6.5 EJEMPLO DE REGRESIÓN LINEAL .......................................................... 63
6.6 ANALIZANDO LOS RESULTADOS DE UNA REGRESIÓN........................ 65
6.7 LA ECUACIÓN DE LA RECTA EN MODO GRÁFICO ................................. 66
6.8 ESTIMANDO Y ............................................................................................ 66
7. TEORÍA Y SISTEMAS DE INVENTARIOS ....................................................... 69
7.1 EJEMPLO DE UN PROBLEMA DE CANTIDAD ECONÓMICA DE LA
ORDEN PARA DEMANDA DETERMINÍSTICA ................................................. 70
7.2 GRÁFICOS RESULTANTES ....................................................................... 74
7.3 EJEMPLO DE UN PROBLEMA CON DEMANDA ESTOCÁSTICA PARA UN
SOLO PERIODO ............................................................................................... 76
8. ANÁLISIS DE DECISIONES ............................................................................. 79
8.1 ANÁLISIS BAYESIANO ............................................................................... 80
8.2 ÁRBOL DE DECISIÓN ................................................................................ 85
8.3 JUEGOS DE SUMA CERO ......................................................................... 89
9. PLANEACIÓN DE REQUERIMIENTO DE MATERIALES ................................ 92
9.1 EJEMPLO DE PLANEACIÓN DE REQUERIMIENTO DE MATERIALES ... 93
4
9.2 INTRODUCCIÓN DEL PROBLEMA DE EJEMPLO .................................... 95
10. PROGRAMACIÓN DINÁMICA ...................................................................... 103
10.1 MODELOS DE PROGRAMACIÓN DINÁMICA ........................................ 103
10.2 EL PROBLEMA DE LA DILIGENCIA ....................................................... 104
10.3 TERMINOLOGÍA Y NOTACIÓN BÁSICA ................................................ 104
10.4 INGRESANDO EL PROBLEMA AL WINQSB .......................................... 105
10.5 PROBLEMA DE LA MOCHILA O CANASTA DE EQUIPAJE .................. 108
10.6 PROGRAMACIÓN DE PRODUCCIÓN E INVENTARIOS ....................... 111
11. MODELO DE REDES.................................................................................... 114
11.1 FLUJO EN REDES O MODELO DE TRASBORDO ................................ 115
11.2 MODELO DE TRANSPORTE .................................................................. 119
11.3 EL PROBLEMA DE ASIGNACIÓN .......................................................... 119
11.4 EL PROBLEMA DE LA RUTA MÁS CORTA ........................................... 120
11.5 EL PROBLEMA DE FLUJO MÁXIMO ...................................................... 121
11.6 EL ÁRBOL DE EXPANSIÓN MÍNIMA...................................................... 123
11.7 EL PROBLEMA DEL AGENTE VIAJERO................................................ 124
12. TEORÍA DE COLAS ...................................................................................... 127
12.1 LOS CAMPOS REQUERIDOS ................................................................ 127
13. SIMULACIÓN DE COLAS ............................................................................. 132
13.1 EJEMPLO DE SIMULACIÓN ................................................................... 132
13.2 ANALIZANDO LOS RESULTADOS......................................................... 136
13.3 SIMULACIÓN EN MODO GRÁFICO ....................................................... 138
14. PROCESO DE MARKOV .............................................................................. 140
14.1 UN POCO DE TEORÍA ............................................................................ 140
14.2 ANALIZANDO UN EJEMPLO .................................................................. 141
14.3 RESOLVIENDO EL EJERCICIO PASO A PASO .................................... 143
5
PRÓLOGO
La toma de decisiones en los distintos niveles de las organizaciones cada vez es
de mayor complejidad, dadas las crecientes restricciones de disponibilidad de
todo tipo de recursos. La academia se ha preocupado de investigar y proporcionar
herramientas que faciliten a los gerentes el abordaje de estos procesos, teniendo
en cuenta que no es recomendable asumir un curso de acción confiados
únicamente en la intuición. La llamada administración científica aboga por el uso
de los métodos cuantitativos en la toma de decisiones empresariales; de ahí que
en los planes de estudio correspondientes a la formación de profesionales de la
ingeniería industrial, la administración en sus diferentes matices, las finanzas y
muchas más disciplinas, figuren asignaturas que pretendan que los egresados de
estas titulaciones se apropien de un cúmulo de herramientas que les facilite el
análisis y la toma de decisiones en situaciones complejas.
Con la popularización de los computadores personales (PC’s) han surgido

programas y aplicaciones muy completas para el tratamiento de los problemas de
gestión mediante herramientas cuantitativas, las que en su conjunto constituyen
los métodos de la investigación de operaciones.
QSB (Quantitative System Business), podría decirse que es el software más

utilizado en la actualidad por estudiantes de pregrados y postgrados que incluyen
en su plan de estudios asignaturas como la investigación de operaciones o temas
relacionados. Sin embargo no existe en nuestro medio una guía en español para
el docente y el estudiante, que permita el aprovechamiento máximo de los
módulos que contempla la aplicación.
Motivados por esta evidencia y como un aporte a la academia del grupo de
6
investigación Métodos Cuantitativos de Gestión (GMCG), hemos emprendido la
tarea de presentar a la comunidad académica colombiana este manual, escrito en
un lenguaje sencillo y asequible a toda clase de público, en el que se explican las
principales herramientas que trae el WINQSB. Se han dejado por fuera seis
temas, considerando la poca frecuencia de su uso o porque existen otros
programas igualmente eficientes para problemas de esa naturaleza.
Advertimos, eso sí, que este libro no es una traducción del manual que se
distribuye con el software. Los ejemplos utilizados y la forma de explicarlos, así lo
evidencian.
Tampoco estamos frente a un libro de investigación de operaciones o similar, por

lo que el lector no podrá esperar encontrar una explicación exhaustiva de los
fundamentos teóricos de cada tema; sólo en aquellos que lo consideramos
necesario nos detenemos en los fundamentos.
Esperamos que Análisis Cuantitativo con WINQSB se constituya en libro de

cabecera de docentes y estudiantes amantes de los métodos cuantitativos y de
empresarios que opten por la toma de decisiones apoyada en éstos.
Víctor Manuel Quesada Ibargüen

Juan Carlos Vergara Schmalbach
7
1. INTRODUCCIÓN AL MANEJO
DEL WINQSB
El objetivo de esta serie es proveer al alumno de pregrado o postgrado de un
manual completo en español sobre el software WINQSB, para la solución de una
gran cantidad de problemas complejos de tipo cuantitativo.
El libro MÉTODOS CUANTITATIVOS CON WINQSB lo introducirá en el

apasionante mundo de la solución de problemas complejos mediante el uso de
software para computadoras.
WINQSB es una aplicación versátil que permite la solución de una gran cantidad
de problemas: administrativos, de producción, de recurso humano, dirección de
proyectos, etc.
Debido a su facilidad y potencia de manejo, este libro se convierte en una

herramienta indispensable para el estudiante de pregrado o postgrado que
participa en materias relacionadas como la investigación de operaciones, los
métodos de trabajo, planeación de la producción, evaluación de proyectos, control
de calidad, simulación, estadística, entre otras.
Los módulos tratados en este libro son:
- Programación Lineal y Entera

- Programación por Metas
- PERT – CPM
- Planeación Agregada
- Pronósticos
- Teoría y Sistemas de Inventario
- Análisis de Decisiones
- Planeación de Requerimiento de Materiales (MRP)
- Programación Dinámica
- Modelos de Redes
- Teoría y simulación de sistemas de colas
- Cadenas de Markov
Este libro no es un manual de enseñanza de los métodos cuantitativos, por lo que

supondremos que el lector tendrá las bases teóricas de los módulos aquí
enseñados. A diferencia de la versión en ingles que trae el propio programa, este
libro conduce el desarrollo de ejemplos completos explicados paso a paso, para
que el lector pueda dedicarse más al análisis detallado de la solución de los
problemas.
8
El acceso al WINQSB se puede hacer a través del botón INICIO del sistema
operativo WINDOWS, en el menú PROGRAMAS en la carpeta WINQSB.
WINQSB es una herramienta poderosa para el manejo de métodos cuantitativos,
el cual está conformado por 19 módulos:
Análisis de muestreo de aceptación (Acceptance Sampling Analysis)

Planeación agregada (Aggregate Planning)
Análisis de decisiones (Decision Analysis)
Programación dinámica (Dynamic Programming)
Diseño y localización de plantas (Facility Location and Layout)
Pronósticos (Forecasting)
Programación por objetivos (Goal Programming)
Teoría y sistemas de inventarios (Inventory Theory and System)
Programación de jornadas de trabajo (Job Scheduling)
Programación lineal y entera (Linear and integer programming)
Programación de redes (Network Modeling)
Programación no lineal (Nonlinear Programming)
PERT y CPM (PERT_CPM)
Programación cuadrática (Quadratic Programming)
Cartas de control de calidad (Quality Control Chart)
Sistemas de cola (Queuing Analysis)
Simulación de sistemas de cola (Queuing Analysis Simulation)
9
Una vez seleccionado el módulo con el cual se desee trabajar, aparecerá una
ventana cuyas características iniciales serán similares para todos los módulos del
WINQSB.
La parte superior de la ventana llamada TITULO indica el nombre del módulo

seleccionado, en este caso se optó por mostrar el módulo de Programación
Lineal y Entera (Linear and integer programming).
Debajo encontramos los menú Archivo (File) y Ayuda (Help). El menú archivo
comprende las siguientes opciones:
Nuevo problema (New Problem): Permite introducir un nuevo problema.

Abrir Problema (Load Problem): Abre un problema que se ha guardado con
anterioridad.
Salir (Exit): Sale del programa.
10
El menú Ayuda (Help) lo conforman:
Contenido (Contents): Contenido completo de la ayuda sobre el módulo

seleccionado.
Buscar ayuda en... (Search for Help on...): Búsqueda de ayuda mediante
palabras claves.
Como usar la ayuda (How to Use Help): Indicaciones (puede ser en español)
de como se utiliza la ayuda para sacarle el máximo provecho.
Ayuda sobre la ventana actual (Help on Current Windows): Interesante
opción que muestra la ayuda solo sobre los elementos que aparecen
actualmente en la ventana.
Acerca de... (About LP-ILP): Muestra datos sobre la creación del programa e
información sobre la licencia.
El programa también cuenta con una barra de herramientas que ayuda de forma
significativa la selección de las opciones más usadas.
El primer botón permite la creación de un nuevo problema, el segundo abre un

problema existente, mientras que el tercero, permite salir del programa.
En el centro de la venta se encuentra un espacio vacío el cual llamaremos ZONA

DE TRABAJO, donde se procederá a alimentar con información al programa.
11
LOS AUTORES
VÍCTOR MANUEL QUESADA IBARGUEN:

Docente Titular de la Universidad de
Cartagena en el área de los métodos
cuantitativos del programa de Administración
Industrial. Ingeniero Industrial de la
Universidad INCCA, Especialista en Finanzas
U. del Valle, Especialista en Investigación U.
de Cartagena, Magíster en Economía de la
Universidad Nacional de Colombia, Ph.D. Ingeniería de
Organización, Universidad de Sevilla España. Perteneciente
al Grupo de Investigación de Métodos Cuantitativos de
Gestión (GMCG). Libros publicados: Programación Lineal
(S/ISBN), Programación Lineal y Entera. ISBN 958 – 33 –
0588 – X (1997), Productividad y Eficiencia en la Empresa:
Un Enfoque Práctico ISBN- 958-9230-19-9 (2003).
JUAN CARLOS VERGARA SCHMALBACH:

Docente de tiempo completo en la
Universidad de Cartagena en el área de los
métodos cuantitativos del programa de
Administración Industrial. Perteneciente al
Grupo de Investigación de Métodos
Cuantitativos de Gestión (GMCG). Ingeniero
Industrial de la Universidad Tecnológica de
Bolívar, especialista en finanzas de la Universidad de
Cartagena y magíster en Administración de Empresas de la
Universidad Nacional.
12
2. PROGRAMACIÓN LINEAL Y
ENTERA
2.1 CREANDO UN NUEVO PROBLEMA DE PROGRAMACIÓN
LINEAL O ENTERA
La opción Nuevo Problema (New Problem) genera una plantilla en el cual se

introducirán las características de nuestro problema:
A continuación se describirán cada una de las casillas de esta ventana:
Título del problema (Problem Title): Se escribe el título con que identificamos
el problema.
Número de variables (Number of Variables): Se escribe la cantidad de
variables con que cuenta el sistema en el modelo original.
Número de restricciones (Number of Constraints): Se anotan la cantidad de
restricciones con que cuenta el modelo (no se debe contar la restricción de no
negatividad).
Objetivo (Objective Criterion): Los problemas de programación lineal y entera
se clasifican en dos: problemas de Maximización (Maximization) y
Minimización (Minimization).
Formato de entrada de datos (Data Entry Format): Permite elegir entre dos
plantillas distintas para introducir los datos del modelo. La primera alternativa
se asemeja a una hoja de calcula, mientras que la segunda, es una plantilla
diseñada especialmente para este fin.
13
Tipo de variable (Default Variable Type): En esta parte se indica las
características del modelo:
- Continuas no negativas (Nonnegative continuous): Indica que el

modelo lo componen variables continuas no negativas (iguales o
mayores a cero).
- Enteras no negativas (Nonnegative Integer): Variables enteras no
negativas.
- Binarias (Binary): Variables cuyo valor solo serán 0 o 1.
- Sin asignar / Irrestrictas (Unsigned/unrestricted): Variables
irrestrictas.
2.2 UN PROBLEMA EJEMPLO
Mediante un ejemplo demostraremos como se introducen los datos para la

creación de un nuevo problema de programación lineal.
ENUNCIADO
Ejemplo 2-1
La empresa AXUS S.A. desea conocer la cantidad de productos A, B y C a

producir para maximizar el beneficio, si cada unidad vendida genera en utilidad
$150, $210 y $130 por unidad respectivamente.
Cada producto pasa por 3 mesas de trabajo, restringiendo la cantidad de

unidades producidas debido al tiempo disponible en cada una de ellas. La
siguiente tabla muestra el tiempo requerido por unidad de cada producto en cada
mesa y el tiempo total disponible semanalmente (tiempo dado en minutos):
Tiempo requerido Tiempo requerido Tiempo requerido

Mesa 1 Mesa 1 Mesa 1
Producto 1 10 12 8
Producto 2 15 17 9
Producto 3 7 7 8
Tiempo total
disponible por 3300 3500 2900
mesa
Se supone que cada unidad producida es vendida automáticamente. Determinar

la combinación de productos que maximicen la utilidad para la compañía.
Una vez analizado el enunciado el lector procederá a crear el modelo matemático.
14
MODELO MATEMÁTICO
Función Objetivo (F.O.):

Max. Z = $150X1 + $210X2 + $130X3
Restricciones (S.A.):
10X1 + 15X2 + 7X3 ≤ 3300 Minutos
12X1 + 17X2 + 7X3 ≤ 3500 Minutos
8X1 + 9X2 + 8X3 ≤ 2900 Minutos
X1 , X2 , X3 ≥ 0
Podemos ver claramente que estamos ante un problema de Maximización, con

tres restricciones y tres variables (las cuales trabajaremos como variables
continuas de tipo No Negativas).
Teniendo claro esto, se alimenta el programa desde la ventana Nuevo Problema

(New Problem):
Una vez llenados todos los campos pulsamos el botón OK, generando nuevas
opciones dentro del programa.
15
2.3 INGRESANDO EL MODELO
Si se escogió por la plantilla tipo hoja de calculo (Spreadsheet Matrix Form), se

mostrará una nueva ventana dentro de la ZONA DE TRABAJO, la cual servirá
para introducir el modelo matemático.
La primera fila (Variable -->) corresponde a los encabezados de las variables (en
gris) definidas automáticamente por el sistema como X1, X2 y X3 (son las tres
variables del ejemplo), seguido por el operador de relación (Direction) y la
solución de las restricciones o Lado de la mano derecha (Right Hand Side -R.
H. S). El nombre de las variables se puede cambiar accediendo al submenú
Nombre de variables (Variables Names) del menú Editar (Edit).
La segunda fila (Maximize) permite introducir los coeficientes de la función

objetivo. Luego aparecen una serie de filas identificadas por la letra C y un
consecutivo, las cuales corresponden a la cantidad de restricciones con que
cuenta el modelo:
16
Por último aparecen tres filas donde definimos el valor mínimo aceptado por cada
variable (Lower Bound), el valor máximo (Upper Bound) y el tipo de variable
(Variable Type). En el caso del valor máximo, M significa que la variable podrá
recibir valores muy grandes (tendientes a infinito).
2.4 EL MODELO DE EJEMPLO
Para ingresar nuestro modelo propuesto en el ejemplo, el primer paso es llenar la

segunda fila con los coeficientes de la función objetivo:
Se sigue con las restricciones C1, C2 y C3:
Usted podrá cambiar los operadores de relación pulsando dos veces seguidas
sobre ellos con el botón izquierdo del Mouse. Las otras filas se mantienen iguales.
2.5 RESOLVIENDO UN PROBLEMA
Cuando haya terminado de ingresar el modelo en la plantilla, podrá utilizar las

herramientas que provee el menú Resolver y Analizar (Solve and Analyze).
Este menú cuenta con las siguientes opciones:
17
Resolver el problema (Solve the Problem): Resuelve el problema mediante
el método Simplex Primal. Muestra la solución final completa.
Resolver y mostrar los pasos (Solve and Display Steps): Muestra cada uno
de los pasos o las interacciones realizadas por el Simplex hasta llegar a la
solución óptima.
Método Gráfico (Graphic Method): Resuelve el problema de programación
lineal mediante el método gráfico (para problemas que trabajan con dos
variables).
2.6 RESOLVIENDO EL PROBLEMA EJEMPLO
Seleccionamos la primera opción del menú Resolver y Analizar (Solve and

Analyze), donde se mostrará una pequeña ventana con el mensaje “El problema
ha sido resuelto. La solución óptima ha sido lograda”.
Pulsamos el botón ACEPTAR y automáticamente el programa generará la

solución optima.
2.7 ENTENDIENDO LA MATRIZ FINAL
Esta matriz presenta suficiente información sobre el modelo resuelto. La primera

parte (Solution Summary) corresponde al análisis de las variables definidas (X1,
X2 y X3).
18
La columna Valores de la solución (Solution Value) presenta los valores
óptimos encontrados. En este ejemplo se tiene que X1 es 0 unidades, X2 es
105,4795 unidades y X3 es 243,8356 unidades.
La columna Costo o Utilidad Unitaria (Unit Cost or Profit) muestra los

coeficientes de la función objetivo para cada variable.
La columna Contribución Total (Total Contribution) representa el costo o

utilidad generado por cada variable. Por ejemplo, si el valor de la variable X2 es
105,4795 unidades y la utilidad unitaria es $210, el beneficio total resultará de la
multiplicación de ambos valores dando como resultado $22.150,69. Justo debajo
de la última contribución aparece el valor de Z óptimo ($53.849,32).
La columna Costo Reducido (Reduced Cost) identifica el costo que genera

incrementar una unidad para cada variable no básica. La siguiente columna
llamada Estatus de la Variable (Basis Status) muestra si una variable es básica
(Basic) o no (at bound).
La siguiente parte de la matriz final (Constraint Summary), presenta las variables

de holgura del sistema (C1, C2, C3).
La columna Lado de la mano derecha (Left Hand Side) muestra el valor

alcanzado al reemplazar los valores de X1, X2 y X3 en cada restricción (recuerde
que cada restricción se identifica con su variable de holgura).
Las dos columnas siguientes (Direction y Right Hand Side) muestran las
especificaciones dadas a las restricciones en cuanto al operador de relación (≤) y
los valores originales de las restricciones (3.300, 3.500 y 2.900 minutos).
La columna Déficit o Superávit (Slack or Surplus) muestran los valores de las

variables de holgura y la columna Precios Sombras (Shadow Price) corresponde
19
a los precios sombras; cuánto se estaría dispuesto a pagar por una unidad
adicional de cada recurso.
2.8 LA TABLA FINAL DEL SIMPLEX
WINQSB permite mostrar los resultados óptimos mediante el formato aplicado por
el método Simplex. Para mostrar este formato deberá, una vez resuelto el
problema, seleccionar en el menú Resultados (Results) la opción Tabla final del
Simplex (Final Simplex Tableau).
2.9 RESOLVIENDO EL MODELO PASO A PASO
Regrese nuevamente a la plantilla correspondiente al modelo inicial (sin

solucionar). Procederemos a marcar la opción Resolver y mostrar los pasos
(Solve and Display Steps).
La primera tabla corresponde a la tabla inicial del Simplex:
WINQSB cuenta con opciones de navegación para pasar de una tabla a otra (este
menú se llama Simplex Iteration) hasta encontrar la solución óptima:
20
Al pulsar sobre la opción Próxima Interacción (Next Iteration) se avanza a la
siguiente tabla del Simplex.
La opción Escoger variable de entrada (Choose Entering Variable) permite

seleccionar la variable que entra al sistema de forma manual:
Debe pulsar sobre la variable no básica que desee que entre (en este caso se
muestra a X1, X3 y C2 como no básicas). Para mostrar la última tabla del Simplex
directamente podrá optar por seleccionar la opción llamada Ir a la última tabla
(Go To The Last Tableau).
La última opción Nonstop to Finish muestra el resultado final completo (junto al

análisis de sensibilidad).
2.10 LA OPCIÓN IMPRIMIR
Cada ventana mostrada puede ser impresa mediante la opción Imprimir (Print)
que se encuentra en el menú Archivo (File) o mediante el botón desplegado
en la barra de herramientas.
21
2.11 GUARDANDO UN PROBLEMA
Si quiere acceder a un problema posteriormente simplemente seleccione la opción

Salvar como (Save As) o pulsando sobre el botón .
22
3. PROGRAMACIÓN POR METAS
La Programación por Metas (Goal Programming) fue inicialmente introducida
por Charnes y Cooper en los años 50. Desarrollada en los años 70 por Ljiri, Lee,
Ignizio y Romero, es actualmente uno de los enfoques multicriterio que más se
utilizan.
En principio fue dirigida a resolver problemas industriales, sin embargo

posteriormente se ha extendido a muchos otros campos como la economía,
agricultura, recursos ambientales, recursos pesqueros, etc.
Resulta de gran interés, sobre todo, en problemas complejos de gran tamaño.
3.1 ESTRUCTURA DE UN MODELO DE PROGRAMACIÓN POR

METAS
El primer paso en la formulación de un modelo de programación por metas es fijar

los objetivos/ atributos, f(x), que se consideran relevantes para el problema que
estemos analizando.
El segundo paso es determinar el nivel de aspiración, t, que corresponde a cada

Atributo, siendo éste el nivel de logro del atributo que el decisor considera
aceptable. A continuación, definimos las metas, es decir, los atributos combinados
con niveles de aspiración. Cada meta se convierte en una restricción “blanda” a
incorporar en el modelo de programación por metas.
n: variable de desviación negativa, cuantifica la falta de logro de una meta

p: variable de desviación positiva, cuantifica el exceso de logro de una meta
f ( x) + n − p = t
En general, la meta del atributo i-ésimo se escribe como:
f ( x) + ni − pi = ti
Los valores de las variables de desviación son siempre positivas o cero, al menos
una de las dos variables de desviación que definen la meta tendrá que ser cero.
Las dos variables de desviación tomarán el valor cero cuando la meta alcance
exactamente su nivel de aspiración, ti. Una variable de desviación se dice que
es no deseada cuando al centro decisor le conviene que la variable en cuestión
alcance su valor más pequeño, es decir, cero.
23
Cuando la meta deriva de un objetivo a maximizar o de una restricción de tipo ≥,
la variable de desviación no deseada es la negativa ni. Cuando la meta deriva de
un objetivo a minimizar o de una restricción de tipo ≤, la variable de desviación
no deseada es la positiva pi. Cuando se desea alcanzar exactamente el nivel de
aspiración, las variables de desviación no deseadas son tanto la positiva, pi, como
la negativa, ni. Las variables de desviación no deseadas se incorporan siempre
en la función objetivo del modelo de programación por metas.
3.2 EJERCICIO DE EJEMPLO

creación de un modelo de programación de metas.
Ejemplo 3-1:
Formular el problema de la Planificación de la producción de una fábrica de papel
como un problema de programación por metas. Supóngase la existencia de dos
procesos, uno mecánico y otro químico, por los que se puede obtener la pulpa de
celulosa para la producción del papel.
El modelo de programación multiobjetivos es el siguiente:
Objetivos: Max f1(x) = 1000X1 + 3000X2 (Maximizar el margen bruto)
Min f2(x) = X1 + 2X2 (Minimizar la demanda biológica de O2)
Restricciones rígidas iniciales:
1000X1 + 3000X2 ≥ 300000 (Margen Bruto)
X1 + X2 ≤ 400 (Empleo)
X1 ≤ 300 (Capacidades de producción)
X2 ≤ 200
X1, X2 ≥ 0
Definidas las variables de decisión y los atributos/ objetivos relevantes del
problema que nos ocupa, el decisor define las siguientes METAS:
g1: Para la demanda biológica de oxígeno: un nivel de aspiración de 300
unidades, pues desea que sea lo más pequeña posible.
g2: Para el margen bruto: alcanzar un valor lo más grande posible, ojalá mayor
de 400000 u.m.
g3: Para el empleo: no desea ni quedarse corto ni contratar mano de obra
adicional.
g4: El decisor no desea superar sus capacidades de producción, lo que
implicaría recurrir a turnos extras.
24
3.3 DEFINIENDO LAS RESTRICCIONES TIPO METAS
Las restricciones quedarían de la siguiente forma:
g1: X1 + 2X2 + n1 - p1 = 300 (Demanda Biológica de O2)

g2: 1000X1 + 3000X2 + n2 - p2 = 400000 (Margen Bruto)
g3: X1 + X2 + n3 - p3 = 400 (Empleo)
g4: X1 + n4 - p4 = 300 (Capacidades de Producción)
g5: X2 + n5 - p5 = 200
X1, X2 ≥ 0
3.4 INTRODUCIENDO EL PROBLEMA
En el menú Archivo (File) seleccionamos Nuevo problema (New Problem) e

introducimos la información del problema:
Al pulsar el botón OK aparecerá una nueva ventana donde procederemos a

introducir los coeficientes de las variables:
25
Para trabajar con el mismo formato de las variables definidas en el ejemplo,
activaremos la opción Nombre de las variables (Variable Names) en el menú
Editar (Edit).
Los nombres de las variables se cambiarán de acuerdo al orden que en que

aparecen en el problema:
26
Al pulsar OK en esta ventana podremos definir las metas y restricciones:
Luego de introducido el modelo se inicia el proceso de solución, siguiendo los

mismos pasos al empleado en la solución de los modelos de programación lineal.
La solución final se muestra en la siguiente página:
27
La ventana con el resumen de la información permite un análisis detallado de cada
variable.
3.5 INTERPRETANDO LA SOLUCIÓN
En el tablero optimal se puede observar que:
• Las toneladas de celulosa a producir por medios mecánicos son 300.

• Dado que n1 y p1 son ambas cero, la demanda biológica de oxígeno mínima
es de 300 unidades, igual al nivel de aspiración.
• La meta 2, asociada con el margen bruto, se queda por debajo del nivel de
28
aspiración en cuantía de 100.000 u. m., valor que asume la variable de
desviación n2.
• La meta del empleo se fija en 100 unidades de mano de obra menos que el
nivel de aspiración que era de 400.
• Las metas 4 y 5, asociadas con los niveles máximos de producción por
cada método, se fijan en 0 ton. de capacidad no aprovechada, para la 4, y
de 200 para la 5.
Conocidos estos resultados, el WINQSB también permite el análisis paramétrico

del modelo.
29
4. PERT - CPM
El método de la ruta crítica, CPM, es una herramienta de tipo determinístico para
el análisis de redes de proyectos.

introducirá las características de nuestro problema.
A continuación se describirán cada una de las casillas de esta ventana:
• Título del problema (Problem Title): Se escribe el título con que identificamos
el problema.
• Número de actividades (Number of Activities): Se escribe la cantidad de
actividades (nodos) presentes en la red del proyecto.
• Unidad de tiempo (Time Unit): En este campo se especifica la unidad de
tiempo trabajada en la red (Ejemplo: hora, día, mes, año…).
30
• Tipo de problema (Problem Type): Los problemas representados por redes
de proyectos pueden ser analizados mediante dos métodos: CPM
Determinístico (Deterministic CPM) y PERT Probabilístico (Probabilistic
PERT).
• Formato de entrada de datos (Data Entry Format): Permite elegir entre dos
plantillas distintas para introducir los datos del modelo al programa. La primera
alternativa se asemeja a una hoja de cálculo, mientras que la segunda, permite
diseñar las redes en modo gráfico.
• Campos de datos seleccionados para el CPM (Select CPM Data Field):
Esta área que aparece cuando pulsamos en la opción CPM Determinístico
(Deterministic CPM) permitiendo seleccionar las variables de análisis que
desarrollará WINQSB para el estudio de este tipo de redes:
- Tiempo normal (Normal Time): En este campo se especifica el

tiempo normal de cada actividad.
- Tiempo de quiebre (Crash Time): Tiempo mínimo en el cual se
podría reducir una actividad.
- Costo normal (Normal Cost): Costo de realizar una actividad
ejecutada en un tiempo normal. (este costo es presupuestado)
- Costo de quiebre (Crash Cost): Costo incurrido al realizar una
actividad en su tiempo de quiebre o crítico.
- Costo actual (Actual Cost): Costo de una actividad real.
- Porcentaje completo (Percent Complete): Permite realizar un
análisis de costos y tiempos de forma parcial (o la totalidad) a un
proyecto que ha sido ejecutado.
• Distribución del tiempo de cada actividad (Activity Time Distribution): Esta

opción se activa cuando se pulsa sobre la opción PERT Probabilístico
(Probabilistic PERT). El método PERT trabaja bajo incertidumbre, donde los
tiempos de la actividad tienen posibilidad de variar de acuerdo a una
distribución probabilística. Al pulsar sobre el botón Escoger distribución del
tiempo de cada actividad (Choose Activity Time Distribution), se
desplegará una nueva ventana con diferentes distribuciones probabilísticas:
31
Para escoger una distribución, simplemente seleccionamos la más adecuada y
oprimiremos el botón OK.
4.1 UN PROBLEMA EJEMPLO PARA CPM

creación de un nuevo problema tipo CPM.
ENUNCIADO
Ejemplo 4-1:
La empresa CONSTRUCTORA S.A. programó las siguientes actividades para la

construcción de una calle en concreto asfáltico (proyecto resumido – tiempo
dado en días):
Tiempo Tiempo Costo Costo

No Actividad Precedente
Normal Quiebre Normal ($) Quiebre ($)
1 Excavación - 15 10 1000 1200
2 Sub-Base 1 7 6 3000 3500
3 Compactación 2 2 2 700 700
4 Base 3 4 2 1200 2400
6 Canaletes 3 6 3 1500 2700
7 Pegante 5,10 1 1 1100 1100
8 Capa asfalto 6,7 3 2 4700 5200
10 Pruebas Base 5 2 1 400 1100
11 Pruebas Asf. 9 2 1 900 1300
Construya una red de proyectos para este caso e incluya un análisis de tiempos
/ costos determinístico.
Una vez analizado el enunciado se sigue con la creación del modelo de redes.
Procedemos a llenar la ventana Especificaciones del problema (Problem
Specification) con los datos del ejercicio.
32
Marcamos todas las opciones disponibles para CPM (excepto los dos últimos) con
el fin de realizar un análisis integral. La ventana siguiente permite ingresar la
información disponible de cada actividad:
Los puntos que aparecen en esta zona son:
Número de la actividad (Activity Number): Número consecutivo de

actividades.
Nombre de la actividad (Activity Name): WINQSB predefine los nombres de
las actividades con letras (se cambiaron a los nombres dados por el ejercicio).
Predecesores (Inmediate Predecessor): Se especifica el predecesor de cada
33
actividad. Puede ser por el nombre de la actividad o por el número de la misma.
En el caso de que no exista predecesor se debe dejar el espacio en blanco.
Tiempos normales y de quiebre (Normal Time – Crash Time): Tiempos
normales y mínimos estimados por actividad.
Costos normales y de quiebre (Normal Cost – Crash Cost): Costos
normales y de quiebre para cada actividad.
4.2 INGRESANDO LOS DATOS DEL PROBLEMA EN MODO

GRÁFICO
En la ventana para especificar los datos de un nuevo problema marcamos la

opción Modelo gráfico (Graphic Model) para ingresar la red en modo gráfico.
Debe aparecer una ventana en blanco, donde pulsaremos con el botón izquierdo
del Mouse para ir agregando los 11 nodos definidos en el ejemplo:
Al adicionar el primer nodo, se debe especificar los datos correspondientes a la

actividad que representa, pulsando luego en el botón OK para aceptar los
cambios:
34
Para conectar los nodos (establecer su secuencia) pulsaremos y mantendremos
pulsado con el botón izquierdo del Mouse sobre el nodo origen y arrastraremos el
Mouse hacía el nodo destino. La red completa es la siguiente:
4.3 ESTIMANDO LA RUTA CRÍTICA EN REDES DE PROYECTOS

MEDIANTE CPM
WINQSB resuelve las redes de proyectos (ruta críticas) desde el enfoque CPM
empleando los tiempos normales o los tiempos de quiebre.
4.4 RUTA CRÍTICA USANDO TIEMPOS NORMALES
En el menú Resolver y analizar (Solve and Analyze) pulsamos sobre Resolver

ruta critica usando tiempos normales (Solve Critical Path Using Normal
Time).
35
La nueva ventana muestra cuales son las actividades críticas de la red. En la
columna Sobre la ruta crítica (On Critical Path) se puede observar las
actividades críticas (marcadas con Yes).
Aparecen los tiempos más proximos de inicio y finalización (Earliest Start y

Earliest Finish), junto a los tiempos tardíos (Latest Start y Latest Finish). En
la última columna tenemos los tiempos de holgura (Slack).
En las tres últimas filas aparecen el tiempo de duración total del proyecto
(Project Completion Time), el costo total del proyecto (Total Cost of Project)
y el número de rutas críticas (Number of Critical Path):
36
En el ejemplo la duración total es de 38 días, el costo de $ 16.000 (el costo de la
ruta crítica es de $14.500) y existen dos rutas críticas.
4.5 RUTA CRÍTICA USANDO TIEMPOS NORMALES EN MODO

GRÁFICO
Podemos también observar la ruta crítica en modo gráfico, pulsando sobre el

menú Resultados (Results) y en análisis de la actividad gráfica (Graphic
Activity Analysis):
La red de proyecto para el ejemplo se muestra a continuación:
37
Las actividades (nodos) que se encuentran resaltadas forman parte de la ruta
crítica.
4.6 RESUMIENDO LAS RUTAS CRÍTICAS
Al pulsar sobre el menú Resultados (Results) y en Mostrar ruta crítica (Show

Critical Path) aparecerán solo las actividades pertenecientes a la ruta crítica:
4.7 ESTADO ACTUAL DEL PROYECTO
Mediante la opción Análisis del estado del proyecto (Project Completion

Analysis) ubicado en el menú Resultados (Results) podemos analizar las
actividades que debieron ser ejecutadas (o que se encuentran en marcha) una vez
pasado cierto periodo de tiempo.
38
En la casilla Día actual de ejecución del proyecto (Current Project Time in
Día), ingrese el día a analizar sobre el proyecto. Para el ejemplo escribamos 25 y
pulsemos OK:
En la columna ubicada al final se encuentra el Porcentaje de ejecución de cada

actividad (Planned % Completion).
Puede analizar que hasta el día 25 de ejecución del proyecto las actividades 1, 2 y
3 deben estar terminadas (100%), y la actividad 4 estará completada en un 25%.
La ejecución total del proyecto es de 65,7895%.
39
4.8 RUTA CRITICA USANDO TIEMPOS DE QUIEBRE
En el caso de que se trabajase con los tiempos de quiebre, optaremos por la

opción Solve Critical Path Using Crash Time.
El costo total del proyecto pasa de $16.000 a $20.700.
40
4.9 ANÁLISIS DE COSTOS DE EJECUCIÓN
WNQSB posee herramientas para el análisis de costos sobre proyectos. Para

activar esta opción pulsemos sobre el menú Resultados (Results) y Análisis de
desempeño (Perform Crashing Analysis):
A continuación describiremos la nueva ventana:
41
Existen tres opciones para el análisis:
Conociendo el tiempo de terminación deseado (Meeting the Desired

Completion Time): Podremos fijar el Tiempo deseado de duración del
proyecto (Desired Completion Time), constituir una Multa por retraso (Late
Penalty per Día) y una recompensa en caso de terminar antes de lo fijado
(Early Reward per Día).
Conociendo el costo presupuestado deseado (Meeting the Desired Budget
Cost): Permite establecer el tiempo de las actividades (entre el tiempo normal y
quiebre) que deben modificarse para alcanzar el Costo deseado
presupuestado (Desired Budget Cost).
Encontrando la programación para el mínimo costo (Finding the Minimun
Cost Schedule): Constituye el tiempo de las actividades que permiten
encontrar el mínimo costo.
Por ejemplo, si deseamos la nueva programación de actividades a un mínimo

costo para ejecutar el proyecto en 29 días, sabiendo que si lo terminamos antes
recibiremos $2.500 por día anticipado y si lo terminamos después, pagaremos una
multa de $10.000 por día incumplido, elegiremos la última alternativa:
Se genera una tabla que muestra el tiempo ideal en que se deben ejecutar las
actividades, aprovechando la recompensa por terminar unos días antes de lo
presupuestado:
42
WINQSB nos recomienda terminar el proyecto en 27 días para restar $5.000 a los
costos por los dos días ahorrados.
4.10 MODELOS PERT
Para mostrar el funcionamiento de esta opción en el WINQSB modificaremos el

ejemplo inicial para trabajar con tiempos normales, optimistas y pesimistas para
cada actividad (3 time estimate).
Ejemplo 4-2:
La empresa CONSTRUCTORA S.A. programó las siguientes actividades para
la construcción de una calle en concreto asfáltico (proyecto resumido – tiempo
dado en días):
Tiempo Tiempo Tiempo
No Actividad Precedente
Optimista Normal Pesimista
1 Excavación - 10 15 17
2 Sub-Base 1 6 7 8
3 Compactación 2 2 2 3
4 Base 3 2 4 5
6 Canaletes 3 3 6 7
7 Pegante 5,10 1 1 2
8 Capa asfalto 6,7 2 3 4
10 Pruebas Base 5 1 2 3
11 Pruebas Asf. 9 1 2 3
Construya una red de proyectos aplicando la metodología PERT a los tiempos

estimados.
43
Indicamos el uso de esta distribución en la ventana Especificación del Problema
(Probem Specification):
Al pulsar OK podremos ingresar los tiempos para cada actividad:
Los puntos que aparecen en esta zona son:
Número de la actividad (Activity Number): Número consecutivo de

actividades.
Nombre de la actividad (Activity Name): WINQSB predefine los nombres de
las actividades con letras (se cambiaron a los nombres dados por el ejercicio).
Predecesores (Inmediate Predecessor): Se especifica el predecesor de cada
actividad. Puede ser por el nombre de la actividad o por el número de la misma.
En el caso de que no exista predecesor se debe dejar el espacio en blanco.
Tiempos optimistas, normales y pesimistas (Optimistic Time - a, Most
Likely Time - m y Pessimistic Time - b): Tiempos normales, pesimistas y
optimistas.
44
4.11 ESTIMANDO LA RUTA CRÍTICA
En el menú Resolver y analizar (Solve and Analyze) pulsamos sobre Resolver

ruta critica (Solve Critical Path).
La cuarta columna (Activity Mean Time) muestra la duración promedio de cada

actividad obtenidos mediante la siguiente fórmula:
Siguen los tiempos más próximos de inicio y finalización (Earliest Start y

Earliest Finish), junto a los tiempos tardíos (Latest Start y Latest Finish) y los
tiempos de holgura (Slack).
La última columna representa la desviación estándar para cada actividad:
45
4.12 PROBABILIDAD DE CUMPLIMIENTO DE UN PROYECTO
Ejemplo 4-3:
Dada la información del ejemplo 2, ¿cuál es la probabilidad de concluir el

proyecto en 35 días?
Al pulsar sobre el menú Resultados (Results) y en Análisis Probabilístico

(Performance Probability Analysis), se podrá determinar la probabilidad de
cumplimiento en una red de proyectos. Para nuestro ejemplo, simplemente
escribiremos 35 en la casilla Tiempo deseado de ejecución (Desired
Completion Time in Día) y luego presionando el botón Compute Probability:
La probabilidad se calcula para las dos rutas críticas presentes en el proyecto:

1.8209% y 2.0779%. Existe entonces una probabilidad del 1.8209% de terminar el
proyecto en 35 días.
46
5. PLANEACIÓN AGREGADA
La opción Nuevo Problema (New Problem) genera una plantilla en la cual se
A continuación se describirán cada uno de los Tipos de problemas (Problem

Type) admitidos en este módulo:
• Modelos Simples (Simple Model): Este tipo de modelos analizan los

costos lineales de producción (linear cost from production), los
subcontratos (Subcontracting), ventas pérdidas (Lost Sales),
inventarios / pedidos (Inventary / Backorder), tiempos extras
(Overtime), contratos / despidos (Hire / Dismissal).
• Modelos de Transportes (Transportation Model): Representa una
relación origen (producción) destino (demanda) entre varios actores a
través de un modelo de transporte, considerando tiempos de producción,
venta perdidas, subcontratos, tiempos extras.
• Modelos generales de Programación Lineal (General L P Model): Cubre
la mayoría de situaciones que pueden presentarse en la Planeación
Agregada. Incluye todos los elementos de los dos modelos anteriores.
47
5.1 MODELO DE EJEMPLO

creación de un modelo simple de Planeación Agregada.
Ejemplo 5-1:
Según el departamento de pronósticos de la compañía ABC S.A., las demandas

de artículos para los próximos seis meses serán:
Enero Febrero Marzo Abril Mayo Junio Totales

Pronóstico 1800 1500 1100 900 1100 1600 8000
de la
demanda
Cantidad 22 19 21 21 22 20 125
de días
laborables
Se desea preparar un plan de producción para la compañía, considerando la

siguiente información adicional:
Costo materiales $100.000/unidad

Costo de mantener Inventario $1.50/unidad/mes
Costo marginal por ventas perdidas $5.00/unidad/mes
Costo marginal de subcontratación $20.00/unidad
Costo de contrataciones y capacitaciones $200.00/trabajador
Costo de despidos $250.00/trabajador
Horas de trabajo requeridas 5/unidad
Máximo de horas de trabajo extras por mes 8 Horas
Horas laborables normales por día 8 Horas
Costo del tiempo normal $4.00/hora
Costo del tiempo extra $6.00/hora
Trabajadores disponibles a enero primero 40 Trabajadores
Capacidad máxima que se puede 100 Unidades
subcontratar
Inventario inicial 400 unidades
5.2 INTRODUCIENDO EL PROBLEMA
Para ingresar la información del problema al WINQSB, debemos activar la ventana

Especificaciones del problema (Problem Specification) pulsando sobre la
opción Nuevo Problema (New Problem) en el menú Archivo (File) o pulsando
48
directamente sobre el botón .
Seleccionamos Modelo Simple (Simple Model) y marcamos las casillas a partir

de la información suministrada por el problema:
• Tiempo Extra (Overtime Allowed): En el caso de que se considere

trabajar con tiempos extras.
• Despidos y contrataciones (Hire/Dismissal Allowed): Cuando se
considere la opción de contratar y despedir empleados según la carga de
producción en el periodo.
• Subcontratación (Subcontracting Allowed): Se activa cuando el
problema considere la alternativa de subcontratar parte de la producción.
• Pedidos (Backorder Allowed): Cuando se desee trabajar considerando
inventarios menores a cero.
• Ventas Perdidas (Lost Sales Allowed): Incluye el costo de las ventas
perdidas.
El resto de la información requerida la constituye:
• Título del problema (Problem Title): Se escribe el título con que

identificamos el problema.
49
• Número de periodos planeados (Number of Planning Periods): Número
de periodos incluidos en la planeación del problema.
• Nombre del recurso planeado (Planning Resource Name): Nombre del
recurso que se va a planear.
• Unidad de capacidad del recurso planeado (Capacity Unit of Planning
Resource)
• Requerimiento de capacidad por unidad de producto o servicio
(Capacity Requirement per Product/Service): Unidades requeridas para
elaborar un producto o servicio (en este caso el valor indica que se
requieren 5 horas por cada unidad).
• Número inicial de recursos planeados (Initial Number of Planning
Resource): Indica la cantidad de recursos disponibles al comienzo del
periodo.
• Inventario inicial o faltantes de productos o servicios (Initial
Inventory(+)/Backorder(-) of Product/Service): Disponibilidad (o faltantes)
de unidades del producto o servicio.
Una vez digitada la información pulsamos sobre el botón OK para ingresar los
datos faltantes del problema.
50
Explicaremos a continuación uno a uno los nuevos campos requeridos por
WINQSB para completar el análisis de planeación agregada (recuerde que las
palabras Hora y Empleados fueron definidas al inicio como unidad de capacidad y
el nombre del recurso manejado):
• Pronóstico de la Demanda (Forecast Demand): Se introduce la

información resultado de un pronóstico de la demanda para los meses
objeto del estudio.
• Número Inicial de Empleados (Initial Numbers of Empleados): Cantidad

de empleados con que disponemos al comienzo de cada mes.
• Tiempo regular disponible en hora por empleados (Regular Time
Capacity in Hora per Empleados): Tiempo máximo disponible por cada
mes (en la unidad de tiempo definida). Se calcula multiplicando los días
disponibles por mes por las horas disponibles para trabajar, por ejemplo,
para el periodo 1 tenemos:
Tiempo Disponible = 22 días x 8 Horas / Día = 176 horas disponibles
• Costo regular de la hora (Regular Time Cost per Hora): En nuestro caso
estimamos el valor de la hora trabajada en $4.
• Costo por debajo de la hora (Undertime Cost per Hora): En caso de no
completar la hora, se debe definir el costo de la misma. En el ejemplo
trabajaremos con el costo de la hora completa $4.
• Tiempo extra disponible (Overtime Capacity in Hora per Empleados):
Indicamos el número de horas extras disponibles por cada trabajador.
• Costo del tiempo Extra (Overtime Cost per Hora): Costo de la hora extra.
• Costo de contratación (Hiring Cost per Empleados): Costo de contratar
un empleado.
• Costo de despido (Dismissal Cost per Empleados): Costo de despido de
un empleado.
51
• Inventario Inicial (Initial Inventory (+) or Backorder (-)): Inventario inicial
con el cual se cuenta (o se contará) al inicio del periodo, órdenes
pendientes por cumplir.
• Nivel máximo de Inventario (Maximun Inventory Allowed): Nivel máximo
de inventario aceptado por la empresa. En el caso de que se trabaje con
inventarios máximo tendientes a infinito se especifica con la letra M.
• Nivel mínimo de inventario aceptado (Minimun Ending Inventory): Valor
del Stock mínimo requerido por la empresa. En nuestro caso colocaremos
el valor de cero indicando que trabajaremos con cero inventarios.
• Costo de mantener una unidad en inventario (Unit Inventory Holding
Cost): El costo de mantener un producto en inventario durante un periodo
determinado.
• Capacidad máxima posible a subcontratar (Maximun

Subcontracting Allowed): Valor máximo que podría ser subcontratado
en caso de que la producción no alcance el valor demandado.
• Costo de la unidad subcontratada (Unit Subcontracting Cost): Valor
de cada unidad que es elaborada por subcontratos.
• Otros costos unitarios de producción (Other Unit Production Cost):
En caso de que existan otros costos unitarios adicionales se anotaran en
este apartado.
52
La última fila corresponde al Requerimiento de capacidad por unidad de
producto o servicio (Capacity Requirement per Product/Service) introducido
en la ventana de especificaciones del problema. Una vez concluida la digitación de
los datos procedemos a solucionar el problema:
Aparecerá una nueva ventana donde se podrán establecer distintos parámetros

para llegar a una solución óptima.
5.3 ESTABLECIENDO EL MÉTODO DE SOLUCIÓN
WINQSB nos permite elegir entre 10 métodos distintos para la consecución de la

planeación agregada. Los más destacados son:
• Promedio de producción constante (Constant Average Production): Se

especifica el promedio de producción el cual se mantendrá constante
durante los meses.
53
• Promedio de producción periódico (Periodic Average Production):
Mantener la producción constantes por periodos.
• Tiempo constante de capacidad para empleados (Constant Regular
Time Empleados): Se mantienen los tiempos de capacidad para el recurso
estudiado.
• Cantidad inicial de empleados constantes (Constant With Initial
Empleados): Se mantienen constantes la cantidad de empleados (no se
contratan ni se despiden).
• Cantidad mínima de empleados constantes (Constant With Minimun
Empleados): Cantidad mínima de empleados que se mantendrán
constantes.
Podremos priorizar para algunos de estos métodos si el problema esta enfocado

más hacia una solución con subcontratación, despidos, subcontratos o ventas
perdidas (la valoración se hace colocando a las casillas que están activadas un
valor entre el 1 y el 5, siendo 1 el ítem que tendrá más importancia).
5.4 SOLUCIONANDO UN PROBLEMA DE PLANEACIÓN

AGREGADA
La solución se hará basada en la estrategia de mantener un nivel constante de 40

empleados al comienzo de cada mes, seleccionando la opción Cantidad inicial
de empleados constantes (Constant With Initial Empleados).
54
Esta solución impide la contratación y despidos de empleados. Pulsamos en el
botón OK y analicemos los resultados:
En este caso, la cantidad de empleados es suficiente para satisfacer la demanda,

por lo cual no es necesario trabajar horas extras ni subcontratar parte de la
producción.
Manteniendo este nivel máximo de producción con 40 empleados, al final del sexto
periodo se tendrá un inventario final de 1540 unidades.
Para observar los costos de esta estrategia seleccionaremos en el menú

Resultados (Results) la opción Mostrar análisis de costos (Show Cost
Analisys)
55
El costo total de esta estrategia es de $162.310.
Cerremos la ventana que muestra la solución y procedamos a resolver

nuevamente el ejercicio, esta vez marcando el primer método de solución
Promedio de producción constante (Constant Average Production) y
pulsando en el botón OK.
56
Los nuevos resultados son:
En este caso la producción se mantiene constante a un valor cercano a las 1267

unidades. Los costos totales son de aproximadamente $160.602.
En el mismo menú Resultados (Results) se podrá seleccionar la opción Mostrar

análisis gráfico (Show Graphics Analisys) para mostrar los resultados de la
planeación en modo gráfico.
57
6. PRONÓSTICOS
introducirán las características de nuestro problema de pronósticos:
A continuación se describirá la ventana de Especificaciones del problema

(Problem Specification):
Pronóstico de Series de Tiempos (Time Series Forecasting):
• Título del problema (Problem Title): Nombre con el cual se identificará el

problema.
• Unidad de Tiempo (Time Unit): Se especifica la unidad de tiempo de la
serie.
• Numero de unidades de tiempo (Number of Time Units - Periodos):
Datos disponibles.
58
Regresión lineal (Linear Regression):

problema.
• Número de variables (Number of Factors - Variables): Cantidad de
variables utilizadas en el modelo.
• Numero de observaciones (Number of Observations): Datos
disponibles.
6.1 EJEMPLO DE SERIES DE TIEMPO

creación de un pronóstico empleando series de tiempo.
ENUNCIADO
Ejemplo 6-1:
Información suministrado por el Departamento de Estadísticas de la ciudad, el

número de carros que transitaron en los últimos 7 años fueron:
Año Cantidad
1998 1’200.000
1999 1’500.000
2000 1’850.000
2001 1’915.000
2002 2’400.000
2003 2’750.000
2004 2’920.000
Pronosticar la cantidad de vehículos para los años 2005 y 2006.
6.2 INTRODUCIENDO LOS DATOS
Procederemos a llenar los campos de la ventana, en donde la unidad de tiempo

esta dado en años y el número de datos disponibles son 7.
59
Luego introducimos los datos de los vehículos en estricto orden:
En el caso de que queramos eliminar o agregar nuevos datos, tenemos las

opciones Agregar una observación (Add an Observation) y Eliminar una
observación (Delete an Observation) en el menú Editar (Edit).
60
6.3 REALIZANDO EL PRONÓSTICO
En el menú Resolver y analizar (Solve and Analyze) elegimos la única opción

disponible:
La nueva ventana permitirá distinguir entre diferentes métodos de solución para

series de tiempo:
• Promedio simple (Simple Average)

• Promedio móvil (Moving Average)
• Promedio móvil ponderado (Weighted Moving Average)
• Promedio móvil con tendencia lineal (Moving Average with Linear
Trend)
• Suavizado exponencial simple (Single Exponential Smoothing)
• Suavizado exponencial simple con tendencia lineal (Single
Exponential Smoothing with Linear Trend)
• Suavizado exponencial doble (Double Exponential Smoothing)
• Suavizado exponencial doble con tendencia lineal (Double Exponential
Smoothing with Linear Trend)
• Suavizado exponencial adaptado (Adaptive Exponential Smoothing)
• Regresión lineal con tiempos (Linear Regression with Time)
• Algoritmo suma Holt-Winters (Holt-Winters Additive Algorithm)
• Algoritmo multiplicativo Holt-Winters (Holt-Winters Multiplicative
Algorithm).
61
Seleccionaremos la opción Suavizado exponencial simple (Single Exponential
Smoothing) e indicaremos información adicional para resolver el problema con
este método:
La primera opción (permanente en todos los métodos) corresponde al número de

periodos a pronosticar (para nuestro ejemplo problema son dos años).
Recordemos que α (alpha) es una constante entre 0 y 1.
Existe también la opción de mantener el resultado de un método para poder

compararlo con otros distintos.
Al pulsar OK tenemos:
62
6.4 ANALIZANDO LOS RESULTADOS
El pronóstico para los dos años se puede observar en la columna Pronóstico por
SES (Forecast for SES) en las filas correspondiente a los valores 8 y 9.
También contamos con los siguientes indicadores:
• Error del pronóstico acumulado (Cumulative Forecast Error - CFE)

• Desviación media absoluta (Mean Absolute Deviation - MAD)
• Error medio cuadrático (Mean Square Error - MSE)
• Error medio porcentual absoluto (Mean Absolute Percent Error –
MAPE)
• Señal de senda (Tracking Signal): Equivale a la división entre CFE y
MAD.
• R al cuadrado (R-Square): Coeficiente de determinación.
6.5 EJEMPLO DE REGRESIÓN LINEAL
Ejemplo 6-2:
Predecir el valor de Y para un X de 40 si se tienen los siguiente datos:
X Y
10 1000
15 1220
20 1310
25 1670
30 1845
35 2050
63
En la ventana Especificaciones del problema (Problem Specification),
seleccionamos Regresión lineal (Linear Regression) y digitamos la siguiente
información:
Ingresamos los datos del problema como se muestra a continuación (factor 1

equivale a X):
En el menú Resolver y analizar (Solve and Analyze) elegimos la opción

disponible:
En la siguiente ventana se especifica cual es la variable dependiente, para lo cual,

se deberá marcar el factor 2 (que para nuestro caso es Y) y luego pulsar el botón
OK.
64
6.6 ANALIZANDO LOS RESULTADOS DE UNA REGRESIÓN
Los resultados de la regresión se muestran de la siguiente forma:
Las medias de las variables aparecen en la columna llamada Mean
X = 22,5
Y = 1515,833
Las desviaciones correspondientes están en la columna Standard Deviation (9,35

para X y 403,34 para Y). Los valores de a y b de la ecuación de la línea recta
están en la columna Regression Coefficient:
Y = 553,4762 + 42,7714X
La correlación al cuadrado es de 0,9839438.
65
6.7 LA ECUACIÓN DE LA RECTA EN MODO GRÁFICO
Para observar el mapa de dispersión y la línea de tendencia simplemente

accederemos al menú Resultados (Results) y seleccionamos Mostrar regresión
lineal (Show Regression Line).
6.8 ESTIMANDO Y
Para estimar el valor de Y para un X de 40 deberemos cerrar las ventanas de

resultado y en el menú Resolver y analizar (Solve and Analyze) pulsamos sobre
la última opción:
66
Pulsamos sobre el botón Entrar valor de la variable independiente (Enter Value
for Independent Variable) e ingresamos 40:
67
Pulsamos el botón OK en ambas ventanas.
En la primera fila se observa el valor de la predicción para Y (2264,333).

Aplicando un nivel de significancia (dado por el usuario) podremos ver el
intervalo de predicción (Prediction Interval).
Los demás valores corresponden:
• Intervalos de confianza para la media (Confidence Interval of

Prediction Mean)
• nivel de significancia (Significance Level – alpha)
• Grados de Libertad (Degree of Freedom)
• Valor crítico de t (t Critical Value).
68
7. TEORÍA Y SISTEMAS DE
INVENTARIOS
La opción Nuevo Problema (New Problem) genera una plantilla en la cual se
A continuación se describirán los diferentes tipos de problemas de inventario

disponibles en la ventana Especificaciones del problema de inventario
(Inventory Problem Specification):
• Problema de cantidad económica de la orden para demanda

determinística (Deterministic Demand Economic Order Quantity
Problem)
• Análisis del problema de cantidad discontinua para demanda
determinística (Deterministic Demand Quantity Discount Analysis
Problem)
• Problemas con demanda estocástica para un solo periodo (Single-
Period Stochastic Demand Problem)
69
• Problemas con demanda dinámica con existencias de reserva
(Multiple-Period Dynamic Demand Lot-Sizing Problem)
• Sistema o modelo de cantidad fija de orden continuo (Continuous
Review Fixed-Order-Quantity System)
• Sistema o modelo revisión continua (Continuous Review Order- Up-To
System)
• Sistema o modelo de intervalo fijo de revisión periódica (Periodic
Review Fixed-Order-Interval System)
• Sistema o modelo de revisión periódica con reaprovisionamiento
opcional (Periodic Review Optional Replenishment System)
A continuación explicaremos algunos de ellos
7.1 EJEMPLO DE UN PROBLEMA DE CANTIDAD ECONÓMICA DE

LA ORDEN PARA DEMANDA DETERMINÍSTICA
Mediante un ejemplo demostraremos cómo se introducen los datos para la

creación de un modelo sencillo de inventarios.
Ejemplo 7-1:
La materia prima principal para la creación de un producto cuesta $20 por

unidad. Cada unidad del producto final requiere una unidad de esa materia
prima. Si la demanda para el próximo año es de 1000 unidades ¿Qué cantidad
se debe pedir?
Cada orden por más unidades cuesta $5 y el costo de almacenaje por unidad por
año es de $4.
En la ventana Especificaciones del problema de inventario (Inventory

Problem Specification) procedemos a digitar los datos básicos para la solución
del problema:
70
La ventana siguiente muestra la información completa para la solución del
problema:
• Demanda por año (Demand per Año): La demanda para el próximo año
es de 1000 unidades.
• Costo de la orden (Order or Setup Cost per Order): Costo de cada nueva
orden ($5).
• Costo de almacenar una unidad por año (Unit Holding Cost per Año):
El costo de mantener una unidad es de $4.
• Costo por la falta de una unidad por año (Unit Shortage Cost per Año):
El valor predeterminado es M, equivalente a una costo muy grande.
• Costo por la falta de una unidad independiente del tiempo (Unit
Shortage Cost Independent of Time): Valor no suministrado en el
ejemplo, por tanto lo dejamos en blanco.
71
• Rata de reaprovisionamiento o producción por año (Replenishment or
Production Rate per Año): El valor predeterminado es M, equivalente a
una tasa muy grande.
• Tiempo de salida para una nueva orden por año (Lead Time for a New
Order in Año): Valor no suministrado en el ejemplo, por tanto lo dejamos
en blanco.
• Costo de adquisición de una unidad sin descuento (Unit acquisition
Cost Without Discount): Costo de compra de una unidad ($20).
• Número de puntos de descuento (Number of Discount Breaks): Valor
no suministrado en el ejemplo, por tanto lo dejamos en blanco.
• Cantidad de orden si es conocida (Order Quantity If You Known):
Cantidad de unidades por pedido, si es conocido.
Una vez introducida la información procedemos a su solución mediante la opción

Resolver el problema (Solve the Problem):
La solución óptima del problema se muestra a continuación:
La primera parte muestra un resumen de la información disponible por el ejemplo

(columna Input Data).
72
La columna Economic Order Analysis presenta el análisis resultante del
problema.
El número de unidades a pedir por Orden es de 50 unidades, generando un

máximo de 50 unidades de inventario:
La fila Order Interval in Año nos muestra cada cuanto realizaremos el pedido de
las 50 unidades (en este caso 0,05 equivale a una proporción del año). El costo
total de ordenar unidades y el costo total de mantener unidades en inventario son
de $100 y $100 respectivamente.
73
El costo total de compra equivale a $20.000 (Resulta de la multiplicación de los
$20 que vale cada unidad por las 1.000 unidades que se van a pedir el próximo
año). El costo total de este sistema por tanto será de $20.200.
7.2 GRÁFICOS RESULTANTES
Podremos también realizar un análisis gráfico de los costos de este sistema

activando la opción Análisis gráfico de los costos (Graphic Cost Analysis) en
el menú Resultados (Results):
Aparecerá una ventana donde indicaremos unos simples parámetros de

visualización del gráfico: Máximo costo, mínimos costo (ambos para el eje Y),
mínima cantidad de reorden y máxima cantidad de reorden. Podremos pulsar OK
sin modificar estos parámetros.
74
Para mostrar un gráfico que señale la intensidad de los pedidos elegiremos la
opción Gráfico de la utilidad del inventario (Graphic Inventory Profile):
75
7.3 EJEMPLO DE UN PROBLEMA CON DEMANDA ESTOCÁSTICA
PARA UN SOLO PERIODO
Ejemplo 7-2:
Un supermercado compra uno de sus artículos a un precio de $50 y lo vende a

$75. La demanda para el próximo mes tiene un comportamiento normal con
media de 1.000 unidades y desviación de 35 unidades. El costo de hacer una
nueva orden es de $25. Una unidad faltante en inventario tiene un costo para la
empresa de $70.
La empresa cuenta con un inventario inicial de 100 unidades. Se desea prestar

un nivel de servicio del 98%, determinar la utilidad del modelo.
En la ventana Especificaciones del problema de inventario (Inventory

Problem Specification) procedemos a ingresar los datos básicos del problema,
seleccionando el modelo de inventario adecuado:
El problema nos pide trabajar con una demanda con comportamiento normal:
76
En el caso que se desee cambiar la distribución simplemente haremos doble clic
con el Mouse sobre esta fila hasta aparecer la siguiente ventana:
Ingresamos el resto de la información:
Los nuevos campos son:
• Media (Mean): Media o promedio de la demanda en un periodo de tiempo.

• Desviación estándar (Standard Deviation): Desviación estándar de la
demanda.
• Precio de venta unitario (Unit Selling Price): Precio de venta de cada
unidad.
77
• Costo de la unidad faltante (Unit Shortage Cost): Costo e no tener una
unidad disponible. Puede interpretarse como un costo de oportunidad.
• Inventario inicial (Initial Inventory): Cantidad de unidades disponibles al
iniciar el periodo.
• Nivel de servicio deseado en el caso de que sea conocido (Desired
Service Level (%) If You Know).
Al resolver el problema tenemos la utilidad esperada del producto incluyendo los

costos de inventario y el nivel deseado de servicio de ese producto a los clientes.
Los resultados muestran varios aspectos importantes para el análisis:
• En el caso de un pedido, este deberá hacerse por cantidad aproximada de

872 unidades.
• El nivel de inventario alcanzará un punto máximo de 972 unidades (le
sumamos 100 unidades disponibles a las 872 que se piden).
• El nivel de servicio es del 98%.
• La utilidad alcanzada es de $21.349,63.
Además, WINQSB permite realizar un diagnóstico óptimo proponiendo un nivel de

servicio diferente que alcanza una mayor utilidad en el sistema. Para este caso
tenemos:
• En el caso de un pedido, este deberá hacerse por cantidad aproximada de

814 unidades.
• El nivel de inventario alcanzará un punto máximo de 914 unidades (le
sumamos 100 unidades disponibles a las 814 que se piden).
• El nivel de servicio es del 65,5182%.
• La utilidad alcanzada es de $23.1059,54.
78
8. ANÁLISIS DE DECISIONES
La opción Nuevo Problema (New Problem) muestra una ventana con los
siguientes campos:
A continuación se describirán los diferentes tipos de problemas sobre análisis de

decisiones disponibles en WINQSB a través de la ventana Especificaciones del
problema (Problem Specification):
• Análisis bayesiano (Bayesian Analysis)

• Análisis de tablas de pago (Payoff Table Analysis)
• Juegos de suma cero para dos jugadores (Two-Player, Zeros-Sum
Game)
• Análisis de árboles de decisión (Decision Tree Analysis)
A continuación explicaremos con un ejemplo algunas de estas opciones:

79
8.1 ANÁLISIS BAYESIANO

creación de una aplicación de análisis bayesiano.
Ejemplo 8-1:
Se tienen cinco urnas con 10 canicas cada una, de colores azul, negra y rojo,
según se muestra en la tabla:
Canicas Urna 1 Urna 2 Urna 3 Urna 4 Urna 5

Azul 1 6 8 1 0
Negra 6 2 1 2 6
Rojo 3 2 1 7 4
Si se elige una urna en forma aleatoria y se extrae una canica y esta resulta ser
roja, cuál es la probabilidad de que provenga de la urna 3.
En la ventana Especificaciones del problema (Problem Specification)

procedemos a ingresar los datos básicos para la solución del problema:
En el apartado Número de estados naturales (Number of the States of Nature)

colocaremos la cantidad de urnas existentes, mientras que en el campo Número
80
de resultados (Number of Survey Outcomes) escribiremos los tipos de canicas
(tres en total: azul, negra y roja).
Al pulsar OK aparecerá una tabla en la cual podremos ingresar las probabilidades

individuales, tanto para las urnas como las canicas que tienen dentro.
Para mejorar el aspecto de la tabla y evitar posibles equivocaciones en la

interpretación de los datos, cambiaremos los campos de la tabla por los trabajados
en el ejercicio. Empezaremos modificando los States por los nombre de las urnas
correspondientes, para lo cual, en el menú Editar (Edit) elegiremos la opción
Nombres de los estados naturales (State of Nature Name).
81
La ventana con los nombres modificados debe quedar así:
Para cambiar los Indicators por los correspondientes colores de las canicas
haremos el mismo procedimiento solo que esta vez, seleccionaremos la opción
Nombre del indicador (Survey Outcomes/Indicator Name)
Al pulsar OK regresaremos a la ventana inicial, la cual debería quedar como la

siguiente:
82
Para poder resolver el problema deberemos pasar primero los datos del ejercicio a
las probabilidades:
• De elegir una urna de forma aleatoria (probabilidad anterior)

• De seleccionar una canica dentro de la urna
La tabla resumen quedaría:
Canicas Urna 1 Urna 2 Urna 3 Urna 4 Urna 5

Probabilidad Anterior 0,2 0,2 0,2 0,2 0,2
Azul 0,1 0,6 0,8 0,1 0,0
Negra 0,6 0,2 0,1 0,2 0,6
Roja 0,3 0,2 0,1 0,7 0,4
Total probabilidad 1,0 1,0 1,0 1,0 1,0
canicas
Ingresemos ahora los datos a la tabla del WINQSB:
Para resolver el problema simplemente pulsamos en Resolver el problema

(Solve the Problem) en el menú Resolver y analizar (Solve and Analyze).
La tabla generada muestra los resultados de las probabilidades condicionales.
83
En este caso la probabilidad de que al haber seleccionado la urna 3 se saque una
balota roja es de 5,88%.
Para activar el modo gráfico pulsamos sobre Mostrar gráfico del árbol de
decisión (Show Decision Tree Graph).
Gráficamente tenemos:
84
8.2 ÁRBOL DE DECISIÓN
Con el siguiente ejemplo expondremos un caso para la construcción y análisis de

árboles de decisiones.
Ejemplo 8-2:
Se lanzan tres monedas al tiempo. El jugador gana si las tres monedas caen
cara, pierde en caso de que se de un suceso contrario. El jugador invierte por
jugada $100 y si gana recibe $5.000. ¿Es conveniente participar en el juego?
Para solucionar el problema debemos tener en cuenta un diagrama de árbol que

represente los sucesos:
Primera Moneda Segunda Moneda Tercera Moneda
C Gana
C
S Pierde
C
C Pierde
S
S Pierde
I C Pierde
S Pierde
S
C Pierde
S
S Pierde
85
WINQSB maneja dos tipos de nodos: Nodos de decisión (decision node) y
Nodos de oportunidad (chance node), Los segundos trabajan con condiciones
de incertidumbre, mientras que los primeros son dispuestos por el usuario.
En este caso, los eventos están dispuestos por nodos tipo oportunidad sujetos a
una probabilidad del 0.50 de que ocurra cada uno de forma independiente (de que
salga cara o sello).
En la ventana Especificaciones del problema (Problem Specification)

digitamos la cantidad de nodos que componen el árbol:
86
Los datos introducidos en la plantilla deberán quedar como sigue:
La primera columna indica el consecutivo de los eventos. La segunda columna

corresponde al nombre del nodo (se indico con la secuencia de sucesos para
facilitar su identificación, por ejemplo, el nodo CCC significa que los nodos
anteriores equivalen a dos caras consecutivas). Para indicar el tipo de nodo
solamente marcamos con la letra “C” para un nodo tipo oportunidad.
Para mostrar la secuencia en la columna Nodo siguiente inmediato (Inmediate

Following Node). Los nodos terminales se identifican claramente por no tener
sucesores.
Las ganancias y pérdidas ocurren con el resultado de la última moneda (nodos

terminales). Para el nodo CCC (sucede cuando las tres caras caen) corresponde
a un ingreso de $5.000 (el jugador gana). Los demás nodos terminales producen
una perdida de $100. La probabilidad de cada evento es del 0.50, indicado en la
última columna (excepto para el nodo inicio).
Podremos ver un modelo gráfico del árbol pulsando sobre la opción Dibujar árbol
de decisión (Draw Decision Tree) en el menú Resolver y analizar (Solve and
Analyze).
87
El árbol completo quedaría:
Al pulsar sobre en Resolver el problema (Solve the Problem) tenemos un

cuadro resumen con los resultados del análisis:
88
El ingreso esperado (Value Expected) se muestra al final, equivalente a un valor
de $537,50. El cálculo se realiza así:
E(X) = $5.000 (0.125) - $100 (0.125) x 7 = 625,0 - 87,5 = 537,5
La respuesta al problema es que según la esperanza positiva, es conveniente

participar en el juego ya que la ganancia esperada supera a la inversión en el
tiempo.
8.3 JUEGOS DE SUMA CERO
La teoría de juegos se ocupa de las situaciones de competencia en las que los

competidores deben adoptar decisiones contando con la disponibilidad de unas
estrategias cada uno de ellos, las que por cierto son conocidas por ambos.
Cuando en un juego las ganancias de un competidor son pérdidas para el otro, se
dice que el juego es de suma cero, cual es el caso que nos ocupa.
Si las estrategias son tales que los intereses de los dos competidores se centran
en un mismo valor de la matriz de pagos, el juego tendrá un “punto de silla” o
equilibrio y esa cantidad constituye el valor del juego. Se dice entonces que los
competidores usan estrategias puras, lo que significa que cada competidor tendrá
89
una estrategia que usará el 100% del tiempo. En cambio cuando no se da esta
situación los competidores distribuyen su tiempo de juego entre varias estrategias;
se habla así de estrategias mixtas.
A continuación se plantean estos dos casos y la forma de introducir los datos en el

WINQSB y hallar la solución.
Supóngase dos competidores bajo la situación que se plantea en la matriz de

pagos siguiente:
El competidor ubicado a la izquierda de la matriz es el maximizante y el de la parte

superior es el minimizante. Introduzcamos los datos en el WINQSB.
La solución:
De la tabla solución podemos observar que la estrategia 1-1 (estrategia 1 del

competidor 1) es dominada por la estrategia 1-2 y la 2-1 es dominada por la 2-2,
con lo que sólo queda un valor de la matriz (80). Así pues, se alcanza un punto de
silla con lo que la estrategia pura para el jugador 1 es la 1-2 y para el competidor 2
es la 2-2. El valor del juego es 80, a favor del competidor 1.
90
Ejemplo de estrategias mixtas:
Como puede apreciarse en el tablero de la solución, al no existir punto de silla los

competidores reparten su tiempo de juego así:
El competidor uno jugará su estrategia 1 el 40% del tiempo, la 2 el 40% del tiempo
y no jugará su estrategia 3. El competidor dos jugará la estrategia 1 el 80% del
tiempo y su estrategia 2 el 20 %.
91
9. PLANEACIÓN DE
REQUERIMIENTO DE
MATERIALES
A continuación se describirá la ventana de Especificaciones para el MRP (MRP

Specification):

problema.
• Número de productos y piezas (Number of Product and Part Items): Se
aclara el número de piezas que componen el producto final (incluyen los
subensambles).
• Unidad de Tiempo (Time Unit of Plannind Period): Unidad de tiempo
establecida para controlar los periodos en el MRP.
• Número de periodos planeados (Number of Planning Periods):
Cantidad de periodos que se desean considerar en el modelo MRP.
92
• Número de periodos por años (Number of Periods per Year):
Especificar cuantos periodos son incluidos en un año.
• Número máximo de componentes directos (Maximun Number of Direct
Components per Parent Item): Número máximo de productos (o ítems)
que salen directamente de un producto intermedio o producto final.
9.1 EJEMPLO DE PLANEACIÓN DE REQUERIMIENTO DE

MATERIALES

creación de un modelo MRP.
Ejemplo 9-1:
Para la construcción de una mesa sencilla es necesario tener los siguientes

materiales:
No. ID Detalle Unidad Cantidad

1 A-01 Roble (1 mt x 0.2 mt) Und 4
2 A-02 Roble (1,2 mt x 1,2 mt) Und 1
3 A-03 Tintilla Litro ¼
4 A-04 Alcohol Litro ¼
5 A-05 Pintura para Acabado Litro ¼
6 B-01 Clavos de acero 2” Und 16
7 B-02 Colbón Und 1
8 B-03 Lija No. 100 Und 2
El primer paso es tomar las 4 tablas (A-01) y cortarlas hasta lograr la medida
deseada para las 4 patas de la mesa. Luego se toma la tabla que hará de base
de la mesa (A-02) y se corta según la medida y forma deseada. Las patas y la
base se juntan agregando el Colbón para madera (B-02) y luego asegurándolas
con los 16 clavos de acero (B-01).
Cuando la mesa esta armada, se procede a pulir con la lija No. 100 (B-03). Se
pasa una capa de tintilla, la cual había sido mezclada con alcohol (A-03 y A-04).
Al día siguiente, una vez secado se pinta con la pintura para acabado (A-04)
quedando lista la mesa.
93
La información de compra de los productos, como la información de las
cantidades disponibles son las siguientes:
ID Cantidad Costo Costo Periodo de Inventario
mínima unitario Almacenaje entrega Inicial
vendida Anual
A-01 10 Unid. 1200 350 2 días 15 Unid
A-02 10 Unid 1500 350 2 días 15 Unid
A-03 1 Litro 500 120 Inmediato 10 Litros
B-01 100 Unid 300 20 Inmediato 250 Unid
Los costos de los productos intermedios de la mezcla de la tintilla y el armado de
la mesa son de $500 y $400 respectivamente. La mesa terminada agrega un
costo de $1000. El costo de almacenamiento de los productos intermedios al año
es de $50. Las capacidades de suministros de los proveedores serán
consideradas infinitas. La demanda proyectada para el próximo mes es de:
Mes Enero Demanda
Semana 1 100
Semana 2 160
Semana 3 160
Semana 4 240
Se desea crear un plan MRP para el próximo año.
A continuación se muestra como sería la explosión de materiales (BOM) de

nuestro producto:
MESA
D-01
MEZCLA PINTURA MESA SIN

TINTILLA ACABADO ACABAR
C-01 A-05 C-02
ALCOHOL TINTILL ROBLE ROBLE COLBÓN CLAVOS LIJA

A-03 A A-01 A-02 B-02 B-01 B-03
94
Otra forma de mirar el proceso completo es a través del diagrama de operaciones
del proceso (solo se muestran los materiales directos):
Tintilla (A-03) Roble (A-01) Roble (A-02)
Alcohol (A-04) Cortar Cortar

2 1
6 Mezclar
Colbón (B-02)
3 Juntar
16 Clavos (B-01)
4 Martillar
5 Lijar
7 Pintar
8 Secar
Pintura (A-05)
9 Pintar
9.2 INTRODUCCIÓN DEL PROBLEMA DE EJEMPLO
Para ingresar el problema del ejemplo debemos tener en cuenta que existen entre
productos y productos intermedios un total de 11 ítems (incluyendo la mesa
terminada), el periodo a proyectar son 4 semanas (52 en un año) y los ítems
máximos que dependen de un producto intermedio son 5 (los que dependen del la
mesa sin acabar):
95
La primera pantalla que aparece corresponde a la Plantilla maestra (Item
Master), donde ingresaremos la información sobre la identificación de los
productos, los tiempos de entrega de los proveedores, los costos y el tipo de
inventario que se utilizará.
Las columnas ABC Class y Source Code son opcionales. En esta última
ingresaremos el código del producto. En la columna Material Type (también
opcional) ingresamos información de si el ítem es producto terminado (PT), un
subensamble (SE) o material directo (MD).
En la columna Unidad de medida (Unit Measure) ingresamos las unidades

definidas por cada ítem. Hasta el momento la tabla debería quedar como sigue:
96
En la columna Lead Time colocaremos el tiempo en que se tarda el proveedor en
hacer llegar el producto al cliente. En Tamaño del lote (lot Size) se incluye el
modelo de inventario que se llevará para cada ítem (ver capitulo de modelo y
sistemas de inventarios para más información). Para nuestro caso optaremos por
el modelo FOQ correspondiente a Cantidad de Orden Fija.
Saltamos a la columna correspondiente al Costo unitario (Unit Cost) y Costo

anual de almacenamiento (Holding Annual Cost). Si queremos ingresar
información adicional sobre los productos, los escribiremos en la columna Item
Description.
La tabla final debería verse así:
Para ingresar la explosión de materiales debemos marcar la opción BOM del

menú Ver (View).
97
En esta nueva ventana aparece lo que consideramos los materiales ligados a los
productos intermedios o el producto final.
Observemos detenidamente la primera fila (correspondiente a la mesa terminada

D-01):
• La mesa depende de tres productos directamente

• El primero de ellos es la Mezcla sencilla (C-01) que resulta de la mezcla de
¼ de alcohol con ¼ de tintilla. Esta notación la identificamos en WINQSB
como 2/0,5, donde 2 equivale al segundo ítem y 0,5 a los litros que resultan
de la mezcla.
• El valor 11/0,25 equivale al ítem 11 (Pintura de acabado A-05) con ¼ de
litro.
• El valor 3/1 equivale al tercer ítem (Mesa sin acabar C-02) con una unidad.
El mismo formato se emplea para los artículos 2 y 3 (C-01 y C-02), el primero con
dos artículos de base, y el segundo con los cinco artículos restantes.
Para especificar la demanda procedemos a activar la Programación maestra de

producción (Master Production Schedule)
98
En él colocamos la demanda semanal para el producto terminado:
En Inventario (Inventory) especificamos las cantidades disponibles para cada

semana:
La primera columna llamada Safety Stock permite asignar el mínimo nivel de

inventario que debe tener la empresa según sus políticas.
En On Hand Inventory especificamos la cantidad de inventario disponible al inicio

del periodo.
En las demás columnas colocamos las cantidades que ya fueron ordenadas y

están pendientes de entrega al inicio del periodo (Overdue Planned Receipt) y
durante el desarrollo del mismo (Semana # Planned Receipt).
99
La última ventana corresponde a la capacidad máxima de los proveedores y de la
empresa que fabrica el producto (Capacity).
De forma predeterminada las casillas están marcadas con M indicando una

capacidad infinita.
Para resolver el problema seleccionamos la opción Explotar requerimiento de

materiales (Explode Material Requirements).
100
Podremos elegir entre distintos tipos de reportes:
Marcamos Source Code para que realice el reporte de acuerdo a los códigos
asignados y pulsamos OK.
La pantalla resultante muestra la planeación de requerimientos:
101
A continuación describiremos los campos usados:
• Requerimiento (Gross Requirement): Unidades requeridas por semana.

• Programación de recepciones (Scheduled Receipt): Unidades que
fueron ordenadas con anterioridad a la programación.
• Órdenes planeadas a recibir (Planed Order Receipt): Ordenes que se
recibirán al comienzo de la semana.
• Órdenes planeadas pendientes (Planed Order Release): Ordenes que se
pedirán a los otros departamentos o directamente al proveedor (depende
del tiempo de entrega programado).
Para ver la estructura completa de explosión de materiales pulsamos sobre

Mostrar gráfico de la estructura del producto (Show Product Structure in
Graph):
Pulsando directamente sobre el botón OK tenemos:
102
10. PROGRAMACIÓN DINÁMICA
La programación dinámica es un enfoque general para la solución de problemas
en los que es necesario tomar decisiones en etapas sucesivas. Las decisiones
tomadas en una etapa condicionan la evolución futura del sistema, afectando a las
situaciones en las que el sistema se encontrará en el futuro (denominadas
estados), y a las decisiones que se plantearán en el futuro.
Conviene resaltar que a diferencia de la programación lineal, el modelado de

problemas de programación dinámica no sigue una forma estándar. Así, para cada
problema será necesario especificar cada uno de los componentes que
caracterizan un problema de programación dinámica.
El procedimiento general de resolución de estas situaciones se divide en el

análisis recursivo de cada una de las etapas del problema, en orden inverso, es
decir comenzando por la última y pasando en cada iteración a la etapa
antecesora. El análisis de la primera etapa finaliza con la obtención del óptimo del
problema.
10.1 MODELOS DE PROGRAMACIÓN DINÁMICA
Existen tres modelos diferentes manejados por WINQSB.
103
• Problema de la diligencia (Stagecoach Problem)
• Problema de la mochila (Snapsack Problem)
• programación de producción e inventarios (Production and Inventory
Scheduling)
10.2 EL PROBLEMA DE LA DILIGENCIA
Ejemplo 10-1:
Considérese el gráfico que contempla las rutas posibles para ir desde la ciudad 1
hasta la ciudad 10. Cada nodo representa una ciudad y los arcos la infraestructura
vial disponible. La tabla recoge el costo asociado al desplazamiento entre cada
par de nodos para cada una de las etapas. Supondremos que todos los
desplazamientos tienen la misma duración, y que el viaje ha de realizarse en
cuatro etapas. Cada una de ellas se corresponde con un único desplazamiento
entre un par de nodos del grafo, así al finalizar la primera etapa estaremos en una
de las ciudades 2, 3 ó 4. La segunda etapa finalizará en la ciudad 5, la número 6 ó
la número7. La tercera jornada nos llevará a la ciudad 8 o a la número 9. La cuarta
etapa permite finalizar el viaje en la ciudad 10.
2 5
8
1 3 6 10
9
4 7
2 3 4 5 6 7 8 9 10
1 2 3 4 2 7 4 6 5 1 4 8 3
3 3 2 4 6 6 3 9 4
4 4 1 5 7 3 3
10.3 TERMINOLOGÍA Y NOTACIÓN BÁSICA
Períodos o etapas: Sea N= {1, 2,....., n} un conjunto finito de elementos. Mediante

el índice n ∈ N , representamos cada uno de ellos. N es el conjunto de períodos o
etapas del proceso. En la ilustración anterior N= {1, 2, 3, 4}, las cuatro etapas del
viaje, cada una de ellas es un período y se representa mediante un valor del índice
n, así cuando n =1 nos estamos refiriendo a la primera etapa del proceso.
104
Espacio de estados: { S ∈ N } es una familia de conjuntos, uno para cada período
n. S se denomina espacio de estados en el período n. Cada uno de sus
elementos, que se representa mediante Sn, es un estado, que describe una
posible situación del proceso en ese período. En nuestro ejemplo, S1 = {1}, S2= {2,
3, 4}, S3= {5, 6, 7}, S4= {8, 9}.
La función recursiva: Dados unos nodos y unos arcos que conectan estos
nodos, el problema de la diligencia intenta encontrar la ruta más corta que conecta
un nodo de arranque con el nodo final (el destino).
Sea s: el estado de inicio; j: estado destino
• n: la fase, normalmente representa el número de arcos hasta el destino.

• C(s,j): costo o distancia de ir desde s hasta j.
• f(n,s): la política de costo mínimo cuando se encuentra en el estado s de la
etapa n.
La relación recursiva dinámica se expresa como
f(n,s) = mínimo [C(s,j) + f(n-1,,j)] para todos los arcos ( s,j) en la red
10.4 INGRESANDO EL PROBLEMA AL WINQSB
El problema contiene 10 nodos claramente identificados:
105
Al pulsar OK podremos ingresar el resto de información, el cual se basa en las
relaciones existentes entre los nodos:
Los valores van de acuerdo a la red establecida en el problema:
Para resolver el problema pulsamos la opción Resolver el problema (Solve the

Problem) del menú Resolver y analizar (Solve and Analyze).
106
La ventana siguiente permite identificar los nodos de inicio y fin:
Identifica el
nodo de
inicio
Identifica el
nodo fin
Al pulsar SOLVE generamos la solución al problema:
Si queremos una solución detallada debemos pulsar sobre Mostrar solución

detallada (Show Solution Detail) en el menú Resultados (Results):
107
10.5 PROBLEMA DE LA MOCHILA O CANASTA DE EQUIPAJE
La idea básica es que existen N tipos distintos de artículos que pueden cargarse
en una mochila; cada artículo tiene asociados un peso y un valor. El problema
consiste en determinar cuántas unidades de cada artículo se deben colocar en la
mochila para maximizar el valor total. Nótese que este enfoque resulta útil para la
planificación del transporte de artículos en algún medio, por ejemplo: carga de un
buque, avión, camión etc. También es utilizable este modelo en planificación de
producción, por ejemplo enrutamiento de la producción a través de varias
máquinas.
Ejemplo 10-2:
La carga de un avión se distribuye con el propósito de maximizar el ingreso total.

Se consideran 5 elementos y sólo se necesita uno de cada uno. La compañía
gana 5000 u.m. por elemento más una bonificación por elemento. El avión puede
transportar 2000 libras.
Elemento Peso, Volumen, Valor

3
lb pies bonificación
1 1000 70 700
2 1100 100 800
3 700 100 1100
4 800 80 1000
5 500 50 700
a) ¿Cuáles elementos deben transportarse?

b) Si se considera un volumen máximo de 200 pies cúbicos. ¿cuáles
elementos deben transportarse?
108
El problema se desarrolla bajo las dos consideraciones, primero teniendo en
cuenta el peso y luego el volumen. Como puede apreciarse este es un problema
que bien podría resolverse por programación lineal entera teniendo en cuenta la
función objetivo y restricciones siguientes:
Max.Z = 5700 x1 + 5800 x 2 + 6100 x3 + 6000 x 4 + 5700 x5

S .a. 1000 x1 + 1100 x 2 + 700 x 3 + 800 x 4 + 500 x 5 ≤ 2000
x j ≤ 1, entero
Siendo xj el elemento j a transportar.
Para el caso del volumen se reformaría la primera restricción cambiando los

coeficientes por los volúmenes de los ítems.
Sea j: la variable que representa el artículo:
• x(j): el número de unidades el número de unidades cargadas del artículo j

• w(j): el espacio o el peso que demanda cada unidad del artículo j
• R(j,x(j)): la función del retorno del artículo j si se llevan x(j) unidades en la
mochila, del artículo j
• g(j,w): retorno del total acumulativo dado el espacio w disponible para el
artículo j
La relación recursiva dinámica se expresa como:
g(j,w) = máximo {R(j,x(j)) + g[j-1,w-w(j)x(j)]} para todo posible x(j)
Ahora ingresemos los datos al WINQSB:
109
La entrada de datos queda como sigue.
Al resolver el problema tenemos:
La solución nos indica que se deben transportar los ítems 3, 4 y 5 con un retorno
total de 17800 u.m. y utilización plena de la capacidad (en peso), disponible del
avión. Teniendo en cuenta sólo el volumen, el nuevo modelo es:
La solución es:
110
10.6 PROGRAMACIÓN DE PRODUCCIÓN E INVENTARIOS
El problema consiste en determinar un programa de producción para un periodo

de tiempo con el fin de minimizar los costos totales relacionados. Hay demandas
conocidas para cada periodo, límites de capacidad tanto para la producción como
para los inventarios (almacenamiento). Cuando hay más producción que
demanda, se acumula inventario, y cuando la producción es menor que la
demanda, se generarán retrasos en el cumplimiento de pedidos (backorder). Para
cada periodo, una producción no-cero incurre en un costo de preparación. En
programación dinámica, el costo variable se expresa como una función de la
producción (P), el inventario (H), y backorder (B).
Sea:
• P(n): el número de unidades producidas en el periodo n

• D(n): la demanda en el periodo n
• H(n): el inventario disponible al final del periodo n
• B(n): el backorder al final del periodo n
• I(n): la posición del inventario al final del periodo n, es decir, I(n) = H(n) o
I(n) =B(n)
I(n) = I(n-1) + P(n) - D(n)
• S(n): el costo de preparación en el periodo n

• V (P(n), I(n)): el costo variable = función de P(n), H(n), y/o B(n)
• C(n,P(n),I(n)): = S(n) + V(P(n),I(n)) si P(n)>0, = V(P(n),I(n)) si P(n)=0
• f(n,i): costo total acumulativo dado el nivel del inventario inicial i para el
periodo n
La relación recursiva dinámica se expresa como:
f(n,i) = máximo {C(n,P(n),i+P(n)-D(n)) + f(n-1,i+P(n)-D(n))} para todo posible

P(n).
111
Ejemplo 10-3:
La tabla muestra los datos del siguiente problema de producción e inventario: la

demanda para los meses de enero, febrero, marzo y abril es de 4, 5, 3 y 4
unidades, respectivamente. Las capacidades de producción son de 6, 4, 7, y 5
unidades; las capacidades de almacenaje son 4, 3, 2 y 4 unidades
respectivamente. Los costos de preparación varían de un mes a otro y son: 500,
450, 500 y 600 u.m. para enero, febrero, marzo y abril.
Mes Costos Demanda Capacidad de Capacidad de

producción Almacenamiento
Enero 500 4 6 4
Febrero 450 5 4 3
Marzo 500 3 7 2
Abril 600 4 5 4
Determinar un programa de producción con el fin de minimizar los costos totales

relacionados.
Al igual que en los ejercicios anteriores, se procede a ingresar los datos:
La tabla inicial permite ingresar los datos expuestos en el ejemplo.
112
La ventana debería quedar como sigue:
La solución del problema es:
Las cantidades a producir mostradas en la tabla son de tal forma que permiten un
costo mínimo en la planeación: se deben producir 5, 4, 3 y 4 unidades para los
meses de enero, febrero, marzo y abril respectivamente. El costo total es de
$7080, dividido en $2050 por concepto de costos de preparación y $5030 de
costos variables. La tabla también muestra el juego de inventarios resultante de la
producción y la demanda mensuales.
113
11. MODELO DE REDES
La opción Nuevo Problema (New Problem) generará la siguiente ventana:
Existen 7 modelos fundamentales para el tratamiento de los problemas que

involucran redes con el fin de optimizar el uso de algún recurso, generalmente
tratándose de la minimización de costos, tiempo o la maximización del flujo a
través de una red. Estos modelos son:
• Flujo en redes o modelo de trasbordo (Network Flow)

• Problema de transporte (Transportation Problem)
• Problema de asignación (Assignment Problem)
• Problema de la ruta más corta (Shortest Path Problem)
• Problema de flujo máximo (Maximal Flow Problem)
• Árbol de mínima expansión (Minimal Spanning Tree)
• Problema del agente viajero (Traveling Salesman Problem)
114
11.1 FLUJO EN REDES O MODELO DE TRASBORDO
Ingresemos la información de un modelo de red que enlaza 2 fábricas con 4

almacenes y 3 grupos demandantes (9 nodos en total):
La tabla inicial para este modelo se muestra a continuación:
Para modificar los nombres de los nodos pulsamos sobre Node Name en el menú
Editar (Edit). Modifiquemos dichos nombre como se muestra a continuación:
115
La tabla muestra dos fuentes (fábricas S1 y S2) que cuentan con capacidades de
producción de 600 y 800 unidades para un período dado. Hay 4 almacenes
intermedios, T1 a T4, de los cuales T2 y T3 poseen 350 y 200 unidades
respectivamente. Las demandas son T1, 200 unidades; T4, 100 unidades; D1, 500
unidades; D2, 350 unidades y D3 900 unidades. Los costos de transportar una
unidad de producto desde cada fuente y punto de trasbordo hasta cada sitio de
demanda se encuentran en el cuerpo de la tabla.
Para ver el modelo en modo gráfico procedemos a marcar la opción
116
Una versión arreglada de nuestro modelo de redes se muestra a continuación:
Como paso previo a la solución debe escogerse el método mediante el cual se

determina la solución básica inicial (recuérdese que los métodos asociados con el
transporte sólo se diferencian en la forma como se obtiene la solución básica
inicial).
En este caso se ha escogido el método de la esquina noroeste.
117
La manera de resolver el problema es idéntica a la del simplex, pudiéndose
resolver directamente o por pasos. La tabla de resultados finales muestra cómo
se da el flujo de productos desde a las fuentes iniciales (S) a los puntos de
transbordo (T) y de estas a los destinos finales, con un costo total de 7900 u.m.
A continuación se muestran dos resúmenes de los que permite este módulo, para
realizar análisis:
La primera tabla nos muestra, entre otros, el estado de las variables (básicas o no
básicas); esto es, si la solución indica que un tramo (i,j) debe realizarse o no;
también enseña los costos reducidos, que tienen igual interpretación que en
programación lineal. Las dos últimas columnas señalan los máximos y mínimos
costos permitidos en un tramo de transporte; esto equivale al análisis de
coeficientes de costos de la programación lineal.
De la segunda tabla cabe destacar los precios sombra y los máximos y mínimos
permitidos para las restricciones que se interpretan igual que en programación
lineal.
118
11.2 MODELO DE TRANSPORTE
Como el anterior, se trata de encontrar el programa que minimiza los costos de

envío de bienes desde unos orígenes hasta unos destinos. La diferencia radica en
que aquí se despachan los bienes directamente sin pasar por puntos de trasbordo.
En la tabla siguiente se muestran las demandas, las ofertas y los costos de

transporte entre los distintos orígenes y destinos:
La siguiente tabla recoge la solución:
11.3 EL PROBLEMA DE ASIGNACIÓN
Con este modelo se busca resolver de la manera más eficiente, la asignación de

una serie de tareas a sendas máquinas u operarios. Veamos un ejemplo:
119
Se trata de una empresa de consultoría en mercadeo, que ha recibido solicitud de
tres clientes para adelantar estudios de mercado. Los números en las celdas son
las horas que cada consultor invertiría en llevar a cabo cada proyecto. La
compañía desea minimizar el tiempo total dedicado a los proyectos. ¿Cómo
asignar los clientes a los consultores?
La solución nos indica que al consultor Pedro se le asigna el cliente 2, al consultor

Carlos se le asigna el cliente 3 y a Roberto el cliente 1, con un costo total de $26.
11.4 EL PROBLEMA DE LA RUTA MÁS CORTA
El problema de la ruta más corta incluye un juego de nodos conectados donde

sólo un nodo es considerado como el origen y sólo un nodo es considerado como
el nodo destino. El objetivo es determinar un camino de conexiones que minimizan
la distancia total del origen al destino. El problema se resuelve por el "algoritmo
de etiquetado".
2 3 4
4 2
1 2 6
3 2
3 5
3
La tabla siguiente muestra cómo se ingresan los datos para la red de ejemplo.
120
El nodo 1 representa la central y el nodo 6 la ciudad a donde debe llevarse el
cableado procedente de la central, pasando por algunos de los otros nodos que
conectan la central con la ciudad. Los números sobre los arcos representan
distancias en millas. Se trata de llevar a cabo la interconexión con el menor
consumo de cable.
La solución final del problema sería:
11.5 EL PROBLEMA DE FLUJO MÁXIMO
Muchos problemas pueden ser modelados mediante una red en la cual se

considera que los arcos tienen la capacidad de limitar la cantidad de un producto
que se puede enviar a través del arco. En estas situaciones, frecuentemente se
desea transportar la máxima cantidad de flujo desde un punto de partida llamado
fuente hacia un punto final denominado pozo. La tabla siguiente muestra un
ejemplo de este modelo:
121
Gráficamente tenemos:
122
Obsérvese que este modelo tiene aplicación en la planificación de transporte
vehicular, transporte de líquidos mediante tuberías y otros problemas de similar
estructura.
11.6 EL ÁRBOL DE EXPANSIÓN MÍNIMA
Es un problema clásico de optimización combinatoria, formulado en 1926 por

Boruvka quien lo planteó para resolver el problema de hallar la forma más
económica de distribuir energía eléctrica en el sur de Moravia. La formulación de
este problema ha sido útil para la realización de muchas investigaciones en varios
campos como el transporte, electrónica, telecomunicaciones e investigación de
operaciones.
El modelo contempla un conjunto de arcos que conectan todos los nodos de la

red sin crear un solo ciclo o vuelta. El problema consiste en determinar el árbol
que minimiza la distancia de conexión total; se resuelve por el Algoritmo de
Etiquetado. En cuanto a la introducción de datos y el proceso de solución es
similar a los modelos anteriores de este módulo.
La solución para la plantilla anterior es:
123
El modelo de la red del ejemplo es:
B F
A J
H
E
D G I
11.7 EL PROBLEMA DEL AGENTE VIAJERO
El problema del agente viajero, como los demás de redes, involucra un conjunto
de nodos y arcos que conectan todos los nodos. El objetivo es encontrar la forma
de realizar una gira completa que conecte todos los nodos visitando sólo una vez
cada nodo y minimizar o maximizar la distancia de la gira total. Este modelo tiene
múltiples aplicaciones en ingeniería.
La figura representa ciudades, en los nodos, y los valores en los arcos son las
distancias que las separan. En la tabla se muestra la representación matricial del
problema.
124
125
La solución gráfica al problema quedaría:
126
12. TEORÍA DE COLAS
Un primer paso consiste, como en todos los modelos, en la especificación del
problema mediante la cual se establecerá si el modelo a tratar es un M/M/S
(Simple M/M System) o un modelo general (General Queuing System).
12.1 LOS CAMPOS REQUERIDOS
Vamos a suponer por ahora un modelo M/M/S. Lo que sigue es el ingreso de los
datos de acuerdo con las especificaciones de la ventana.
127
La ventana anterior consta de:
• Numero de servidores (Number of Servers)

• Tasa de servicio (Service Rate)
• Tasa de llegada de clientes (Customer Arrival Rate)
• Capacidad de la cola (Queue Capacity)
• Tamaño de la población de clientes (Customer Population)
• Costo del servidor ocupado (Busy Server Cost per Hour)
• Costo del servidor desocupado (Idle Server Cost per Hour)
• Costo de espera de los clientes (Customer Waiting Cost per Hour)
• Costo de los clientes siendo servidos (Customer Being Served Cost
per Hour)
• Costo de los clientes siendo despachados (Cost of Customer Being
Balked)
• Costo de la unidad de capacidad de la cola (Unit Queue Capacity Cost)
Un ejemplo del modelo es el siguiente (recuerde que las letras M indican un valor
infinito o muy grande):
Una de las posibilidades de solución es calcular las tradicionales medidas de

desempeño (medidas de efectividad), que nos proporciona el tablero siguiente:
128
Otra opción con la que se cuenta es simular el sistema, la que inicialmente nos
proporciona la siguiente ventana:
129
Usando el sistema de reloj con 1000 horas de simulación del sistema de colas.
Se obtienen los resultados que se muestran a continuación.
130
El resumen de probabilidades de encontrar n clientes en el sistema es:
Análisis de sensibilidad a cambios en número de servidores iniciando en 2 y

terminando en 10.
Un análisis parecido puede hacerse tomando como base la capacidad del sistema,
que puede ir desde una capacidad específica de x clientes (capacidad limitada)
hasta infinita.
131
13. SIMULACIÓN DE COLAS
La simulación manejada por WINQSB permite la participación de cuatro actores
dentro del ambiente simulado:
• Tasa de llega de clientes (Customer Arriving Source).

• Colas (Queue). Líneas de espera.
• Servidores (Server): Se especifica la cantidad de servidores en el sistema.
• Colectores de Basura (Garbage Collector): Indica la posibilidad que el
cliente abandone el proceso sin terminarlo. Puede ser considerado como un
defecto en el sistema.
Para que WINQSB comprenda esta designación la tasa de llegada de los

consumidores, las colas, los servidores y los colectores de basura serán
identificados con las letras C, S, Q y G respectivamente.
13.1 EJEMPLO DE SIMULACIÓN
Ejemplo 13-1:
Un banco posee dos cajeros (pedro y Juan) los cuales atienden a un cliente en un
promedio de 15 minutos con una desviación de 0.01. Los clientes llegan a una
tasa de uno cada 10 minutos y hacen una sola cola cuya capacidad es de máximo
15 clientes. Se considera que la llegada de los clientes se comporta de forma muy
similar a una distribución tipo Poisson y los cajeros con una distribución normal.
Simular con 100 minutos de tiempo el modelo anterior.
Pedro Capacidad: 15
personas en fila
Juan
Tasa de Atención:
0.067 cliente /
Tasa de llegada:
minuto
0.1 cliente / minuto
132
Podemos observar que existen tres actores principales:
• Dos cajeros, los cuales serán considerados como servidores.

• Los clientes, representados por una tasa de llegada.
• La cola o línea de espera, a donde los clientes llegan para ser atendidos.
Hay que considerar que los bancos emplean un sistema de espera de tipo PEPS
(FIFO – First In First Out), es decir, los primeros clientes en entrar serán los
primeros en ser atendidos.
Para ingresar esta información registramos la cantidad de actores participantes en

la ventana Especificaciones del Problema (Problem Specification).
Es recomendable darle nombres a cada uno de los actores para evitar

confusiones futuras.
133
Los cajeros se denotan con la S (Server), los clientes con la C (Customer) y la
cola con Q (Queue).
Al pulsar OK, aparecerá una plantilla donde ingresaremos la información primaria

del problema.
Comencemos llenando los datos para los cajeros. Para programarlos es necesario
introducir la información de que los cajeros dependen de los clientes. Para que
WINQSB entienda esto en la columna Distribución de tiempos de servicio
(Service Time Distribution) se ingresa la siguiente notación:
Clientes/Normal/0.06667/0.01
La notación completa es:
Nombre predecesor/Distribución/Parámetro 1/Parámetro

2/Parámetro 3
La primera corresponde a la conexión con los clientes, la segunda a la distribución
de probabilidad de los servidores y los siguientes datos (parámetros) son
utilizados de acuerdo a la información requerida por la distribución (por ejemplo, la
distribución Normal requiere de dos parámetros: la media y la desviación).
Las distribuciones disponibles son:
• Beta (Beta)
• Binomial (Binomial)
• Constante (Constant)
• Discreta (Discrete)
• Erlang (Erlang)
134
• Exponencial (Exponential)
• Gamma (Gamma)
• Hypergeométrica (Hypergeometric)
• Laplace (Laplace)
• Normal (Normal)
• Pareto (Pareto)
• Poisson (Poisson)
• Función de poder (Power Function)
• Triangular (Triangular)
• Uniforme (Uniform)
• Weibull (Weibull)
De igual forma debemos completar los parámetros para los clientes. Lo primero
es indicar la dependencia de una de las colas en la columna Sucesor inmediato
(Immediate Follower). Luego, en la columna Distribución del tiempo entre
llegada (Interarrival Time Distribution) con el siguiente formato:
Distribución/Parámetro 1/Parámetro 2/Parámetro 3

Para nuestro caso, la distribución quedaría:
Poisson/0.1
Los parámetros 2 y 3 no son requeridos para esta distribución. El resultado debe
lucir como sigue:
La columna Distribución de los tamaños de los lotes (Batch Size Distribution),

indica si los clientes llegan de forma agrupada o individual. En nuestro caso
omitiremos llenar esta columna indicando que los clientes llegan de a uno al
banco.
Para programar la cola, debemos indicar que los dos cajeros se alimentarán de
ella colocando los nombres en las casillas correspondientes a la columna Sucesor
inmediato (Immediate Follower).
135
En Disciplina de la cola (Queue Discipline) marcamos FIFO y en Capacidad de
la cola (Queue Capacity) su capacidad (máximo 15 personas en espera).
13.2 ANALIZANDO LOS RESULTADOS
Para resolver el problema pulsamos sobre Realizar simulación (Perform

Simulation) en el menú Resolver y analizar (Solve and Analyze).
En la nueva ventana podremos indicar la cantidad de minutos a simular y que tipo

de base (seed) para la generación de números aleatorios.
Pulsemos en el botón SIMULATE. WINQSB tomará el tiempo y mostrará las

observaciones recolectadas durante ese tiempo:
136
El botón SHOW ANALYSIS nos mostrará los resultados de la simulación.
Se puede observar que en los 100 minutos llegaron 1123 clientes (Total Number
of Arrival). El tiempo de espera promedio fue de 0.1879 (Average Waiting
Time). El número máximo de personas en el sistema fue de 17: 15 en espera y 2
siendo entendidos (Maximun Number in the System). En promedio
permanecieron 2,2144 personas en el sistema (Average Number in the System).
Un análisis desde el punto de vista de los cajeros nos muestra más información de
la simulación:
137
Los cajeros tuvieron un promedio de utilización (Server Utilization) del 28,89%.
El cajero 1 atendió 431 personas y el cajero 2 a 440 para un total de 871
(Customer Processed). De los 1123 solo finalizaron el proceso 871.
Desde el punto de vista de la cola tenemos:
El promedio de personas en la cola fue de 1.6366 (Average Q. Length). El

máximo de personas en la cola es de 15 (Maximun Q. Length).
13.3 SIMULACIÓN EN MODO GRÁFICO
Podemos ingresar el problema mediante el modo gráfico que provee WINQSB en

la ventana inicial:
El problema quedaría:
138
Para intercambiar los modos pulsamos en Pasar a formato matriz (Switch to
Matrix Form) en el menú Formato (Format)
139
14. PROCESO DE MARKOV
La opción Nuevo Problema (New Problem) genera una plantilla llamada
Especificaciones del problema PMK (MKP Problem Specification) en la cual,
se introducirán las características de nuestro problema:
Para comenzar a armar un problema de este tipo es necesario ingresar los

campos:
• Titulo del problema (Problem Title)

• Número de estados (Number of States)
14.1 UN POCO DE TEORÍA
Un sistema existe en estados diferentes (o condiciones). A través del tiempo, el

sistema se moverá de un estado a otro estado. El proceso de Markov
normalmente se usa para caracterizar estos movimientos o transiciones. Para
describir y analizar un proceso de Markov, definimos las terminologías siguientes:
• Estado: una condición particular del sistema, i = 1, 2,..., n.

• Probabilidad de estados s(i): la probabilidad de que el sistema se
encuentre en el estado i
• Probabilidad de transición p(i,j): la probabilidad de que el sistema se
mueva del estado i al estado j
• S(t): conjunto de todos s(i) en momento t, Ss(i) = 1
• P: matriz de transición p(i,j), dónde i,,j = 1, 2,... ,n
Dado el sistema en el momento t con las probabilidades de estado S(t), entonces

en el momento t+1 , el sistema se expresará por
S(T+1) = S(T) P
140
Y en el t+2 , el sistema se expresará por
S(T+2) = S(T) P P = S(T) P²

Y en t+3, el sistema se expresará por
S(T+2) = S(T) P P P = S(T) P³

Y así sucesivamente.
Si las probabilidades de estado no cambian de periodo a periodo, el sistema se

encuentra en estado estable. No todo sistema tiene un estado estable. Si el
sistema alcanza el estado estable, las probabilidades de estado estable, digamos
S, tendrán las propiedades siguientes:
S = S P (1)
La ecuación (1) representa un conjunto de n ecuaciones simultáneas con n
variables de probabilidad de estado. Para obtener las probabilidades de estado
estable, reemplace cualquiera de las ecuaciones en (1) con Ss(i) = 1 y resuelva
las n nuevas ecuaciones simultáneas.
14.2 ANALIZANDO UN EJEMPLO
Ingresemos un sistema representado por 4 estados:
La plantilla vacía representa una matriz con las relaciones entre los estados
(State), sus probabilidades iniciales (Initial Prob.) y el costo de cada uno de ellos
(State Cost).
141
Veamos un ejemplo:
En el menú Resolver y analizar (Solve and Analyze) tenemos las opciones de

Resolver los estados completos (Solve Steady State) o mostrar el Proceso de
Markov por pasos (Markov Process Step).
La primera opción da como resultado la siguiente tabla:
La matriz final indica las probabilidades de estado estable, lo cual significa que en
el largo plazo el sistema estará el 26% del tiempo en el estado uno, 29% estará en
142
el estado dos, 21% estará en estado tres y 23% en estado cuatro, lo cual hace que
el costo medio en que incurre el proceso es de 1387,3530.
14.3 RESOLVIENDO EL EJERCICIO PASO A PASO
Regresando a la matriz inicial y tomando la segunda opción del menú Resolver y

analizar (Solve and Analyze) tenemos una ventana que nos permite controlar las
iteraciones del proceso:
Podemos observar el Número de periodos procesados (The Number of Time

Periods from Initial). Pulsemos en el botón NEXT PERIOD y luego en el botón
OK:
143
Para el periodo dos (recuerde pulsar en NEXT PERIOD seguido del botón OK):
En la columna Probabilidad del estado resultante (Resulted State Probability)

se muestran las probabilidades para los periodos. Pulsando es el botón STEADY
STATE alcanzamos la matriz estable:
144
Para ver un Análisis paramétrico en el tiempo de los costos y las probabilidades de
los estados seleccionamos la opción
La nueva ventana contiene:
• Retorno/Costo total esperado (Total Expected Return/Cost)

• Probabilidad de cada estado (Probability of State State#)
• Costo esperado de cada estado (Expected Cost of State State#)
145
Pulsemos el botón OK para mostrar el Retorno/Costo total esperado (Total
Expected Return/Cost) para 10 periodos (1 por periodo – Step = 1).
Se puede observar como el costo comienza a estabilizarse para los últimos

periodos (recuerde que el costo final es de 1987,3530).
146
REFERENCIAS BIBLIOGRÁFICAS
BELLO PÉREZ, Carlos. Manual de producción aplicado a las pequeñas y

medianas empresas. Editorial ECOE EDICIONES. Colombia, año 1997.
BELLO PÉREZ, Carlos. Pronósticos Empresariales: Como Proyectar su Empresa

al Futuro. ECOE EDICIONES. Colombia, año 2000.
CHASE, Richard B. Administración de Producción y Operaciones. Editorial Mc

Graw Hill, Octava Edición. Colombia, año 2004.
GILL, James O. Análisis financiero: Técnicas para la toma de decisiones. Grupo

Editorial Iberoamericano. México, año 1992.
PANICO, Joseph A. “Teoría de las Colas”. Editorial PROLAM S. R. L. Argentina,

año 1973.
PINILLA, Vicente. Simulación: Introducción Teórica y Aplicaciones en

Administración. Ediciones Uniandes. Colombia, año 2004
RIOS INSUA, David. Simulación: Métodos y aplicaciones. Editorial Alfa y Omega.

Colombia, año 2000.
GAITHER, Norman. Administración de Producción de Operaciones. Thomson

Editores, Octava Edición. México.
WALPOLE, Ronald E. “Probabilidad y Estadística”. Mc Graw Hill, cuarta Edición.

México, año 1992.
147
El libro MÉTODOS CUANTITATIVOS CON WINQSB lo introducirá en el
apasionante mundo de la solución de problemas complejos mediante el
uso de software para computadoras.
WINQSB es una aplicación versátil que permite la solución de una gran

cantidad de problemas desde niveles administrativos, producción,
recurso humano hasta la dirección de proyectos.
Debido a su facilidad y potencia de manejo, este libro se convierte en

una herramienta indispensable para el estudiante de pregrado o
postgrado que participa en materias relacionadas como la investigación
de operaciones, los métodos de trabajo, planeación de la producción,
evaluación de proyectos, control de calidad, simulación, estadística,
entre otras.
Los módulos tratados en este libro son:
- Programación Lineal y Entera

- Programación por Metas
- PERT – CPM
- Planeación Agregada
- Pronósticos
- Teoría y Sistemas de Inventario
- Análisis de Decisiones
- Planeación de Requerimiento de Materiales (MRP)
- Programación Dinámica
- Modelos de Redes
- Teoría y simulación de colas
- Cadenas de Markov
148

Víctor Manuel Quesada Ibarguen Juan Carlos Vergara Schmalbach

Cargado por

Copyright:

Formatos disponibles

Víctor Manuel Quesada Ibarguen Juan Carlos Vergara Schmalbach

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Víctor Manuel Quesada Ibarguen Juan Carlos Vergara Schmalbach

Cargado por

Copyright:

Formatos disponibles

Programación lineal y entera, programación por

metas, programación dinámica, teoría y sistemas de

VÍCTOR MANUEL QUESADA IBARGUEN

Programa de Administración Industrial Universidad de Cartagena

VÍCTOR MANUEL QUESADA IBARGÜEN

Con la popularización de los computadores personales (PC’s) han surgido

QSB (Quantitative System Business), podría decirse que es el software más

Motivados por esta evidencia y como un aporte a la academia del grupo de

Tampoco estamos frente a un libro de investigación de operaciones o similar, por

Esperamos que Análisis Cuantitativo con WINQSB se constituya en libro de

Víctor Manuel Quesada Ibargüen

El libro MÉTODOS CUANTITATIVOS CON WINQSB lo introducirá en el

Debido a su facilidad y potencia de manejo, este libro se convierte en una

Los módulos tratados en este libro son:

- Programación Lineal y Entera

Este libro no es un manual de enseñanza de los métodos cuantitativos, por lo que

Análisis de muestreo de aceptación (Acceptance Sampling Analysis)

La parte superior de la ventana llamada TITULO indica el nombre del módulo

Nuevo problema (New Problem): Permite introducir un nuevo problema.

Contenido (Contents): Contenido completo de la ayuda sobre el módulo

El primer botón permite la creación de un nuevo problema, el segundo abre un

En el centro de la venta se encuentra un espacio vacío el cual llamaremos ZONA

VÍCTOR MANUEL QUESADA IBARGUEN:

JUAN CARLOS VERGARA SCHMALBACH:

La opción Nuevo Problema (New Problem) genera una plantilla en el cual se

A continuación se describirán cada una de las casillas de esta ventana:

- Continuas no negativas (Nonnegative continuous): Indica que el

2.2 UN PROBLEMA EJEMPLO

Mediante un ejemplo demostraremos como se introducen los datos para la

La empresa AXUS S.A. desea conocer la cantidad de productos A, B y C a

Cada producto pasa por 3 mesas de trabajo, restringiendo la cantidad de

Tiempo requerido Tiempo requerido Tiempo requerido

Se supone que cada unidad producida es vendida automáticamente. Determinar

Una vez analizado el enunciado el lector procederá a crear el modelo matemático.

Función Objetivo (F.O.):

Podemos ver claramente que estamos ante un problema de Maximización, con

Teniendo claro esto, se alimenta el programa desde la ventana Nuevo Problema

Si se escogió por la plantilla tipo hoja de calculo (Spreadsheet Matrix Form), se

La segunda fila (Maximize) permite introducir los coeficientes de la función

2.4 EL MODELO DE EJEMPLO

Para ingresar nuestro modelo propuesto en el ejemplo, el primer paso es llenar la

Se sigue con las restricciones C1, C2 y C3:

2.5 RESOLVIENDO UN PROBLEMA

Cuando haya terminado de ingresar el modelo en la plantilla, podrá utilizar las

2.6 RESOLVIENDO EL PROBLEMA EJEMPLO

Seleccionamos la primera opción del menú Resolver y Analizar (Solve and

Pulsamos el botón ACEPTAR y automáticamente el programa generará la

2.7 ENTENDIENDO LA MATRIZ FINAL

Esta matriz presenta suficiente información sobre el modelo resuelto. La primera

La columna Costo o Utilidad Unitaria (Unit Cost or Profit) muestra los

La columna Contribución Total (Total Contribution) representa el costo o

La columna Costo Reducido (Reduced Cost) identifica el costo que genera

La siguiente parte de la matriz final (Constraint Summary), presenta las variables

La columna Lado de la mano derecha (Left Hand Side) muestra el valor

La columna Déficit o Superávit (Slack or Surplus) muestran los valores de las

2.8 LA TABLA FINAL DEL SIMPLEX

2.9 RESOLVIENDO EL MODELO PASO A PASO

Regrese nuevamente a la plantilla correspondiente al modelo inicial (sin