UNIVERSIDAD JOS FAUSTINO SNCHEZ CARRIN

FACULTAD DE INGENIERA INDUSTRIAL, SISTEMAS E INFORMTICA

E.A.P INGENIERA DE SISTEMAS
Ao de la consolidacin del Mar de Grau

TEMA: Contraccin de la red en la elaboracin del software de la

tienda Daro Ropa & Accesorios
ASIGNATURA: Investigacin Operativa II
CICLO: VII
DOCENTE: Dr. Sosa palomino, Alcibades
INTEGRANTES:

Aragn Espinoza, Carlos

Racacha Montes, Franz
Romero Izquierdo, Fredy
Romero Gularte, Francis
Vega Miranda, Han

UNJFSC - 2016-II

INTRODUCCION
En el presente trabajo de investigacin trataremos sobre la elaboracin de un software
de la tienda Daro Ropa & Accesorios que se encuentra ubicado en Av. La Merced N
294 - 2 piso en la cuidad de Huacho. La empresa busca tener informacin del da a da
en sus ventas, para poder determinar si en el da se han generados utilidades o perdidas
y tambin tener toda una informacin calificada y que esto permita a la tienda Daro
Ropa & Accesorios tomar decisiones que conlleven a un crecimiento constante y llegar
a ser el top nmero uno en sus ventas en la localidad de Huacho. Tambin algo muy
importante y nunca dejar de lado es que sus clientes siempre se sientan satisfechos.
Lo que se busca para la elaboracin del software es reducir los das hbiles
pronosticados por el mtodo PERT que viene a ser mtodos probabilsticos que a la vez
con un modelo de redes determina un tiempo estndar de la creacin del software. Para
ello aplicaremos nuestros conocimientos adquiridos en clase, donde contraeremos la red
en un tiempo favorable para la empresa, de esta forma aumentando tambin los costos
pronosticados anteriormente.

INDICE
INTRODUCCIN
1.1 Modelo de Toma de Desiciones

1. CONCEPTOS BASICOS
1.1. MODELO DE TOMA DE DESICIONES
La informacin fundamental para los problemas en teora de decisin se encuentra
representada en una matriz de ganancias (perdidas).

Los valores rij son las ganancias (o perdidas) para cada posible combinacin de decisin
con respecto al estado de la naturaleza.

CRITERIOS DE DECISION
TOMA DE DESICIONES SIN PROBABILIDADES
Este criterio es apropiado cuando el que decide tiene poco confianza en su actitud para
evaluar la probabilidad de los estados de la naturaleza.

1. EL METODO OPTIMISTA
Se evala cada alternativa de decisin, en trmino del mejor resultado que puede
ocurrir. La alternativa de decisin que se recomienda es la que ofrece la mejor
consecuencia posible.
Para un problema en el que se desea maximizar utilidades, la alternativa elegida
corresponde aquella que brinda las utilidades ms altas.
Para un problema en el que se desea minimizar, la alternativa elegida
corresponde aquella que brinde el menor resultado.
2. EL METODO CONSERVADOR
Se evala cada alternativa de decisin en trminos del peor resultado que pueda
ocurrir. La alternativa decisoria que se recomienda es la mejor de las peores
consecuencias posibles es decir:

Para un problema de maximizacin le corresponde el max (min)

Para un problema de minimizacin le corresponde el min (max)
3. EL METODO DE LA DEPLORACION
Se evala el costo de oportunidad (deploracin)
Para un problema de maximizacin
Se identifica los mximos valores para cada alternativa en la matriz de costo de
oportunidad. Se elige la mejor decisin aplicando el min (max) a los valores
obtenidos.
4

Para un problema de minimizacin

Se identifica los mnimos valores para cada alternativa en la matriz de costo de
oportunidad. Se elige la mejor decisin aplicando el max (min) a los valores
obtenidos.

TOMA DE DECISIONES CON PROBABILIDADES A PRIORI

1. CRITERIO DE PROBABILIDAD MAXIMA
Se centra en el estado de la naturaleza con mayor probabilidad.
Procedimiento:
a. Identificar el estado Sj con la probabilidad a priori p(Sj) mayor.
b. Elegir la alternativa de decisin que tiene el mayor pago para este estado
de la naturaleza.
2. CRITERIO DE IGUAL PROBABILIDAD
Por lo general es difcil tener mucha fe en las probabilidades a priori; por lo
tanto se asume igual p(Sj) a cada estado del modelo.

Procedimiento:

a. Para cada alternativa de decisin calcule el promedio de sus pagos sobre

todos los estados de la naturaleza.
b. Seleccione la alternativa con el mayor pago promedio.
3. REGLA DE DECISION DE BAYES
Utiliza el concepto de valor esperado o esperanza matemtica

Procedimiento:

a. Para cada alternativa de decisin calcule el valor esperado VE (di).

Dnde:
n es el nmero de posibles estados de la naturaleza
p (Sj) es la probabilidad de ocurrencia del estado de la naturaleza
Sj.
Las probabilidades correspondientes deben satisfacer las
siguientes condiciones:
5

P( S j ) 0 para todos los estados de la naturaleza.

b. Seleccione la alternativa con el mayor valor esperado

METODO VALOR ESPERADO

El valor esperado de una alternativa de solucin es la suma de resultados ponderados
para la alternativa de solucin. El peso para un resultado es la probabilidad del estado de
la naturaleza asociado y por consiguiente la probabilidad de que ocurrir el resultado.

VALOR ESPERADO DE LA INFORMACION PERFECTA (VEdeIP)

Si existe la posibilidad de llevar a cabo un estudio de investigacin de mercado para
obtener la informacin perfecta, se puede realizar siempre en cuando no supera el valor
de la informacin perfecta.

ANALISIS DE SENSIBILIDAD
Para evaluar el efecto de posibles inexactitudes en las posibilidades a priori, suele ser
til realizar un anlisis de sensibilidad. El anlisis de sensibilidad puede ayudar a
decidir si es conveniente invertir ms dinero y tiempo a fin de obtener estimaciones de
probabilidad ms precisas.
Para el caso con dos estados de la naturaleza, se puede realizar un anlisis de
sensibilidad utilizando un procedimiento grfico; para ello se le asigna:

p(S1) = p

p( S2) = ( 1 p )

Luego se evala el VE(di) ; graficando estas ecuaciones lineales en:

VE
VE (di)
p

En el grfico se realiza el anlisis correspondiente, establecindose los rangos de

variacin de p y las modificaciones de las decisiones recomendadas.

TOMA DE DESICIONES CON PROBABILIDADES A POSTERIORI

ANALISIS BAYESIANO
Se combina los datos previos (probabilidades a priori) con datos mustrales o de prueba,
utilizando la frmula desarrollada por BAYES.

Con frecuencia lo TD tienen estimaciones preliminares o previas de las

probabilidades de los estados de la naturaleza p( Sj).

Sin embargo a fin de adoptar la mejor decisin; es posible que el TD pretenda

obtener informacin adicional sobre los estados de la naturaleza con el propsito de
actualizar las probabilidades previas. A la nueva informacin se le llama
INFORMACION MUESTRAL.

A la informacin nueva combinada con la probabilidad previa mediante el

procedimiento BAYESIANO se le llama probabilidad posteriori o modificada.

A la nueva informacin se le llama indicador (Ik ) o informacin muestral.

Para el proceso bayesiano se utiliza:

-

P( Ik / Sj) probabilidad condicional que indica que ocurre Ik dado que ocurri Sj
que por lo general se conoce por datos histricos.

p( I K / S j ) p(S j )
-

Segn la ley de BAYES

p(Sj / IK) =

p( I K )

Donde:

El anlisis Bayesiano se puede realizar en un rbol de decisin.

Un rbol de decisin proporciona una grfica de la progresin de las
decisiones y los eventos aleatorios.

VALOR ESPERADO DE LA INFORMACION MUESTRAL (VEIM)

VE deIM = [ Valor ptimo esperado con la informacin muestral ] [Valor ptimo
esperado sin informacin muestral ]
El valor ptimo esperado con informacin muestral se obtiene previo anlisis en el rbol
de decisin.

EFECIENCIA DE LA INFORMACION MUESTRAL

E = VE deIM / VE deIP

Para valores de E bajos es recomendable buscar otros tipos de informacin.

Para E altos la informacin muestral es casi tan buena como la informacin
perfecta.

UTILIDAD Y PREFERENCIA EN LA TOMA DE DESICIONES

Existen situaciones en las que la alternativa de decisin con el mejor valor monetario
esperado no es la decisin ms deseable. Se entiende por decisin ms deseable la que
prefiere adoptar el decisor considerando no solo el valor monetario si no tambin
muchos otros factores, como la posibilidad de obtener una ganancia enorme o de
incurrir en una perdida muy grande. Son numerosos los ejemplos. Existen casos donde
en los que elegir la alternativa de decisin con el mejor valor monetario esperado puede
no conducir a la eleccin de la alternativa preferible en estas circunstancias se debe
expresar el valor de un resultado en trminos de utilidad y luego obtener la utilidad
esperada para identificar la decisin ms deseable; siendo aquella que tenga la mayor
utilidad esperada.

UTILIDAD ESPERADA UE(di)

El procedimiento que se sigue para obtener la utilidad esperada de una decisin es:

Se asigna en primer lugar un valor utilitario a los posibles resultados mejor y

peor de las situaciones de decisin. Cualquier valor funciona, siempre y cuando
la utilidad que se asigne al mejor resultado sea mayor que la que se asigna al
peor.
8

U [min(di ; Sj)] = 0
U [max(di ; Sj)] = 10

Se determina luego la utilidad correspondiente a cada uno de los resultados

V(di ; Sj) restantes.
U(di ; Sj) = p. U[max(di ; Sj)] +(1-p). U [min(di ; Sj)]
= 10p
Donde p es la preferencia que tiene el decisor al max(d i ; Sj) respecto al V(di ;
Sj).

Obtenindose la siguiente tabla:

La utilidad esperada se obtiene mediante:

N

UE ( d i) = p ( S j) U (d i ; S j)
j=1

La decisin elegida ser aquella con el mejor UE(di )

Determinar la utilidad requiere de cierta subjetividad por parte del decisor; esto
significa diferentes decisores pueden tener funciones de utilidad distintas.

2. FORMULACION DEL PROBLEMA

2.1. PLANTEAMIENTO DEL PROBLEMA
El presente trabajo que desarrollamos en la tienda Daro Ropa & Accesorios que se
encuentra ubicado en Av. La Merced N 294 - 2 piso en la cuidad de Huacho, esta
empresa brinda el servicio de venta de ropa y accesorios exclusivamente para Hombres
tales como pantalones, camisas, polos, poleras, zapatillas, gorras, mochilas, correas,
billeteras y etc.
9

La tienda Daro Ropa & Accesorios debido a que se encuentra muy bien posicionado
en el mercado local y de esta forma generndole ganancias netas. El gerente desea
adquirir un nuevo local fuera de la localidad de Huacho, de esta forma expandiendo su
mercado dentro de la regin Lima Provincias y para eso plantea una estrategia de
decisin que podr ayudarle a tomar la mejor decisin y de esta manera poder seguir
creciendo en el mercado. Los lugares en donde podra posicionarse son: Barranca,
Huaral y Chancay.
Para que pueda elegir la mejor decisin se aplicar el mtodo aprendido priori y
posteriori de igual forma.

LOCAL
Huaral D1(700)
Barranca D2(1200)
Chancay D3(800)

Cliente Poblacional
Galera 1
Galera 2
500
400
800
700
400
600

Cuadro informativo

LOCAL
Huaral D1(700)
Barranca D2(1200)
Chancay D3(800)
P(Sj)

S1
S/. 30000
S/. 40000
S/. 10000
0.4

S2
S/. 27000
S/. 26000
S/. 15000
0.6

3. SOLUCION DEL PROBLEMA

3.1.

CRITERIOS DE DECISIN

TOMA DE DESICIONES SIN PROBABILIDADES

3.2.

METODO PRACTICO
Mtodo Optimista: Mejor(Mejor) o Max(Max)
10

LOCAL
D1
D2
D3

S1
S/ 30000
S/ 40000
S/ 10000

S2
S/ 27000
OPTIMISTA
S/ 26000
D1
S/ 30000
S/ 15000
D2
S/ 40000
D3
S/ 15000

D2

Mtodo Pesimista: Mejor(Peor) o Max(Min)

LOCAL
D1
D2
D3

S1
S/ 30000
S/ 40000
S/ 10000

S2
S/ 27000
OPTIMISTA
S/ 26000
S/ 27000
S/ D1
15000
D2
S/ 26000
D3
S/ 10000

Mtodo Costo
Min(Max)

LOCAL
D1
D2
D3

S1
S/ 10000
0
S/ 30000

3.3.

D1

de

Oportunidad:

Peor(Mejor)

S2
0
OPTIMISTA
S/ 1000
S/ 10000
S/ D1
12000
D2
S/ 1000
D3
S/ 30000

D2

METODO PRACTICO: CON PROBABILIDAD

METODO MAXIMA PROBABILIDAD
De la tabla elegimos la mxima probabilidad: 0.6
El mximo valor es: d(2) = 27000

11

P(S3) = 0.23

METODO PROBABILIDADES IGUALES

LOCAL
S1
S2
D1
S/ 30000
S/ 27000
D2
S/ 40000
S/ 26000
D3
10000
S/ 15000
VE (d2) =0.4 (40000)
+ S/
0.6
(26000)
= 31600
P(Sj)
0.5
0.5

P1 = 0.5(30000) + 0.5 (27000) = 28500

25000
P2 = 0.5(40000) + 0.5 (26000) = 33000
=0.4
P3 = 0.5(10000)
0.50.6
(15000)
= 12500= 28200
VE (d1)
(30000)+ +
(27000)
P(S3) = 0.23
Por los tanto: El mejor valor es 33000 de la decisin D2

3.4.

METODO ANALITICO
TEOREMA DE BAYES

40000
10000

LOCAL
D1
D2
D3
P(Sj)

S1
S/ 30000
S/ 40000
S/ 10000
0.4

S2
S/ 27000
S/ 26000
S/ 15000
0.6
n

VE(di)= P ( Sj ) .V (di; Sj)

j=0

VE (d3)
(10000) + 0.32 (15000) =11300
P=0.45
1 = 0.5(30000) + 0.5 (27000) = 28500
P2 = 0.5(40000) + 0.5 (26000) = 33000
20000
P3 = 0.5(10000) + 0.5 (15000) = 12500
10000
El valor esperado de decisin optimo es: VE(d2) = 31600

METODO DEL ARBOL

30000
12

P(S3) = 0.23
P(S1) = 0.45

P(S1) = 0.45

P(S1) = 0.45

La decisin d2 es el mejor valor optimo: VE(d2)= 31600

VALOR ESPERADO CON INFORMACION PERFECTA

VE

Con

IP= p ( Sj ) (mejor valor de cada estado)

d2

j=1

VE

Con

d3
IP=( 0.4 ) ( 40000 ) + ( 0.6 ) ( 27000 )=32200
d1

VALOR ESPERADO DE LA INFORMACION PERFECTA

de

VE IP=VE

Con

IPVE

de

VE IP=3220031600=800
13

Nota: VE* = Mejor valor optimo

ANALISIS DE SENSIBILIDAD
LOCAL
D1
D2
D3
P(Sj)

S1
S/ 30000
S/ 40000
S/ 10000
0.4

S2
S/ 27000
S/ 26000
S/ 15000
0.6

VE(di )= P ( Sj ) .V (di ; Sj)

j=0

VE (d1) = 30000(1P) + 27000P

= 30000 30000P + 27000P

P=0, P=1

= 30000 3000P

VE (d2) = 40000(1P) + 26000P

= 40000 40000P + 26000P

P=0, P=1

= 40000 14000P

VE (d3) = 10000(1P) + 15000P

= 10000 10000P + 15000P
= 10000 + 5000P

14

P=0, P=1

VE

Chart Title
45000
40000
35000
30000

d1
d2

25000

d3

20000
15000
10000
5000
0

0.2

0.4

0.6

0,90900

0.8

Grfico del Anlisis de Sensibilidad

HALLANDO EL PUNTO DE INTERSECCION

VE (d1) = VE (d2)
30000 3000P = 40000 14000P
11000P = 10000
P = 0.90909
4. CONCLUSION
Concluimos con los siguientes resultados:

d2; SI P [0; 0.9090>

d1; SI P [0.9090; 1]

Como P=0.6 [0; 0.9090] entonces elegimos la decisin d2

15

P
1

1.2

5. REFERENCIAS BIBLIOGRAFICAS

ngel, Juan; Sedano, Mximo y Vila, Alicia (2012). La

distribucin Normal. Recuperado de
http://www.uoc.edu/in3/emath/docs/Distrib_Normal.pdf

Scian.

(2010). Distribuciones
Recuperado

de

probabilidad.

de

http://www.scian.cl/mmb/probabilidades.pdf

Bustos

Arias,

Eduardo(2012). Anlisis de

Sensibilidad. Recuperado de
http://users.dcc.uchile.cl/~nbaloian/DSS-DCC/Esp/3_5.pdf

Juan, Neyra. (2015). Teorema de Bayes Ejercicios

Propuestos. [Wordpress- investigacin de operaciones].
Recuperado de

https://estadisticageneral.wordpress.com/ejercicios-resueltos/

16