La empresa debe asignar las 3 personas a cada tarea para maximizar la utilidad de la siguiente manera: 2 personas a la Tarea A, 0 personas a la Tarea B, y 1 persona a la Tarea C, lo que resulta en una utilidad máxima total de 13.
1.3.ruta mas corta con programación dinámicaADRIANA NIETO
Los Thompson planean viajar en camioneta desde Nueva York hasta Los Ángeles parando en hoteles económicos en ciudades específicas. El documento describe cómo usar programación dinámica para determinar la ruta óptima que minimice la distancia total recorrida, representando cada etapa del viaje como un estado y llenando una tabla con los tiempos asociados a cada trayecto posible.
Un propietario de una cadena de tres supermercados compró cinco cargas de fresas frescas y quiere asignarlas a las tiendas para maximizar las ganancias esperadas. La tabla proporciona estimaciones de ganancias para cada tienda dependiendo de la cantidad de cargas asignadas. Usando programación dinámica, el propietario puede asignar las cargas de dos maneras para obtener una ganancia total esperada de 25 unidades: asignar 2 cargas a la primera tienda, 1 a la segunda y 2 a la tercera, o asignar 5 cargas
1) El documento describe un modelo de transporte matemático para optimizar el transporte de mercancías desde orígenes a destinos. 2) Incluye ejemplos de cómo aplicar el modelo de transporte no solo al transporte físico sino también a problemas de planificación de producción e inventarios y mantenimiento. 3) El modelo busca minimizar los costos totales de transporte sujeto a restricciones de oferta y demanda en los orígenes y destinos.
Este documento describe la programación lineal, incluidas sus aplicaciones, definición, pasos para la solución de problemas, y un ejemplo de modelo con dos variables. La programación lineal es una técnica matemática que permite optimizar una función objetivo sujeta a restricciones lineales, y se aplica a problemas de agricultura, industria, transporte y más.
Este documento presenta varios modelos de redes y programación lineal, incluyendo modelos de transporte, asignación, vendedor viajero, ruta más corta y rama más corta. Describe los objetivos, variables, restricciones y funciones de estos modelos y cómo se pueden representar y resolver usando programación lineal. También discute variantes como oferta y demanda desiguales, maximización de objetivos y capacidades limitadas.
Este documento resume las medidas de rendimiento y probabilidades clave para modelos de colas M/M/s. Incluye la utilización promedio del sistema, la cantidad promedio de clientes en cola y en el sistema, la probabilidad de que un cliente tenga que esperar, y las probabilidades de que el sistema esté vacío o contenga un cierto número de clientes.
Este documento presenta varios ejercicios para construir gráficas de control estadístico usando Minitab. Incluye ejemplos de cómo crear gráficas X, R, S, P, C y U paso a paso usando datos de procesos de fabricación. Explica cómo identificar y tratar puntos fuera de control para recalcular los límites de las gráficas.
1.3.ruta mas corta con programación dinámicaADRIANA NIETO
Los Thompson planean viajar en camioneta desde Nueva York hasta Los Ángeles parando en hoteles económicos en ciudades específicas. El documento describe cómo usar programación dinámica para determinar la ruta óptima que minimice la distancia total recorrida, representando cada etapa del viaje como un estado y llenando una tabla con los tiempos asociados a cada trayecto posible.
Un propietario de una cadena de tres supermercados compró cinco cargas de fresas frescas y quiere asignarlas a las tiendas para maximizar las ganancias esperadas. La tabla proporciona estimaciones de ganancias para cada tienda dependiendo de la cantidad de cargas asignadas. Usando programación dinámica, el propietario puede asignar las cargas de dos maneras para obtener una ganancia total esperada de 25 unidades: asignar 2 cargas a la primera tienda, 1 a la segunda y 2 a la tercera, o asignar 5 cargas
1) El documento describe un modelo de transporte matemático para optimizar el transporte de mercancías desde orígenes a destinos. 2) Incluye ejemplos de cómo aplicar el modelo de transporte no solo al transporte físico sino también a problemas de planificación de producción e inventarios y mantenimiento. 3) El modelo busca minimizar los costos totales de transporte sujeto a restricciones de oferta y demanda en los orígenes y destinos.
Este documento describe la programación lineal, incluidas sus aplicaciones, definición, pasos para la solución de problemas, y un ejemplo de modelo con dos variables. La programación lineal es una técnica matemática que permite optimizar una función objetivo sujeta a restricciones lineales, y se aplica a problemas de agricultura, industria, transporte y más.
Este documento presenta varios modelos de redes y programación lineal, incluyendo modelos de transporte, asignación, vendedor viajero, ruta más corta y rama más corta. Describe los objetivos, variables, restricciones y funciones de estos modelos y cómo se pueden representar y resolver usando programación lineal. También discute variantes como oferta y demanda desiguales, maximización de objetivos y capacidades limitadas.
Este documento resume las medidas de rendimiento y probabilidades clave para modelos de colas M/M/s. Incluye la utilización promedio del sistema, la cantidad promedio de clientes en cola y en el sistema, la probabilidad de que un cliente tenga que esperar, y las probabilidades de que el sistema esté vacío o contenga un cierto número de clientes.
Este documento presenta varios ejercicios para construir gráficas de control estadístico usando Minitab. Incluye ejemplos de cómo crear gráficas X, R, S, P, C y U paso a paso usando datos de procesos de fabricación. Explica cómo identificar y tratar puntos fuera de control para recalcular los límites de las gráficas.
Este documento presenta varios ejercicios relacionados con la teoría de colas. El primer ejercicio demuestra fórmulas para la longitud promedio de una cola M/M/1 y la longitud promedio de la cola en espera. Los ejercicios siguientes aplican modelos de colas de tipo M/M/1 y M/M/n para analizar diversos sistemas, como servidores de programas, ventanillas bancarias, tiendas y aeropuertos.
Este documento presenta una introducción a la programación dinámica. Explica que la programación dinámica es una técnica algorítmica que se basa en una fórmula recurrente y uno o más estados iniciales. También describe que la programación dinámica es útil para resolver problemas de optimización que exhiben características de subproblemas superpuestos y subestructura óptima. Finalmente, el documento incluye varios ejemplos de cómo aplicar la programación dinámica.
Este documento proporciona una introducción a la programación dinámica. Explica que la programación dinámica es una técnica matemática útil para resolver una serie de decisiones secuenciales donde cada decisión afecta las futuras. Luego describe las características de los problemas de programación dinámica y proporciona un ejemplo detallado llamado "el problema de la diligencia" para ilustrar cómo funciona la técnica.
El documento habla sobre la programación por metas. Define la programación por metas como un enfoque para problemas de decisión gerencial que involucran metas múltiples o inconmensurables. El tomador de decisiones debe establecer al menos una importancia ordinal para clasificar las metas y la programación por metas permite experimentar con variaciones de restricciones y prioridades de metas. La mayoría de los modelos de optimización consideran una sola función objetivo pero los problemas de decisión de organizaciones a menudo involucran objetivos y metas múltiples conflictivos, para lo
El algoritmo de Wagner-Whitin minimiza los costos variables, de inventario y almacenamiento durante un horizonte de planeación usando programación dinámica. Calcula la cantidad óptima a producir para cada período de modo que satisfaga la demanda actual y futura al menor costo total. Se aplica el método a un ejemplo de 4 períodos, encontrando que la solución óptima es producir 61, 116, 0 y 67 unidades respectivamente, para un costo total de $860.
Este documento trata sobre el estudio del trabajo y la medición del tiempo. El estudio del trabajo examina sistemáticamente los métodos para realizar actividades con el fin de mejorar la eficiencia y establecer estándares de rendimiento. La medición del tiempo involucra determinar el tiempo que toma un trabajador calificado para completar una tarea según una norma preestablecida mediante técnicas como el cronometraje y la descomposición de tareas. Los resultados se utilizan para establecer estándares de tiempo que mejoran la productividad.
Este documento describe el modelo de asignación y el método húngaro para resolver problemas de asignación. Un problema de asignación es un problema de transporte balanceado donde todas las ofertas y demandas son iguales a 1. El método húngaro es un algoritmo que puede resolver eficientemente problemas de asignación mediante la construcción y reducción sucesiva de una matriz de costos hasta cubrir todos los ceros.
Este documento describe el modelo de árbol de expansión mínima para representar problemas de redes. Explica conceptos clave como nodos, arcos, rutas y ciclos. También presenta el algoritmo de Kruskal para encontrar el árbol de expansión mínima que conecta todos los nodos de una red con el costo total mínimo, sin formar ciclos. Incluye dos ejemplos numéricos para ilustrar cómo aplicar este modelo y algoritmo para resolver problemas de diseño de redes de tránsito y comunicaciones.
El documento describe varios índices para evaluar la capacidad de procesos de manufactura, incluyendo Cp, Cpk, Pp y Ppk. Cp mide qué tan amplia es la variación natural de un proceso en relación con las especificaciones. Valores mayores a 1 indican un proceso potencialmente capaz. Cpk toma en cuenta el centrado del proceso. Pp y Ppk miden la capacidad a largo plazo usando la desviación estándar de largo plazo. Dos ejemplos calculan los índices Cp y Cpk para procesos
El documento describe el problema de la ruta más corta, el cual busca determinar el camino entre un nodo origen y uno destino que minimice la distancia total. Explica que se resuelve usando el algoritmo de etiquetado y provee ejemplos para ilustrar cómo encontrar la ruta mínima en una red entre dos puntos. También discute la importancia de este problema y sus múltiples aplicaciones prácticas, como determinar la ruta más eficiente entre dos lugares en un mapa.
Este documento presenta un modelo de programación de metas para la optimización multiobjetivo. Explica que la programación de metas permite especificar metas inconmensurables y conflictivas, buscando satisfacerlas en orden de prioridad mediante la minimización de desviaciones. Además, describe la metodología general del método, incluyendo la identificación de metas, restricciones y variables, así como la formulación matemática del modelo con la función objetivo y restricciones. Finalmente, presenta un ejemplo de modelo de programación de metas aplicado a un
Este documento presenta información sobre un curso de ingeniería de procesos en el Instituto Tecnológico de Apizaco. Incluye secciones sobre medición del trabajo, problemas resueltos, autoevaluación, problemas y un estudio de caso. El documento proporciona ejemplos y ejercicios para ayudar a los estudiantes a comprender conceptos clave como tiempos observados, tiempos normales, tiempos estándares y factores de holgura en la medición del trabajo.
La teoría de colas describe el comportamiento de sistemas de servicio donde existen líneas de espera. Los modelos de colas relacionan la longitud de la cola, el tiempo de espera promedio y otros factores como la tasa de llegada y el patrón de servicio. Estos análisis ayudan a entender cómo funcionan sistemas como bancos, consultorios médicos y otros, permitiendo encontrar un equilibrio óptimo entre los costos de servicio y los costos de espera.
Este documento discute diferentes reglas y métodos para secuenciar tareas en centros de trabajo, incluyendo: Primero en entrar, primero en salir (PEPS); Tiempo de procesamiento más corto (TPC); Fecha de entrega más próxima (FEP); Tiempo de procesamiento más largo (TPL); y Razón crítica (RC). Explica cómo calcular la razón crítica y priorizar los trabajos. También cubre la regla de Johnson para secuenciar múltiples trabajos a través de dos máquinas minimizando
El documento presenta la solución de 5 problemas resueltos de teoría de colas con modelo M/M/1. En el primer problema, se calculan las medidas de desempeño de un sistema con 45 llegadas por hora y capacidad de 60 clientes por hora, donde los clientes esperan 3 minutos. En el segundo problema, se analiza un restaurante con 100 llegadas por hora y capacidad de 150 clientes por hora, donde los clientes esperan 2 minutos. En el tercer problema se analiza un lava carros con 9 llegadas por hora y capacidad de atender cada 5 minutos. En el cuarto
1. El documento describe el problema del flujo máximo en redes, el cual busca determinar la cantidad máxima de flujo que puede pasar a través de una red desde un nodo origen hasta un nodo destino sin exceder la capacidad de los arcos.
2. Presenta ejemplos numéricos para ilustrar cómo aplicar el algoritmo de flujo máximo para encontrar el flujo óptimo a través de una red dada.
3. Explica que el objetivo es encontrar el patrón de flujo factible que maximice el flujo total desde el nodo origen
Este documento presenta varios problemas de gestión de inventarios. El Problema 2.12 describe una situación en la que la demanda anual es de 6000 unidades con un costo unitario de $100 y un costo de mantenimiento de $10 por unidad por año. Se pide calcular el tamaño de pedido económico, el inventario promedio, número de pedidos anuales y el costo anual total. El Problema 2.13 describe otra situación de inventario con una demanda anual de 2500 unidades y se pide calcular valores similares. Finalmente, el Proble
INVESTIGACIÓN DE OPERACIONES, Un modelo de programación entera es un modelo que contiene restricciones y una función objetivo idénticas a las formuladas por planeación lineal. La única diferencia es que una o mas de las variables de decisión tienen que tomar un valor entero en la solución final.
La programación dinámica es una técnica para resolver problemas divididos en etapas que requieren tomar decisiones óptimas. Richard Bellman desarrolló originalmente esta técnica en los 1940 para encontrar las mejores decisiones entre etapas. La programación dinámica determinística tiene estados futuros determinados por los estados y decisiones actuales, mientras que la probabilística tiene estados futuros determinados por probabilidades.
ACERTIJO DESCIFRANDO CÓDIGO DEL CANDADO DE LA TORRE EIFFEL EN PARÍS. Por JAVI...JAVIER SOLIS NOYOLA
El Mtro. JAVIER SOLIS NOYOLA crea y desarrolla el “DESCIFRANDO CÓDIGO DEL CANDADO DE LA TORRE EIFFEL EN PARIS”. Esta actividad de aprendizaje propone el reto de descubrir el la secuencia números para abrir un candado, el cual destaca la percepción geométrica y conceptual. La intención de esta actividad de aprendizaje lúdico es, promover los pensamientos lógico (convergente) y creativo (divergente o lateral), mediante modelos mentales de: atención, memoria, imaginación, percepción (Geométrica y conceptual), perspicacia, inferencia y viso-espacialidad. Didácticamente, ésta actividad de aprendizaje es transversal, y que integra áreas del conocimiento: matemático, Lenguaje, artístico y las neurociencias. Acertijo dedicado a los Juegos Olímpicos de París 2024.
Este documento presenta varios ejercicios relacionados con la teoría de colas. El primer ejercicio demuestra fórmulas para la longitud promedio de una cola M/M/1 y la longitud promedio de la cola en espera. Los ejercicios siguientes aplican modelos de colas de tipo M/M/1 y M/M/n para analizar diversos sistemas, como servidores de programas, ventanillas bancarias, tiendas y aeropuertos.
Este documento presenta una introducción a la programación dinámica. Explica que la programación dinámica es una técnica algorítmica que se basa en una fórmula recurrente y uno o más estados iniciales. También describe que la programación dinámica es útil para resolver problemas de optimización que exhiben características de subproblemas superpuestos y subestructura óptima. Finalmente, el documento incluye varios ejemplos de cómo aplicar la programación dinámica.
Este documento proporciona una introducción a la programación dinámica. Explica que la programación dinámica es una técnica matemática útil para resolver una serie de decisiones secuenciales donde cada decisión afecta las futuras. Luego describe las características de los problemas de programación dinámica y proporciona un ejemplo detallado llamado "el problema de la diligencia" para ilustrar cómo funciona la técnica.
El documento habla sobre la programación por metas. Define la programación por metas como un enfoque para problemas de decisión gerencial que involucran metas múltiples o inconmensurables. El tomador de decisiones debe establecer al menos una importancia ordinal para clasificar las metas y la programación por metas permite experimentar con variaciones de restricciones y prioridades de metas. La mayoría de los modelos de optimización consideran una sola función objetivo pero los problemas de decisión de organizaciones a menudo involucran objetivos y metas múltiples conflictivos, para lo
El algoritmo de Wagner-Whitin minimiza los costos variables, de inventario y almacenamiento durante un horizonte de planeación usando programación dinámica. Calcula la cantidad óptima a producir para cada período de modo que satisfaga la demanda actual y futura al menor costo total. Se aplica el método a un ejemplo de 4 períodos, encontrando que la solución óptima es producir 61, 116, 0 y 67 unidades respectivamente, para un costo total de $860.
Este documento trata sobre el estudio del trabajo y la medición del tiempo. El estudio del trabajo examina sistemáticamente los métodos para realizar actividades con el fin de mejorar la eficiencia y establecer estándares de rendimiento. La medición del tiempo involucra determinar el tiempo que toma un trabajador calificado para completar una tarea según una norma preestablecida mediante técnicas como el cronometraje y la descomposición de tareas. Los resultados se utilizan para establecer estándares de tiempo que mejoran la productividad.
Este documento describe el modelo de asignación y el método húngaro para resolver problemas de asignación. Un problema de asignación es un problema de transporte balanceado donde todas las ofertas y demandas son iguales a 1. El método húngaro es un algoritmo que puede resolver eficientemente problemas de asignación mediante la construcción y reducción sucesiva de una matriz de costos hasta cubrir todos los ceros.
Este documento describe el modelo de árbol de expansión mínima para representar problemas de redes. Explica conceptos clave como nodos, arcos, rutas y ciclos. También presenta el algoritmo de Kruskal para encontrar el árbol de expansión mínima que conecta todos los nodos de una red con el costo total mínimo, sin formar ciclos. Incluye dos ejemplos numéricos para ilustrar cómo aplicar este modelo y algoritmo para resolver problemas de diseño de redes de tránsito y comunicaciones.
El documento describe varios índices para evaluar la capacidad de procesos de manufactura, incluyendo Cp, Cpk, Pp y Ppk. Cp mide qué tan amplia es la variación natural de un proceso en relación con las especificaciones. Valores mayores a 1 indican un proceso potencialmente capaz. Cpk toma en cuenta el centrado del proceso. Pp y Ppk miden la capacidad a largo plazo usando la desviación estándar de largo plazo. Dos ejemplos calculan los índices Cp y Cpk para procesos
El documento describe el problema de la ruta más corta, el cual busca determinar el camino entre un nodo origen y uno destino que minimice la distancia total. Explica que se resuelve usando el algoritmo de etiquetado y provee ejemplos para ilustrar cómo encontrar la ruta mínima en una red entre dos puntos. También discute la importancia de este problema y sus múltiples aplicaciones prácticas, como determinar la ruta más eficiente entre dos lugares en un mapa.
Este documento presenta un modelo de programación de metas para la optimización multiobjetivo. Explica que la programación de metas permite especificar metas inconmensurables y conflictivas, buscando satisfacerlas en orden de prioridad mediante la minimización de desviaciones. Además, describe la metodología general del método, incluyendo la identificación de metas, restricciones y variables, así como la formulación matemática del modelo con la función objetivo y restricciones. Finalmente, presenta un ejemplo de modelo de programación de metas aplicado a un
Este documento presenta información sobre un curso de ingeniería de procesos en el Instituto Tecnológico de Apizaco. Incluye secciones sobre medición del trabajo, problemas resueltos, autoevaluación, problemas y un estudio de caso. El documento proporciona ejemplos y ejercicios para ayudar a los estudiantes a comprender conceptos clave como tiempos observados, tiempos normales, tiempos estándares y factores de holgura en la medición del trabajo.
La teoría de colas describe el comportamiento de sistemas de servicio donde existen líneas de espera. Los modelos de colas relacionan la longitud de la cola, el tiempo de espera promedio y otros factores como la tasa de llegada y el patrón de servicio. Estos análisis ayudan a entender cómo funcionan sistemas como bancos, consultorios médicos y otros, permitiendo encontrar un equilibrio óptimo entre los costos de servicio y los costos de espera.
Este documento discute diferentes reglas y métodos para secuenciar tareas en centros de trabajo, incluyendo: Primero en entrar, primero en salir (PEPS); Tiempo de procesamiento más corto (TPC); Fecha de entrega más próxima (FEP); Tiempo de procesamiento más largo (TPL); y Razón crítica (RC). Explica cómo calcular la razón crítica y priorizar los trabajos. También cubre la regla de Johnson para secuenciar múltiples trabajos a través de dos máquinas minimizando
El documento presenta la solución de 5 problemas resueltos de teoría de colas con modelo M/M/1. En el primer problema, se calculan las medidas de desempeño de un sistema con 45 llegadas por hora y capacidad de 60 clientes por hora, donde los clientes esperan 3 minutos. En el segundo problema, se analiza un restaurante con 100 llegadas por hora y capacidad de 150 clientes por hora, donde los clientes esperan 2 minutos. En el tercer problema se analiza un lava carros con 9 llegadas por hora y capacidad de atender cada 5 minutos. En el cuarto
1. El documento describe el problema del flujo máximo en redes, el cual busca determinar la cantidad máxima de flujo que puede pasar a través de una red desde un nodo origen hasta un nodo destino sin exceder la capacidad de los arcos.
2. Presenta ejemplos numéricos para ilustrar cómo aplicar el algoritmo de flujo máximo para encontrar el flujo óptimo a través de una red dada.
3. Explica que el objetivo es encontrar el patrón de flujo factible que maximice el flujo total desde el nodo origen
Este documento presenta varios problemas de gestión de inventarios. El Problema 2.12 describe una situación en la que la demanda anual es de 6000 unidades con un costo unitario de $100 y un costo de mantenimiento de $10 por unidad por año. Se pide calcular el tamaño de pedido económico, el inventario promedio, número de pedidos anuales y el costo anual total. El Problema 2.13 describe otra situación de inventario con una demanda anual de 2500 unidades y se pide calcular valores similares. Finalmente, el Proble
INVESTIGACIÓN DE OPERACIONES, Un modelo de programación entera es un modelo que contiene restricciones y una función objetivo idénticas a las formuladas por planeación lineal. La única diferencia es que una o mas de las variables de decisión tienen que tomar un valor entero en la solución final.
La programación dinámica es una técnica para resolver problemas divididos en etapas que requieren tomar decisiones óptimas. Richard Bellman desarrolló originalmente esta técnica en los 1940 para encontrar las mejores decisiones entre etapas. La programación dinámica determinística tiene estados futuros determinados por los estados y decisiones actuales, mientras que la probabilística tiene estados futuros determinados por probabilidades.
ACERTIJO DESCIFRANDO CÓDIGO DEL CANDADO DE LA TORRE EIFFEL EN PARÍS. Por JAVI...JAVIER SOLIS NOYOLA
El Mtro. JAVIER SOLIS NOYOLA crea y desarrolla el “DESCIFRANDO CÓDIGO DEL CANDADO DE LA TORRE EIFFEL EN PARIS”. Esta actividad de aprendizaje propone el reto de descubrir el la secuencia números para abrir un candado, el cual destaca la percepción geométrica y conceptual. La intención de esta actividad de aprendizaje lúdico es, promover los pensamientos lógico (convergente) y creativo (divergente o lateral), mediante modelos mentales de: atención, memoria, imaginación, percepción (Geométrica y conceptual), perspicacia, inferencia y viso-espacialidad. Didácticamente, ésta actividad de aprendizaje es transversal, y que integra áreas del conocimiento: matemático, Lenguaje, artístico y las neurociencias. Acertijo dedicado a los Juegos Olímpicos de París 2024.
José Luis Jiménez Rodríguez
Junio 2024.
“La pedagogía es la metodología de la educación. Constituye una problemática de medios y fines, y en esa problemática estudia las situaciones educativas, las selecciona y luego organiza y asegura su explotación situacional”. Louis Not. 1993.
Business Plan -rAIces - Agro Business Techjohnyamg20
Innovación y transparencia se unen en un nuevo modelo de negocio para transformar la economia popular agraria en una agroindustria. Facilitamos el acceso a recursos crediticios, mejoramos la calidad de los productos y cultivamos un futuro agrícola eficiente y sostenible con tecnología inteligente.
Ofrecemos herramientas y metodologías para que las personas con ideas de negocio desarrollen un prototipo que pueda ser probado en un entorno real.
Cada miembro puede crear su perfil de acuerdo a sus intereses, habilidades y así montar sus proyectos de ideas de negocio, para recibir mentorías .
200. Efemerides junio para trabajar en periodico mural
Problema de asignación de programación dinámica
1. Problema N°2
Una empresa ha contratado a tres personas para tres tareas, el máximo número
de personas asignadas por tarea son 2.
La utilidad de los trabajadores en cada tarea es:
Se nos pide a cuantas personas se debe asignar a cada tarea para maximizar la
utilidad.
Tabla de
Utilidades 0 personas 1 persona 2 personas
TAREA A 0 3 8
TAREA B 0 4 5
TAREA C 0 5 7
Solución:
1.- Definición del Problema:
Las Etapas: Son la asignación de trabajadores a cada tarea.
1° Etapa (n=1) Asignación de trabajadores a la TAREA A.
2° Etapa (n=2) Asignación de trabajadores a la TAREA B.
3° Etapa (n=3) Asignación de trabajadores a la TAREA C.
Los Estados: Número de trabajadores que todavía se pueden asignar en una
etapa.
en=0, No hay trabajadores disponibles en la tarea n.
en=1, Hay un trabajador disponible en la tarea n.
en=2, Hay dos trabajadores disponibles en la tarea n.
en=3, Hay tres trabajadores disponibles en la tarea n.
Las Variables de Decisión: Número de trabajadores a asignar en cada Tarea.
Xn=0, Asignar cero trabajadores en la tarea n.
Xn=1, Asignar un trabajador en tarea n.
Xn=2, Asignar dos trabajadores en tarea n.
2. 2.- Fase de Análisis:
Se utilizará la siguiente tabla:
Número de Variables de Decisión Personas Rendimiento
Etapa Óptimas Óptimo
0 personas 1 persona 2 personas
0 personas
Estado
1 persona
2 personas
3 personas
Análisis Etapa 3:
Para el caso de que dispongamos de 0 personas para asignar a la tarea “C” el
beneficio (ver tabla de utilidades para la tarea “C”) es “0”, por otro lado es
imposible asignar 1 o 2 personas si se dispone de 0 personas.
Para el caso de que dispongamos de 1 persona para asignar a la tarea “C”, la
variable de decisión puede tomar el valor “0” ó “1” y los beneficios (Ver tabla de
utilidades para la tarea “C”) serán “0” y “5” respectivamente, por otro lado si se
dispone tan sólo de 1 persona para asignar es imposible asignar “2”.
De la misma manera se rellena el resto del cuadro.
Variables de Decisión
Personas Rendimiento
Etapa 3 Óptimas Óptimo
0 personas 1 persona 2 personas
0 personas 0 - -
0 5 -
Estado
1 persona
0 5 7
2 personas
3 personas 0 5 7
3. La siguiente fase del análisis implica hacer la siguiente pregunta:
¿Cuál es el beneficio cantidad óptimos para la etapa “3”?
Variables de Decisión Personas Rendimiento
Etapa 3 Óptimas Óptimo
0 personas 1 persona 2 personas
0 personas 0 - - 0 0
0 5 - 1 5
Estado
1 persona
2 personas 0 5 7 2 7
3 personas 0 5 7 2 7
Conociendo ello se ha finalizado el análisis de la etapa 3.
Análisis Etapa 2:
Para esta etapa se considerará la recursividad, es decir la información de las
etapas posteriores.
Para el caso que en la Etapa 2 se disponga de 0 personas para asignar a la tarea
“B” el beneficio (ver la tabla de utilidades para la tarea “B”) es “0” pero debemos de
considerar la información de la etapa posterior (Etapa 3) , como en la etapa 2
tenemos 0 personas disponibles para asignar en la etapa 3 también se contará
con 0 personas (lo óptimo será que la variable de decisión tome el valor “0”, como
se puede observar en la tabla anterior, con un beneficio igual a 0).
En el caso de que se disponga de 1 persona para la realización de la tarea “B”:
Primer escenario: Si se decide asignar “0” personas en la tarea “B”, seguiríamos
teniendo la persona para asignarla en la etapa 3 esto quiere decir que debemos
considerar el beneficio que nos reporta la asignación de “0” personas en la tarea
“B” (ver tabla de utilidades para la tarea “B”) y el beneficio de asignar 1 persona a
la tarea “C”(considérese la cantidad óptima y el beneficio óptimo).
Segundo escenario: Si se decide asignar “1” persona en la tarea “B”, contaríamos
con “0” personas para la asignación a la tarea 3 esto quiere decir que debemos de
considerar el beneficio de asignar “1” persona a la tarea “B” (ver tabla de utilidades
4. para la tarea “B”) y el beneficio de asignar 0 personas en la tarea”C”(considérese
la cantidad óptima y el beneficio óptimo).
Y de esta manera se completa el cuadro:
Variables de Decisión Personas Rendimiento
Etapa 2 Óptimas Óptimo
0 personas 1 persona 2 personas
0 personas 0+0 - -
0+5 4+0 -
Estado
1 persona
2 personas 0+7 4+5 5+0
3 personas 0+7 4+7 5+5
La siguiente fase del análisis implica hacer la siguiente pregunta:
¿Cuál es el beneficio cantidad óptimos para la etapa “2”?
Variables de Decisión Personas Rendimiento
Etapa 2 Óptimas Óptimo
0 personas 1 persona 2 personas
0 personas 0 - - 0 0
5 4 - 0 5
Estado
1 persona
2 personas 7 9 5 1 9
3 personas 7 11 10 1 11
Podemos Observar que en el caso de que se disponga de 1 persona en la etapa 2
lo óptimo es asignar 0 personas para su realización, ya que reporta un mayor
beneficio de igual manera cuando se dispone de 2 personas lo óptimo es asignar 1
persona para la realización, en el caso en el que se dispone de 3 personas el
tratamiento es el mismo y lo óptimo sería asignar 1 persona.
Con ello se finalizó la etapa 2.
5. Análisis Etapa 1:
La etapa se caracteriza por tener la disponibilidad de las 3 personas ya que es el
inicio del proceso, al igual que en la etapa 2 debemos de considerar las etapas
posteriores que se resumen en la tabla anterior.
Como se dispone de tres personas para la realización de la tarea “A” tendremos
tres escenarios en total:
Primer escenario: si se decide asignar “0” personas para la tarea “A” se seguiría
disponiendo de 3 personas para la realización de la tarea “B”esto quiere decir que
debemos considerar el beneficio que nos reporta la asignación de “0” personas en
la tarea “A” (ver tabla de utilidades para la tarea “A”) y el beneficio de asignar 3
persona a la tarea “B” (considérese la cantidad óptima y el beneficio óptimo).
Segundo escenario: si se decide asignar “1” persona para la tarea “A” se seguiría
disponiendo de 2 personas para la realización de la tarea “B”esto quiere decir que
debemos considerar el beneficio que nos reporta la asignación de “1” personas en
la tarea “A” (ver tabla de utilidades para la tarea “A”) y el beneficio de asignar 2
persona a la tarea “B” (considérese la cantidad óptima y el beneficio óptimo).
Tercer escenario: si se decide asignar “2” persona para la tarea “A” nos quedaría
1 persona para la realización de la tarea “B”esto quiere decir que debemos
considerar el beneficio que nos reporta la asignación de “2” personas en la tarea
“A” (ver tabla de utilidades para la tarea “A”) y el beneficio de asignar 1 persona a
la tarea “B” (considérese la cantidad óptima y el beneficio óptimo).
Estos tres escenarios posibles se muestran en la siguiente tabla:
Variables de Decisión
Personas Rendimiento
Etapa 1 Óptimas Óptimo
0 personas 1 persona 2 personas
0+11 3+9 8+5
Estado 3 personas
6. La siguiente fase del análisis implica hacer la siguiente pregunta:
¿Cuál es el beneficio cantidad óptimos para la etapa “1”?
Variables de Decisión
Personas Rendimiento
Etapa 1 Óptimas Óptimo
0 personas 1 persona 2 personas
11 12 13 2 13
Estado 3 personas
Con ello finaliza el análisis de la etapa 1 y la Fase de análisis del problema.
3.- Fase de Decisión:
La fase de decisión hace referencia a escoger las cantidades óptimas para la
maximización de beneficios, mostramos los cuadros resúmenes.
Variables de Decisión Personas Rendimiento
Etapa 1 Óptimas Óptimo
0 personas 1 persona 2 personas
Estado 3 personas 11 12 13 2 13
Como el proceso en la fase de análisis fue recursivo el rendimiento óptimo de todo
el proceso se expresa en la Primera etapa, es decir la utilidad máxima es igual a
13, ahora tendremos que definir las cantidades óptimas que nos permiten alcanzar
dicho rendimiento óptimo.
En la etapa 1 se dispone de los tres trabajadores pero lo más óptimo es asignar a
la tarea “A” 2 trabajadores, por lo que tan sólo dispondríamos de 1 trabajador para
las etapas 2 y 3.
Variables de Decisión Personas Rendimiento
Etapa 2 Óptimas Óptimo
0 personas 1 persona 2 personas
0 personas 0 - - 0 0
Estado
1 persona 5 4 - 0 5
2 personas 7 9 5 1 9
3 personas 7 11 10 1 11
7. En la Etapa 2 se dispone de 1 trabajador, pero lo más óptimo es no asignar ningún
trabajador para la realización de la tarea “B”, por lo que seguiríamos contando con
1 trabajador para la tercera etapa.
Variables de Decisión Personas Rendimiento
Etapa 3 Óptimas Óptimo
0 personas 1 persona 2 personas
0 personas 5 - - 0 0
Estado
1 persona 0 5 - 1 5
2 personas 0 5 7 2 7
3 personas 0 5 7 2 7
En la etapa 3 se dispone de 1 trabajador y lo óptimo es asignar 1 trabajador para
la realización de la tarea “C”.
Finalmente la solución se puede expresar en la siguiente tabla:
.
Utilidad Máxima 13
Tarea A 2
Tarea B 0
Tarea C 1