CUANTITATIVOS
APLICADOS A LOS NEGOCIOS
PENSAMIENTOS
Resolución de problemas
Escoger
Implementar Evaluar los
Definir el Identificar Determinar Evaluar una
la decisión resultados
problema alternativas los criterios alternativas alternativa
Toma de decisiones
Decisión
1. Cualitativamente 2. Cuantitativamente
Proceso de toma de decisiones
Para resolver
esto, haremos
un análisis de
sensibilidad
con la ayuda
del Excel
Análisis de decisiones: Análisis de
sensibilidad
ANALISIS DE SENCIBILIDAD
50
0
-50 Comprar 0
20
40
60
80
0
0
10
12
14
-100 Comprar 1
-150 Comprar 2
-200 Comprar 3
-250
-300
Decisiones bajo incertidumbre
Se asume que quien toma la decisión no tiene
conocimiento de cuál estado de la naturaleza
ocurrirá.
Existen tres criterios para tomar la decisión:
Maximizar el rendimiento neto mínimo.
Maximizar el rendimiento máximo.
Minimizar el arrepentimiento máximo.
Cada uno de estos criterios conducirá, en general, a
diferentes decisiones, con las cuales muchos
administradores se sentirán inconformes.
Maximizar el rendimiento neto mínimo.
El criterio maximin es un procedimiento
extremadamente conservador, quizás pesimista.
Evalúa cada decisión según la peor circunstancia que
pudiera pasar si tomara esa decisión.
Es utilizado a menudo en situaciones donde la persona
que planea siente que no puede permitirse un error.
De acuerdo a este criterio, el vendedor de periódico, se
decide por comprar 1 periódico.
Estados de naturaleza Rendimiento
Decisión 0 1 2 3 Decisión
mínimo
0 0 -50 -100 -150 0 -150
1 -40 35 -15 -65 1 -65
2 -80 -5 70 20 2 -80
3 -120 -45 30 105 3 -120
Maximizar el rendimiento máximo.
El criterio maximax es tan optimista como pesimista es
el maximin.
Evalúa cada decisión según lo mejor que pudiera pasar si
ésta se tomara.
La decisión que proporcione el máximo de estos
rendimientos máximos es entonces seleccionada.
De acuerdo a este criterio, el vendedor de periódico, se
decide por comprar 3 periódico.
Estados de naturaleza Rendimiento
Decisión
Decisión 0 1 2 3 máximo
0 0 -50 -100 -150 0 0
1 -40 35 -15 -65 1 35
2 -80 -5 70 20 2 70
3 -120 -45 30 105 3 105
Minimizar el arrepentimiento máximo.
Hasta ahora, todos los criterios de decisión han sido
utilizados en una tabla de retribuciones como rendimientos
medidos por flujo de efectivo.
Ahora trabajaremos con un tabla de retribución donde se
muestre el arrepentimiento para cada combinación de decisión
y estado de naturaleza.
Se procede de la siguiente manera:
Se encuentra la entrada máxima en cada columna.
Se calcula la nueva entrada sustrayendo la entrada
actual del máximo de su columna.
Utilizar el criterio minimax conservador, esto es, seleccionar
aquella decisión que funcione mejor en el peor caso.
Seleccionar la decisión que minimice el arrepentimiento
máximo.
Minimizar el arrepentimiento máximo
Paso 1 Paso 2
Estados de naturaleza Estados de naturaleza
Decisión 0 1 2 3 Decisión 0 1 2 3
0 0 -50 -100 -150 0 0-0 35 - (-50) 70 - (-100) 105 - (-150)
1 -40 35 -15 -65 1 0 - (-40) 35 - 35 70 - (-15) 105 - (-65)
2 -80 -5 70 20 2 0 - (-80) 35 - (-5) 70 - 70 105 - 20
3 -120 -45 30 105 3 0 - (-120) 35 - (-45) 70 - 30 105 - 105
Paso 3 Paso 4
Estados de naturaleza Máximo
Decisión 0 1 2 3 Decisión
arrepentimiento
0 0 85 170 255 0 255
1 40 0 85 170 1 170
2 80 40 0 85 2 85
3 120 80 40 0 3 120
Estado naturaleza
Decisión
D1 D2
A 30 -8
B 20 7
C 5 15
0 9.1 0.55
Débil
-8
-8 -8
0.45
Fuerte
20
Básica 20 20
2
12.85 0 12.85 0.55
Débil
7
7 7
0.45
Fuerte
5
Cautelosa 5 5
0 10.5 0.55
Débil
15
15 15
Árbol de Decisiones: Cómo incorporar
nueva información.
PROBABILIDADES A PRIORI
Fuerte Débil
0.45 0.55
PROBABILIDAD A POSTERIORI
Fuerte Débil
Alentador 0.621 0.379
Desalentador 0.319 0.681
Árbol de Decisiones: informe alentador
0.621
Fuerte
30
Agresiva 30 30
0 15.598 0.379
Débil
-8
-8 -8
0.621
Fuerte
0.435 20
Alentador Básica 20 20
1
0 15.598 0 15.073 0.379
Débil
7
7 7
0.621
Fuerte
5
Cautelosa 5 5
0 8.79 0.379
Débil
15
15 15
13.45778 0.319
Árbol de Decisiones: informe desalentador
13.45778 0.319
Fuerte
30
Agresiva 30 30
0 4.122 0.681
Débil
-8
-8 -8
0.319
Fuerte
0.565 20
Desalentador Básica 20 20
3
0 11.81 0 11.147 0.681
Débil
7
7 7
0.319
Fuerte
5
Cautelosa 5 5
0 11.81 0.681
Débil
15
15 15
Árbol de Decisiones: Toma de decisión
IMPORTANTE:
Los pronósticos no se hacen con una bola de cristal
Selección de la técnica adecuada
Investigación de mercados.
Analogías históricas.
Método Delphi
Consenso general.
Impacto cruzado.
Análisis de escenarios.
Técnicas cuantitativas
Información: Requieren de datos históricos de las
variables involucradas.
Supuesto: El patrón histórico de las variables seguirá
siendo válido en el futuro analizado.
Las mas utilizadas son:
Extrapolativas: ajustes de curvas y métodos de
suavizamiento. Los patrones observados en el
pasado se proyectan al futuro.
Serie de tiempos: métodos de descomposición y
modelos ARIMA (autorregresivos, integrados y
promedios móviles).
Modelos causales: modelos econométricos
(regresión).
Importante
SISTEMA
INSUMOS PRODUCTO
PROCESO
GENERADOR
SISTEMA
Error
Error Error
Semana Ventas Pronóstico Error porcentual
absoluto cuadrado
absoluto
1 9
2 8 9 -1 1 12.5% 1
3 9 8 1 1 11.1% 1
4 12 9 3 3 25.0% 9
ME 0.091
5 9 12 -3 3 33.3% 9
6 12 9 3 3 25.0% 9 MAD 2.636
7 11 12 -1 1 9.1% 1
MAPE 26.5%
8 7 11 -4 4 57.1% 16
9 13 7 6 6 46.2% 36 MSE 9.364
10 9 13 -4 4 44.4% 16
11 11 9 2 2 18.2% 4
12 10 11 -1 1 10.0% 1
PROMEDIO 0.091 2.636 26.5% 9.364
Patrones en la serie de tiempos
La descomposición clásica es un método que se basa en la
suposición de que se puede descomponer en componentes
como: tendencia, ciclo, estacionalidad y irregularidad.
Tendencia, de una serie de tiempo es el componente de
largo plazo que representa el crecimiento o disminución en
la serie sobre un periodo amplio.
Cíclico, es la fluctuación en forma de onda alrededor de la
tendencia.
Estacionalidad, es un patrón de cambio que se repite a sí
mismo año tras año.
Aleatorio, mide la variabilidad de las series de tiempo
después de retirar los otros componentes.
Identificación de patrones
La podemos realizar de dos maneras:
A través de un grafico.
A través del coeficiente de autocorrelación (rk).
Autocorrelación es la correlación existente entre una
variable desfasada uno o más periodos y la misma
variable. n k __ __
(Y Y )(Y
t t k Y)
rk t 1
n __
t
( Y
t 1
Y ) 2
Observen, que al
definir las fechas, el
SPSS, crea en forma
automática las
variables YEAR_ ,
MONTH_ y DATE_
Grafico lineal con SPSS
Grafico lineal con SPSS
El grafico me
indica que existe
una tendencia. La
pregunta es: ¿es
baja, media ó
fuerte la
tendencia?
Para contestar
esta pregunta,
hay que hacer el
grafico de
autocorrelación
Grafico de autocorrelación con SPSS
Grafico de autocorrelación con SPSS
Se concluye que si
existe tendencia,
pero esta es
moderada.
Grafico de autocorrelación con Excel
Trabajamos con el
complemento del
Excel StatPlus
Grafico de autocorrelación con Excel
Grafico de autocorrelación con Excel
Si existe tendencia,
y esta es fuerte.
Identificación de patrones con Excel
Se observa claramente
que existe
estacionalidad.
Identificación de patrones con Excel
Métodos suavización
Promedios móviles y suavización exponencial
Uno de los problemas al que los gerentes se enfrentan es el
relativo a la preparación de pronósticos de corto plazo para
un gran cantidad de situaciones diferentes.
Considerase la situación a la que se enfrenta el directivo
que periódicamente ha de hacer previsiones de las
existencias de centenares de productos. Cada semana, o
cada mes, ha de disponerse de previsiones actualizadas de
muchas existencias para un horizonte de tiempo breve.
En muchas de estas situaciones no es práctico desarrollar y
aplicar un método refinado de predicción para cada
artículo.
El directivo que deba emprender esta tarea tal vez utilice
alguna forma de suavización de serie cronológica.
Promedios móviles y suavización exponencial
En todos los métodos de suavización de series
cronológicas se emplea alguna forma de promedio
ponderado de observaciones anteriores para suavizar los
movimientos ascendentes o descendentes.
Veremos los siguientes técnicas básicas de suavización:
Medias móviles
Suavización exponencial simple
Suavización exponencial de Holt
Suavización exponencial de Winters
Medias (promedios) móviles
Un promedio móvil se obtiene encontrando la media de un
conjunto específico de valores y empleándolo después
para pronosticar el siguiente periodo.
Entre mayor sea el orden del promedio móvil, mayor será
el efecto de atenuación.
Entre menor sea el número, se dará más peso a los
periodos recientes.
Es más deseable un número pequeño cuando hay cambios
súbitos en el nivel de la serie.
¿De qué depende si al calcular el promedio móvil, se use,
tres ó cuatro ó cinco periodos?. Se utilizara aquella que
tenga el menor error de pronostico.
Ejemplo 10
2
Promedio moviles con DS:POM
3 4
5
Promedio móviles con DS:POM
¡ Que fácil !
Se observan:
Errores de pronósticos
Pronostico
Grafico
Periodo Ventas
1 2,000
2 1,350
3 1,950
4 1,975
5 3,100 Ahora trabajen ustedes !!
6 1,750
7 1,550
8 1,300
9 2,200
10 2,770
11 2,350
Suavización exponencial simple
Utiliza solamente valores previos de una serie cronológica para
predecir valores futuros de la misma serie.
Se recomienda cuando los datos no presentan ninguna tendencia
ni estacionalidad.
El valor
Utilizade predicción
solamente valores para
previos un periodo
de una cualquiera
serie cronológica para es la media
ponderada de todos los valores previos conocidos, los pesos
predecir valores futuros de la misma serie.
Mes Ventas
Ene 20
Feb 24 ¿QUÉ HACEMOS?
Mar 27
Abr 31
May 37
Jun 47 Lo primero, definir
Jul 53 cuanto es el valor de ,
Ago 62
Set 54 en nuestro ejemplo,
Oct 36 supongamos que = 0.5
Nov 22
Dic 29
Suavización exponencial simple
¿ y con el SPSS?
Suavización exponencial simple
¿ y con el Excel?
Suavización exponencial simple
Mes Ventas
Ene 2000
Feb 1350
Mar 1950
Abr 1975 AHORA, TRABAJEN USTEDES
May 3100
Jun 1750
Jul 1550
Ago 1300
Set 2200
Oct 2770
Nov 2350
Suavización exponencial lineal (SE de Holt)
Utilidad /
Trimestre
acción
1 -0.2
2 0.1
3 0.05 ¿Qué hacemos?
4 0.15
5 0.22
6 0.35
7 0.37
8 0.42
9 0.37
10 0.53
11 0.59
12 0.65
SEL (SE de Holt) con DS:POM
1. Seleccionamos la variable.
2. Seleccionamos el modelo Holt.
3. Seleccionamos Parameters e
ingresamos y .
4. Seleccionamos Save e
ingresamos año y trimestre a
pronosticar.
SEL (SE de Holt) con SPSS
Smoothing Parameters
Sums of
Gamma Squared
Series Alpha (Level) (Trend) Errors df error
Ventas .59000 .42000 .09032 10
¿Qué les
pareció?
SEL (SE de Holt) con Excel
Suavización exponencial lineal (SE de Holt)
TRIMESTRE
AÑO
1 2 3 4
1982 362 385 432 341
1983 382 409 493 387
1984 473 513 582 474
1985 544 582 681 557
1986 628 707 773 592
1987 627 725 854 661
S.E. de Winters con SPSS
1. Seleccionamos la variable.
2. Seleccionamos el modelo
Winters.
3. Seleccionamos Parameters e
ingresamos , y .
4. Seleccionamos Save e
ingresamos año y trimestre a
pronosticar.
S.E. de Winters con SPSS
Y LISTO.
¡¡ QUE FACIL !!
S.E. de Winters con Excel
1,141
1,041
941
841
741
641
541
441
341
0 5 10 15 20 25 30
Descomposición de serie
de tiempos (DST)
Descomposición de serie de tiempos
Se puede definir a una serie de tiempo como una
secuencia de datos numéricos cada uno de los cuales se
asocia con un instante específico de tiempo.
Se puede pensar que una serie de tiempo está formada
por varias componentes que obedecen a causas
diferentes. Estas componentes son la tendencia (T), la
(S), la cíclica (C) y la irregular (I), más un término
aleatorio. En términos matemáticos esto se puede
expresar como:
Y f (Tt , St , Ct , I t ) ut
La descomposición de las series de tiempos significa
identificar y separar los datos de la series de tiempos
en esos componentes.
Descomposición de serie de tiempos
Tendencia: movimiento suave, de “largo plazo”, generalmente
asociado a causas estructurales del fenómeno en estudio; como
aumento o disminución de la población, cambios en las
condiciones económicas, mejora en la organización económica,
política y social, efectos de cambios en cuestiones de salud,
educación, seguridad social, entre otros. Los efectos de la
tendencia se notan en lapsos largos con relación al período de
observación.
Ciclo: oscilación casi periódica que dura 3, 5, 11, 13, etc. años
originada por diversas causas. Algunas series de tiempo exhiben
variaciones con períodos fijos debidas a causas físicas, como el
caso de las variaciones diarias de temperatura. Otras exhiben
oscilaciones que no tienen un período fijo, pero que pueden ser
predecibles, frecuentemente observado en series económicas.
Descomposición de serie de tiempos
TRIMESTRE
AÑO
1 2 3 4
1977 3,017.60 3,043.54 2,094.35 2,809.84
1978 3,274.80 3,163.28 2,114.31 3,024.57
1979 3,327.48 3,493.48 2,439.93 3,490.79
1980 3,685.08 3,661.23 2,378.43 3,459.55
1981 3,849.63 3,701.18 2,642.38 3,585.52
1982 4,078.66 3,907.06 2,828.46 4,089.50
1983 4,339.61 4,148.60 2,916.45 4,084.64
1984 4,242.42 3,997.58 2,881.01 4,036.23
1985 4,360.33 4,360.53 3,172.18 4,223.76
1986 4,690.48 4,694.48 3,342.35 4,577.63
1987 4,965.46 5,026.05 3,470.14 4,525.94
1988 5,258.71 5,189.58 3,596.76 3,881.60
Descomposición de serie de tiempos
Ventas
6,000.00
5,000.00
4,000.00
3,000.00 Ventas
2,000.00
1,000.00
-
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46
DST con Excel - Calculos
Ventas Ventas
Tri Ventas PM PMC RE IE Tri Ventas PM PMC RE IE
destacionalizadas destacionalizadas
77-1 3,017.60 1.116 2,704.58 83-1 4,339.61 3,851.54 3,821.35 1.136 1.116 3,889.45
77-2 3,043.54 1.092 2,786.30 83-2 4,148.60 3,873.54 3,862.54 1.074 1.092 3,797.97
77-3 2,094.35 2,741.33 0.761 2,750.78 83-3 2,916.45 3,872.33 3,872.93 0.753 0.761 3,830.54
77-4 2,809.84 2,805.63 2,773.48 1.013 1.031 2,726.48 83-4 4,084.64 3,848.03 3,860.18 1.058 1.031 3,963.47
78-1 3,274.80 2,835.57 2,820.60 1.161 1.116 2,935.10 84-1 4,242.42 3,810.27 3,829.15 1.108 1.116 3,802.34
78-2 3,163.28 2,840.56 2,838.06 1.115 1.092 2,895.92 84-2 3,997.58 3,801.41 3,805.84 1.050 1.092 3,659.71
78-3 2,114.31 2,894.24 2,867.40 0.737 0.761 2,776.99 84-3 2,881.01 3,789.31 3,795.36 0.759 0.761 3,784.00
78-4 3,024.57 2,907.41 2,900.83 1.043 1.031 2,934.84 84-4 4,036.23 3,818.79 3,804.05 1.061 1.031 3,916.49
79-1 3,327.48 2,989.96 2,948.69 1.128 1.116 2,982.31 85-1 4,360.33 3,909.53 3,864.16 1.128 1.116 3,908.02
79-2 3,493.48 3,071.37 3,030.66 1.153 1.092 3,198.22 85-2 4,360.53 3,982.32 3,945.92 1.105 1.092 3,991.98
79-3 2,439.93 3,187.92 3,129.64 0.780 0.761 3,204.67 85-3 3,172.18 4,029.20 4,005.76 0.792 0.761 4,166.43
79-4 3,490.79 3,277.32 3,232.62 1.080 1.031 3,387.23 85-4 4,223.76 4,111.74 4,070.47 1.038 1.031 4,098.46
80-1 3,685.08 3,319.26 3,298.29 1.117 1.116 3,302.82 86-1 4,690.48 4,195.23 4,153.48 1.129 1.116 4,203.92
80-2 3,661.23 3,303.88 3,311.57 1.106 1.092 3,351.79 86-2 4,694.48 4,237.77 4,216.50 1.113 1.092 4,297.71
80-3 2,378.43 3,296.07 3,299.98 0.721 0.761 3,123.89 86-3 3,342.35 4,326.24 4,282.00 0.781 0.761 4,389.93
80-4 3,459.55 3,337.21 3,316.64 1.043 1.031 3,356.92 86-4 4,577.63 4,394.98 4,360.61 1.050 1.031 4,441.83
81-1 3,849.63 3,347.20 3,342.20 1.152 1.116 3,450.30 87-1 4,965.46 4,477.87 4,436.43 1.119 1.116 4,450.38
81-2 3,701.18 3,413.19 3,380.19 1.095 1.092 3,388.36 87-2 5,026.05 4,509.82 4,493.85 1.118 1.092 4,601.25
81-3 2,642.38 3,444.68 3,428.93 0.771 0.761 3,470.57 87-3 3,470.14 4,496.90 4,503.36 0.771 0.761 4,557.78
81-4 3,585.52 3,501.94 3,473.31 1.032 1.031 3,479.15 87-4 4,525.94 4,570.21 4,533.55 0.998 1.031 4,391.67
82-1 4,078.66 3,553.41 3,527.67 1.156 1.116 3,655.57 88-1 5,258.71 4,611.09 4,590.65 1.146 1.116 4,713.21
82-2 3,907.06 3,599.93 3,576.67 1.092 1.092 3,576.84 88-2 5,189.58 4,642.75 4,626.92 1.122 1.092 4,750.96
82-3 2,828.46 3,725.92 3,662.92 0.772 0.761 3,714.98 88-3 3,596.76 4,481.66 4,562.21 0.788 0.761 4,724.08
82-4 4,089.50 3,791.16 3,758.54 1.088 1.031 3,968.18 88-4 3,881.60 1.031 3,766.45
DST con Excel – Índices de estacionalidad
5,000.00
4,000.00
3,000.00
2,000.00
1,000.00
0.00
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Ventas
Ventas destacionalizadas
Observen Uds. Las ventas destacionalizadas, ya no muestran
la estacionalidad y tiene un comportamiento uniforme, el
mismo que si se puede proyectar aplicando en análisis de
regresión.
DST con DS:POM
Se escoge el
método
descomposición
multiplicativa
(estacional).
Y luego se
selecciona 4
como número de
estaciones.
DST con DS:POM
DST con DS:POM
DST con SPSS
DST con SPSS
DST con Excel - StatPlus
5594.35
5094.35
4594.35
4094.35
3594.35
3094.35
2594.35
Seasonal Indices 2094.35
1 1.121 0 10 20 30 40
Modelos de regresión
Modelos de regresión
Una cosa es ajustar un modelo a una serie de tiempos;
otra, totalmente diferente, es proponer otras variables
que se relacionen a la serie de datos de interés y
desarrollar un modelo que exprese la forma en que se
relaciona diversas variables.
Y = o + 1 X + e
Y = bo + b1 X
Ejemplo 17
Y = 3 + 0.5 X
¿ES POSIBLE ESTO?
12 12
10 10
Conjunto A Y
8 8 Conjunto B
6
Y
6
4 4
2 2
0 0
0 5 10 15 0 5 10 15
X X
14
14
12 12
10 10
Conjunto C 8 8 Conjunto D
Y
Y
6 6
4
4
2
2
0
0
0 5 10 15
0 5 10 15 20
X X
Diagrama de dispersión.
Calcular el coeficiente de correlación y
determinación.
Prueba de significancia del coeficiente de
correlación.
Análisis de regresión.
Error estándar de estimación
Ejemplo 18
Veamos el siguiente ejemplo:
Se trata de la renta personal disponible desde 1980 a
1989 en forma trimestral. Se pide hacer una previsión
con un modelo de regresión lineal.
Año T1 T2 T3 T4
1980 2,742.9 2,692.0 2,722.5 2,777.0
1981 2,783.7 2,776.7 2,841.1 2,808.8
1982 2,795.0 2,824.8 2,829.0 2,832.6
1983 2,843.6 2,867.0 2,903.0 2,960.6
1984 3,033.2 3,065.9 3,102.7 3,118.5
1985 3,123.6 3,189.6 3,156.5 3,178.7
1986 3,227.5 3,281.4 3,272.6 3,266.2
1987 3,295.2 3,241.7 3,285.7 3,335.8
1988 3,380.1 3,386.3 3,407.5 3,443.1
1989 3,473.9 3,450.9 3,466.9 3,493.0
Regresión simple
4,000.0
3,500.0
3,000.0
2,500.0
2,000.0
1,500.0
1,000.0
500.0
0.0
0 10 20 30 40 50
1
3
Regresión con Excel
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95.0%Superior 95.0%
Intercepción 2645.97615 13.6179091 194.301206 1.4286E-58 2618.40814 2673.54417 2618.40814 2673.54417
TRI 21.7533583 0.57883078 37.5815508 1.1546E-31 20.5815767 22.92514 20.5815767 22.92514
Regresión con Excel
ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 2522201.84 2522201.84 1412.37296 1.1546E-31
Residuos 38 67860.0289 1785.79023
Total 39 2590061.86
Sum of
Model Squares df Mean Square F Sig.
1 Regress ion 2522202 1 2522201.835 1412.373 .000 a
Res idual 67860.029 38 1785.790
Total 2590062 39
a. Predictors : (Constant), TRI
b. Dependent Variabl e: RPD
Coefficientsa
¿MEJORO SU PRONOSTICO?
Pasos a seguir en una regresión lineal
múltiple
Diagrama de dispersión múltiple.
Calcular el coeficiente de correlación y
determinación.
Prueba de significancia del coeficiente de
correlación.
Análisis de regresión.
Error estándar de estimación.
Prueba de significancia de los coeficientes de
regresión.
Regresión lineal múltiple
Observe usted, el
grafico de dispersión
múltiple en SPSS
Regresión lineal múltiple
Regresión lineal múltiple
Model Summary
Model R R Square
Adjus ted
R Square
Std. Error of
the Es timate Los resultados del
1 .965 a .932 .912 1.507
análisis de regresión
del SPSS
a. Predictors : (Constant), publicidad, precio
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regress ion 217.699 2 108.849 47.917 .000 a
Res idual 15.901 7 2.272
Total 233.600 9
a. Predictors : (Constant), publicidad, precio
b. Dependent Variable: ventas
Coefficientsa
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regress ion 217.699 2 108.849 47.917 .000 a
Res idual 15.901 7 2.272
Total 233.600 9
a. Predictors : (Constant), publicidad, precio
b. Dependent Variable: ventas
depende de la tasa
1982-3 186,700 16.1733 1988-1 219,700 10.0833
1982-4 184,100 14.0200 1988-2 323,700 10.3733
hipotecaria. 1983-1 202,900 13.0500 1988-3 293,400 10.5033
1983-2 322,300 12.7600 1988-4 244,600 10.3933
CVP en miles 1983-3 307,500 13.6533 1989-1 212,700 10.8033
1983-4 234,800 13.4667 1989-2 302,100 10.6733
dólares 1984-1 236,500 13.3300 1989-3 272,100 10.0000
1984-2 332,600 14.0033 1989-4 216,500 9.8200
TH % 1984-3 280,300 14.4967 1990-1 217,000 10.1233
1984-4 234,700 13.6500 1990-2 271,300 10.3367
1985-1 215,300 13.0567 1990-3 233,000 10.1067
1985-2 317,900 12.7767 1990-4 173,600 9.9533
Estacionalidad y regresión multiple
Nuestros datos son trimestrales. Para explicar y medir esta
estacionalidad con un modelo de regresión, utilizaremos tres
variables ficticias: T2 para el segundo trimestre, T3 para el
tercero y T4 para el cuarto.
Las codificamos de la siguiente manera:
T2 = 1 para todos los segundos trimestres y 0 para los demás
T3 = 1 para todos los terceros trimestres y 0 para los demás
T4 = 1 para todos los cuartos trimestres y 0 para los demás
El número de variables ficticias estaciónales que es preciso usar
dependerá de los datos. Existe, sin embargo, una norma
importante. Si en nuestra serie de datos tenemos un número P
de periodos, no podemos emplear más de P-1 variables ficticias
estaciónales.
Estacionalidad y regresión multiple
Introducción.
Análisis de sensibilidad
Introducción
Suposiciones: Limitaciones:
1. Proporcionalidad. 1. Es un modelo determinístico.
2. Aditividad. 2. Es un modelo estático.
3. Divisibilidad. 3. Es modelo que no suboptimiza.
ABC de la Optimización
Variables:
X1 cantidad de soldados fabricados cada semana
X2 cantidad de trenes fabricados cada semana.
Función objetivo
Max Z = 3X1 + 2X2
Restricciones
2X1 + X2 ≤ 100 de acabado
X1 + X2 ≤ 80 de carpintería
X1 ≤ 40 de demanda limitada de soldados
X1, X2 ≥ 0 de signo
Modelo 01 BAMSA en EXCEL
Modelo 02 BAMSA en EXCEL
Solución PL con EXCEL - Solver
Con Solver, resolvemos los problemas de optimización
con el Excel
Seleccionamos
del menú del
Excel,
Herramientas y
luego marcamos
Solver
Solución PL con EXCEL - Solver
Luego seleccionamos el
objetivo de la función
objetivo: Maximizar o
Minimizar, en nuestro
caso, Maximo
Solución PL con EXCEL - Solver
Luego presionamos
el botón: Agregar
Solución PL con EXCEL - Solver
Seleccionamos el botón:
Seleccionamos las alternativas:
Opciones
•Adoptar modelo lineal
•Asumir no negativos
Observen estos
resultados
Observen los
informes del Solver,
los veremos mas
adelante
Observen
estas
ventanas del
DS:POM
PL: Solución grafica
Se utiliza cuando el modelo de programación lineal tiene
solo dos variables de decisión.
En un plano cartesiano, se grafican las funciones de las
restricciones.
Se identifica la región factible (son todas las alternativas
de solución que satisfacen en forma simultanea todas las
restricciones del modelo.
Identificar nuestro objetivo, que es encontrar un punto
de la región factible que rinda la más alta ganancia
(cuando se esta maximizando).
En este curso, utilizaremos el programa DS:POM
Solución grafica con GLP
Ejemplo 23
sigue ….
Ejemplo 23
Tasa de
Opciones de inversión
rendimiento (%)
Petróleo y Derivados SA 25
Industria Petrolera SA 33
Petróleo del Norte SA 20
Aceros Monclova SA 35
Siderúrgica Nacional SA 23
Hierro y Acero SA 27
Certificados del TP 30
Y-613C
Mes I.I. Producción Ventas I.F.
Ene 0 20,000 10,000 10,000
Feb 10,000 20,000 20,000 10,000
Mar 10,000 20,000 30,000 0
COSTO UNITARIO
DESTINO
ORIGEN RECURSOS
I II III IV V
A $10 $20 $5 $9 $10 100
B $2 $10 $8 $30 $5 120
C $1 $20 $7 $10 $4 120
DEMANDA 40 50 70 90 90
Destino
Origen Recursos
I II III IV V
A XA1 XA2 XA3 XA4 XA5 100
B XB1 XB2 XB3 XB4 XB5 120
C XC1 XC2 XC3 XC4 XC5 120
Demanda 40 50 70 90 90
Demanda I
XA1+XB1+XC1 = 40
Demanda II
XA2+XB2+XC2 = 550
Demanda III
XA3+XB3+XC3 = 70
Demanda IV
XA4+XB4+XC4 = 90
Demanda V
XA5+XB5+XC5 = 90
Solución con Excel - Solver
TERCER PASO: Definir las restricciones.
Recursos A
XA1+XA2+XA3+XA4+XA5 = 100
Recursos B
XB1+XB2+XB3+XB4+XB5 = 120
Recursos C
XC1+XC2+XC3+XC4+XC5 = 120
Destino
Origen
I II III IV V
A 70 30
B 40 50 30
C 60 60
Solución con DS:POM
Escogemos el modulo de Transportation (Transporte) del DS:POM,
luego marcamos el icono nuevo y surge el menú siguiente. En este
menú ingresamos el numero de orígenes y el numero de destinos,
seleccionamos nuestro objetivo y por ultimo OK
Solución con DS:POM
¡ FACIL !
Variantes del problema de transportes
¡ FACIL !
Variantes del problema de asignación
Con frecuencia surgen variantes de los problemas de
asignación porque tiene una o mas características que no se
ajustan a todas las suposiciones mencionadas anteriormente.
Estas son:
1. Ciertos asignados no pueden realizar ciertas tareas.
2. Existen mas tareas que asignados.
3. Existen mas asignados que tareas.
4. Cada asignado puede ser asignado para realizar mas de
una tarea en forma simultanea.
5. Cada tarea puede realizarse de manera conjunta por
mas de una asignado.
Ejemplo 33
BAMSA compró tres máquinas nuevas de distintos tipos.
Hay cinco ubicaciones disponibles en el taller donde se
podría instalar una maquina. Algunas de estas ubicaciones
son mejores que otras para algunas máquinas debido a su
proximidad a centros de trabajo que tendrán un flujo de
trabajo pesado hacia y desde estas máquinas.
La información necesaria se muestra a continuación:
Ubicación
Maquina
1 2 3 4 5
1 $ 13 $ 16 $ 12 $ 14 $ 15
2 $ 15 - $ 13 $ 20 $ 16
3 $4 $7 $ 10 $6 $7
Costo por hora
Ejemplo 34
BAMSA, se dedica al maquinado de piezas en general.
Actualmente estás planeando su producción para la próxima
semana, la cual consta de cinco órdenes. Cada uno de los
pedidos puede trabajarse en cualquiera de las cinco
fresadoras que tiene disponibles. De acuerdo con las
especificaciones técnicas tanto de las ordenes como de las
fresadoras, la empresa ha estimado la siguiente relación de
costos:
Fresadoras
Orden
1 2 3 4 5
1 $ 100,000 $ 80,000 $ 90,000 $ 60,000 $ 40,000
2 $ 70,000 $ 50,000 $ 50,000 $ 40,000 $ 50,000
3 $ 30,000 $ 60,000 $ 30,000 $ 50,000 $ 100,000
4 $ 25,000 $ 30,000 $ 50,000 $ 50,000 $ 10,000
5 $ 50,000 $ 20,000 $ 10,000 $ 30,000 $ 20,000
VEAMOS UN EJEMPLO
Ejemplo 35
PERUGLASS, produce artículos de vidrio de alta calidad,
incluidas ventanas y puertas de vidrio. La compañía cuenta con
tres plantas:
Planta 1: fabrica marcos de aluminio y herrerías.
Planta 2: fabrica marcos de madera.
Planta 3: fabrica el vidrio y ensambla ventanas y puertas.
La empresa esta pensando lanzar dos nuevos productos: puertas
de seis pies y ventanas de doble marco de 4x6 pies.
La administración se esta haciendo dos preguntas:
HORAS DE
HECTÁREAS TRABAJO
GRANJA 1
ÚTILES 500 DISPONIBLES
POR MES
1 500 1,700
2 900 3,000
3 300 900
4 700 2,200
• Entera
• Mixta
• Binaria
Ejemplo 41
BAMSA tiene $ 2´000,000 disponibles para la adquisición de nueva
propiedad para rentar. Después de una revisión inicial, BAMSA ha
reducido las alternativas de inversión a residencias urbanas y
edificios multifamiliares. Cada residencia urbana se puede adquirir
por $280,000, pero solamente hay cinco disponibles. Cada edificio de
departamentos contiene seis unidades habitacionales y se puede
adquirir en $ 400,000 por edificio. Se pueden construir tantos
edificios multifamiliares como BAMSA desee adquirir.
El gerente de BAMSA puede dedicar 140 horas mensuales a estas
nuevas inversiones. Cada residencia urbana requerirá de cuatro horas
por mes y cada edificio multifamiliar, 40 horas por mes. El flujo de
caja mensual después de deducir los pagos de hipoteca y gastos de
operación se estima como de $10,000 por residencia urbana y de
$15,000 por edificio multifamiliar. El dueño de BAMSA quisiera
determinar el numero de residencias urbanas y la cantidad de
edificios multifamiliares a adquirir a fin de maximizar el flujo de caja
anual.
Aplicando lo aprendido hasta ahora
PRIMER PASO: Definir las variables de decisión.
Max 10 X1 + 15 X2
Sujeto a:
282 X1 + 400 X2 < 2000
X1 <5
4 X1 + 40 X2 < 140
X1, X2 > 0 y enteros
La solución de este modelo, sin tomar en cuenta la condición de
enteros, se llama la relajación de la programación lineal
PL Entera
Max 16 X1 + 22 X2 + 12 X3 + 8 X4
5 X1 + 7 X2 + 4 X3 + 3 X4 ≤ 14
SOLUCION:
Se efectúan las inversiones:
2, 3 y 4.
La inversión 1, no se efectúa.
Ejemplo 43
BAMSA proyecta cuatro inversiones. La inversión 1 genera una valor
neto actual (VNA) de $16,000; la inversión 2, un VNA de $22,000;
la inversión 3, un VNA de $12,000, y la inversión 4, un VNA de
$8,000. Para cada inversión se requiere una cierta salidas de
efectivo en el tiempo presente: la inversión 1, $5,000; la inversión
2, $7,000; la inversión 3, $4,000 y la inversión 4, $3,000. Dispone
en la actualidad de $14,000 para invertir. BAMSA desea saber
como maximizar el VNA obtenido de las inversiones 1 a 4.
Hay que tomar en cuenta lo siguiente:
• BAMSA puede invertir cuando mucho en dos inversiones.
• Si BAMSA invierte en 2, entonces también debe invertir en 1.
• Si BAMSA invierte en 2, no puede invertir en 4.
Ejemplo
PRIMER PASO: Definir las variables de decisión.
X1 inversión 1 ( 1 si se efectúa y 0 si no se efectúa)
X2 inversión 2 ( 1 si se efectúa y 0 si no se efectúa)
X3 inversión 3 ( 1 si se efectúa y 0 si no se efectúa)
X4 inversión 4 ( 1 si se efectúa y 0 si no se efectúa)
SEGUNDO PASO: Definir la función objetivo
Max 16 X1 + 22 X2 + 12 X3 + 8 X4
TERCER PASO: Definir las restricciones
5 X1 + 7 X2 + 4 X3 + 3 X4 < 14 Total de inversión.
X1 + X2 + X3 + X4 ≤ 2 Invertir máximo en 2 alternativas
- X1 + X2 ≤ 0 Si inviertes en 2, también en 1.
X2 + X4 < 1 Si inviertes en 2, no se invierte en 4
X1, X2, X3, X4 = (0, 1)
Ejemplo
Solucionamos este ejemplo con el DS:POM en le modulo
Mixed Integer Programming (Programación entera Mixta)
SOLUCION:
Se efectúan las inversiones: 1 y 2.
La inversión 3 y 4 no se efectúan.
Ejemplo 44
BAMSA fabrica tres tipos de prendas de vestir: camisetas, short y
pantalones. La elaboración de cada tipo de prenda requiere de que
BAMSA tenga disponible el tipo de maquinaria apropiada. La
maquinaria necesaria para manufacturar cada tipo de prenda se
tiene que rentar a las tarifas siguientes: maquinaria para
camisetas, $200 por semana; maquinaria para short, $150 por
semana; maquinaria para pantalones, $100 por semana. La hechura
de cada tipo de prenda también requiere las cantidades de tela y
mano de obra que se indican en la tabla 1. En esta misma tabla se
muestran los costos unitario variables y el precio de venta para
cada tipo de prenda. BAMSA desea maximizar la utilidad semanal.
Mano de obra Precio Costo
Tipo de prenda Tela (yardas2)
(horas) Venta $ variable $
Camiseta 3 4 12 6
Short 2 3 8 4
Pantalones 6 4 15 8
Disponibilidad 150 160
Ejemplo
PRIMER PASO: Definir las variables de decisión.
¿Esto es posible?
Ejemplo
Esto no es posible, porque al ser Y1 = Y2 = Y3 = 0, significa que no
se han alquilado maquinas, ¿Cómo se podrían producir sin
maquinas?.
Esto se debe a que en el planteamiento, no hay ninguna restricción
que relaciones a estas variables.
Debemos lograr que cada vez que Xi > 0, entonces Yi = 1
Esto lo logramos de la siguiente manera:
Restricción 2: Sólo una de las plantas debe elegirse como la única fabricante
de los nuevos productos.
Sigue …
Ejemplo 45
Sigue …
Ejemplo 46
Stock de materiales.
Capacidad de almacenaje.
Ejemplos:
Tipos de inventario
Entrada Espera por la Espera para Tiempo de Tiempo en cola Tiempo de Tiempo de Salida
aprobación el transporte transporte preparación proceso
5%
El ciclo de flujo de material
Inventario
Materias primas
Artículo A Independiente Mantener
WIP
Artículo B Dependiente Reparar
Productos
Artículo C Operar
terminados
Las principales decisiones relacionadas a
la administración de inventarios
1. ¿Qué artículos mantener en inventario?
2. ¿Cuánto ordenar?
3. ¿Cuándo ordenar?
4. ¿Qué tipo de sistema de administración de inventarios
utilizar?
Modelos probabilísticos.
Sistemas de periodo de pedido fijo.
Hipotesis en que se basa EOQ
Coste anual
t o tal
c o s te to
d e l ie n
a am
Curv ac en
l m
e d ea
c o st
a d el
v
Cur
Curva del coste de preparación
Nivel de inventario
Inventario
Cantidad medio
óptima del disponible
pedido (Q*) (Q*/2)
Punto de
pedido
(ROP)
Tiempo
Plazo de entrega
Ecuaciones del modelo EOQ
2 × D ×S
Cantidad óptima del pedido = Q* =
H
D
Número de pedidos esperados = N=
Q*
días laborables / año
Tiempo esperado entre cada pedido = T =
N
D D = Demanda anual.
d =
Días laborables / año S = Coste de preparación por pedido.
H = Coste de almacenamiento.
d = Demanda diaria.
ROP = d × L L = Plazo de entrega en días.
Problema de EOQ
Se cambian luces de neón en el campus de la universidad a
una tasa de 100 unidades diarias. Estas luces de neón se
piden en forma periódica. Cuesta $100 iniciar una orden de
compra. Se 3estima que una luz de neón en el almacén cuesta
unos $0.02 diarios. El tiempo de entrega, entre la colocación
y la recepción de un pedido es de 12 días. Determine la
política óptima de inventario para pedir las luces de neón.
Escogemos el tipo de
problema, indicamos
la unidad de tiempo
y OK
Solucionando con WINQSB
Ingresamos los
datos del problema
y presionamos
Solucionando con WINQSB
Observamos el reporte del WINQSB y es muy completo
Nivel de inventario
Inventario
Cantidad medio
óptima del disponible
pedido (Q*)
Punto de
pedido
(ROP)
Tiempo
Plazo de entrega
Razones por las que la producción varía
Una mala gestión provoca una mayor variabilidad. Las
causas son las siguientes:
Nivel de inventario
( )
p d
H* 1 -
p
( ) d d = Demanda diaria.
Coste de = 0,5 * H * Q 1- p = Producción diaria.
almacenamiento p
Modelos de descuento por cantidad
Cantidad que
se debería pedir
Cantidad del
El Coste más bajo fuera Cantidad que Cantidad que pedido
del área de los se gana con el se gana con el
descuentos Descuento 1 Descuento 2
Modelos probabilísticos
Responden a cuánto y cuándo pedir.
Permiten que la demanda varíe:
Sigue una distribución normal.
Se emplean las hipótesis de EOQ.
Consideran el nivel de servicio y el inventario de seguridad
(SS) :
Nivel de servicio = 1 - Probabilidad de que se agoten las
existencias.
Un nivel de servicio mayor produce un mayor inventario
de seguridad.
Cuanto mayor sea el inventario de seguridad, mayor
es el punto de pedido (ROP).
Modelos probabilísticos, ¿cuándo
realizar un pedido?
Frecuencia
Nivel de P (se agotan las
Nivel de inventario servicio existencias)
Optimal
Order
X
Quantity SS
ROP
Reorder
Point
(ROP)
Tiempo
Periodo Periodo Periodo
Pert Cpm
¿Qué es un proyecto?
D G
Inicio Terminar
A B C E H M
F
K
N
I J
L
Ejemplo 48
Predecedores
Actividad Descripción
inmediatos
A Preparar especificaciones -.-
B Asegurar ofertas y adjudicar contratos A
C Retirar el equipo actual A
D Adiestrar a los operarios B
E Modificaciones eléctricas C
F Pintar C
G Instalar máquina E
H Probar máquina D, G
I Reprogramar producción H
Predecesores Duración
Actividad Descripción de la actividad
inmediatos estimada
A Excavación. - 2
B Cimentación. A 4
C Colocación de muros. B 10
D Colocación de techos. C 6
E Instalación de plomería externa. C 4
F Instalación de plomería interna. E 5
G Poner recubirto exterior. D 7
H Pintura de exteriores. E, G 9
I Trabajo de electricidad. C 7
J Colocar recubrimiento interior. F, I 8
K Instalar pisos. J 4
L Pintura de interiores. J 5
M Colocación de accesorios exteriores. H 2
N Colocación de accesorios interiores. K, L 6
Definir la ruta critica
Para poder obtener una predicción del tiempo calendario mínimo de
la duración del proyecto, debemos encontrar lo siguiente:
Tiempo mas temprano de inicio (TIP = ES), este plazo es el
menor posible en el que podrá iniciarse la actividad al haberse
concluido todas las que le precedían.
Tiempo más temprano de finalización (TTP = EF), Este plazo
será el mínimo posible para que la actividad pueda completarse
TTP = TIP + t
Tiempo de terminación más lejano (TTL = LF), es el plazo en el
que la actividad ha de completarse si no se desea que se retrace el
proyecto.
Tiempo de inicio más lejano (TIL = LI), TIL = TTL – t
TIP y TTP, son los tiempos de cada actividad si no ocurre
retrasos en alguna parte del proyecto.
Definir la ruta critica
Actividad E 35 45
10 40 50
B 2 6 D 16 22
M 38 40
4 6 D G
2
44
Inicio Terminar
A B C E H M
0
N 38 44
F
K 6
E 16 20
4
N
I J K 33 37
I 16 23 4
L
7
F 20 25 J 25 33 L 33 38
5 8 5
Definir la ruta critica – segunda pasada
B 2 6 D 16 22
M 38 40
4 2 6 6 20 26 D G
2 42 44
44
Inicio Terminar
A B C E H M
0
N 38 44
F
K 6 38 44
E 16 20
4 16 20
N
I J K 33 37
I 16 23 4 34 38
L
7 18 25
F 20 25 J 25 33 L 33 38
5 20 25 8 25 33 5 33 38
Definir la ruta critica
B 2 6 D 16 22 D G
M 38 40
4 2 6 6 20 26
2 42 44
Inicio Terminar
A B C E H M
0 44
F N 38 44
K
6 38 44
E 16 20 N
4 16 20 I J
K 33 37
I 16 23 L 4 34 38
7 18 25
F 20 25 J 25 33 L 33 38
5 20 25 8 25 33 5 33 38
Definir la ruta critica
ABCEFJLN
Escogemos el
modulo PERT/CPM
del WINQSB, he
ingresamos las
información
correspondiente.
En nuestro caso,
14 actividades y el
tiempo en semanas
y trabajamos con
tiempos normales,
y por ultimo OK
Definir la ruta critica con WINQSB
Procedemos a
ingresar la
información y luego
presionamos
Definir la ruta critica con WINQSB
Definir la ruta critica con WINQSB
Ejemplo 48-B
Tiempo de
Predecedores
Actividad Descripción terminación
inmediatos
(dias)
A Preparar especificaciones -.- 8
B Asegurar ofertas y adjudicar contratos A 5
C Retirar el equipo actual A 2
D Adiestrar a los operarios B 4
E Modificaciones eléctricas C 3
F Pintar C 4
G Instalar máquina E 3
H Probar máquina D, G 2
I Reprogramar producción H 1
= 44 semanas y 2 = 9
Variabilidad en los tiempos de las
actividades con WINQSB
Variabilidad en los tiempos de las
actividades con WINQSB
Variabilidad en los tiempos de las
actividades con WINQSB
Para calcular la probabilidad de terminar la obra en 47
días, utilizamos la distribución normal. Para eso utilizamos
la función del Excel
DISTR.NORMAL (47,44,3,VERDADERO) = 84.13%
A B XB ≥ XA + (4 – YB) - XA + XB + YA ≥ 4
10
B C XC ≥ XB + (10 – YC) - XB + XC + YC ≥ 10
6
C D XD ≥ XC + (6 – YD) - XC + XD + YD ≥ 6
4
C E XE ≥ XC + (4 – YE) - XC + XE + YE ≥ 4
5
E F XF ≥ XE + (5 – YF) - XE + XF + YF ≥ 5
7
D G XG ≥ XD + (7 – YG) - XD + XG + YG ≥ 7
G
Aplicando el CPM
XH ≥ XG + (9 – YH) - XG + XH + YH ≥ 9
9
XH ≥ XE + (9 – YH) - XE + XH + YH ≥ 9
E H
7
C I XI ≥ XC + (7 – YI) - XC + XI + YI ≥ 7
8 XJ ≥ XF + (8 – YJ) - XF + XJ + YJ ≥ 8
I J
XJ ≥ XI + (8 – YJ) - XI + XJ + YJ ≥ 8
J K XK ≥ XJ + (4 – YK) - XJ + XK + YK ≥ 4
5
Aplicando el CPM
J L XL ≥ XJ + (5 – YL) - XJ + XL + YL ≥ 5
2
H M XM ≥ XH + (2 – YM) - XH + XM + YM ≥ 2
K 6 XN ≥ XK + (6 – YN) - XK + XN + YN ≥ 6
N
XN ≥ XL + (6 – YN) - XL + XN + YN ≥ 6
L XM ≤ 40
XN ≤ 40
MIN 100YA + 50YB + 80YC + 40YD + 160YE + 40YF + 40YG + 60YH + 30YI
+ 30YJ + 40YK + 50YL + 100YM + 60YN
MIN 100YA + 50YB + 80YC + 40YD + 160YE + 40YF + 40YG + 60YH + 30YI + 30YJ +
40YK + 50YL + 100YM + 60YN
Sujeto a:
Caso real:
Los pilotos recién egresados de la escuela de la FAP.
¿ Qué experiencia real tienen en vuelos?
Simulación vs optimización
En un modelo de optimización, los valores de las variables de
decisión son resultados.
Es la DEMANDA.
Hipotesis
Costo de puesta en marcha 150,000 Costo variables 75% de los ingresos
Precio de venta 35,000 Costo de capital 10%
Costo fijos 15,000 Tasa fiscal 34%
Depreciación anual 10,000
Demanda anual unidades
= ENTERO (8 + 5 * ALEATORIO( ))
¿Es suficiente?,
¿Qué hacemos?