Unidad 4

• Planeación Táctica III. Programación dinámica

“...Programación dinámica apareció en la década de 1950, creada por Richard Belirnan

y G.G. Dantzig, quienes fueron los que más contribuyeron con sus estudios al
desarrollo de esta técnica cuantitativa para resolver un sinnúmero de problemas, que
anteriormente necesitaban de difíciles procesos para ello...”
Apareció en la década de 1950, creada por Richard Bellman y G.G. Dantzig, quienes
fueron los que más contribuyeron con sus estudios al desarrollo de esta técnica
cuantitativa.
En un principio se definía como programación lineal estocástida, o bien
problemas de programación lineal relacionados con la incertidumbre. En la actualidad
se ha desarrollado como una técnica cuantitativa para resolver un sinnúmero de
problemas, que anteriormente necesitaban de difíciles procesos para ello.
Es una técnica matemática que permite encontrar la solución de una serie de
decisiones en secuencia, y se debe tomar una secuencia de decisiones, con cada una
de ellas, que afecte las decisiones futuras. Este paso es muy importante, ya que
difícilmente se encontrará una situación de operación en la cual la toma de una decisión
no se extienda al futuro.
El ejecutivo de una empresa se enfrentrá a situaciones que requieren que torne
una serie de decisiones, en las cuales el éxito de cada una de ellas depende de una
buena elección en la decisión previa inmediata.
Los sistemas que requieren optimización dinámica, en etapas múltiples, ocurren en
diferentes ramas de la ingeniería, inventarios, confiabilidad, control, etcétera.
La programación dinámica es una técnica de descomposición para resolver
problemas de decisión con múltiples etapas; descompone el problema de decisión con
ni variables, en n problemas de decisión de una variable.

Con frecuencia estos problemas son más simples de resolver que el problema
original.

La programación dinámica está basada en el principio de optimalidad de Bellman:

"Una política (conjunto de decisiones) óptima tiene la propiedad de que

cualquiera que sea el estado inicial y las decisiones mismas, las decisiones
restantes constituyen una política óptima con respecto al estado resultante de la
primera decisión".

La programación dinámica se ocupa también de los problemas en los que el

tiempo no es una variable significativa. Por ejemplo hay que tomar una decisión que
requiere la distribución de una cantidad fija de recursos entre cierto número de usos
alternativos. Para resolver este tipo de problemas primero se debe descomponerlos en
etapas, y de esta manera la decisión final se maneja como si fuera una serie de
decisiones dependientes en el trascurso del tiempo.
Aunque ese tipo de problemas no se ocupa del factor tiempo por sí mismo, se
apega, sin embargo, a la característica fundamental de la programación dinámica: un
proceso de toma de decisiones de etapas múltiples.

En la programación dinámica sólo hay que conocer una pequeña cantidad de

datos en cada etapa, a fin de describir el problema.
Realmente los problemas de programación dinámica se caracterizan por la
dependencia del resultado de las decisiones de una pequeña cantidad de variables.
Además, en cualquier etapa el resultado de una decisión altera los valores númericos
de la pequeña cantidad de variables relacionadas con el problema. La decisión real no
aumenta ni disminuye el número de factores de los que dependen los resultados.
Por lo anterior, habrá que tomar en cuenta el mismo número de variables para la,
siguiente decisión de la serie.

Estructura de la programación dinámica

La programación dinámica es un algoritmo que permite resolver problemas de

planeación de carácter combinatorio, esto es: cuando existen gran número de
posibilidades interrelacionadas y sujetas a restricciones. Dicho de otro modo, la
programación dinámica permite resolver problemas que se caracterizan por etapas
definidas con variables de estado. Estas variables de estado definen la condición del
sistema para cada una de las etapas consideradas.
Tratándose de un problema de tipo secuencial, las etapas serían los periodos
sucesivos considerados; el programa de cada periodo quedaría definido por los valores
que tomen las variables de estado. Por ejemplo: si se tratara de un programa de
renovación de material, las variables de estado serían las cantidades de material
comprado, vendido y disponible; y el programa definirá los valores de esas variables en
las diferentes épocas sucesivas consideradas.
Se pueden distinguir etapas dentro de la solución de problemas de naturaleza
estática, por ejemplo dentro de un programa de inversiones en una campaña
publicitaria, puede distinguirse la primera etapa como la inversión en publicidad en la
zona norte, la segunda etapa como la inversión en la zona sur, etc.
Como puede verse, la programación dinámica puede resolver problemas de
programación de etapas múltiples, en donde las decisiones en una etapa se convierten
en una parte de las condiciones que determinan las mejores alternativas en las etapas
sucesivas. Lo anterior es lo que ha llevado a llamar a estos métodos, programación
dinámica.
En casos extremos, quien toma decisiones comienza con una ignorancia casi
total de cuáles son las posibles decisiones, cuáles pueden ser las consecuencias de
cada una de ellas, cuánto durarán las condiciones actuales, etc. Comienza con
estimaciones subjetivas y prosigue modificando decisiones a medida que obtiene
mayores elementos de juicio. La programación dinámica guía a la estimación subjetiva
hacia un plan o programa objetivo, en forma lógica. El responsable de las decisiones es
llevado, de este modo, a actuar en forma óptima en cada etapa, cuando menos dentro
de los límites de los elementos de juicio disponibles en esta etapa.

Teóricamente, no existe límite en el número de variables de estado y tampoco

existe la limitación de que sean discretas.1
Desde el punto de vista práctico, si las variables son continuas la mecanización
de los cálculos se vuelve muy compleja. Por lo tanto se consideran únicamente los
casos de variables discretas; se entiende que se podrán manejar variables continuas
tomando una serie grande pero finita de valores discretos. Por otro lado, se
1
Variables discretas son las que toman valores exactos sin poder tornar valores intermedios; las
variables continuas son las que pueden tomar valores intermedios entre dos números.
recomienda, para cálculos relativamente simples, que el número de variables de estado
sea menor a cinco.
Un problema de programación dinámica puede representarse por una red como
la de la Figura no. 4.1 en donde se representa el problema de "Carrocerías, S.A.", que
cuenta con tres departamentos: Fabricación, pintura, pulido. Cada uno de ellos cuenta
con tres estaciones con sus respectivos costos y tiempos de operación.
Se acaba de recibir un trabajo de importancia y se quiere minimizar el costo de
procesado. Este trabajo debe ser procesado en los tres departamentos y se trata de
escoger las estaciones que permitan lograr el objetivo anterior. Los costos del
departamento de fabricación son:

Estación 1 $400.00
Estación 2 $420.00
Estación 3 $395.00

Los costos de los restantes departamentos están condicionados a la estación de

origen y de destino en que se procesa, y se indican a continuación:

Es obvio que en este problema tan simple la mejor ruta para procesar este
trabajo se puede encontrar fácilmente por enumeración exhaustiva; se trata, sin
embargo, de demostrar la aplicación del concepto de programación dinámica.

Se comienza estudiando la última etapa (pulido), se localiza la ruta óptima para

llegar hasta allí y se regresa etapa por etapa hasta el inicio del proceso, o sea a la
fabricación, localizando en cada paso la ruta óptima. Se entiende por ruta óptima
aquella que nos lleve a maximizar o a minimizar, según sea el caso, el valor de la
función objetivo obtenible a partir de un punto inicial.
Si se observa la figura 4.1, se aprecia que las líneas punteadas indican las
diversas etapas y que las posibles rutas están indicadas con líneas que las unen, las
cuales incluyen los costos para pasar de una etapa a otra; nótese, además, que se
indica un punto inicial y un punto de terminación. Para llegar a este último desde la
etapa 3 se tiene un costo de cero; este costo se conoce como costo residual, y es cero
en este caso debido a que una vez terminado el pulido, el producto queda terminado; se
debe anotar de todos modos para completar la red.
Una vez visto que de la etapa 3 a la etapa terminal no existen costos para
ninguna de las rutas, se analiza la etapa 3. Se tienen las siguientes posibilidades:

a) Salir de la etapa 2, estación 1 con costos de:

18 para la etapa 3, estación 1.
24 para la etapa 3, estación 2.
15 para la etapa 3, estación 3
El valor más pequeño (se trata de minimizar costos, por eso se busca el más
bajo) es 15, se llama al costo mínimo para ir de la etapa 2, estación 1, a la etapa 3
como f(2,1) y será igual a 15. De donde f(2,1) = 15 a E 3, 3 (etapa 3, estación 3).

b) Salir de la etapa 2, estación 2.

Con costos de: 21 para la etapa 3, estación 1.
18 para la etapa 3, estación 2.
20 para la etapa 3, estación 3.

Por lo tanto f(2,2) =18 a E 3, 3 (etapa 3, estación 3).

c) Salir de la etapa 2, estación 3.

Con costos de: 12 para la etapa 3, estación 1.
15 para la etapa 3, estación 2.
5 para la etapa 3, estación 3.

Por lo tanto f(2,3) =5 a E 3, 3 (etapa 3, estación 3).

Las expresiones:

f(2,1) =15 a (Etapa 3, Estación 3)

f(2,2) =18 a (Etapa 3, Estación 2)
f(2,3) = 5 a (Etapa 3, Estación 3)

indican los costos mínimos para pasar de la etapa 2 (desde cualquiera de sus tres
estaciones) a la etapa 3. Puede verse por lo tanto que el curso de acción óptimo será a
la etapa 3 estación 3, si el proceso se encuentra en la etapa 2 estación 1; a la etapa 3,
estación 2, si está en la etapa 2, estación 2, y a la etapa 3 estación 3 si está en la etapa
2 estación 3. En ningún caso se deberá ir a la etapa 3, estación 1.

Si se considera ahora la segunda etapa; pueden verse tres posibilidades:

a) Salir de la etapa 1, estación 1; los costos serían:

a la etapa 2, estación 1; 40 +f(2,1) =40 +15 =55.
a la etapa 2, estación 2; 50 +f(2,2) =50 +18 =68.
a la etapa 2, estación 3; 45 +f(2,3) =45 +5 =50.
Se llamará al costo mínimo para ir de la etapa 1, estación 1, a la etapa 2, como
f(1,) y será igual a 50.
 Por lo tanto f(1,) =50.

Esto implica que aleatar en la etapa 1, estación 1, la política óptima será ir a la

etapa 2, estación 3, lo cual, según se vio, llevará posteriormente a la etapa 3,
estación 3, logrando con esto minimizar el costo total desde la etapa 2 hasta el
foral del proceso.
 b) Salir de la etapa 1, estación 2; los costos serían:
a la etapa 2, estación 1; 50 +f(2,1) =50 +15 =65.
a la etapa 2, estación 2; 35 +f(2,2) =35 +18 =53.
a la etapa 2, estación 3; 40 +f(2,3) =40 +5 =45.
Por lo tanto f(1,2)=45

c) Salir de la etapa 1, estación 3; los costos serían:

a la etapa 2, estación 1; 45 +f(2,1) =45 +15 =60.
a la etapa 2, estación 2; 60 +f(2,2) =60 +18 =78.
a la etapa 2, estación 3; 70 +f(2,3) =70 +5 =75.
Por lo tanto f(1,3) =60

Considerando la primera etapa, se tiene únicamente una salida desde el punto

inicial y los costos para las tres posibles rutas serán:

a la etapa 1, estación 1; 400.00 + f(1,1) = 400.00 + 50.00 = 450.00

a la etapa 1, estación 2; 420.00 + f(1,2) = 420.00 + 45.00 = 465.00
a la etapa 1, estación 3; 395.00 + f(1,3) = 395.00 + 60.00 = 455.00

El menor de estos costos totales representa el valor mínimo de la función

objetivo (costo total), y es el resultado de aplicar la política óptima: procesar el trabajo
en la estación 1 del departamento de fabricación, en la estación 3 del departamento de
pintura, y en la estación 3 del departamento de pulido. Nótese que este resultado no se
hubiera podido obtener siguiendo la secuencia del trabajo y seleccionando la mejor
alternativa para cada paso. Nótese también que existen 27 rutas posibles; si se hubiera
considerado otro departamento con tres estaciones, se hubieran tenido 81 rutas
posibles, pero bastaría con un paso adicional para calcular el óptimo.
Ahora se puede exponer el criterio de optimalidad desarrollado por Bellman,
que es un teorema fundamental de la programación dinámica: "en una etapa cualquiera,
las decisiones (o rutas) subsiguientes deben ser óptimas, cualesquiera que hayan sido
los estados anteriores". El algoritmo de programación dinámica consiste, por lo tanto,
en considerar las decisiones etapa por etapa desde la última hasta la primera.
Es importante notar que la solución de un problema usando programación
dinámica sigue dos fases.

1. Establecimiento de las restricciones o red de relaciones de paso entre estados

sucesivos.
2. Búsqueda de la ruta o secuencia de decisiones óptimas dentro de la red.

Las dificultades principales de esta técnica están en la primera fase, ya que, en

muchas aplicaciones, el paso de una etapa a otra está limitado a algunos de los
estados de la siguiente.
Simulación
Bajo el concepto de simulación se agrupan un gran número de métodos que tienen en
común el hecho de que reproducen los fenómenos reales mediante fenómenos
parecidos pero artificiales, y simplificando el fenómeno real.
A ningún ejecutivo consciente de sus responsabilidades se le tiene que decir que
las condiciones en las cuales opera están cambiando constantemente y con gran
rapidez. El problema para él es cómo enfrentarse a esos cambios, y una gran parte de
la solución es el desarrollo de las herramientas que lo ayuden a ese enfrentamiento.
Una herramienta que tendrá mayor aceptación a medida que el uso de las
computadoras venga a ser más generalizado es la simulación mediante un modelo de
la empresa. Un modelo permite a la gerencia:

• Reducir el tiempo requerido para reaccionar al cambio.

• Evaluar alternativas de acción con un conocimiento completo de todos los
factores pertinentes.
• Abarcar períodos más largos en el futuro.
• Prever posibles contingencias

Los conceptos claves que se utilizan para definir la simulación son: sistemas,
modelos y dinámica. Reuniéndolos se puede obtener la siguiente definición: la
simulaciónn es la representación dinámica de un sistema mediante un modelo..

a) Sistemas. El concepto de sistema es comúnmente utilizado en la empresa en

diferentes situaciones: sistema de control, de inventarios, sistemas de remune-
raciones, sistemas incentivos, etc.; y también se habla de sistemas de informa-
ción.
b) Modelo. El concepto de simulación, está integrado al uso y a la construcción de
los modelos.
La metodología es observar un sistema, analizarlo, extraer hipótesis de su
funcionamiento y luego abstraerlo, simplificarlo e idealizarlo, traduciéndolo a una
fórmula matemática o a otro tipo de representación. Eso es un modelo, es decir,
una réplica del mundo real, pero sin su complejidad y reducido a proporciones
manejables.
Esa abstracción del sistema real facilita al analista su tarea de enfrentar un
esquema más simple, sin perder por ello rigor analítico. Pero el modelo tendrá
valor según la claridad con que pueda representar al sistema y deberá ser
probado posteriormente por medio de la experimentación sobre datos reales.
Es importante recalcar el papel de la computadora como herramienta en el
desarrollo de estos modelos, pero muy a menudo se le confunde al realizar el
planteo. Al definirse un problema, en lo primero que se piensa es cómo
resolvería la computadora el problema, cuando en realidad lo correcto es
concebir cómo resolvería el problema el analista. Para el analista el primer
planteo es un diagrama sencillo:
Con esto se enfrente al problema, y luego la evaluación de las características del
algoritmo le dirán lo económico que puede ser un avance tecnológico como lo es la
computadora.

c) Dinámica. La simulación empresarial carecería de sentido si se fijara de una

manera estática en un período, en una fecha, en un tiempo.
El esquema de retroalimentación (información, decisión, acción, nueva
información), elemento fundamental de un modelo, está íntimamente asociado
con las secuencias de tiempo que relacionan los componentes y variables del
sistema.

La correcta formulación de un modelo dinámico de simulación implica que sus

variables constitutivas deben corresponder a las reales del sistema representado. Por lo
tanto, las variables del modelo deben ser medidas en las mismas unidades que las
variables reales. Es decir, que no pueden separarse esos tres conceptos claves si se
pretende entenderlo que es la simulación. Ya con esto se está en mejores condiciones
para pulir la primera definición, diciendo que: la simulación es un modelo matemático
dinamizado por el factor tiempo, representativo de un sistema existente en el mundo
real.

Aplicación de la simulación en el diseño o análisis de los sistemas

La simulación ha probado ser un excelente método experimental con efectiva aplicación

en la solución de dos tipos de problemas: diseño de sistemas y análisis de sistemas.

Diseño de sistemas
En este caso la simulación se usa para obtener información por medio de un modelo,
acerca de un modelo que el analista ha creado y conoce muy bien.
El diseño permite al analista estudiar diferentes alternativas de comportamiento
del modelo según la variación de los componentes del sistema.
El método de trabajo del analista es el siguiente: propuesto un sistema y un
resultado esperado, se busca un diseño que optimice alguno de los atributos, tales
como utilidad, costo, tiempo, utilización de recursos, etc. Se define entonces un modelo
del sistema incorporando cambios sucesivos que correspondan a diseños alternativos.
Se tiene pues una base para seleccionar el diseño que cumpla más efectivamente con
el resultado deseado.
 El analista procesa el modelo las veces que crea necesarias, de acuerdo con los
cambios introducidos por las distintas alternativas, según se muestra en la figura 4-1.

Análisis de sistemas
Otra aplicación de la simulación es analizar el comportamiento de los sistemas. Se
postula la configuración de un sistema teórico, se le provee de datos como en la vida
real y se intenta obtener resultados similares. En la medida que esto se vaya logrando
el modelo tendrá mayor validez. En este caso, a diferencia del diseño de sistema, el
analista usa la simulación para probar hipótesis acerca de un sistema que él no conoce
bien. El diagrama se muestra en la figura 4-2.

Pasos a seguir en el desarrollo de un proceso de simulación

Las etapas a seguir en el desarrollo de un proceso de simulación se señalan en la
figura 4-3.

Definición del problema

Definitivamente, con la correcta realización de este concepto podemos decir que la
mitad del problema ya está resuelto.
Los mejores resultados obtenidos del modelo estarán en manos de quienes han
tenido una mayor visión en el enfoque del mismo. Por esto es necesario ponerle
atención a este concepto. Muchas veces el deseo de apresurarse para construir el
modelo lleva a reducir el tiempo y esfuerzo dedicado a la definición del problema.
La definición del problema implica especificar claramente las variables del
sistema, que son aquellos atributos de los componentes que pueden variar durante el
tiempo. Asimismo, deben determinarse aquellos que no cambian, es decir, los
parámetros.
Figura 4-2 Diagrama de selección de un modelo del sistema.
Desarrollo del modelo

Al definir el problema ya se ha dado el primer paso para desarrollar el modelo. Deben

encontrarse ahora criterios de medición de eficiencia del problema y las interrelaciones
entre las variables consideradas.
Se construye el modelo del sistema, simbolizando todos sus componentes
mediante una formulación matemática. La gran ventaja de los modelos de simulación
consiste en que pueden formularse relaciones entre variables y parámetros muy
complejos (propios del mundo de los negocios) que no pueden trabajarse por medio de
los modelos de optimización, como la programación lineal, la programación dinámica,
etc.
En esta etapa el modelo es computacional, se prepara el diagrama de flujo y se
codifica.

Validez del modelo

En las etapas anteriores se ha definido el problema, se ha construido el modelo, pero

en este momento es necesario definir cuán válido es el modelo propuesto.
Una manera de saberlo es utilizando datos históricos mediante una prueba
realizada con cuidadoso análisis para investigar los factores inválidos. Esta prueba de
validez se hace con datos reales.
La prueba de validez del modelo tiene tres funciones:

1. Demostrar al grupo de análisis y a la dirección que el modelo funciona como se

anticipó.
2. Obtener datos sobre las dificultades que se observan en los procedimientos.
3. Entrenar al personal operativo que usará el sistema.

Procesamiento del modelo

En las etapas anteriores se probó el modelo desarrollado, asegurando su validez.

Deberá ahora procesarse el modelo para obtener las soluciones. Este proceso puede
ser realizado de dos formas:
1) Manual
2) Mecanizado
La decisión de procesarlo de una u otra forma tiene que haber sido tomada
anteriormente y las necesidades, la complejidad, el costo y la urgencia de la
información para decisión que se extraiga, determinarán la utilización de uno u otro
camino.

Análisis y control de resultados

Los distintos cursos de acción tomados, los sucesivos cambios de diseño y la
comparación con la realidad luego de procesadas, permiten que de los resultados se
extraigan las conclusiones y las políticas a seguir en la toma de decisiones posterior.
Figura 4-3 Diagrama del desarrollo de un modelo.

Esta técnica, simplificando la realidad, abstrayendo con sus análisis los factores
determinantes de una situación, ha permitido a los dirigentes de las empresas prever
las consecuencias y planear el futuro sin moverse de su escritorio.
Figura 4-4 Diseño de un modelo y aplicación del mismo para pronóstico de resultados.
Aplicación de la simulación a un problema de población
Simulación: población y muestra

La inspección o medida de cierta característica de una población se puede realizar por

medio del estudio de todos sus elementos (censo) o por medio del análisis de una parte
de ellos, en cuyo caso se habla de un muestreo.
La teoría del muestreo estudia las relaciones existentes entre una población y las
muestras que se extraen de dicha población.
La población particular que se debe estudiar dependerá, por supuesto, del
problema de que se trate.
Por ejemplo, si una compañía desea conocer cuál es la opinión acerca del
rendimiento de un determinado artículo, la población a ser considerada estará formada
por todos los propietarios actuales de ese artículo particular.
Sin embargo, si la compañía debe de tomar una decisión que afecte las ventas
futuras del artículo sobre la base de las preferencias del consumidor, la población que
debe considerarse estará formada por todos los consumidores potenciales de este
producto particular.
Y así pues, el problema en consideración siempre determina la población que
debe ser estudiada.
Evidentemente, para que sean válidas las condiciones obtenidas de la teoría del
muestreo y de la inferencia estadística, es necesario que las muestras elegidas sean
"representativas" de la población estudiada.
El estudio de los métodos de muestreo y los problemas que con él se relacionan
se llama diseño del experimento.

Selección de la muestra

Es evidente que cualquier persona puede seleccionar una muestra de una población
dada, sin embargo, aun cuando tal persona tenga bastante experiencia una muestra
seleccionada con base en el criterio del investigador, adolece de los defectos
siguientes:

a) Al hacerla selección "a juicio", la persona puede tener propensión a seleccionar

determinadas unidades, ejemplo: en un lote de varillas escogería aquellas de
más fácil acceso.
b) No se puede asignar una probabilidad de selección a las muestras posibles.
Para evitar estos problemas, se han ideado procedimientos de selección en los
cuales no intervenga el elemento subjetivo del muestreador y que, por otra parte,
permitan conocer la probabilidad de selección asociada a cada muestra.

Selección al azar
Un procedimiento para lograr lo anterior consiste en asignar la misma probabilidad a
cada uno de los posibles elementos de la muestra. Esto se puede lograr colocando en
una urna objetos iguales con números que identifiquen a los elementos de la población.
Al ir extrayendo dichos objetos, los números asociados a ellos nos irán
identificando a los elementos que integran la muestra; desde luego este procedimiento
es impracticable.
Un sistema mucho más simple consiste en la utilización de tablas de números
aleatorios.

Números aleatorios

Una forma de construir una tabla de números aleatorios podría ser tomando una urna
que contenga diez objetos iguales numerados del 0 al 9, extraer uno de ellos y anotar
su valor, reintegrarlo a la urna y repetir la operación hasta construir la tabla deseada.
Para un número grande de extracciones es de esperarse que aparezca un
número aproximadamente igual de cada uno de los dígitos. A la tabla así construida se
le llama tabla de números aleatorios. En realidad no se requiere enfrentarse al
problema de la construcción de estas tablas, ya que, siguiendo diversos métodos para
su construcción, se ha publicado un número considerable de ellas.

Números pseudo-aleatorios

Debido a las dificultades prácticas al tratar de simular en una computadora electrónica

la urna mencionada en el inciso anterior, es más conveniente calcular una secuencia de
números conforme a una regla completamente especificada y comprobar, mediante
pruebas estadísticas razonables, que todos los dígitos así generados tienen
aproximadamente la misma probabilidad de aparición.
Los números así obtenidos reciben el nombre de pseudoaleatorios y presentan la
enorme ventaja de que pueden generarse en la computadora para cada aplicación
particular y, en caso necesario, reproducirse para fines de verificación.
Láminas auxiliares
Ejemplos:
• La imagen mental de la organización de una empresa
• La descripción del funcionamiento de una empresa
• Un "modelo matemático" del funcionamiento de una empresa
• Los estados financieros de una empresa

¿Por qué son útiles?

¿Cómo se justifica su desarrollo?
• Permite obtener respuestas rápidas a un costo bajo
• Se puede experimentar con el modelo en vez del sistema real (o prototipo)
• Siguen un procedimiento preciso y bien documentado
• Constituyen una forma de comunicación a través de toda la empresa
• Permiten pronosticar y evaluar el efecto a largo plazo de decisiones a corto plazo
Lámina 4

Un modelo permite:

1. Reducir el tiempo requerido para reaccionar al cambio.

2. Evaluar alternativas de acción con su conocimiento completo de todos los
factores.
3. Abarcar periodos más largos en el futuro.
4. Prever posibles contingencias.

Lámina 5

Objetivos básicos del uso de modelos:

1. Describir
2. Pronosticar
3. Diseñar o crear
4. Auxiliar en la comprensión de situaciones o sistemas complejos.

Lámina 6

Pasos a seguir en el desarrollo de un proceso de simulación:

a) Definición del problema

b) Desarrollo del modelo
c) Validez de modelo
1. Mostrar su funcionamiento
2. Obtener datos sobre dificultades observadas
3. Entrenar al personal operativo que usará el sistema
d) Procesamiento del modelo
e) Análisis del resultado

Lámina 7

Conclusiones de un estudio realizado por la firma Booner and Moore Associates

Inc., sobre planeación formal y el uso de modelos corporativos.

• Las compañías que planean formalmente han experimentado un crecimiento

mayor, en términos de ingresos y utilidades, que aquellas que no planean.
• Se están utilizando modelos para la planeación y asignación de presupuesto
porque permiten obtener oportunamente proyecciones financieras consolidadas
sobre varios cursos alternativos a seguir.
• La gran mayoría de los modelos corporativos son simulaciones en computadora
que utilizan datos de estudio en las diferentes áreas productivas para obtener los
 efectos a toda la empresa de diferentes estrategias.
• Casi todos los modelos comienzan por una versión inicial bastante general, pero
que abarca toda la empresa.
• Aún no se puede predecir qué firmas son las más susceptibles a desarrollar
modelos para su planeación, hasta ahora ha dependido de la iniciativa de
directores dentro de todo tipo de empresas.

Resultados de la encuesta (Booner y Moore)

¿En que están ayudando los modelos al grupo directivo?