TRABAJO FASE 5

TRABAJO COLABORATIVO FINAL

INTEGRANTES:
Miguel Angel Cano Pedraza 1110566300

GRUPO:
200608_8

TUTOR:

Hector Fabio Padilla

Universidad Nacional Abierta y a Distancia UNAD

Programa de Ingeniería de Sistemas
Ibagué
Diciembre 2017

1
 INTRODUCCION

La teoría de la decisión proporciona una manera útil de clasificar modelos para la toma de
decisiones. Aquí se usara toma de decisiones como un sinónimo de selección. Se supondrá que se
ha definido el problema, que se tienen todos los datos y que se han identificado los cursos de acción
alternativa. La tarea es entonces seleccionar la mejor alternativa entre las cuatro categorías
generales dependiendo de la habilidad para predecir las consecuencias de cada una.

Las herramientas para las decisiones tecnológicas tales como los modelos matemáticos han sido
aplicadas a una amplia gama de situaciones en la toma de decisiones dentro de diversas áreas de
la gerencia. En la toma consciente de decisiones bajo incertidumbre, siempre realizamos
pronósticos o predicciones. Podríamos pensar que no estamos pronosticando, pero nuestras
opciones estarán dirigidas por la anticipación de resultados de nuestras acciones o inacciones. Este
sitio tiene el objetivo de ayudar a los gerentes y administradores a hacer un mejor trabajo al
momento de anticipar hechos, y por lo tanto, un mejor manejo de la incertidumbre mediante el uso
de técnicas de predicción y pronóstico efectivas.

2
 OBJETIVOS

Objetivo General

Identificar y desarrollar la temática propuesta en el curso de Teoría de Decisiones con el fin de

facilitar la aplicación en el ámbito académico y laboral optimizando el desempeño del estudiante
mediante la aplicación de técnicas en conjunto con la sistematización de los procesos con el apoyo
de software.

Objetivos Específicos:

 Conocer los diferentes criterios de decisión para aplicar en el modelo específico.

 Realizar la entrega del trabajo final.

 Aplicar los métodos matemáticos estadísticos para resolver la toma de decisiones bajo
incertidumbre.

 Conocer los conceptos básicos para los manejos de los métodos en la teoría de decisiones.

 Diferenciar entre los métodos para las tomas de decisiones bajo incertidumbre desde la
percepción de una investigación de mercados con o sin información muestra.

3
 DESARROLLO DE LAS ACTIVIDADES
Paso 1
1. El estudiante de manera individual, en los pasos correspondientes para la solución del
trabajo final.

Paso 2. Situación Problema - Valor Esperado.

La empresa AAA Distribuidor quiere determinar la mejor alternativa para comercializar un

producto en el mercado, para ello entre muchas alternativas a escogido tres (Alternativa 1,
Alternativa 2 y Alternativa 3), y ha estimado su ganancias de acuerdo a tres estados de la
naturaleza (Demanda Baja, Demanda Media y Demanda Alta) Determinar el VEIP, VEIM y la
Utilidad Esperada de acuerdo a la siguiente información.

Proceso de decisión para la comercialización de la bicicleta eléctrica

Cursos de acción Estados de la naturaleza
(Alternativas de decisión) Demanda Baja Demanda Media Demanda Alta
Ganancias ($) Ganancias ($) Ganancias ($)
1. Alternativa 1 86338 71784 53962
2. Alternativa 2 16457 55412 80326
3. Alternativa 3 31547 47215 12427
Probabilidades 0,2679 0,3172 0,4149
∑=1

NOTA: Se aumentó una décima a la probabilidad por demanda baja, con fin de que la sumatoria
nos de 1 exactamente.

Determinar el Valor esperado Con información Perfecta (VEIP)

Tenemos la formula general para hallar el VEIP, la cual es:

𝐕𝐄𝐈𝐏 = (𝐆𝐚𝐧𝐚𝐧𝐜𝐢𝐚 𝐞𝐬𝐩𝐞𝐫𝐚𝐝𝐚 𝐜𝐨𝐧 𝐢𝐧𝐟𝐨𝐫𝐦𝐚𝐜𝐢ó𝐧 𝐩𝐞𝐫𝐟𝐞𝐜𝐭𝐚)

− (𝐆𝐚𝐧𝐚𝐧𝐜𝐢𝐚 𝐞𝐬𝐩𝐞𝐫𝐚𝐝𝐚 𝐬𝐢𝐧 𝐢𝐧𝐟𝐨𝐫𝐦𝐚𝐜𝐢ó𝐧 𝐩𝐞𝐫𝐟𝐞𝐜𝐭𝐚)

Lo primero que debe hallar es la ganancia esperada con información perfecta la cual se calcula
así:

Se toma el valor más grande de cada columna de la tabla y se multiplica por la probabilidad
estimada de estos resultados así:

𝐆𝐚𝐧𝐚𝐧𝐜𝐢𝐚 𝐜𝐨𝐧 𝐢𝐧𝐟. 𝐩𝐞𝐫𝐟𝐞𝐜𝐭𝐚 = 86338(0,2679) + 71784(0.3172) + 80326(0,4149)

= 23.129 + 22.769 + 33.327 = 𝟕𝟗. 𝟐𝟐𝟓

4
Ahora tenemos que calcular la ganancia esperada sin información perfecta, de esta manera
tenemos que tomar todos los valores de cada columna, multiplicarlos por la probabilidad
estimada para estos valores, y por ultimo tomamos el mayor valor de estos con el fin de obtener
la ganancia esperada sin la información perfecta.

1. Alternativa 1 86338 71784 53962

2. Alternativa 2 16457 55412 80326
3. Alternativa 3 31547 47215 12427
Probabilidades
0,2679 0,3172 0,4149
∑=1

Alternativa 1= (86.338 ∗ 0.2679) + (71.784 ∗ 0.3172) + (53.962 ∗ 0.4149) = 23.129 +

22.769 + 22.388 = 𝟔𝟖. 𝟐𝟖𝟔

Alternativa 2= (16.457 ∗ 0.2679) + (55.412 ∗ 0.3172) + (80.326 ∗ 0.4149) = 4.407 +

17.582 + 33.327 = 𝟓𝟓. 𝟑𝟏𝟔

Alternativa 3= (31.547 ∗ 0.2679) + (47.215 ∗ 0.3172) + (12.427 ∗ 0.4149) = 8.448 +

14.981 + 5.156 = 𝟐𝟖. 𝟓𝟖𝟓

Teniendo estos datos podemos concluir que el mayor valor de ganancia esperada es 68.286 por
tanto este es el valor que tomaremos para completar la ecuación de VEIP.
𝐕𝐄𝐈𝐏 = (Ganancia esperada con información perfecta)
− (Ganancia esperada sin información perfecta)

𝐕𝐄𝐈𝐏 = 𝟕𝟗. 𝟐𝟐𝟓 − 𝟔𝟖. 𝟐𝟖𝟔 = $𝟏𝟎. 𝟗𝟑𝟗

Analizando estos datos podemos encontrar que el valor esperado con información perfecta
$68.286, por esta razón se puede inferir que la mejor decisión es la alternativa 1, ya que es el
que generará una mayor ganancia según el cálculo del VEIP.

Pantallazos desarrollo del ejercicio en software WINQSB

5
 Determinar el Valor esperado de la información de la muestra (VEIM)

(I1): Reporte favorable: la muestra tomada expresa un interés considerable en el producto.

(I2): Reporte no favorable: la muestra tomada expresa poco interés por producto.

Proceso de decisión para la comercialización de la bicicleta eléctrica

Cursos de acción Estados de la naturaleza
(Alternativas de decisión) Demanda Baja Demanda Media Demanda Alta
Ganancias ($) Ganancias ($) Ganancias ($)
1. Alternativa 1 86338 71784 53962
2. Alternativa 2 16457 55412 80326
3. Alternativa 3 31547 47215 12427
Probabilidades 0,2678 0,3172 0,4149
∑=1

Tabla 4 indicadores investigación de mercadeo

Indicadores Demanda baja Demanda media Demanda Alta
(I1) Reporte favorable 0,9134 0,7858 0,9467
(I2) Reporte no 0,0866 0,2142 0,0533
favorable
∑ 1 1 1

6
 PROBABILIDADES CONDICIONALES DADAS POR LOS RESULTADOS

Indicador Demanda Baja Demanda Demanda Alta Probabilidad

Media Marginal
I1 0,2447 0,2493 0,3928 0,8867
I2 0,0231 0,0679 0,0222 0,1133

Proceso de decisión para la comercialización de la bicicleta eléctrica

Cursos de acción Estados de la naturaleza
(Alternativas de decisión) Demanda Baja Demanda Media Demanda Alta
Ganancias ($) Ganancias ($) Ganancias ($)
4. Alternativa 1 86338 71784 53962
5. Alternativa 2 16457 55412 80326
6. Alternativa 3 31547 47215 12427
Probabilidades 0,2678 0,3172 0,4149
∑=1

PROBABILIDADES CONJUNTAS Y MARGINALES

INDICADOR DEMANDA DEMANDA DEMANDA

BAJA MEDIA ALTA
I1 0,2759 0,2812 0,4429
I2 0,2040 0,5998 0,1962

PROBABILIDADES POSTERIORES

DECISIONES GANANCIA ESPERADA

Alternativa 1 0,2759 (86338)+ 0,2812 (71784) + 0,4429
(53962) = 23821+20186+23890 = 67.897
Alternativa 2 0,2759 (16457)+ 0,2812 (55412)+ 0,4429 (80326)
= 4540+15582+35576= 55.698
Alternativa 3 0,2759 (31547)+ 0,2812 (47215)+ 0,4429 (12427)
= 8704+13277+5504 = 27.485

INDICADOR 1

7
 DECISIONES GANANCIA ESPERADA
Alternativa 1 0,2040 (86338)+ 0,5998 (71784)+ 0,1962 (53962)
= 17613+43056+10587= 71.256
Alternativa 2 0,2040 (16457)+ 0.5998 (55412)+ 0,1962 (80326)
= 3357+33236+15760= 52.353
Alternativa 3 0,2040 (31547)+ 0,5998 (47215)+ 0,1962 (12427)
= 6436+28320+2438= 37.194

INDICADOR 2

INDICADOR DECISIÓN OPTIMA GANANCIA

ESPERADA
I1 Alternativa 1 67.897
I2 Alternativa 1 71.256

DECISIONES ÓPTIMAS Y GANANCIAS ESPERADAS POR I1 E I2

Ya con estos cálculos procedemos a utilizar la formula general para hallar la ganancia esperada
con información de la muestra, la cual es:

Ganancia Ganancia Ganancia

esperada con esperada esperada
información = cuando el *P(1) + cuando el *P(2)
de muestra indicador es I1 indicador es I2

De acuerdo a esto tenemos:

GANANCIA ESP. CON INF. DE MUESTRA = (67.897 ∗ 0,8867) + (71.256 ∗ 0,1133)

= 60.204 + 8.073 = 𝟔𝟖. 𝟐𝟕𝟕

Por último y finalmente, el VEIM (valor esperado de la información de la muestra) es:

Valor Ganancia Ganancia

esperado de la esperada con esperada sin
información = información - información
de muestra de muestra de muestra
8
De acuerdo a esto tenemos:
VEIM = 68.277 − 68.286 = −𝟗

El valor esperado de la información muestral es utilizado para verificar la mejor estrategia de

decisión que optimice al investigación que se está realizando peo realmente al analizar el
resultado del VEIM, podemos observar que la mejor decisión es no hacer nada ya que nos da un
valor bajo y además negativo, por tanto esta información no tiene validez para la toma de
decisiones en cuanto alguna de las 3 alternativas.

Calculos Desarrollados En El Software WinQSB

9
 EFICIENCIA DE LA INFORMACIÓN DE LA MUESTRA

Eficiencia de la Valor esperado de la información de muestra

*100
información de
muestra Valor esperado de la información perfecta

Por tanto tenemos:

−9
EFICIENCIA DE LA INFORMACIÓN DE LA MUESTRA = = −0,000822 ∗ 100
10939
= −𝟎, 𝟎𝟖𝟐𝟐%

Así mismo por tanto, la eficiencia de la información es nula y además negativa, realmente esta
información no es eficiente para la toma de decisión por alguna de las alternativas analizadas.

Paso 2. Situación Problema Costos Unitarios

La empresa AAA Distribuidor quiere determinar los costos unitarios para comercializar un
producto en el mercado, para ello cuanta con la siguiente información

Proceso de decisión para la comercialización de la bicicleta eléctrica

Cursos de acción Estados de la naturaleza
Demanda Baja Demanda Media Demanda Alta
Ganancias ($) Ganancias ($) Ganancias ($)
1. A1 10872 34526 91280
2. A2 22145 10879 149975
3. A3 79608 105909 147638

Tomar la Tabla 1 Matriz de Costos y calcular manualmente los criterios de decisión bajo
incertidumbre: Laplace, Wald, Savage y Hurwicz:

METODO LAPLACE

Proceso de decisión para la comercialización de la bicicleta eléctrica

Cursos de acción Estados de la naturaleza Método
Demanda Baja Demanda Demanda Alta LAPLACE
Ganancias ($) Media Ganancias ($)

10
 Ganancias
($)
1. A1 10872 34526 91280 45.104
2. A2 22145 10879 149975 60.390
3. A3 79608 105909 147638 111.040
Probabilidad (P) 1/3 1/3 1/3

1 A1
= 10872 * 0.33 + 34526 *0.33 + 91280*0.33 = 3.588+11.394+30.122 = 45104
2 A2
= 22145* 0.33 + 10879 *0.33 + 149975*0.33 = 7.308+3.590+49.492= 60.390
3 A3
= 79608* 0.33 + 105909 *0.33 + 147638*0.33 = 26.533+35.300+49207= 111.040

CONCLUSION: Por lo tanto el método LAPLACE, arroja que el producto de menor costo de
producción seria el A3, para comercializar un producto en el mercado.

METODO WALD

Proceso de decisión para la comercialización de la bicicleta eléctrica

Cursos de acción Estados de la naturaleza Método
Demanda Baja Demanda Demanda Alta Wald
Ganancias ($) Media Ganancias ($)
Ganancias
($)
1. A1 10872 34526 91280 10.872
2. A2 22145 10879 149975 10.879
3. A3 79608 105909 147638 79.608

Elegir la alternativa ak tal que sk=max min x

Criterio pesimista o de Wald o maximin: 10.872

Criterio optimista o maximax: 79.608

CONCLUSION: Por lo tanto el método WALD, arroja que el producto de menor y mayor costo
de producción seria el A3 y A1 en una demanda Baja, lo cual nos muestra que puede haber
otras opciones de mejor beneficio para la Organización, al aplicarse métodos que muestren mejor
análisis de datos.

METODO SAVAGE

11
 Proceso de decisión para la comercialización de la bicicleta eléctrica
Cursos de Estados de la naturaleza Método
acción Demanda Baja Demanda Media Demanda Alta Savage
Ganancias ($) Ganancias ($) Ganancias ($)
1. A1 10872 34526 91280 58.695
79608- 105909-34526=71383 149975-91280=58695
10872=68736
2. A2 22145 10879 149975 57.463
79608- 105909-10879=95030 149975-149975=0
22145=57463
3. A3 79608 105909 147638 2.337
79608-79608=0 105909-105909=0 149975-147638=2337

CONCLUSION: Por lo tanto el método SAVAGE, arroja que el producto de menor costo de
producción seria el A3 en una demanda Alta

CRITERIO HURWICZ

En este criterio puede escogerse una situación intermedia entre el pesimismo y el optimismo, en
donde debe suponerse un determinado grado de optimismo y luego calcular el grado de
pesimismo.

Utilizando la formula q= q=0.5

Cursos de acción Estados de la naturaleza

Demanda Baja Demanda Demanda Alta
Ganancias ($) Media Ganancias ($)
Ganancias
($)
1. A1 10872 34526 91280
2. A2 22145 10879 149975
3. A3 79608 105909 147638

1 = (10872+91280) * 0.5 = 51.076

2 = (10879+149975) * 0.5 = 80.427
3 = (79608+147638) * 0.5 = 113.623

Se escoge el resultado mayor de las distintas alternativas que en este caso es 113.623 y
corresponde a A3.

12
Comprobación por el programa WinQSB

13
Paso 3. Situación Problema Pagos Esperados.

La empresa AAA Distribuidor quiere determinar los Pagos Esperados para comercializar un
producto en el mercado y ha determinado un posible competidor el cual tiene un Producto B que
tiene unas características simulares al Producto A que pretende comercializar la empresa AAA
Distribuidor.

Matriz de Pagos (3*3):

Producto B
Producto A 1 2 3
1 89304 124444 73924
2 55642 70057 110101
3 136727 119930 113113

El estudiante con su grupo de trabajo presentara los cálculos manuales del juego de dos
personas y suma cero, adicional deben realizar la comprobación por software y presentar
los resultados obtenidos

ESTRATEGIAS DOMINADAS

Matriz de Pagos (3*3):

Producto B
Producto A 1 2 3
1 89304 124444 73924
2 55642 70057 110101
3 136727 119930 113113

14
Para el producto A la estrategia 3 esta dominando en sentidos a la estrategia 2 por lo tanto
eliminamos los pagos de esa estrategia
Porque: 136727> 55642, 119930> 70057 y 113113 > 110101

Matriz de Pagos (3*3):

Producto B
Producto A 1 2 3
1 89304 124444 73924

3 136727 119930 113113

El producto B minimiza perdidas, por lo tanto elimina la estrategia 2 (dominante) ya que con
esta obtendrá mayores pérdid

Matriz de Pagos (3*3):

Producto B
Producto A 1 3
1 89304 73924

3 136727 113113

El producto A elimina la estrategia 1 que es dominada por la estrategia 3 (la estrategia 1

representa menos ganancia)

Matriz de Pagos (3*3):

Producto B
Producto A 1 3

3 136727 113113

Por último el producto B elimina la estrategia 3 (dominante) ya que con esta obtendrá mayores
pérdidas

Matriz de Pagos (3*3):

Producto B
Producto A 1

3 136727

15
Por lo tanto el valor de juego es igual a 136727 el cual representa la ganancia para el Producto
A y la perdida para el producto B.

SUMA CERO

Matriz de Pagos (3*3):

Producto B
Producto A 1 2 3
1 89304 124444 73924
2 55642 70057 110101
3 136727 119930 113113
Para el producto A se elige el valor mínimo de cada fila y para el producto B se elige el valor
máximo de cada columna.

Matriz de Pagos (3*3):

Producto B
Producto A 1 2 3
1 89304 124444 73924 73924
2 55642 70057 110101 55642
3 136727 119930 113113 Maximin
113113
Minimax
136727 124444 113113

El producto A elige el valor mayor entre los valores mínimos (Maximin) = 113113

El producto B elige el valor mínimo entre los valores mayores (Minimax) = 113113

Como los valores son iguales existe punto de silla, por lo tanto se pude concluir que el juego es
justo o la solución es estable.

Resultados obtenidos con el software WinQSB

16
Paso 4. Patrones de Consumo

La empresa AAA Distribuidor quiere determinar los Patrones de consumo de 4 marcas del
producto que quiere comercializar. Para se pretende encontrará las probabilidades de transición
hasta el periodo 5 y las probabilidades de estado estable mediante la aplicación del Proceso de
Decisión de Markov de etapa finita

Tabla 6 Patrones de consumo del producto

Probabilidades de Marca A Marca B Marca C Marca D Probabilidades
transacción iniciales
Marca A 0,3664 0,1780 0,2648 0,3219 0,8908
Marca B 0,2008 0,1776 0,1569 0,2284 0,0208
Marca C 0,3379 0,3135 0,2587 0,3566 0,0700
Marca D 0,0949 0,3309 0,3196 0,0931 0,0185
Σ 1 1 1 1 1

El estudiante con su grupo de trabajo presentara los cálculos manuales del de los patrones de
consumo, adicional deben realizar la comprobación por software y presentar los resultados
obtenidos.

Tabla 6 Patrones de consumo del producto

Prababilidades Marca A Marca B Marca C Marca D Probabilidades
de transición iniciales
Marca A 0,366 0,178 0,265 0,322 0,8908
Marca B 0,201 0,178 0,157 0,228 0,0208
Marca C 0,338 0,314 0,259 0,357 0,0700
Marca D 0,095 0,331 0,320 0,093 0,0185
∑ 1,000 1,000 1,000 1,000 1,0000

17
 PARTICIPACIONES PROBABLES DE MERCADO PERIODO 1
Prababilidades Marca A Marca B Marca C Marca D Probabilidades
de transición iniciales
Marca A 0,326 0,004 0,019 0,006 0,3546
Marca B 0,179 0,004 0,011 0,004 0,1978
Marca C 0,301 0,007 0,018 0,007 0,3322
Marca D 0,085 0,007 0,022 0,002 0,1155

PARTICIPACIONES PROBABLES DE MERCADO PERIODO 2

Probabilidades Marca A Marca B Marca C Marca D Probabilidades
de transición iniciales
Marca A 0,130 0,035 0,088 0,037 0,2903
Marca B 0,071 0,035 0,052 0,026 0,1848
Marca C 0,120 0,062 0,086 0,041 0,3090
Marca D 0,034 0,065 0,106 0,011 0,2160

PARTICIPACIONES PROBABLES DE MERCADO PERIODO 3

Probabilidades Marca A Marca B Marca C Marca D Probabilidades
de transición iniciales
Marca A 0,106 0,033 0,082 0,070 0,2906
Marca B 0,058 0,033 0,048 0,049 0,1889
Marca C 0,098 0,058 0,080 0,077 0,3130
Marca D 0,028 0,061 0,099 0,020 0,2076

PARTICIPACIONES PROBABLES DE MERCADO PERIODO 4

Probabilidades Marca A Marca B Marca C Marca D Probabilidades
de transición iniciales
Marca A 0,106 0,034 0,083 0,067 0,2898
Marca B 0,058 0,034 0,049 0,047 0,1884
Marca C 0,098 0,059 0,081 0,074 0,3124
Marca D 0,028 0,063 0,100 0,019 0,2095

PARTICIPACIONES PROBABLES DE MERCADO PERIODO 5

Probabilidades Marca A Marca B Marca C Marca D Probabilidades
de transición iniciales

18
 Marca A 0,106 0,034 0,083 0,067 0,2899
Marca B 0,058 0,033 0,049 0,048 0,1885
Marca C 0,098 0,059 0,081 0,075 0,3125
Marca D 0,028 0,062 0,100 0,020 0,2092

Con el cálculo de la cadena de Markov podemos verificar las aproximaciones o previsiones controlando
las posibilidades de consumo de los productos de las marcas A, B, C, D, permitiendo ver la estabilidad
futura y analizar una evolución mucho más realista en cuanto al consumo de los productos analizados
hasta el periodo 5, permitiendo ver el aumento o disminución de consumo así como la variabilidad
cuantitativa de cada producto con el fin de generar estrategias que permitan hacer frente a los cambios
venideros para la empresa AAA Distribuidor, en cuanto a la proyección de la demanda.

Pantallazos WINQSB

PERIODO 1

PERIODO 2

19
PERIODO 3

20
PERIODO 4

PERIODO 5

21
 CONCLUSIONES

 Poder tener más herramientas y conocimientos para poder en un futuro tener poder decisión
ante problemas o situaciones complejas de los temas que se llegasen a presentar en nuestro
campo profesional.

 Se adquirieron conocimientos para el desempeño como Ingenieros con capacidad para la

solución a problemáticas que se presenten.

 Saber cómo involucrar metodologías nuevas para poder analizar de forma crítico una idea
o producto, así como conocer y poner en práctica conceptos y habilidades de investigación.

 El desarrollo de la actividad permite reforzar los conocimientos adquiridos en el estudio de

las unidades del curso por medio del desarrollo de ejercicios en concreto.

 Poder conocer a fondo la temática que maneja la unidad n 2 del curso de teoría de
decisiones.

22
 REFERENCIAS BIBLIOGRAFICAS

 Mosquera, W. E. (2010). Criterios de Decisión, Decisiones Bajo Riesgo . 200608 - Teoría

de las decisiones. Recuperado de:
http://repository.unad.edu.co/bitstream/10596/4891/1/200608%20Modulo.pdf

 Hillier, F., & Lieberman, G. (2010). Analisis de Decisión, Arboles de Decisión, Teoría de
la Utilidad. En Introducción a la investigación de operaciones (9a ed.). México, D. F.:
McGraw-Hill. Recuperado de:

 Begoña, Vitoriano ().Teoría de Juegos o Estrategia de juegos. TEORÍA DE LA
DECISIÓN. Recuperado de:
http://repository.unad.edu.co/bitstream/10596/5052/1/212066%20a_dt_UCM.pdf

 Maroto, C., Alcaraz, J., & Ginestar, C. (2012). Investigación operativa en administración
y dirección de empresas. Valencia, ES: Editorial de la Universidad Politécnica de
Valencia. Retrieved from http://www.ebrary.com

 EPPEN, Gould y Schimidt. (1999). Investigación de operaciones en las Ciencias de

Ingeniería. Bogotá d.c. Editorial Prentice may. 3 ediciones

 GALLAGHER, Watson. (2005). Métodos Cuantitativos para la Toma de decisiones.

Bogotá d.c. Editorial McGraw Hill

 SHAMBLIN, James. (2006).Investigación de Operaciones. México. Ed. limusa.

23