UNIVERSIDAD CESAR VALLEJO

ESCUELA ACADEMICA PROFESIONAL DE

INGENIERIA INDUSTRIAL

“APLICACIÓN DE TÉCNICAS CUANTITATIVAS PARA

LA TOMA DE DECISIONES EN LA INDUSTRIA
PERUANA”
CURSO : Herramientas para la toma de decisiones
PROFESOR : Ing, Pedro Ramiro Mendoza Ocaña
TURNO : Tarde / Noche
INTEGRANTES
Esteves Roncal, Adriana Del Rosario (orcid.org/0000-0002-0795-0717)
[email protected]
Flores Aldea, Bruno (orcid.org/0000-0002-5824-8530)
[email protected]
Guanilo Guanilo, Diego Fabricio (orcid.org/0000-0001-7826-0038)
[email protected]
López Young, Jorge Luis (orcid.org/0000-0002-6251-8708)
[email protected]
Salazar Olano, Eddie Fabricio (orcid.org/0000-0001-7758-636X)

[email protected]
Tacilla Fernandez, Luis David (orcid.org/0000-0001-6251-9236)
[email protected]
Valiente Mostacero, Vania Anali (orcid.org/0000-0002-8188-4906)
[email protected]
Chepén – Perú
2024-II
 ÍNDICE
I. INTRODUCCION.....................................................................................................1
II. CONTENIDO............................................................................................................2
III. ARBOLES DE DECISIÓN........................................................................................4
3.1. Sector minero: Evaluar escenarios de extracción de minerales o decisiones de
inversión........................................................................................................................6
IV. CADENAS DE MARKOV ERGÓDICAS................................................................8
4.1. Sector energético: Modelado de la demanda de electricidad y optimización de
recursos..........................................................................................................................9
4.2. Sector transporte: Predicción del comportamiento de usuarios en sistemas de
transporte público y optimización de rutas..................................................................10
V. CADENAS DE MARKOV ABSORBENTES........................................................11
5.1. Sector salud: Modelado de progresión de enfermedades en pacientes y análisis
de costos de tratamientos.............................................................................................12
5.2. Sector educación: modelado de procesos de deserción estudiantil o
permanencia en el sistema educativo..........................................................................13
5.3. Beneficios y desafíos en la industria peruana...................................................14
5.4. Ejemplos o estudios de caso y beneficios de estas aplicaciones para mejorar la
toma de decisiones en la industria peruana.................................................................14
VI. PROGRAMACIÓN DINÁMICA............................................................................21
6.1. Sector salud: Modelado de progresión de enfermedades en pacientes y análisis
de costos de tratamientos.............................................................................................22
6.2. Sector salud: Modelado de progresión de enfermedades en pacientes y análisis
de costos de tratamientos.............................................................................................24
6.3. Sector Agroindustrial: Planificación de la Producción y Maximización de
Rendimientos...............................................................................................................26
6.4. Ejemplos de cómo la programación dinámica ha mejorado la eficiencia
operativa en distintas áreas..........................................................................................28
REFERENCIAS..............................................................................................................30
 ÍNDICE DE TABLAS
Tabla 1. Elaboración de la matriz con los 13 estados....................................................16
Tabla 2. Elaboración de la matriz con los 13 estados....................................................16
Tabla 3. Matriz con m=13 y =1 para el repuesto 1........................................................17
Tabla 4. Matriz con m=13 y n=2 para el repuesto 1......................................................17
Tabla 5. Matriz con m=13 y n=3 para el repuesto 1......................................................18
Tabla 6. Matriz con m=13 y n=4 para el repuesto 1......................................................18
Tabla 7. Simulación con una demanda promedio de 59 según Markov para el respuesto
1.......................................................................................................................................19
Tabla 8. Datos para el repuesto 1...................................................................................20
Tabla 9. Costo total actual y con la propuesta de Márkov.............................................20
Tabla 10. Programación dinámica Etapa 4....................................................................23
Tabla 11. Programación dinámica Etapa 3....................................................................23
Tabla 12. Programación dinámica Etapa 2....................................................................23
Tabla 13. Programación dinámica Etapa 1....................................................................24
Tabla 14. Programación dinámica – Etapa 3 (Decidir x3).............................................27
Tabla 15. Programación dinámica – Etapa 2 (Decidir x2).............................................27
Tabla 16. Programación dinámica – Etapa 1 (Decidir x1).............................................28
 ÍNDICE DE FIGURAS
Figura 1. Gráfico de cadenas de Márkov ergódicas Sector energético...........................10
Figura 2. Gráfica de cadenas de Márkov ergódicas Sector transporte............................11
Figura 3. Gráfico de cadenas de Márkov absorbentes Modelo Salud............................13
Figura 4. Gráfico de cadenas de Márkov absorbentes Modelo Educativo.....................14
Figura 5. Diagrama de rutas............................................................................................24
Figura 6. Modelación de rutas en aplicación..................................................................25
Figura 7. Colocación de nodos.......................................................................................25
Figura 8. Resultados de la ruta más corta.......................................................................26
Figura 9. Ruta más corta (1; 2; 3; 5; 6)...........................................................................26
I. INTRODUCCION

La aplicación de técnicas cuantitativas ha demostrado ser un enfoque efectivo para la

toma de decisiones en la industria peruana. Diversas herramientas importantes como la
programación lineal, teorías de la decisión de probabilidad, teoría de juegos, teoría de
colas y simulación han permitido a las empresas optimizar sus procesos productivos,
gestionar eficientemente sus recursos y tomar decisiones más informadas. Por ejemplo,
en el sector manufacturero la programación lineal ha sido utilizada para planificar la
producción y asignar óptimamente los recursos, logrando maximizar las ganancias y
minimizar los costos. También un claro ejemplo en el sector agroindustrial, las técnicas
de simulación han jugado un rol crucial al permitir a las empresas peruanas evaluar
diferentes escenarios de manera virtual antes de realizar inversiones, identificar cuellos
de botella y probar estrategias de mejora sin interrumpir la operación real. Esto ha sido
particularmente útil en un sector tan sensible a factores externos como la disponibilidad
de recursos, las condiciones climáticas y la volatilidad de los mercados. Asimismo, el
empleo de modelos probabilísticos ha contribuido a predecir patrones de demanda y
anticipar posibles fallas o disrupciones, facilitando una mejor gestión de inventarios y
programación de la producción. Adicionalmente, la simulación ha jugado un rol crucial
al permitir a las empresas peruanas evaluar diferentes escenarios de manera virtual antes
de realizar inversiones, identificar cuellos de botella y probar estrategias de mejora sin
interrumpir la operación real. De esta manera, las técnicas cuantitativas se han
convertido en herramientas indispensables para que las industrias locales puedan tomar
decisiones más sólidas y adaptarse a los desafíos cambiantes del mercado (Ropero y
Silva, 2023).

En el entorno empresarial actual, cada vez más competitivo y globalizado, la toma de

decisiones se ha vuelto un proceso crítico para las organizaciones. En el caso de la
industria peruana, el uso de técnicas cuantitativas se ha convertido en una herramienta
fundamental para respaldar y optimizar la toma de decisiones (Abad, Segura et al.,
2022). Según la investigación, las técnicas cuantitativas, como el análisis de datos, el
modelado matemático, la simulación y la optimización, permiten a las empresas
peruanas tomar decisiones más informadas y estratégicas, brindándoles la capacidad de
sintetizar la información disponible, evaluar el entorno cambiante, planificar recursos de

1
manera más efectiva y elaborar indicadores clave que faciliten la toma de decisiones
(Konstantas et al., 2019).

En sectores clave de la industria peruana, como la minería, la manufactura, la logística y

las finanzas, el empleo de técnicas cuantitativas ha demostrado ser de gran utilidad
(Cuevas, Vargas et al., 2020). Por ejemplo, las empresas mineras pueden utilizar
modelos matemáticos y de simulación para optimizar sus procesos de extracción y
logística, reduciendo costos y mejorando la eficiencia. De igual manera, en el sector
financiero peruano, el análisis cuantitativo de datos históricos y proyecciones ha
permitido a las instituciones tomar decisiones más informadas sobre inversiones,
gestión de riesgos y desarrollo de nuevos productos y servicios, contribuyendo a
mejorar la competitividad y adaptabilidad de las empresas (Palacios et al., 2020).

II. CONTENIDO

Las técnicas analíticas y cuantitativas son esenciales para el éxito de la industria

peruana, ya que permiten a las empresas tomar decisiones más efectivas y estratégicas.
A continuación, se destacan sus principales beneficios:

Análisis de Mercado: Facilitan el estudio del comportamiento del consumidor y las

tendencias del mercado, ayudando a identificar oportunidades y a adaptarse a la
competencia. Esto es crucial para mantener la relevancia en un entorno dinámico.

Gestión de Inventarios: Permiten manejar los inventarios de manera más eficiente,

minimizando costos y evitando desabastecimientos. Esto asegura que los productos
estén disponibles para satisfacer la demanda del consumidor.

Expansión de Proyectos: Ayudan en la toma de decisiones sobre la expansión a nuevos

mercados y la diversificación de productos, lo que es vital para el crecimiento
sostenible.

Apoyo a la Innovación: Son esenciales en la investigación y el desarrollo de nuevos

productos, ayudando a identificar necesidades del mercado que pueden ser
aprovechadas para innovar.

Valor Agregado: La extracción y procesamiento de información generan informes

estratégicos que influyen en decisiones clave, ofreciendo un "valor agregado" que puede
dar a las empresas una ventaja competitiva (Domínguez, 2018).

2
Evaluación del Rendimiento: Proporcionan herramientas para medir y analizar el
rendimiento organizacional, apoyando la mejora continua. Esto es fundamental para la
competitividad a largo plazo.

Sostenibilidad: Facilitan la evaluación del impacto ambiental y social de las

operaciones, promoviendo prácticas responsables que mejoran la percepción pública y
la lealtad del cliente.

Técnicas:

Cadenas de Márkov: Modelo matemático que describe sistemas que cambian de un

estado a otro de manera probabilística. Se utiliza para modelar procesos estocásticos,
como la gestión de inventarios o el análisis de comportamiento del cliente (Universidad
nacional del Perú, 2020).

Árboles de Decisión: Herramienta gráfica que ayuda a visualizar decisiones y sus

posibles consecuencias. Facilita la evaluación de opciones y la identificación del mejor
camino a seguir (Asana, 2024).

Modelos de Políticas de Inventarios: Estrategias que determinan cuándo y cuánto

reabastecer un inventario. Estos modelos ayudan a minimizar costos de almacenamiento
y evitar desabastecimientos, siendo cruciales en sectores como la retail y la logística
(Siigo, 2018).

Líneas de Espera: Modelo que estudia el comportamiento de sistemas donde los clientes
esperan para ser atendidos. Se utiliza en la optimización de procesos en servicios, como
en el sector de la salud o el turismo, mejorando la atención al cliente (Euroinnova
International Online Education, 2024).

Las técnicas cuantitativas se aplican en la industria peruana de diversas maneras:

 Gestión de Inventarios: En el sector retail, los modelos de políticas de

inventarios son fundamentales para garantizar un equilibrio entre oferta y
demanda, evitando pérdidas y mejorando la rotación de productos.
 Mejora de Servicios: En el sector salud, los modelos de líneas de espera ayudan
a optimizar la atención al paciente, reduciendo tiempos de espera y mejorando la
satisfacción del cliente. (Yanetsys, 2020).

3
  Optimización de Procesos: En la agricultura, se utilizan modelos de
programación dinámica para maximizar la producción y minimizar costos
operativos.
 Análisis de Clientes: Las cadenas de Márkov se aplican para entender el
comportamiento del consumidor, permitiendo a las empresas anticipar
necesidades y personalizar ofertas.

III. ARBOLES DE DECISIÓN

Un árbol de decisiones es un diagrama en el que se representan las decisiones que se

deben tomar, los diferentes escenarios que pueden ocurrir y todos los posibles
resultados. Por lo tanto, un árbol de decisiones sirve como ayuda para tomar una
decisión en el que se deben tener en cuenta varios escenarios posibles; Estadística
(2023b). También, es un recurso muy valioso para la toma de decisiones, dado que
facilita la visualización de las posibles repercusiones de cada opción y qué resultados se
pueden obtener con cada decisión adoptada.

Por otro lado, los árboles de decisión son herramientas ampliamente empleadas en el
sector financiero para evaluar el riesgo de crédito, modelar el comportamiento de los
clientes y gestionar carteras de préstamos. Estas estructuras permiten dividir un
problema en decisiones y posibles consecuencias, representadas en ramas que se
desarrollan en función de características específicas de los datos. Como señala Caro
(2017), los árboles de decisión son modelos jerárquicos de clasificación que permiten
evaluar patrones en los datos y realizar predicciones efectivas en diversas aplicaciones
financieras. La flexibilidad de los árboles de decisión radica en su capacidad para
clasificar datos, identificar patrones de comportamiento y hacer predicciones en función
de variables específicas.

En el caso de la evaluación del riesgo crediticio, los árboles de decisión permiten a las
instituciones financieras analizar múltiples factores, como los ingresos, el historial de
crédito y la capacidad de pago de los clientes. Cada nodo representa una condición que
clasifica a los clientes en segmentos de riesgo bajo, medio o alto. Según Navarro
(2019), los árboles de decisión son especialmente útiles en la evaluación de riesgo
crediticio, ya que permiten a las instituciones financieras desarrollar modelos
predictivos que segmenten a los clientes según su perfil de riesgo. Esta técnica facilita la
definición de políticas de crédito, ya que permite evaluar la probabilidad de

4
incumplimiento de un cliente antes de aprobar un préstamo, ayudando a reducir la
exposición a riesgos.

Asimismo, en el modelamiento del comportamiento de los clientes, los árboles de

decisión contribuyen a predecir patrones de uso y frecuencia de servicios financieros. Al
analizar datos de comportamiento, como la frecuencia de transacciones, el tipo de
productos utilizados y los patrones de pago, es posible anticipar las acciones de los
clientes, diseñar estrategias de retención y personalizar servicios que respondan a las
necesidades específicas de cada perfil de cliente. Como menciona Garcés (2017) la
capacidad de los árboles de decisión para clasificar y segmentar datos los convierte en
una herramienta clave en la predicción de comportamiento y en la toma de decisiones de
marketing dirigidas.

Finalmente, en la gestión de carteras de préstamos, los árboles de decisión permiten una

evaluación constante del riesgo de incumplimiento en diferentes segmentos de la
cartera. Esta herramienta ayuda a los gestores a diversificar el riesgo, asignando
estrategias diferenciadas a clientes con alta probabilidad de incumplimiento y
permitiendo minimizar las pérdidas potenciales.

Partes clave de un árbol de decisión:

Nodos Raíz: Donde comienza la división de datos.

Nodos Internos: Representan decisiones basadas en atributos y conducen a otros nodos

o a nodos hoja.

Ramas: Conectan nodos y representan los resultados de las decisiones.

Nodos Hoja: Representan la salida final del modelo, ya sea una etiqueta de clase o un
valor numérico.

 Aplicaciones empresariales del algoritmo de árbol de decisión según De

Arregui

Varios sectores pueden aprovechar esta herramienta de decisión para mejorar sus
procedimientos. A medida que las empresas en Perú adoptan rápidamente la
Inteligencia Artificial, los árboles de decisión se posicionan como una solución
esencial en los siguientes campos:

5
 Marketing y Segmentación de Clientes: Se utilizan para clasificar a los
clientes por atributos y conductas, lo que facilita la personalización de campañas
de marketing y mejora su eficacia, como determinar qué características anticipan
con mayor precisión una reacción favorable a una campaña.

Predicción de Ventas: Contribuyen a anticipar ventas futuras mediante

información histórica y elementos externos, lo que simplifica la organización de
inventarios y la administración de la cadena de suministro con más exactitud.

Detección de Fraude: En el sector financiero, identifican operaciones

fraudulentas al reconocer patrones dudosos en la información, lo que facilita una
intervención ágil y la prevención de fraudes.

Gestión de Riesgos: En el sector bancario, analizan el riesgo de impago de

préstamos en función de elementos como el historial crediticio e ingresos, lo que
contribuye a tomar decisiones de crédito más fundamentadas.

Optimización de la Producción: En la producción, mejoran los procesos al

detectar elementos que influyen en la eficiencia y la calidad, posibilitando
modificaciones que incrementan la productividad.

Atención al Cliente: Optimizan la experiencia del usuario al anticipar

dificultades habituales y proporcionar soluciones automatizadas, como chatbots
y FAQs a medida.

 Impacto en la toma de decisiones empresariales

Los árboles de decisión han revolucionado la manera en que las compañías

toman decisiones, dado que proporcionan un modelo de predicción sencillo y
claro, lo que fomenta la confianza entre los interesados. De Arregui sostiene que
"estos modelos, al organizar y examinar datos, facilitan la toma de decisiones
más fundamentadas al descubrir patrones encubiertos. Su capacidad para
gestionar diversos tipos de datos y ajustarse a problemas de variada complejidad
los convierte en indispensables para automatizar procesos, incrementar la
eficiencia y reducir errores humanos.

6
3.1. Sector minero: Evaluar escenarios de extracción de minerales o
decisiones de inversión

En la industria minera de Perú, la implementación de árboles de decisión es

fundamental para valorar alternativas de extracción y elecciones de inversión
en situaciones de incertidumbre. Ya que las actividades mineras demandan
una inversión significativa y se enfrentan a factores complejos (como el costo
de los metales, el costo de operación y las normativas medioambientales), los
árboles de decisión facilitan la simulación de diversos escenarios para cada
proyecto. Por ejemplo, una compañía podría emplear árboles de decisión para
evaluar si es lucrativo invertir en una mina concreta, teniendo en cuenta
factores como las variaciones del mercado mundial de minerales, la
disponibilidad de recursos, las políticas de regulación y los riesgos
medioambientales.

Según el estudio de Perú Mining (2024) esto contribuye a ampliar las

operaciones, obtener nuevas concesiones o poner en práctica tecnologías de
extracción más sustentables.

En el sector minero en Perú, el uso de árboles de decisión es fundamental

para analizar escenarios complejos de inversión y extracción de minerales, ya
que el contexto involucra altos costos, riesgos ambientales y fluctuaciones de
mercado.

Aplicación en Escenarios de Extracción

Evaluación de Viabilidad de Zonas: Los árboles de decisión permiten evaluar

diferentes ubicaciones de extracción considerando factores como leyes de
mineral (pureza), costos de operación, impacto ambiental, y la posibilidad de
permisos gubernamentales. Cada nodo del árbol representa una etapa de
decisión (por ejemplo, continuar explorando, iniciar extracción o abandonar
el proyecto) y está asociado con probabilidades y posibles retornos de
inversión.

Adaptación a Riesgos Geológicos y de Mercado: Dado que las reservas

pueden no ser homogéneas y los precios de los minerales fluctúan, los árboles
de decisión permiten modelar y ponderar escenarios de demanda y precio de

7
 venta en función de factores externos. Esto facilita decidir, por ejemplo, si es
mejor esperar un alza en los precios de un metal antes de realizar la
extracción.

Decisiones de Inversión

Análisis de Costo-Beneficio: Este método permite proyectar posibles retornos

considerando variables como costos de capital, infraestructura y tecnología.
Además, facilita ver las implicancias de optar por tecnologías de menor
impacto ambiental que, aunque más caras, pueden tener beneficios
reputacionales o evitar sanciones.

Gestión de Activos y Expansión: Las empresas mineras pueden utilizar

árboles de decisión para determinar la viabilidad de expandirse a nuevas
concesiones o invertir en tecnología avanzada para mejorar la eficiencia.
Cada opción se evalúa no solo en términos financieros, sino también en
cuanto a los plazos de amortización y las condiciones del mercado.

Ventajas del Uso de Árboles de Decisión en Minería

Claridad en la Toma de Decisiones: Permiten estructurar las opciones y

visualizar los posibles resultados de cada decisión. Esto es útil en reuniones
de gerencia y para lograr consenso en decisiones estratégicas.

Reducción de Riesgo: Al evaluar diferentes probabilidades y escenarios, se

puede optar por rutas de menor riesgo o desarrollar planes de contingencia en
caso de fluctuaciones de precios o eventos regulatorios imprevistos.

En Perú, donde la industria minera es vital para la economía, la

implementación de árboles de decisión ayuda de manera significativa a
reducir riesgos e identificar oportunidades de inversión en un sector que está
fuertemente expuesto a fluctuaciones externas y a la exigencia de acatar
rigurosas normativas medioambientales (Belapatiño et al. 2023).

IV. CADENAS DE MARKOV ERGÓDICAS

Ibarrola (2024), nos dice que una Cadena de Markov Ergódica es un tipo especial de
proceso estocástico caracterizado por estados que poseen propiedades específicas de
recurrencia y periodicidad. Un estado se considera ergódico cuando cumple tres

8
propiedades fundamentales: es recurrente (el sistema volverá a este estado), positivo (el
tiempo esperado de retorno es finito), y aperiódico (no tiene un patrón cíclico fijo de
ocurrencia). Cuando una cadena de Markov está compuesta enteramente por estados
ergódicos, se denomina cadena ergódica. Esta estructura matemática es particularmente
valiosa porque garantiza la existencia de una distribución de probabilidad límite, lo que
significa que el comportamiento a largo plazo del sistema puede ser predicho
independientemente del estado inicial. Las cadenas ergódicas son especialmente útiles
en aplicaciones como el análisis de sistemas estables, modelado de procesos
económicos, o estudios de comportamiento poblacional, donde el sistema mantiene un
patrón de comportamiento recurrente pero no determinístico.

Jmmarin (2022), nos dice que las propiedades de las Cadenas de Markov Ergódicas son
características distintivas que determinan el comportamiento a largo plazo de estos
procesos estocásticos (procesos aleatorios). Estas cadenas poseen dos propiedades
fundamentales: el equilibrio y la independencia del estado inicial. El equilibrio, también
conocido como estado estacionario, significa que la cadena converge a una única
distribución de probabilidad que permanece constante en el tiempo, calculable mediante
el sistema de ecuaciones π = πP. La independencia del estado inicial implica que el
sistema eventualmente "olvida" su punto de partida, convergiendo a las mismas
probabilidades estacionarias sin importar dónde comenzó. Por ejemplo, en un sistema
de comercio electrónico, los estados podrían ser "navegando", "agregando al carrito" y
"comprando", donde las probabilidades de transición entre estos estados alcanzarían un
equilibrio predecible independientemente de cómo inició el usuario su sesión. Esta
estructura matemática es especialmente útil para modelar sistemas que tienden a
estabilizarse con el tiempo, como patrones de comportamiento del consumidor,
fluctuaciones del mercado financiero, o sistemas de servicio al cliente, permitiendo
predecir tanto las probabilidades de largo plazo como el comportamiento estable del
sistema.

4.1. Sector energético: Modelado de la demanda de electricidad y

optimización de recursos.

Modelando el sector energético, mostrando los estados de demanda y sus

transiciones.

Este diagrama muestra:

9
  Estados de demanda:
o Baja: Períodos de bajo consumo (ej: madrugada, fines de
semana)
o Media: Consumo normal (ej: horario laboral regular)
o Alta: Picos de demanda (ej: horas punta, eventos especiales)
 Transiciones posibles:
o Entre estados adyacentes (Baja ↔ Media ↔ Alta)
o Saltos directos en casos especiales (Baja ↔ Alta)
 Costos asociados a cada estado:
o Baja: Costos operativos mínimos
o Media: Costos de operación normal
o Alta: Costos máximos incluyendo recursos adicionales

Figura 1. Gráfico de cadenas de Márkov ergódicas Sector energético.

4.2. Sector transporte: Predicción del comportamiento de usuarios en

sistemas de transporte público y optimización de rutas

Modelando el sector energético, este diagrama destacaría el flujo de

progresión de un usuario a través de diferentes niveles de frecuencia de uso,
identificando posibles puntos de deserción en cada etapa. También se pueden
señalar intervenciones estratégicas en cada transición para mejorar la
retención de usuarios en el sistema de transporte público.

10
Sistema de Transporte Público

 Factores de riesgo:
o Infraestructura y frecuencia: Frecuencia de vehículos,
accesibilidad de estaciones.
o Satisfacción del usuario: Experiencia de viaje, tiempos de
espera.
 Progresión del uso del sistema:
o Inicio de uso → Frecuencia media / Deserción (abandono del
sistema).
o Frecuencia media → Frecuencia alta / Deserción.
o Frecuencia alta → Uso regular / Deserción
 Estados absorbentes:
o Uso regular: Usuarios fidelizados que usan el sistema de
manera recurrente.
o Deserción: Usuarios que abandonan el sistema de transporte
público.

Figura 2. Gráfica de cadenas de Márkov ergódicas Sector transporte.

11
V. CADENAS DE MARKOV ABSORBENTES

Libretexts (2022), nos dice que una cadena de Márkov absorbente es un tipo especial de
proceso estocástico (proceso aleatorio) que tiene al menos un estado "absorbente", es
decir, un estado del cual es imposible salir una vez que se entra en él (tiene probabilidad
1 de permanecer en sí mismo). Los demás estados se llaman "transitorios" y desde
cualquiera de ellos debe ser posible alcanzar eventualmente un estado absorbente. Por
ejemplo, en un sistema educativo, la graduación o deserción serían estados absorbentes,
mientras que estar "estudiando" o "en riesgo académico" serían estados transitorios.
Esta estructura matemática es especialmente útil para modelar procesos que
eventualmente terminan en un estado final definitivo, como el análisis de la progresión
de enfermedades, procesos de manufactura, o sistemas de control de calidad,
permitiendo calcular tanto las probabilidades de acabar en cada estado absorbente como
el tiempo promedio que tomará llegar a ellos.

López & Lai (2017), habla sobre la administración moderna que ha evolucionado para
incorporar herramientas científicas provenientes de diferentes ramas, especialmente de
la Matemática Aplicada, con el fin de mejorar el proceso de toma de decisiones. En este
contexto, las variables aleatorias que cambian con el tiempo pueden ser representadas
mediante modelos cuantitativos, siendo las cadenas de Markov una herramienta
particularmente eficiente cuando el estado presente resume toda la información
necesaria para predecir el comportamiento futuro. Estos autores hablan de la
implementación de este modelo permitió determinar elementos cruciales para la gestión
de proyectos, como la cantidad promedio de inspecciones necesarias y las
probabilidades de cierre de proyectos. Esta información resultó fundamental para
apoyar la toma de decisiones tanto a corto como a largo plazo, basándose en datos
históricos recopilados durante el trienio estudiado.

4.3. Sector salud: Modelado de progresión de enfermedades en pacientes y

análisis de costos de tratamientos.

Modelado de la progresión de enfermedades, como el avance de

enfermedades crónicas.

Análisis de costos asociados a cada etapa del tratamiento y planificación de

recursos en centros de salud.

12
 o Diagnóstico → Etapa inicial/Etapa avanzada
o Etapa Inicial → Remisión/Etapa Avanzada
o Etapa Avanzada → Terminal/Remisión
o Terminal (Estado absorbente)

Figura 3. Gráfico de cadenas de Márkov absorbentes Modelo Salud

4.4. Sector educación: modelado de procesos de deserción estudiantil o

permanencia en el sistema educativo

Modelado de la deserción escolar y la permanencia en el sistema educativo.

Utilización para identificar factores de riesgo en etapas específicas y

desarrollar

 Progresión académica:
o Primer año → Segundo año//Deserción
o Segundo año → Tercer año/Deserción
o Tercer año → Graducación/Deserción
 Estados absorbentes:
o Graduación
o Deserción

13
14
 Figura 4. Gráfico de cadenas de Márkov absorbentes Modelo Educativo.

4.5. Beneficios y desafíos en la industria peruana

 Precisión en el modelado de procesos que terminan en estados finales,

como la deserción escolar o el fin de un tratamiento médico.
 Apoyo en la toma de decisiones estratégicas para la asignación de
recursos.
 Desafíos: Necesidad de contar con datos específicos y detallados para
cada sector.
Capacitación técnica para entender e implementar correctamente estos
modelos.
Casos de Estudio y Resultados en la Industria Peruana

4.6. Ejemplos o estudios de caso y beneficios de estas aplicaciones para

mejorar la toma de decisiones en la industria peruana.

Calderon (2017), habla de la implementación de cadenas de Markov

absorbentes en la industria peruana ofrece beneficios significativos que
abarcan tres áreas principales: la optimización de recursos mediante una
mejor planificación presupuestaria, asignación eficiente de personal y
reducción de costos operativos; la mejora en la toma de decisiones a través
del uso de datos concretos, predicciones más precisas y la identificación

15
 temprana de riesgos; y finalmente, un impacto social positivo que se refleja
en una mejor calidad de atención médica, la reducción de tasas de deserción
estudiantil y una mayor eficiencia en la implementación de programas
sociales. Estos beneficios interconectados contribuyen a una gestión más
efectiva y sostenible de los recursos, mientras generan un impacto positivo
medible en la sociedad peruana, permitiendo que las organizaciones no solo
mejoren sus operaciones internas, sino que también contribuyan
significativamente al desarrollo social del país.

Ejemplo: MODELO DE CADENA DE MARKOV PARA MINIMIZAR

COSTOS DE INVENTARIO DE DEMANDA PROBABILÍSTICA EN LA
EMPRESA DE TRANSPORTE

Una vez identificado cual es el valor mínimo (30) y el valor máximo (90) de la serie de
demandas durante el año 2016 y establecido el número de estados con el cual se desea
trabajar
que es trece los cuales son los siguientes:
Estado 1: Demanda 30 de repuestos
Estado 2: Demanda 35 de repuestos
Estado 3: Demanda 40 de repuestos
Estado 4: Demanda 45 de repuestos
Estado 5: Demanda 50 de repuestos
Estado 6: Demanda 55 de repuestos
Estado 7: Demanda 60 de repuestos
Estado 8: Demanda 65 de repuestos
Estado 9: Demanda 70 de repuestos
Estado 10: Demanda 75 de repuestos
Estado 11: Demanda 80 de repuestos
Estado 12: Demanda 85 de repuestos
Estado 13: Demanda 90 de repuestos

Se procede a armar la matriz con los trece estados, y contabilizando por ejemplo en la
Tabla 1 se observa, cuantas veces en las 52 semanas, se ha pasado del estado 4
(demanda 45) al estado 12 (demanda 85) es 3 veces, del estado 6 (demanda 55) al
estado 9 (demanda 70) es 2 veces, y así se va completando la matriz.

16
Tabla 1. Elaboración de la matriz con los 13 estados

Fuente: Adaptado de Google

Se procede a calcular la probabilidad de pasar de un estado a otro, por ejemplo, del
estado 3 (demanda 40) al estado 1 (demanda 30) seria =1/6 = 0.1667, esto en función a
los datos de la tabla anterior donde pasar del estado 3 (demanda 40) al estado 1
(demanda 30) es una vez y en total del estado 3 a diverso estado sumas seis. De esta
forma se construyen el resto de los casilleros de esta matriz.

Tabla 2. Elaboración de la matriz con los 13 estados

Fuente: Adaptado de Google

17
18
La notación definida en esta ocasión corresponde a m para indicar los estados y n para
indicar el orden de Márkov. A continuación, se muestran los resultados de las pruebas
(multiplicación de matrices en Excel) realizadas con 13 estados para primer, segundo,
tercer y cuarto orden:

Tabla 3. Matriz con m=13 y =1 para el repuesto 1

Fuente: Adaptado de Google

Tabla 4. Matriz con m=13 y n=2 para el repuesto 1

Fuente: Adaptado de Google

19
Tabla 5. Matriz con m=13 y n=3 para el repuesto 1

Fuente: Adaptado de Google

Tabla 6. Matriz con m=13 y n=4 para el repuesto 1

Fuente: Adaptado de Google

Con la matriz de estado estable obtenemos el pronóstico más acertado para la demanda
aleatoria del repuesto 1. Por ejemplo: Demanda promedio obtenido mediante la Cadena
de Markov= 0.100*30 + 0.038*35 + 0.114*40 + 0.074*45 + 0.112*50 + 0.080*55 +
0.077*60 + 0.058*65 + 0.059*70 + 0.041*75 + 0.114*80 + 0.112*85 + 0.020*90= 59
unidades

20
Haciendo uso de la Cadena de Markov tenemos:
Tabla 7. Simulación con una demanda promedio de 59 según Markov para el respuesto

1
21
Fuente: Adaptado de Google
Tabla 8. Datos para el repuesto 1

Fuente: Adaptado de Google

Tabla 9. Costo total actual y con la propuesta de Márkov

Fuente: Adaptado de Google

Costos actuales

El costo de compra=3,073 unidades (dato de compra de la tabla 13)* 30 soles

precio unitario = 92,190 soles.
Costo de escasez = 26 unidades (dato de escasez de la tabla 13) * 10
soles=260 soles.
Costo de mantener inventario = 3%*30 (precio unitario) * 2062 unidades (dato de
inventario de la tabla 13) = 1,856.0 soles. No se considera el costo de pedir porque va a
ser constante para ambos métodos.

Costos para la propuesta con Markov

El costo de compra=3,073 unidades (dato de compra de la tabla 13) * 30 soles

precio unitario = 92,190 soles.
Costo de escasez = 256 unidades (dato de escasez de la tabla 21) * 10
soles=2,560 soles.

22
Costo de mantener inventario = 3%*30 (precio unitario) * 282 unidades (dato de
inventario de la tabla 21) = 254 soles. No se considera el costo de pedir porque va ser
constante para ambos métodos.

Costos para el modelo de inventarios, Modelo EOQ con faltantes, usando el

dato de la demanda promedio obtenido con la Cadena de Markov.

Costo total = costo de compra + Costo de pedir + Costo de escasez + Costo

de mantener
Formulas:
Costo de Escasez = (S2 / 2Q) * Cf
Costo de Pedir = (D / Q) * Cp
Costo de Mantener = (Q-S)2 / 2Q) * Cm * i
S (escasez en unidades) = (Q*Cm*i) / (Cm*i + Cf)
Q (óptimo) = (2*D*Cp*(Cm*i + Cf) / Cf * Cm*i)1/2
1/2
Número de pedidos = D / Q
Donde:
D= demanda
Cp= Costo de pedir
Cf = Costo faltante
Cm= Costo unitario

VI. PROGRAMACIÓN DINÁMICA

Rosell (2022) nos menciona que la programación dinámica es una técnica de

optimización matemática que permite resolver problemas complejos dividiéndolos en
subproblemas más pequeños y manejables. Esta poderosa herramienta se basa en dos
principios clave: el principio de optimalidad, que establece que las soluciones óptimas a
los subproblemas pueden combinarse para obtener una solución óptima al problema
general; y la memorización, que evita recalcular las mismas soluciones repetidamente,
haciendo el proceso mucho más eficiente.

Fonollosa, J. et. al. (s. f.), nos dice que aplicando estos principios, la programación
dinámica logra resolver problemas complejos de manera eficiente y efectiva. Algunos
ejemplos de problemas que pueden abordarse con esta técnica incluyen problemas de

23
optimización, problemas de toma de decisiones secuenciales y problemas de
procesamiento de datos a gran escala.

Cruz, D. et. al. (2018), afirma que la programación dinámica tiene diversas aplicaciones
en diferentes sectores clave de la industria peruana. En el sector manufacturero, puede
utilizarse para optimizar los niveles de inventario y la asignación de recursos en las
fábricas. En el ámbito de la logística y el transporte, puede aplicarse para optimizar las
rutas de distribución y reducir los costos operativos. Y en el sector agroindustrial, puede
utilizarse para optimizar la planificación de la producción y maximizar los rendimientos
de las cosechas.

4.1. Sector salud: Modelado de progresión de enfermedades en pacientes y

análisis de costos de tratamientos

En el sector manufacturero, la programación dinámica puede utilizarse para

optimizar los niveles de inventario y la asignación de recursos en las fábricas.

Ejemplo:

Una empresa tiene los siguientes datos de demanda de su producto: ¿Cuántas

unidades debe fabricar en el mes? Sabiendo que:

 Durante el mes que se producen algunas unidades se incurre en un

costo fijo de $30.
 El costo variable es de $10 por cada unidad fabricada.
 Al final de cada mes se genera un costo de almacenamiento de $5 por
cada unidad.
 Las limitaciones de capacidad permiten una producción máxima de 5
unidades.
 El tamaño del almacén restringe un inventario final máximo de 4
unidades cada mes.
 Se dispone de 0 unidades al principio del primer mes.

Características:

 Se conoce la demanda de cada mes al principio del mes 1.

 Se debe determinar cuántas unidades deben producirse teniendo en
cuenta que la capacidad de fabricación es limitada.

24
  La demanda de cada período debe satisfacerse a tiempo con el
inventario o la producción actual. Durante cada período donde la
producción tiene lugar se genera un costo fijo, así como un costo
variable por unidad.
 Se tiene capacidad limitada de almacenamiento. Se genera un costo de
almacenamiento por unidad al inventario final de cada período.
 El objetivo es minimizar el costo total por cumplir con la demanda de
cada período.

Solución:

 x el nivel de producción en el mes n

 y el nivel de producción en el mes n
 yx el inventario inicial en el mes n
 d la demanda en el mes n

Tabla 10. Programación dinámica Etapa 4

Fuente: Adaptado de Google

Tabla 11. Programación dinámica Etapa 3

Fuente: Adaptado de Google

Tabla 12. Programación dinámica Etapa 2

25
Fuente: Adaptado de Google

26
 Tabla 13. Programación dinámica Etapa 1

Fuente: Adaptado de Google

Cada tabla muestra una función objetivo y las variables de decisión

correspondientes a cada etapa, junto con la solución óptima para diferentes
valores de las variables. La programación dinámica es una técnica de
optimización que permite resolver problemas complejos dividiéndolos en
subproblemas más pequeños y manejables. Al almacenar y reutilizar las
soluciones de los subproblemas, se evita recalcular las mismas soluciones
repetidamente, lo que hace que el proceso sea mucho más eficiente. Las
tablas presentadas ilustran cómo esta técnica se aplica a un problema
específico, donde se busca encontrar la solución óptima para diferentes
valores de las variables de decisión en cada etapa del proceso. Este enfoque
de dividir el problema en subproblemas y aprovechar las soluciones
anteriores es la esencia de la programación dinámica.

4.2. Sector salud: Modelado de progresión de enfermedades en pacientes y

análisis de costos de tratamientos

En el ámbito de la logística y el transporte, la programación dinámica puede

aplicarse para optimizar las rutas de distribución y reducir los costos
operativos.

Ejemplo:

Se desea seleccionar la ruta más corta entre dos puntos de una planta. Existen
diferentes conexiones mediante ciudades intermedias como se muestra en el
siguiente diagrama:

27
 Figura 5. Diagrama de rutas

 Paso 1: Colocar el número de rutas que tiene el problema, en este

caso son 9.

Figura 6. Modelación de rutas en aplicación

 Paso 2: Colocar cada ruta con sus respectivos nodos.

Figura 7. Colocación de nodos

28
  Paso 3: Resultados

Figura 8. Resultados de la ruta más corta

 Paso 4: Realizamos la red con la solución encontrada

Figura 9. Ruta más corta (1; 2; 3; 5; 6)

4.3. Sector Agroindustrial: Planificación de la Producción y Maximización de

Rendimientos

En el sector agroindustrial, la programación dinámica puede utilizarse para

optimizar la planificación de la producción y maximizar los rendimientos de
las cosechas. Ejemplos de aplicaciones incluyen:

 Planificación de Cultivos: Determinar qué cultivos sembrar, cuándo y

en qué cantidades, para maximizar los ingresos o rendimientos.

29
  Gestión de Recursos Hídricos: Asignar de manera óptima el agua
disponible para riego, considerando factores climáticos y necesidades
de los cultivos.

Ejemplo:

Planificación de la Producción de Cultivos

Supongamos que un agricultor tiene disponible un cierto presupuesto y una

cantidad limitada de tierra para cultivar. Quiere determinar qué combinación
de cultivos (por ejemplo, maíz, trigo, soya) debe sembrar para maximizar el
rendimiento total de su cosecha.

Datos:

 Presupuesto disponible: $50,000

 Área de tierra disponible: 100 hectáreas
 Rendimiento por hectárea y costo por hectárea de cada cultivo:
 Maíz: Rendimiento = 5 ton/ha, Costo = $500/ha
 Trigo: Rendimiento = 3 ton/ha, Costo = $400/ha
 Soya: Rendimiento = 2 ton/ha, Costo = $300/ha

Tabla 14. Programación dinámica – Etapa 3 (Decidir x3)

S X1= 40 X2= 30 X3= 0 X3= 1 X3= 2 X3= 3 X3= 4 X3= 5

O 200 205 210 215 220 225 230 235
Solución
f(s,x) 235 - - - - -
optima
Fuente: Elaboración propia

Tabla 15. Programación dinámica – Etapa 2 (Decidir x2)

S X1= 40 X2= 0 X2= 1 X2= 2 X2= X2= X2=

3 4 5
O 200 160 170 180 190 200 210
1 235 160 170 180 190 200 210
Solución
f(s,x) 235 170 180 190 200 210
optima
Fuente: Elaboración propia

30
31
 Tabla 16. Programación dinámica – Etapa 1 (Decidir x1)

S X1= 0 X1= 1 X1= 2 X1= 3 X1= X1=

4 5
O 200 205 210 215 220 225
Solución
f(s,x) 210 - - - -
optima

Fuente: Elaboración propia

Solución Óptima:

 x1 = 40 hectáreas (maíz)
 x2 = 30 hectáreas (trigo)
 x3 = 30 hectáreas (soya)

Rendimiento Total = (40 ha * 5 ton/ha) + (30 ha * 3 ton/ha) + (30 ha * 2

ton/ha) = 340 toneladas

4.4. Ejemplos de cómo la programación dinámica ha mejorado la eficiencia

operativa en distintas áreas

Muriedas (2022) nos cuenta que, en el sector manufacturero, la programación

dinámica ha demostrado su utilidad. Una empresa de electrodomésticos la usó
para determinar los niveles óptimos de inventario de repuestos, reduciendo
los costos de almacenamiento en un 25% y mejorando la disponibilidad de
productos. Asimismo, una fábrica de automóviles aplicó esta técnica para
asignar de manera óptima sus recursos de producción, logrando incrementar
su volumen de producción en un 18% sin aumentar sus costos.

Baquero (s.f.) menciona que, en el ámbito de la logística y el transporte, la

programación dinámica también ha aportado beneficios significativos. Una
empresa de logística implementó un algoritmo de programación dinámica
para determinar las rutas óptimas de entrega, reduciendo los costos de
combustible y mantenimiento de flota en un 15%. Por otro lado, una
plataforma de comercio electrónico usó técnicas de programación dinámica
para optimizar los horarios y frecuencias de despacho de pedidos, mejorando
los tiempos de entrega en un 20% sin aumentar los costos operativos.

32
Vásquez et al. (2022) confirma que el sector agroindustrial, la programación
dinámica ha sido de gran utilidad. Un productor agrícola la aplicó para
decidir qué combinación de cultivos (trigo, maíz, soya) debía sembrar en
función de los rendimientos, los costos y los recursos disponibles, logrando
aumentar sus ingresos en un 12%. Además, una cooperativa agrícola utilizó
programación dinámica para asignar de manera óptima el agua disponible
para riego, adaptándose a las condiciones climáticas y maximizando los
rendimientos de las cosechas, reduciendo el desperdicio de agua en un 18%.

33
REFERENCIAS

Ropero S., L. G. y Hernández L., A. C. (2023). Aplicabilidad de métodos cuantitativos

para la toma de decisiones en las industrias. Artículo de reflexión.
https://repository.unilibre.edu.co/bitstream/handle/10901/29017/Articulo%20de
%20reflexion.%20Leidy%20y%20Angie.pdf?sequence=1&isAllowed=y

Abad S., E; González Z., M. D. y López M., E. (2022). El proceso de toma de

decisiones basado en métodos cuantitativos: Análisis de tendencias en el ámbito
corporativo. Revista de Métodos Cuantitativos para la Economía y la Empresa,
34, 118-136. https://dialnet.unirioja.es/servlet/articulo?codigo=8707030

Cuevas V., H; Ponce R., A. D y Álvarez S., J. (2020). Toma de decisiones gerenciales y
su impacto en la competitividad empresarial. Contaduría y Administración,
65(1), 1-25. https://doi.org/10.22201/fca.24488410e.2020.1915

Konstantas, A; Stamford, L. y Azapagic, A. (2019). Environmental impacts of liquefied

natural gas: A comprehensive review and analysis. Science of The Total
Environment, 696, 133783. https://doi.org/10.1016/j.scitotenv.2019.133783

Estadística, P. Y. (2023b, July 18). Árbol de decisiones. Probabilidad Y Estadística.

https://www.probabilidadyestadistica.net/arbol-de-decisiones/#%c2%bfque-es-
un-arbol-de-decisiones

Juguero, E. (2024, September 20). El algoritmo que revoluciona empresas, los árboles
de decisión en el Big Data. Surtido. https://surtido.pe/el-algoritmo-que-
revoluciona-empresas-los-arboles-de-decision-en-el-big-data/

Peru Mining. (2024, August 14). International Trade Administration.

https://www.trade.gov/market-intelligence/peru-mining

Belapatiño, V., Crispin, Y., Grippa, F., & De La Cruz, H. V. (2023). Peru | Mining
sector outlook 2022. BBVA Research.
https://www.bbvaresearch.com/en/publicaciones/peru-mining-sector-outlook-
2022/

34
Caro, N.P., Guardiola, M. y Ortiz, P.A. (2017). Árboles de clasificación como
herramienta para predecir dificultades financieras en empresas Latinoamericanas
a través de sus razones contables. Contaduría Y Administración, vol. 63, no. 1,
DOI 10.22201/fca.24488410e.2018.1148. Disponible en:
https://www.scielo.org.mx/scielo.php?pid=S0186-
10422018000100008&script=sci_arttext.

Iván, M. C., Gloria, A.M. y Katherine, G.C. [sin fecha]. Desempeño de algoritmos de
minería en indicadores académicos: Árbol de Decisión y Regresión Logística.
[en línea]. Disponible en: http://scielo.sld.cu/scielo.php?pid=S2227-
18992015000400008&script=sci_arttext.

Navarro M, F; Garriga P., A. y Sánchez S., J. A., (2019). Análisis de las alternativas
terapéuticas del trastorno de pánico en atención primaria mediante un árbol de
decisión. Atención Primaria [en línea], vol. 42, no. 2, DOI
10.1016/j.aprim.2009.05.003. Disponible en:
https://www.sciencedirect.com/science/article/pii/S0212656709003138.

Oday R., S. F. [sin fecha]. Árbol de Decisión en Aprendizaje Automático. Disponible

en: http://revistasbolivianas.umsa.bo/scielo.php?pid=S9876-
67892022000100005&script=sci_arttext&tlng=es.

Garcés, D.A. y Castrillón, O.D. 2017. Diseño de una Técnica Inteligente para Identificar
y Reducir los Tiempos Muertos en un Sistema de Producción. InformacióN
TecnolóGica [en línea], vol. 28, no. 3. Disponible en:
https://www.scielo.cl/scielo.php?pid=S0718-
07642017000300017&script=sci_arttext&tlng=pt.

Ibarrola, J. A. C. (2024). Cadenas de Markov. Umich.mx. Recuperado el 9 de

noviembre de 2024, https://dep.fie.umich.mx/~camarena/Cadenas%20de
%20Markov.pdf

Jmmarin. (2022). Cadenas de Markov. Uc3m.es. Recuperado el 9 de noviembre de

2024, de
https://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/PEst/tema4pe.pdf

35
Libretexts. (2022, 2 noviembre). 10.4: Cadenas absorbentes de Markov. LibreTexts
Español.
https://espanol.libretexts.org/Matematicas/Matematicas_Aplicadas/Matematicas
_Finitas_Aplicadas_(Sekhon_y_Bloom)/10%3A_Cadenas_de_Markov/
10.04%3A_Cadenas_absorbentes_de_Markov

López H., E. y Joa T., L. G. (2017). Cadenas de markov aplicadas al análisis de la

ejecución de proyectos de investigación. Revista Cubana de Informática Médica,
9(1), 44-51. Recuperado en 07 de noviembre de 2024, de
http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1684-
18592017000100005&lng=es&tlng=es.

Calderón, S. (2017). MODELO DE CADENA DE MARKOV PARA MINIMIZAR

COSTOS DE INVENTARIO DE DEMANDA PROBABILÍSTICA EN LA
EMPRESA DE TRANSPORTE FABIÁN EXPRESS S.A.C.
https://core.ac.uk/download/pdf/152508029.pdf

Rosell, K. (2022). Optimización con programación dinámica [Univercitat de

Barcelona].
https://diposit.ub.edu/dspace/bitstream/2445/186821/2/tfg_rosell_esau_keila_rut
h.pdf

Fonollosa, J. et. al. (s. f.). MÉTODOS CUANTITATIVOS PARA LA TOMA DE

DECISIONES II (2.a ed.). UPCPOSTGRAU.
https://upcommons.upc.edu/bitstream/handle/2117/89915/9788498806052.pdf;js
essionid=82F799AD5CC8E9A2774446B1048FA4CD?sequence=1

Cruz, D. et. al. (2018). Buenas prácticas en gestión de manufactura utilizando la

metodología Lean Manufacturing en las empresas de consumo masivo de
alimentos en el Perú [PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ].
https://tesis.pucp.edu.pe/repositorio/bitstream/handle/20.500.12404/12660/
QUEA_BACILIO_PRACTICAS_MANUFACTURA.pdf;jsessionid=6581F9ED
60C92A46D4E57F3F22564E2A?sequence=1

Muriedas, S. (2021). Programación dinámica con aplicaciones en la economía.

https://repositorio.unican.es/xmlui/bitstream/handle/10902/22754/MuriedasGarc
iaSofia-TFG-Matematicas.pdf?sequence=1

36
Baquero, G. (s. f.). La logística y su aporte al crecimiento de las empresas.
https://alejandria.poligran.edu.co/bitstream/handle/10823/6797/3%20La%20log
%C3%ADstica%20y%20su%20aporte%20al%20crecimiento%20de%20las
%20empresas.pdf?sequence=1&isAllowed=y

Vásquez, L. et. al. (2022). DETERMINISTIC DYNAMIC PROGRAMMING AND

THE IMPACT ON PROFITS AND THE PRODUCTION PLAN IN THE
FOOTWEAR AND LEATHER ACCESSORIES COMPANY “CREATA
S.AC.” Proceedings Of The 20th LACCEI International Multi-Conference For
Engineering, Education And Technology: “Education, Research And Leadership
In Post-pandemic Engineering: Resilient, Inclusive And Sustainable Actions”.
https://doi.org/10.18687/laccei2022.1.1.231

Mendoza, F. y Ramírez, H. (2016). Aplicación de técnicas cuantitativas en la

planificación energética. Revista Peruana de Energía, 14(2), 89-102.
https://santivanez.com.pe/wp-content/uploads/2024/07/Revista-Peruana-de-
Energia-4.pdf

Yanetsys, S. D. (2020). El análisis de información y las investigaciones cuantitativa y

cualitativa. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0864-
34662007000300020

González, A., y Torres, E. (2019). Modelos de optimización en la industria minera

peruana. Revista de Ingeniería de Minas, 10(1), 78-90.
https://www.olade.org/wpcontent/uploads/2021/03/Manual_Planificacion_Energ
etica_Espanol_Final22-05-2017.pdf

Martínez, L., y Gómez, S. (2018). Optimización de la logística de distribución en la

agroindustria. Revista Peruana de Agroindustria, 7(1), 45-58.
https://bibliotecarepositorio.clacso.edu.ar/bitstream/CLACSO/171211/1/
Logistica-y-cadena.pdf

Asana, T. (2024, 21 febrero). El árbol de decisiones: un análisis de 5 pasos para tomar

mejores decisiones [2024]. Asana. https://asana.com/es/resources/decision-tree-
analysis

37