Administracion de Operaciones Temas Selectos, Aplicaciones y Un Estudio de Caso - B. de Holanda, R.R PDF

Administracin de Operaciones
Temas Selectos, Aplicaciones y un Estudio de Caso
Roberto R. B. de Holanda
Instituto Tecnolgico y de Estudios Superiores de Monterrey Campus Quertaro

Edicin revisada Agosto, 2003
Dedicatoria, agradecimiento, prefacio e ndice.
A Irma, Tantos siglos, tanto espacio y coincidimos.
A mis hermanos:
Fiduca, por su lucidez Cris, por su bondad Teca, por su alegra Fernanda, por su exigencia Inah, por su solidaridad
AGRADECIMIENTO Durante los ltimos 20 aos muchas personas participaron directa o indirectamente en la elaboracin de este libro, ensendome o ayudndome a contactar empresas, crear problemas, graficar o escanear. Corriendo el riesgo de omitir a alguien, quiero mencionar a todos. En orden cronolgico, no en orden de importancia: Luis Guillermo Pen Lucas lvarez Eduardo Noboru Ito Jos Luis Paz Bolaos Miguel ngel Sato dgar Villazn Rato Pfranger Hctor Ibarra scar Berrios Willmer Tellera Dario Rosas Rafael Santa Ana Tania Sotelo Karol Andrade Alejandra Magaa Javier Hernndez Jess Muoz Mariana Holanda Muy especialmente, a Olga Ballin, responsable de gran parte de la esttica de este libro. A Mximo Cargnelutti y Stefania Biondi, quienes protegieron la retaguardia mientras estbamos en el frente. Por ltimo, agradezco el apoyo institucional de Rodolfo Loyola y Juan Helgueros.
vii
PREFACIO xi
I PRON~STICOS DE DEMANDA 1.1 Introduccin 2

1.1.1 1.1.2 1.1.3 1.1.4 1.1 .S Generalidades 2 Conceptos 3 Principios 4 Variaciones de la demanda 4 Clasificacin de los mtodos de pronsticos 5 .
2.2 Planeacin de capacidad de largo plazo 66

2.2.1 Elaboracin de pronsticos de largo plazo 66 2.2.2 Transformacin de pronsticos en requerimientos de capacidad 66 2.2.3 Generacin de planes alternativos 68 2.2.4 Evaluacin econmica de las alternativas y seleccin final 71 2.2.5 Optimizacin 76
1.2 Mtodos de anlisis de series de tiempo 5

1.2.1 1.2.2 1.2.3 1.2.4 1.2.5 1.2.6 1.2.7 1.2.8 1.2.9 Ajuste de lneas: recta 5 Ajuste de lneas: curva exponencial 9 Ajuste de lneas: curva potencial 10 Mtodo del promedio mvil simple 12 Mtodo del promedio mvil con ajuste de tendencia 13 Mtodo del promedio mvil ponderado 14 Mtodo del promedio ponderado exponencialmente simple 15 Mtodo del promedio ponderado exponencialmente con ajuste de tendencia 18 Pronsticos para perodos menores que un ao 20
2.3 Planeacin de capacidad de corto plazo 77
nr ESTUDIO DEL TRABAJO

3.1 Nmero ptimo de mquinas que debe operar un obrero 86
3.1.1 3.1.2 3.1.3 3.1.4 3.1.5 3.1.6 Introduccin 86 Relacin sncrona 86 Relacin asncrona con obrero inactivo 87 Relacin asncrona con mquina inactiva 89 Observaciones finales 91 Celdas de manufactura 91
3.2 Curva de aprendizaje 92

3.2.1 Introduccin 92 3.2.2 Determinacin de la curva de aprendizaje: mtodo clsico 93 3.2.3 Determinacin de la curva de aprendizaje: mtodo de mnimos cuadrados 96 3.2.4 Observaciones finales 105
1.3 Evaluacin de los mtodos de anlisis de series 23

1.3.1 1.3.2 1.3.3 1.3.4 1.3.5 Simulacin mensual sin estacionalidad 23 Simulacin mensual con estacionalidad 25 Simulacin anual sin estacionalidad 27 Simulacin anual con estacionalidad 28 Resultados finales de la simulacin 29
3.3 Determinacin del nmero de ciclos a cronometrar 106

3.3.1 Introduccin 106 3.3.2 Frmula para la determinacin del nmero de ciclos 107
1.4 Mtodos causales 31

1.4.1 Generalidades 31 1.4.2 Regresin lineal simple 32 1.4.3 Regresin lineal mltiple 33 1.4.4 Calidad de la ecuacin de regresin 36 1.4.4.1 Ajuste 37 1.4.4.2 Significancia estadstica 38 1.4.4.3 Supuestos 40 1.4.5 Seleccin de las variables independientes 42 1.4.6 Sinergia entre variables 49 1.4.7 Regresin lineal con estacionalidad 50 1.4.8 Ajuste de polinomios 53
3.4 Muestreo del trabajo 109

3.4.1 Introduccin 109 3.4.2 Ejemplo de muestreo del trabajo 110 3.4.3 Procedimiento bsico para la realizacin de un muestreo 111 3.4.4 Frmula para la determinacin del nmero de observaciones del muestreo 118
IV CONTROL DE INVENTARIOS 4.1 Introduccin 126

4.1.1 Funcin de los inventarios 126 4.1.2 Costos relacionados con los inventarios 127
11 PLANEACIN DE CAPACIDAD 2.1 Introduccin 64
4.2 Modelos bsicos de inventarias 130

4.2.1 Generalidades 130 4.2.2 Modelo bsico para materias primas 130
viii 4.2.3 Modelo bsico para productos terminados 133
Dedicatoria, agradecimiento, prefacio e ndice. 5.3.5 Programacin de la fabricacin de "n" productos en "m" mquinas idnticas 197
4.3 Modelos para materias primas con descuentos por cantidad 135
4.3.1 Modelo con costo de mantener proporcional al precio 135 4.3.2 Modelo con costo de mantener constante 140 4.3.3 Modelo con descuentos progresivos 142
5.4 Programacin de los sistemas productivos de secuencia fija 198

5.4.1 El mtodo de Johnson 198 5.4.2 Minimizacin del tiempo de fabricacin medio en una planta con 2 mquinas 201 5.4.3 Minimizacin del tiempo de fabricacin mximo en una planta con 3 mquinas 202 5.4.4 Programacin de la fabricacin de 'Y productos en "m" mquinas 203 5.4.4.1 Mtodo de Ichiro Nabeshima 203 5.4.4.2 Dems problemas con "n" productos y "m'' mquinas 205
4.4 Modelo para productos terminados mltiples 145 4.5 Modelos de inventarios probabilsticos
151
4.5.1 4.5.2 4.5.3 4.5.4 Generalidades 151 Modelo de punto fijo 152 Modelo de ciclo fijo 157 Observaciones finales 161
5.5 Programacin de los sistemas productivos de secuencia variable 205

5.5.1 Programacin de la fabricacin de "n" productos en "m" mquinas 206 5.5.2 Generacin de programas de produccin 208
4.6 Optimizacin de los modelos de punto fijo y ciclo fijo 162

4.6.1 Generalidades 162 4.6.2 Optimizacin del modelo de punto fijo 163 4.6.3 Optimizacin el modelo de ciclo fijo 168 4.6.4 Derivadas parciales del modelo de punto fijo 171 4.6.5 Derivadas parciales del modelo de ciclo fijo 172
PROGRAMACI~N DE SISTEMAS PRODUCTIVOS 5.1 Introduccin 180 5.2 Los problemas de secuenciacin 180
5.2.1 Problemas de secuenciacin pura 181 5.2.2 D e f ~ c i n del problema de programacin 181 5.2.3 Clasificacin de los problemas de programacin 183 5.2.4 Objetivos de los programas de produccin 184 5.2.5 Costos relacionados con la programacin de la produccin 185
VI BALANCEO DE LNEAS 6.1 Definicin del problema 216 6.2 Clasificacin de los problemas de balanceo de lneas 218 6.3 Primer mtodo: c<&icon divisin del trabajo 219 6.4 Segundo mtodo: c<&icon concentracin del trabajo 225 6.5 Tercer mtodo: c>&icon divisin del trabajo 228 6.6 Cuarto mtodo: C>&icon concentracin del trabajo 232 6.7 Problemas mixtos 236 6.8 Mtodos heursticos de balanceo de lneas 238
6.8.1 6.8.2 6.8.3 6.8.4 Introduccin 238 Mtodo de Kilbridge y Wester 239 Mtodo de los pesos posicionales 246 Mtodo de Arcus 249
5.3 Programacin de la fabricacin de "n" productos en "una" mquina 186

5.3.1 Introduccin 186 5.3.2 Programacin de acuerdo a los tiempos de procesamiento 187 5.3.3 Programacin de acuerdo a los tiempos de entrega 192 5.3.4 Aplicacin de la regla TPC con informacin incompleta 196
MI ADMINISTRACIN DEL MANTENIMIENTO 7.1 Introduccin 258

7.1.1 Generalidades 258 7.1.2 Objetivos, elementos y tipos de mantenimiento 258 7.1.3 Ventajas de la Administracin del Mantenimiento 259
7.2 Mantenimiento preventivo 260

7.2.1 Introduccin 260 7.2.2 Requisitos para la implantacin del MP 261 7.2.3 Etapas para la implantacin del MP 262
9.8. Calidad 324 9.9 Mantenimiento 325 9.10 Aspectos humanos 326
9.10.1 Cambio de mentalidad 327 9.10.2 Motivacin 327 9.10.3 Participacin, sentido de propiedad, y
7.3 Control de costos 265 7.4 Control del nivel de mantenimiento 268 7.5 Un ejemplo real de MP: Calzado, S.A. (CALSA) 269 7.6 Mantenimiento productivo total 275
compromiso 328
9.10.4 Trabajo en grupo y crculos de calidad 329 9.10.5 Retroalimentacin, ingresos y
promocin 330
9.10.6 Capacitacin, rotacin en el trabajo,
vIn SEGURIDAD E HIGIENE 8.1 Definicin y conceptos 278 8.2 Seguridad 278 8.3 Calor 281
8.3.1 Generalidades y variables 281 8.3.2 Determinacin de la sobrecarga
ampliacin del trabajo y enriquecimiento del trabajo 331 9.10.7 Satisfaccin en el trabajo 332
9.11 Justo-a-tiempo y calidad de vida: un estudio exploratorio 333

Introduccin 333 Qu es calidad de vida laboral? 334 Qu es justo-a-tiempo? 335 Mejora de calidad de vida laboral debido al JIT 336 9.11.5 Metodologa 33 7 9.1 1.5.1 Instrumentos de medicin 338 9.11.5.2 Aplicacin de los instrumentos de medicin 338 9.1 1.5.3 Anlisis estadstico 341 9.1 1.6 Resultados 342 9.11.6.1 Dimensiones y confiabilidad 342 9.11.6.2 Anlisis de regresin 343 9.1 1.6.3 Anlisis de ruta 344 9.11.6.4 Relacin entre las dimensiones de QWL y las dimensiones de JIT: anlisis cannico 344 9.11.7 Discusin 346
9.11.1 9.11.2 9.11.3 9.1 1.4
calrica 282
8.3.3 Mtodos de control de la sobrecarga
calrica 285
8.4 Ruido 286

8.4.1 8.4.2 8.4.3 8.4.4 8.4.5 8.4.6 8.4.7 8.5.1 8.5.2 8.5.3 8.5.4 8.5.5
Generalidades y conceptos 286 Niveles acsticos relativos 288 Suma de niveles sonoros 289 Exposicin permisible al ruido 289 Distribucin espacial del ruido 290 Control del nivel de ruido 291 Daos provocados por el ruido 293
8.5 Contaminantes qumicos 294
8.6
IX 9.1 9.2 9.3 9.4

9.5 9.6 9.7
Introduccin y clasificacin 294 Procesos potencialmente peligrosos 294 Medicin de los contaminantes 295 Medicin de mezclas de contaminantes 297 9.12 Kanban: cmo implantarlo en 15 Mtodos de control de contaminantes 298 semanas 350 Proteccin personal 299 9.12.1 Introduccin 350 9.12.2 Induccin 351 JUSTO A TIEMPO 9.12.3 Recopilacin de informacin 352 Introduccin 304 9.12.4 Organizacin y anlisis de la Concepto de desperdicio 306 informacin 352 9.12.5 Tamaiio y nmero de contenedores 352 Reduccin de inventarias 308 9.12.6 Disefo del kanban 353 Programacin y control de la 9.12.7 Implantacin 354 produccin 31 1 9.12.8 Evaluacin de la implantacin 356 Distribucin de planta 315 9.12.9 Kanban de producto terminado y reportes Automatizacin 322 del almacn 358 9.12.10 Elaboracin del reporte final 358 Seguridad, higiene, seales visuales,
orden y limpieza 323
9.13 Justo-a-tiempo en los servicios 359
X APLICACIONES DE PROGRAMACI~N LINEAL 1O. 1 Introduccin 362 10.2 Administracin de proyectos 362
10.2.1 Determinacin de la ruta ms largalcorta de una red 362 * Aplicacin 10.1 362 10.2.2 Compresin de proyectos 363 * Aplicacin 10.2 364
10.3 Planeacin de capacidad 366
* Aplicacin 10.3 * Aplicacin 10.4 * Aplicacin 10.5
366 370 373
10.4 Programacin de la produccin 376
* Aplicacin 10.6 376 * Aplicacin 10.7 379 XI CASO MALHER
11.1 Set-up 394 11.2 Group background 394 11.3 The hiring of professional management 39 7 11.4 Consolidation of the MALHER group 398 11.5 Disintegration of the group? 401
11.5.1 11.5.2 11.5.3 11.5.4 The situation of the group in 1990 401 Javier's proposal 401 The situation of Mario's sub-group 402 Additional relevant facts 403 a) Human resources 403 b) Clients 404 c) Competition and market 405 d) Investment 405 e) Infiastmcture 405
11.6 The decision 406 11.7 Discussion questions 406 TABLAS 415
PREFACIO
Hay cientos de libros sobre Administracin de Operaciones y todos cubren ms o menos los mismos temas. Entre stos puedo mencionar: Diseo de Productos y Procesos, Control de Calidad, Planeacin de Capacidad, Localizacin de Planta, Distribucin de Planta, Estudio del Trabajo, Pronsticos de Demanda, Administracin de la Cadena de Abastecimiento, Control de Inventarios, Programacin de la Produccin, Reingeniera, Teora de Restricciones, Justo-a-Tiempo, etc.. La gran mayora de estos libros son escritos con la intencin de cubrir los temas principales de la Administracin de Operaciones y de ser utilizados como libros de texto para cursos de licenciatura y10 maestras. Por qu un libro ms de Administracin de Operaciones? No es mi intencin escribir un libro de texto ms sobre Administracin de Operaciones, sino abordar slo algunos temas sobre los cuales creo poder aportar algo diferente: reunir en un captulo mtodos que estn dispersos en la literatura, aportar un modelo matemtico diferente, compartir ejemplos de aplicacin interesantes, reportar mi experiencia en la implantacin de sistemas o compartir un caso. Por esta razn el libro se llama: "Administracin de Operaciones: Temas Selectos, Aplicaciones y un Estudio de Caso". En l el lector encontrar temas selectos (como por ejemplo los modelos presentados en el captulo de Control de Inventarios), aplicaciones de los temas cubiertos en forma de problemas, experiencias o uso de la Programacin Lineal y un caso muy interesante escrito por m en 1993 sobre un grupo industrial mexicano dedicado a la produccin de cocinas y muebles. En general, busqu un enfoque "prctico" y no "terico". Con algunas excepciones en los captulos de Estudio del Trabajo y Control de Inventarios, las frmulas se presentan sin demostracin y se usan para resolver problemas. Para entender el inciso 4.6 del captulo de Control de Inventarios se requieren conocimientos bsicos de derivacin e integracin. Por otro lado, para entender el inciso 9.11 del captulo de Justo-a-Tiempo se requieren conocimientos de anlisis multivariado. Sintticamente, cada captulo abarca lo siguiente: Captulo 1: Pronsticos de Demanda Este captulo incluye los principales mtodos de anlisis de series de tiempo, como promedio mvil, promedio ponderado exponencialmente, etc.. Adems, presenta un breve resumen de la teora de regresin lineal mltiple y aplicaciones reales muy interesantes. Por ltimo, se incluyen algunas corridas del paquete TSP (Time Series Processor) y su interpretacin. Captulo 11: Planeacin de Capacidad El crecimiento de la capacidad productiva de la empresa debe llevarse a cabo de forma planeada y no en el ltimo momento y anrquicamente. El enfoque de largo plazo difiere mucho del enfoque de corto plazo. Por ejemplo, en el largo plazo tenemos que tener en cuenta el cambio del valor del dinero con el tiempo, mientras que en el corto plazo podemos ignorarlo; en el corto plazo puede aplicarse la Programacin Lineal mientras
xii
que esto es imposible en el largo plazo; etc.. En este captulo se consideran las distintas fuentes de capacidad y se analizan separadamente los problemas de largo plazo y de corto plazo. Captulo 111: Estudio del Trabajo Del campo del Estudio el Trabajo, este captulo incluye slo 4 temas: relacin hombremquina, curva de aprendizaje, nmero de ciclos a cronometrar y muestreo del trabajo. Del primero se analiza cmo determinar el nmero ptimo de mquinas idnticas que debe operar un obrero, tema que ha sido tratado superficialmente en la literatura. Aqu, profundizo un poco ms en el tema y analizo a detalle las relaciones sncronas y asncronas, con obrero inactivo o con mquina inactiva. El tema de curva de aprendizaje se incluye por su gran importancia, su tratamiento superficial en la literatura en general y por las interesantes aplicaciones reales que puedo reportar. El nmero de ciclos a cronometrar en un estudio de tiempos normalmente se determina muy a la ligera. La frmula correcta para su clculo se deduce y se aplica a algunos ejemplos numricos. Finalmente, dentro del captulo de Estudio del Trabajo, tenemos el tema de muestreo del trabajo. ste tambin ha sido tratado superficialmente y con frecuencia observo que no se hace la distincin entre un muestreo por mquina, por persona o por puesto. En libros de prestigio muy utilizados hay errores en la frmula para la determinacin del nmero de observaciones a realizar. Todos estos aspectos se analizan, y se deduce y se aplica la frmula correcta del muestreo el trabajo. Captulo IV: Control de Inventarios Este captulo empieza con una brevsima sntesis de los modelos bsicos de inventarios, porque no es mi objetivo exponerlos. Su presencia en el captulo se justifica nicamente para que el lector entienda ms fcilmente los modelos de materiales con descuentos por cantidad y los modelos probabilisticos de punto fijo y ciclo fijo presentados posteriormente. Se incluyen tres modelos con descuentos: costo de mantener proporcional al precio, costo de mantener constante y costo de mantener constante con descuentos progresivos. En cuanto a los modelos probabilsticos, presento modelos inditos para punto fijo y ciclo fijo. Como son modelos inditos, incluyo toda su justificacin matemtica que en ocasiones es relativamente compleja. Es opcional para el lector, sin embargo, profundizar en ella. Captulo V: Programacin de Sistemas Productivos Programar implica establecer una secuencia y fechas de iniciacin y terminacin de actividades dadas. Es una actividad sumamente compleja y, al mismo tiempo, muy interesante. El enfoque del captulo est sesgado hacia la secuenciacin y las fechas de inicio y terminacin van a ser consecuencia de sta. Pocos problemas han sido resueltos analticamente, por lo que he decidido incluir todos ellos. Por lo tanto, el captulo consta bsicamente de dos partes: resumen de la teora y soluciones ptimas de los problemas que han podido ser resueltos analticamente.
xiii
Captulo VI: Balanceo de Lneas Hay bsicamente dos tipos de problemas de balanceo de lneas: con el ciclo mayor que las duraciones de las operaciones y con el ciclo menor que las duraciones de las operaciones. Prcticamente todos los libros analizan nicamente el primer tipo e ignoran el segundo. Por esto decid profundizar y presentar ambos tipos de problemas. Captulo VII: Administracin del Mantenimiento El objetivo principal (no nico) de este captulo es compartir con el lector la historia de implantacin de un sistema de mantenimiento preventivo. Se explica la teora general de la administracin del mantenimiento, se explica la teora especfica del mantenimiento preventivo y, por ltimo, se presenta el caso real de implantacin de ste. Adems, se comenta la tendencia actual hacia el mantenimiento productivo total. Captulo VIII: Seguridad e Higiene Evitar accidentes es uno de los mayores retos de la vida. Este captulo consiste en mi contribucin hacia el logro de este objetivo. Adems, se analizan los problemas de calor, ruido, contaminantes qumicos y proteccin personal. Captulo IX: Sistema Justo-a-Tiempo En 1981 tuve la suerte de ir a Japn con cinco alumnos de la UNAM a estudiar el Sistema Toyota de Produccin, ms conocido hoy en da como Sistema Justo-a-Tiempo. Estuvimos como huspedes de la Toyota durante un mes y disfrut de una de las experiencias profesionales ms fascinantes de mi vida. A partir de mi regreso a Mxico, he tomado e impartido seminarios sobre Justo-a-Tiempo, he implantado algunas de sus tcnicas y termin haciendo mi tesis doctoral sobre sus aspectos humanos. El objetivo de este captulo es compartir con el lector toda mi experiencia sobre Justo-a-Tiempo adquirida de 1981 a la fecha. Captulo X: Aplicaciones de Programacin Lineal Hay aplicaciones interesantes de la Programacin Lineal en la Administracin de Operaciones. Seleccion las siguientes para este captulo: (a) determinacin de la ruta crtica, (b) compresin de proyectos para que stos terminen en menos tiempo, (c) planeacin de capacidad de corto plazo, (d) secuenciacin de la produccin y (e) asignacin de tareas a personas. Se presentan los planteamientos matemticos y las soluciones obtenidas por el paquete LINDO, as como su interpretacin. Captulo XI: Caso MALHER En 1993, como proyecto final de una de las materias de mi doctorado, escrib un caso sobre una empresa mexicana de cocinas y muebles. El caso result tan interesante que lo he utilizado desde entonces en mis clases de Administracin de Operaciones. Finalmente, surgi la oportunidad de compartirlo. Para garantizar la confidencialidad, todos los nombres de los personajes, as como la mayora de los nombres de las empresas mencionadas en el caso han sido modificados. Sin embargo, estoy seguro que esto no afecta la riqueza del documento.
xiv
Considerando la importancia del idioma ingls y la necesidad de practicarlo de vez en cuando, decid incluir en el libro la versin original del caso escrita en ingls. En todos los captulos intent utilizar una nomenclatura en espaol que recordara el concepto. Por ejemplo, " D se usa para demanda, "R" para retraso, "Cm7'para costo de mantener, etc.. Slo cuando la nomenclatura en espaol result muy inadecuada o provoc repeticiones, utilic la letra correspondiente a la palabra en ingls. Por ejemplo, para "diferencial de entrega" se utiliza la letra "L" de la palabra "lateness" en ingls. Al final de cada captulo hay una seccin de problemas tipo. Como el mismo ttulo lo expresa, el objetivo no es proporcionar una lista larga de problemas para que el lector practique, sino un lista representativa de cada tipo de problema. La bibliografia al final del libro incluye todas las referencias mencionadas en el texto ms algunos libros que considero que pueden complementar ste o que me han enseado mucho e inspirado en los ltimos aos. Londres, Inglaterra, Junio de 2001.
Captulo 1: Pronsticos de Demanda
PRONSTICOS DE DEMANDA
1.1 INTRODUCCION 1.1.1 Generalidades 1.1.2 Conceptos 1.1.3 Principios 1.1.4 Variaciones de la demanda 1.1.5 Clasificacin de los mtodos de pronsticos 1.2 MTODOS DE A N ~ I S I S DE SERIES DE TIEMPO 1.2.1 Ajuste de lneas: recta 1.2.2 Ajuste de lneas: curva exponencial 1.2.3 Ajuste de lneas: curva potencial 1.2.4 Mtodo del promedio mvil simple 1.2.5 Mtodo del promedio mvil con ajuste de tendencia 1.2.6 Mtodo del promedio mvil ponderado 1.2.7 Mtodo del promedio ponderado exponencialmente simple 1.2.8 Mtodo del promedio ponderado exponencialmente con ajuste de tendencia 1.2.9 Pronsticos para perodos menores que un ao
1.3 EVALUACI~N DE LOS MTODOS DE ANLISIS DE SERIES 1.3.1 Simulacin mensual sin estacionalidad 1.3.2 Simulacin mensual con estacionalidad 1.3.3 Simulacin anual sin estacionalidad 1.3.4 Simulacin anual con estacionalidad 1.3.5 Resultados finales de la simulacin 1.4 MTODOS CAUSALES 1.4.1 Generalidades 1.4.2 Regresin lineal simple . 1.4.3 Regresin lineal mltiple 1.4.4 Calidad de la ecuacin de regresin 1.4.4.1 Ajuste 1.4.4.2 Significancia estadstica 1.4.4.3 Supuestos 1.4.5 Seleccin de las variables independientes 1.4.6 Sinergia entre variables 1.4.7 Regresin lineal con estacionalidad 1.4.8 Ajuste de polinomios
1.1.1 Generalidades
Pronstico de demanda, como su propio nombre lo indica, es una estimacin cuantitativa de la demanda futura de productos o servicios. La elaboracin de pronsticos de demanda es fundamental, ya que todas las actividades de la empresa dependen del volumen de negocios que se va a realizar. As, por ejemplo, podemos decir que las siguientes actividades o reas de la empresa dependen directamente de los pronsticos de demanda:
* Programa de produccin. * Poltica de inventarias. * Capacidad productiva de la planta. * Presupuestos. * Sistemas de distribucin. * Mtodos de produccin. * Desarrollo de nuevos productos. * Etc.
Para pronosticar la demanda de productos existentes, nos podemos basar en los datos de demanda de perodos anteriores y de alguna manera extrapolar el comportamiento de la misma hacia el futuro. En este caso, ser indispensable asegurarse de que las condiciones futuras permanecern idnticas a las del pasado o que por lo menos se asemejarn. Basarse en la informacin del pasado para pronosticar la demanda futura cuando las condiciones sern significativamente diferentes, carece totalmente de sentido. Por lo tanto, sera imposible exagerar la importancia de que se analicen cuidadosamente las condiciones futuras del mercado cuando se utilice la informacin del pasado para la elaboracin de pronsticos de demanda. En este libro todos los mtodos estudiados utilizan la informacin de perodos pasados para estimar la demanda futura. Consideramos como un hecho que las personas que los utilicen tendrn el cuidado de asegurarse que las condiciones futuras sern, por lo menos, semejantes a las del pasado. En la elaboracin de pronsticos de demanda tambin es importante considerar el "ciclo de vida" de los productos o servicios. Por ejemplo, el crecimiento de un determinado producto puede ser exponencial (pendiente creciente) durante la parte inicial del ciclo y potencial (pendiente decreciente) en la parte central del ciclo. En este caso, simplemente extrapolar el comportamiento de los perodos anteriores, sera desconocer que los productos y servicios presentan este ciclo de vida y consecuentemente .elaborar pronsticos de muy poca precisin. Para pronosticar la demanda de productos nuevos hay bsicamente 2 alternativas: extrapolar el comportamiento de la demanda de un producto similar (si lo hay) o utilizar mtodos cualitativos de pronsticos. La elaboracin de este tipo de pronsticos para productos nuevos no ser tema de este libro, sin embargo el lector podr consultarlo en la referencia [411.
1.1.2. Conceptos
En el campo de los pronsticos es importante diferenciar varios aspectos o conceptos que comnmente se confunden: a) Demanda potencial: es la cantidad total del producto o servicio que demanda la sociedad. Por ejemplo, si un determinado pas tiene 100 millones de habitantes y stos en promedio desean comprar 3 pares de zapatos al ao, entonces la demanda potencial de zapatos sera de 300 millones de pares al ao. b) Demanda solvente: como los productos o servicios no se regalan, muchas personas de bajos recursos desean pero no pueden comprar 3 pares de zapatos al ao. En otras palabras, el precio del producto o servicio y el ingreso per cpita reducen la demanda de su valor potencial a una demanda solvente. Consecuentemente, podemos decir que la demanda potencial es una sola (para determinado nivel poblacional) y est directamente relacionada con las necesidades de la poblacin, mientras que la demanda solvente depende del precio y del ingreso per cpita. De ah surge la teora microeconmica de la elasticidad-precio y la elasticidad-ingreso, que estudia el comportamiento de la demanda de los productos y servicios en funcin de los precios y los niveles de ingresos de la poblacin. Los mtodos de "ajuste de lneas" y de "regresin lineal" que sern estudiados en este captulo, pueden utilizarse para la elaboracin de estos tipos de pronsticos. c) Volumen de ventas: es la cantidad vendida de un determinado producto o servicio. Si nunca ocurren faltas de existencia, el volumen de ventas ser igual a la demanda solvente. Si ocurren faltas de existencias, el volumen de ventas ser inferior a la demanda solvente (a no ser que dichas faltas no impliquen ventas perdidas, cuando entonces el volumen de ventas se mantendra igual a la demanda solvente). Es importante sealar que lo que se debe pronosticar siempre es la demanda y no las ventas, lo que implica que, en la presencia de faltas de existencia, los datos pasados de ventas no sirven para la elaboracin de pro de demanda, a no ser que se haga algn tipo de ajuste. d) Volumen deproduccin: es la cantidad producida del producto o servicio. En el caso de los servicios, podemos afirmar que el volumen de "ventas" siempre es igual al volumen de c'produccin". Sin embargo, en el caso de los productos esto no ser necesariamente verdadero, ya que los inventarios cumplen precisamente la funcin de "desacoplar" las actividades de "ventas" y "produccin": puede venderse ms que lo producido si el inventario final es menor que el inicial y puede venderse menos que lo producido si el inventario final es mayor que el inicial. Los datos de produccin a, cuando no ocurran faltas de solamente sern idnticos a los datos de ales de los inventarios. existencias, ni variaciones en los nivele e) Perodo del pronstico: es el perodo corresponde el pronstico. Por lo tanto, podemos tener pronsticos semanales, mensuales, anuales, etc..
f) Horizonte del pronstico: indica que tan lejos hacia el futuro est el perodo stica la demanda de Enero de pronosticado. Por ejemplo, si en 2003, el perodo ser de un mes y e
1.1.3 Principios En la elaboracin de pronsticos es importante conocer los siguientes principios: a) La probabilidad de no cometer errores en los pronsticos es cero. Consecuentemente, nuestro objetivo nunca debe ser pronosticar exactamente la demanda, sino elaborar pronsticos con un error rninimo e intentar evaluar dicho error. b) Cuanto ms corto sea el perodo, mayor ser el error porcentual del pronstico. c) Cuanto ms largo sea el horizonte, mayor ser el error porcentual del pronstico. d) Cuanto ms especfico sea el pronstico, mayor ser el error porcentual, es decir, el error ser menor si englobamos muchos productos o servicios y ser mayor si se refiere a un solo producto o servicio. 1.1.4 Variaciones de la demanda Antes de describir los mtodos para la elaboracin de pronsticos de demanda, es indispensable analizar los diversos tipos de variacin que presenta la demanda de un producto o servicio, cuando la analizamos respecto al tiempo. Estas variaciones pueden ser: a) Variaciones debido a la tendencia: el simple hecho de que la demanda est aumentando o disminuyendo consistentemente conduce a que cada semana, cada mes y cada ao esta misma demanda sea diferente. En este caso, la demanda vara porque hay una tendencia y sta podr seguir una lnea recta, una curva exponencial o cualquier otro tipo de lnea. Este tipo de variacin no es dificil de predecir.
b) Variaciones cclicas: son aqullas que se repiten peridicamente cada determinado nmero de das, semanas, meses o aos. Como ejemplos podemos mencionar las variaciones que se observan cada 6 aos debido al cambio de presidente en Mxico o el aumento de la demanda de las tiendas de autoservicio durante los fines de semana.
c) Variaciones estacionales: son un tipo especial de variacin cclica, para la cual el ciclo es igual a un ao. Por lo tanto, las variaciones estacionales se observan siempre en los mismos meses o en las mismas estaciones del ao. Es ms fcil predecir las variaciones estacionales que las dems variaciones cclicas. d) Variaciones provocadas por otras variables que no sean el tiempo: stas son todas aquellas variaciones provocadas por variables como la inflacin, la tasa de crecimiento del PIB, la paridad peso-dlar, el gasto en publicidad, el precio del producto o servicio, el nivel de vida de la poblacin, etc.. e) Variaciones aleatorias: son todas aquellas variaciones que ocurren al azar y que, por definicin, no pueden predecirse. Como ejemplos, podemos mencionar las variaciones provocadas por eventos no esperados (ciclones, terremotos), por cambios en los gustos de los consumidores o por la irregularidad misma de los hbitos de compra de los consumidores.
1.1.5 Clasificacin de los mtodos de pronsticos En este captulo estudiaremos bsicamente 2 tipos de mtodos para la elaboracin de pronsticos: a) Mtodos de anlisis de series de tiempo: son aqullos que consideran como nica variable independiente el tiempo, es decir, se supone que el nico factor que controla la magnitud de la demanda es el tiempo. b) Mtodos causales: son aqullos que consideran otras variables adems del tiempo, u otras variables en vez del tiempo. En este libro, por ejemplo, veremos como pronosticar la demanda en funcin de la poblacin y del ndice nacional de precios al consumidor. Los mtodos de anlisis de series que estudiaremos se clasificarn en 3 grupos: a) Ajuste de lneas (recta, curva exponencial y curva potencial). b) Promedio mvil (simple, con ajuste de tendencia y ponderado). c) Promedioponderado exponencialmente (simple y con ajuste de tendencia).
A su vez, los mtodos causales pueden clasificarse en:
a) Regresin lineal simple: cuando se considera una sola variable independiente que no sea el tiempo. b) Regresin lineal mltiple: cuando se considera ms de una variable (una de ellas puede ser el tiempo). c) Regresin no lineal. En relacin a esta clasificacin, queremos resaltar algo que ser expuesto ms adelante: el ajuste de lneas, considerado como mtodo de anlisis de series, debe considerarse adems como un tipo especial de regresin lineal en la que la demanda slo depende de la variable independiente "tiempo"; en el caso de la curva exponencial, se trata de una regresin lineal del logaritmo de la demanda en funcin de la variable "tiempo"; y finalmente, en el caso de la curva potencial, se trata de una regresin lineal del logaritmo de la demanda en funcin de la variable ''logaritmo del tiempo". 1.2 MTODOS DE ANLISIS DE SERIES DE TIEMPO 1.2.1 Ajuste de lneas: recta Este mtodo consta de la determinacin de la lnea recta que mejor se ajusta a los datos de demanda. Para esto utilizaremos el mtodo de mnimos cuadrados, que nos proporciona la recta para la cual la suma de los cuadrados de las distancias a los puntos es mnima. Como sabemos, la ecuacin de cualquier recta es como la que sigue:
Las ecuaciones que proporcionai los valores de "a" y "b" de la recta de mnimos cuadrados, son las siguientes:
donde 'X" y "Y" son las dos variables del problema y " N el nmero de datos de demanda. Ejemplo numrico 1.1: Supongamos que los datos de demanda de una empresa dada fueron los que se muestran a continuacin (toneladas). Ajustar una lnea recta y pronosticar la demanda del ao 2001. A0 DEMANDA (T) Solucin: En este caso la variable 'X" ser el ao y la variable "Y" ser la demanda de la empresa. Inicialmente, tenemos que escoger un origen para la variable "Y.ste podr ser el ao cero o cualquier otro ao. Si escogemos el origen 1995, la variable ''Y tendr entonces los siguientes valores: 1,2,3,4 y 5, es decir, (1996-1995), (1997-1995), (1998-1995), (1999-1995) y (2000-1995), respectivamente. Si observamos las ecuaciones mencionadas anteriormente, deducimos que necesitamos calcular ZY, EX, ZXY y EX2. Es conveniente realizar estos clculos como se muestra en el Cuadro 1.1 a continuacin o hacer el ajuste mediante calculadora o computadora directamente. CUADRO 1.1 Clculos para el ajuste de una recta 1996 200 1997 213 1998 218 1999 235 2000 244
Origen = 1995
Sustituyendo los valores de las sumatorias y de "N" en las ecuaciones, tenemos:
Por lo tanto, la lnea recta de mnimos cuadrados es la siguiente: Y = 189.0+ 11.OX Utilizando esta ecuacin podemos ahora determinar la demanda para cualquiera de los prximos aos, es decir, 2001,2002, etc.. Para el ao 2001 la variable "X" tendr el valor (2001-1995), es decir, X=6. Por lo tanto, la demanda de este ao ser: Y2001 = 189.0 + (1 1.0)(6) = 255.0, o sea, la demanda del ao 2001 ser de 255 toneladas. Los resultados sern exactamente los mismos si escogemos cualquier otro origen. Por ejemplo, escojamos el origen 1998: CUADRO 1.2 Ajuste de una recta con el origen en "X"
En relacin a este Cuadro 1.2 debemos hacer las siguientes observaciones:
El origen 1998 es tal que la suma de las equis es cero. Siempre que esto ocurra, utilizaremos para la variable una letra minscula. Por esta razn, en el Cuadro 1.2 aparece "x" en vez de "X.
* Si Zx=O, las ecuaciones de mnimos cuadrados se reducen a:
Sustituyendo los valores del Cuadro 1.2 en estas ecuaciones, tenemos: 1110 110 a=--222.0; b=-= 11.0. 5 1o La nueva ecuacin ser entonces:
Por lo tanto, la demanda para 2001 ser:
Como puede observarse, el resultado es idntico. Debe observarse tambin que la pendiente (11.0) es la misma para las 2 ecuaciones, modificndose solamente la interseccin (de 189.0 a 222.0). Una vez que se tenga cualquier ecuacin, es muy fcil cambiar a otra que corresponda a un origen diferente. Por ejemplo, supongamos que tenemos la ecuacin que corresponde al origen 1998. Cul ser la ecuacin que corresponde al origen 1995? Tenemos:
1 Origen en 1998 1
El mtodo de mnimos cuadrados, tambin es aplicable cuando la informacin de demanda es incompleta. Por ejemplo, si en Mxico, debido a la crisis del final de 1994, una empresa decide no utilizar la informacin de 1995 y 1996, los valores de 'X" y "x" seran (poniendo el origen en 1990 y 1993.4, respectivamente):
A0
El mtodo de mnimos cuadrados sirve nicamente para determinar la ecuacin de la lnea recta. La empresa tendr que decidir, posteriormente, si utilizar solamente dicha ecuacin para pronosticar la demanda futura o si tambin valdr la pena tomar en consideracin las variaciones cclicas y10 estacionales. Obviamente, mientras estemos pronosticando totales anuales de aos futuros no tiene sentido hablar de variaciones estacionales.
1.2.2 Ajuste de lneas: curva exponencial Este mtodo consta del ajuste de una curva exponencial a los datos de demanda, la cual tiene la siguiente ecuacin:
Y = abx
Como se indica en las Figuras l. 1(a) y l. 1(b), ajustar una curva exponencial a los datos es equivalente a ajustar una lnea recta a estos mismos datos, pero marcndose en el eje vertical el "log Y" en vez de "Y". Esto se debe a que si tomamos el logaritmo de "Y" en la ecuacin de la curva exponencial, resulta lo siguiente: log Y = log (abx) = log a + X*log b Si hacemos log a = A y log b = By tenemos: logY=A+B.X que es obviamente la ecuacin de una lnea recta.
FIGURA 1.1 Cambio de variables para transformar una curva exponencial en lnea recta
(a)
Por lo tanto, podemos marcar "X" en ajustar una recta a los datos utilizando la ecuacin Y=A+B.X, podemos deduc las siguientes:
-
' en el eje vertical, y

dos. Si observamos calcular "A" v "B" son
Las ecuaciones de la derecha son
Ejemplo numrico 1.2:

Trabajando con los datos del ejemplo numrico 1.1, ajustar una curva exponencial y pronosticar la demanda del ao 2001.
Solucin:
Si seguimos con el origen en el ao 1998, para calcular "A" y "B" slo necesitamos determinar ZlogY, Zx.logY y Zx2. Estos clculos se presentan en el Cuadro 1.3 a continuacin:
CUADRO 1.3 Clculos para el ajuste de una curva exponencial
Sustituyendo los valores obtenidos en las ecuaciones, tenemos:
Como sabemos que A=log a y B=log b, entonces "a" y "b" ya pueden ser calculados: a = antilog 2.3453 = 221.5 b = antilog 0.02155 = 1.O509 Por lo tanto, la ecuacin final de la curva exponencial ser la siguiente: Y = (221.5)(1.0509)' (jorigen en 1998!)
El valor b=1 .O509 indica que existe una tasa anual de crecimiento de la demanda igual a 5.09%. Finalmente, si queremos pronosticar la demanda del ao 2001, el valor de la variable "x" ser 2001-1998=3: Y2001 = (221.5) (1.0509)~ = 257.1 Esto quiere decir que la demanda de 2001 ser de 257.1 toneladas.
1.2.3 Ajuste de lneas: curva potencial

La curva potencial tiene la siguiente ecuacin: y=axb y tiene las formas que se presentan en las Figuras 1.2(a), 1.2(b) y 1.2(c), segn el valor de la constante "b".
FIGURA 1.2 Curva potencial para distintos valores de "b"
Si tomamos el logaritmo de "Y' en la ecuacin de la curva potencial, tenemos: logY = log a + b*log X que tambin es la ecuacin de una lnea recta. Por lo tanto, podemos usar el mtodo de mnimos cuadrados para ajustar una lnea recta a las variables "logY" y "logX". Observando la ecuacin logY = log a + b*log X y las ecuaciones anteriores de mnimos cuadrados, vemos que: a = antilog C(10~x) *~ C1ogY - lo@ * C 1 0 g X . 1 0 ~ ~ N * (log~)' - ( Cl o g ~ ) '
Ejemplo numrico 1.3: Ajustar una curva potencial a los datos del ejemplo numrico 1.1 y pronosticar la demanda del ao 2001. Solucin: Obsrvese que, como el ajuste de la curva potencial requiere el clculo de los "log X", el a l que sta no tome ningn valor menor o igual a origen de la variable "X" tiene que ser t cero. Pongamos entonces el origen en el ao 1995. Las sumatorias se calculan como en el Cuadro 1.4 a continuacin y sustituyendo sus valores en las ecuaciones tenemos: a = antilog (l. 1693)(11.7264)- (2.0792)(4.9129) = 197.4 (5)(1.1693) - 2.0792~
El valor positivo b=0.1201 indica que esta curva potencial tiene la forma presentada en la Figura 1.2(b).
12
CUADRO 1.4 Clculos para e ajuste de una curva potencial
La ecuacin f i n a l de la curva potencial sera
Y = (197.4)o0.1201
El pronstico para 2001 ser entonces: Y200L = (197.4)(6)0.1201 = 244.8 1.2.4 Mtodo del promedio mvil simple En varias ocasiones es lgico pensar que la demanda de un perodo dado pueda tomar un valor ms parecido a los ms recientes que a los que ha tomado mucho tiempo atrs, a h cuando no existe una tendencia marcada en los datos. En estos casos es conveniente utilizar mtodos de pronsticos que den una mayor importancia a los datos ms recientes k" ltimos datos, donde k = 1, 2 , 3, etc.. El ms o que nicamente tomen en cuenta los " sencillo de estos mtodos es el promedio mvil simple. El promedio mvil simple para el perodo "i" es simplemente la media aritmtica de los "k" ltimos datos, es decir:
donde : k = Nmero de datos o trminos del promedio mvil. Ms,i,k= Promedio mvil simple de "k" trminos para el perodo "i". Di . . ., = Demandas de los ltimos "k" perodos. Si ahora queremos un pronstico para el perodo (i+l), ste ser igual al promedio mvil simple del perodo anterior, es decir: P(i+l), k = M~,i,k
O simplemente:
Pi+i= Ms,i Ejemplo numrico 1.4: Aplicar el mtodo del promedio mvil simple con k=2 a los datos del ejemplo numrico 1.1 y pronosticar la demanda del ao 2001.
Solucin: Utilizando un promedio mvil simple con k=2, los pronsticos para los aos de 1998, 1999,2000 y 2001 sern los que se muestran en el Cuadro 1.5 (obviamente no podemos calcular pronsticos para los aos 1996 y 1997).
CUADRO 1.5 Promedio mvil simple de 2 trminos
AO
1 DEMANDA 1
Ms,~
Pi
Ejemplo de clculo: MS,1998 = (2 18+213)/2
= 215.5
Se puede observar claramente en el Cuadro 1.5 que el mtodo del promedio mvil simple generalmente conduce a pronsticos que van atrasados con relacin a los datos reales de demanda. Por ejemplo, para los aos de 1999 y 2000 la demanda es 235 y 244, respectivamente, y los pronsticos son 215.5 y 226.5. Cuanto ms pronunciada sea la tendencia de los datos y mayor sea el nmero de trminos del promedio, ms atrasados sern los pronsticos. 1.2.5 Mtodo del promedio mvil con ajuste de tendencia Como se mencion en el inciso anterior, el promedio mvil simple tiende a ir atrasado respecto a los datos reales de demanda. Existe una forma de "ajustar" el promedio simple de tal manera que ste siga ms de cerca la demanda real, y para esto primero se necesitan determinar los promedios mviles dobles y ajustados. Para el clculo de los promedios mviles dobles simplemente se aplica dos veces seguidas el mtodo del promedio mvil simple. El procedimiento completo es el siguiente: a) Se calcula el promedio simple "MSj". b) Se calcula el promedio doble "MD,i,". c) Se calcula el promedio mvil ajustado utilizando la siguiente frmula: donde: MA i = Promedio mvil ajustado del perodo "i". k = Nmero de trminos considerado. d) El pronstico del perodo "i" es el promedio mvil ajustado del perodo (i-1). Cuando la demanda no presenta cambios muy bruscos y el nmero de trminos es grande, se puede estimar la tendencia lineal ms reciente a travs del valor de la expresin:
y usar este valor para pronosticar la demanda de los aos siguientes.

Ejemplo numrico 1.5: Aplicar el mtodo del promedio mvil ajustado con k=2 a los datos del ejemplo numrico 1.1 y pronosticar la demanda del ao 2001. Solucin: El resultado de la aplicacin del promedio mvil ajustado con k=2 se muestra Cuadro 1.6 a continuacin:
CUADRO 1.6 Promedio mvil ajustado de 2 trminos

-
A0 1996 1997 1998 1999 2000 2001
Ejemplo de clculo: Mk2m = 239.5 + (239.5-233.0)
PROMEDIO SIMPLE DEMANDA (Ms,~) 200 213 206.5 218 215.5 235 226.5 244 239.5
PROMEDIO DOBLE ("~,i)
PROMEDIO AJUSTADO PRONSTICO (M&i) (Pi)
211.0 221.0 233.0
+ (242-1)) (239.5-233.0) = 259.0.
229.0 243.0 259.0
229.0 243.0 259.0
Obsrvese que el promedio mvil doble va mr atrasado que el promedio mvil simple y por lo tanto nunca se utiliza dicho promedio para la elaboracin de pronsticos. Sin embargo, se utiliza el promedio doble para corregir el retraso del promedio mvil simple. De acuerdo al procedimiento, el promedio mvil ajustado conduce entonces a un pronstico para 2001 de 259.0 toneladas. Pronostiquemos ahora la demanda de 2002,2003,2004, etc.. En nuestro ejemplo, el ltimo valor de "Ti" es :
Por lo tanto, los pronsticos de los aos siguientes sern: A0 DEMANDA 2002 272 2003 285 2004 298
... ...
1.2.6 Mtodo del promedio mvil ponderado Otra forma de corregir el retraso del promedio mvil simple, es la utilizacin de mayores pesos o ponderaciones para los valores ms recientes. Por ejemplo, si el promedio mvil
15
es de 2 trminos, se pondrn adoptar ponderaciones de 0.7 para el ltimo dato y 0.3 para el dato anterior. Ejemplo numrico 1.6: Utilizando el promedio mvil con k=2 y ponderaciones de 0.7 y 0.3 en el problema anterior, pronosticar la demanda del ao 2001. Solucin: Los pronsticos seran los del Cuadro 1.7. Como puede observarse en los Cuadros 1.6 y 1.7, cuando hay una tendencia marcada el promedio mvil ponderado va ms atrasado que el promedio mvil con ajuste de tendencia.
CUADRO 1.7 Promedio mvil ponderado

Ao 1996 1997 1998 1999 2000 2001 DEMANDA 200 213 218 235 244 PROMEDIO MOVIL PONDERADO
PRONOSTICO
(200)(0.3)+(213)(0.7) =209.1 (213)(0.3)+(218)(0.7) =216.5 (218)(0.3)+(235)(0.7) =229.9 (235)(0.3)+(244)(0.7) =241.3
209.1 216.5 229.9 241.3
1.2.7 Mtodo del promedio ponderado exponencialmente simple En el mtodo del promedio ponderado exponencialmente simple se utiliza la frmula siguiente: Ms,~ = Ms,i-i+ a @ i - Ms,i-1) donde : M S, = Promedio ponderado exponencialmente simple del perodo "i". M s,i-i= Promedio ponderado exponencialmente simple del perodo (i-1). a = Constante de atenuacin. D i = Demanda real del perodo "i". Como hemos mencionado para el caso del promedio mvil simple y ajustado, el pronstico para el perodo (i+l), cuando se utiliza el mtodo del promedio ponderado exponencialmente simple, es igual al promedio del perodo anterior, es decir, "i": Pi+i=Ms,i Por lo tanto, podemos escribir la frmula del promedio ponderado exponencialmente simple de la siguiente manera: Pi+l=Pi+a(Di-Pi), es decir, el pronstico del perodo (i+l) es igual al pronstico del perodo "i" ms una fraccin "a" de la diferencia entre ste y la demanda real del mismo perodo. En otras
16
palabras, el pronstico del d o d o (i+l) es igual al pronstico del perodo "i" ms una fraccin "a" del error que se cometi en el perodo "i" (error = D rP ). Las 2 primeras etapas que deben llevarse a cabo en la aplicacin del mtodo del promedio ponderado exponencialmente simple, son la eleccin de la constante de atenuacin "a" y del nmero de perodos pasados a considerar. La constante "a" est generalmente entre 0.05 y 0.4. Como podremos observar ms adelante, si queremos dar una mayor importancia a las demandas de los ltimos perodos, "a" deber ser grande, y si queremos dar una importancia ms uniforme a todos los datos de demanda, "a" deber ser pequea. En cuanto al nmero de datos a considerar, ste deber siempre ser grande para que el pronstico sea ms preciso. Ms adelante volveremos a tocar este punto. Para el clculo del promedio "Ms,? necesitamos el valor de "Ms,i_l";para el clculo etc.. Por lo tanto, no sera posible calcular de "Ms,i-l" necesitamos conocer c'MS,i-2)); "Ms,~" puesto que no existe "Ms,)". Consecuentemente, la tercera etapa en la aplicacin de este mtodo es la eleccin de un promedio inicial "Ms,~";generalmente se considera ste igual a la demanda "Di" del primer perodo (hay otros mtodos ms precisos, vase la referencia [27]).

A los datos del ejemplo numrico 1.1, que se repiten en el cuadro a continuacin, aplicar el mtodo del promedio ponderado exponencialmente simple con a=0.2 y pronosticar la demanda del ao 2001.
A0 DEMANDA
1996 200 Di = Ms,i
1997 213 D2
1998 218 D3
1999 235 D 4
2000 244
D s
Solucin:
Tomemos como promedio inicial calcular "MS,L"as: a la demanda Di =200. De esta forma podemos
Los dems promedios "MS,3", "MSP" y "MS,$' se calculan de la misma manera y los resultados son los del (Cuadro 1.8).
CUADRO 1.8 Promedio ponderado exponencialmente simple
El pronstico para 2001 es el promedio de 2000, o sea, P2001=218.04 toneladas. Si comparamos los pronsticos con las demandas reales nos damos cuenta de inmediato que aqullos tambin estn atrasados. Lo que se dijo acerca del mtodo del promedio mvil simple tambin es vlido aqu: el promedio ponderado exponencialmente simple solamente es adecuado cuando la tendencia de la demanda no es muy pronunciada, ya que tiende a ir retrasado respecto a los datos reales de demanda. Esta desventaja es menos significativa cuando "a" es grande. Debido a que para el clculo de cualquier promedio "Ms,? se necesita el promedio 1), es decir, "Ms,i-l", no se puede aplicar correspondiente al perodo anterior (idirectamente la frmula para el clculo de "MSfl", donde "N" es el nmero de datos. Deduzcamos, por lo tanto, otra frmula que nos permita calcular directamente "Ms,N" a partir nicamente de las demandas reales "Di" de los "N" perodos. Supondremos que Ms,1=Dl y escribamos la frmula del promedio ponderado exponencialmente simple de una forma ms conveniente:
Tenemos entonces: Ms,i = Di Ms,= ~ a D2 + (l-a) Ms,~ = a D2 + (l-a) DI Ms,~ = a D3 + (l-a) Ms,~ = a D3 + (1%) [a D2+ (1%) DI ] = a D3 + a(1-a)D2 + (1-a12 D1 MSA = a D4 + (l-a) Mss = a D 4 + (1%) [a D3+ a (1%) D2+ = a D4 + a(l-a)D3 + a(1-a12 D2+ (1-a13 DI
DI]
Esta ltima frmula incluye ahora solamente las demandas de los "N" perodos. Dado que el factor (l- a )N-1se hace muy pequeo y se acerca a cero cuando "N" crece, se puede ignorar el ltimo trmino. Al mismo tiempo, la suma de los otros coeficientes, es se aproxima a 1, y as tenemos las condiciones de un autntico promedio decir, ~ a ( 1 - a l i ponderado exponencialmente. Es precisamente por esta razn que este mtodo tiene el nombre de promedio ponderado exponencialmente. Tambin es fcil observar que la ponderacin conferida a cada una de las ''Di" depende del valor de "a" y que a las demandas ms recientes se les asigna una ponderacin mayor. El Cuadro 1.9 a continuacin proporciona algunos coeficientes para los valores a=0.1 y a=0.3 y muestra dos cosas importantes: primero, que los coeficientes o ponderaciones de las demandas ms recientes son mayores y por lo tanto se les da una mayor importancia; y segundo, a la medida que "a" aumenta, se les da a las demandas ms recientes una importancia todava mayor.
18
CUADRO 1.9 Ponderaciones para distintos valores de "a"
Ejemplo numrico 1.8: Aplicar la nueva frmula a los datos anteriores y volver a determinar el pronstico para el ao 2001. Solucin: Para una mejor comprensin repitamos la informacin y recordemos que a=0.2. Tenemos:
A0
DEMANDA
1996 200 Dl
1997 213 D2
1998 218 D3
1999 235 D4
2000 244 Ds
Tomamos entonces este promedio como nuestro pronstico para el perodo 6, es decir, para el ao 2001: PeP2001=218.04toneladas. Debe observarse que este valor es exactamente igual al que fue obtenido anteriormente cuando aplicamos sucesivamente la frmula:
1.2.8 Mtodo del promedio ponderado exponencialmente con ajuste de tendencia

La aplicacin del mtodo del promedio ponderado exponencialmente con ajuste de tendencia es anloga a la del promedio mvil con ajuste de tendencia. Todo lo que tenemos que hacer es lo siguiente: a) Calcular el promedio ponderado exponencialmente simple "Ms,:'. b) Calcular el promedio ponderado exponencialmente doble: MD,i=M~,i-i+a(Ms,i-M~,i-l). c) Calcular el promedio ponderado exponencialmente ajustado mediante la frmula: M A= ~ Ms,i+ (Ms,~ - MD,~) + (al(1-a)) @ h , i - MD,~). d) El pronstico del perodo "i" es el promedio ajustado del perodo (i-1).
Capitulo 1: Pronsticos de Demanda
19
Como en el caso del promedio mvil ajustado, el promedio ponderado exponencialmente ajustado tambin nos permite estimar la tendencia lineal ms reciente a travs de la frmula:
Ejemplo numrico 1.9: Aplicar a los datos del ejemplo numrico 1.1 la metodologa del promedio ponderado exponencialmente ajustado con a=0.2 y pronosticar la demanda del ao 2001. Solucin: El procedimiento descrito arriba conduce a los resultados del Cuadro 1.10 a continuacin:
CUADRO 1.10 Promedio ponderado exponencialmente ajustado

PROMEDIO PROMEDIO PROMEDIO
PEFODO
AO
DEMANDA
SIMPLE
DOBLE
AJUSTADO PRON~STICO
1 2 3 4 5 6
1996 1997 1998 1999 2000 2001
200 213 218 235 244
200.00 202.60 205.68 211.54 218.04
200.00 200.52 201.55 203.55 206.45

e
200.00 205.20 210.84 221.54 232.52
200.00 205.20 210.84 221.54 232.52
toneladas; y la estimacin de la El pronstico para 2001 sera entonces: P2001=232.5 tendencia lineal ms reciente sera (ao 2000):
Los pronsticos para los siguientes 3 aos, por ejemplo, seran entonces:
Es importante observar que tanto el pronstico para 2001 como la tendencia lineal estimada son demasiado pequeos en comparacin con los datos reales. Aparentemente, el ajuste no fue s ciente y no logr mejorar mucho el promedio ponderado simple. Esto, sin embargo, no es verdad y lo que realmente est ocurriendo es que el promedio ponderado exponencialmente ajustado no conduce a buenos resultados cuando el nmero de datos 'W' es pequeo y se hace Ms,l=Dl.Como veremos ms adelante, con un nmero grande de datos de demanda, el mtodo es excelente y en la mayora de los casos result
20
ser el mejor de todos los mtodos- de anlisis de series de tiempo ,analizados en este captulo (para el corto plazo). Un valor grande de "a" (por ejemplo, mayor que 0.4) permite trabajar con un nmero menor de datos de demanda, sin embargo conduce a una cierta inestabilidad del pronstico, por lo que no recomendamos su utilizacin (vame los resultados de la simulacin en el inciso 1.3 a continuacin).
1.2.9 Pronsticos para perodos menores que un ao

En todos los ejemplos de los incisos anteriores hemos elaborado nicamente pronsticos anuales, es decir, hemos calculado la demanda total de uno o ms aos futuros. En este inciso veremos como podemos elaborar pronsticos para perodos ms cortos (mes, trimestre, semestre, etc.), cuando nos veremos obligados a considerar la estacionalidad. Ejemplo numrico 1.10: Supongamos los mismos datos de los ejemplos anteriores y que la demanda trimestral de los aos 1996, 1997, 1998, 1999 y 2000 sea la que se muestra en el Cuadro 1.11 a continuacin. Pronosticar la demanda de cada uno de los trimestres de 2001.
CUADRO 1.11 Datos trimestrales de demanda y clculo de ndices estacionales
Solucin: Tomando como ejemplo el mtodo de la lnea recta (podramos, por supuesto, utilizar otro mtodo), tenemos que el pronstico para 2001 es de 255 toneladas (este pronstico fue obtenido ajustndose una lnea recta a los totales anuales 200, 213,218, 235 y 244 toneladas, como se vio anteriormente). Cmo podemos determinar los pronsticos para los 4 trimestres de 2001 a partir de este valor? Veamos inicialmente cmo hacerlo con estacionalidad y despus sin estacionalidad. Inicialmente, podemos calcular el porcentaje promedio que cada trimestre representa de la demanda total de los 5 aos, lo que tambin se muestra en el Cuadro 1.11 (para el 1 trimestre, por ejemplo, tenemos 15.4%). Si suponemos que la estacionalidad se repetir de la misma manera en 2001, podemos entonces multiplicar estos porcentajes por el total anual de 255 toneladas para obtener los pronsticos trimestrales con estacionalidad, es decir:
Pi = (0.154)(255) = 39.27 P2 = (0.362)(255) = 92.31 P3 = (0.229)(255) = 58.40 Pq= (0.255)(255) = 65.02 Total anual 255 .O0 (toneladas) Los porcentajes 15.4%, 36.2%, 22.9% y 25.5% son llamados ndices estacionales y obviamente solamente tiene sentido calcularlos cuando existe alguna estacionalidad en los datos. El mtodo presentado puede ser aplicado siempre que tengamos un pronstico anual, no importando el mtodo que fue utilizado para obtenerlo, y obviamente puede utilizarse para pronsticos semanales, mensuales, etc.. Asimismo, es igualmente aplicable para cualquier tipo de variacin cclica. Por ejemplo, si el ciclo es de 6 aos, tendramos ndices de ciclicidad para cada uno de los aos y stos se multiplicaran por el total pronosticado para los prximos 6 aos (ciclo completo). Si no existe la estacionalidad, cmo llegaramos a los pronsticos sin estacionalidad para los 4 trimestres de 2001? La primera alternativa sera ajustar una lnea recta (otra vez la estamos tomando slo como ejemplo) a los 20 datos trimestrales y pronosticar los 4 siguientes (sugerimos que los lectores lo hagan). La segunda alternativa sera partir del total 255 toneladas ya pronosticado y "repartirlo" entre los 4 trimestres. Es obvio que no podemos dividir este total entre 4, ya que as estaramos suponiendo una tendencia horizontal. Se puede demostrar (se sugiere tambin que los lectores lo intenten) que la pendiente trimestral es 16 veces menor que la pendiente anual, por lo que la podemos calcular a partir de la pendiente de la lnea que se ajust a los datos anuales. Recordando que esta pendiente es 11 toneladas (vase el ajuste de la lnea recta), tenemos que la pendiente trimestral es igual a 11/16 = 0.6875 (toneladas). Como los pronsticos de los 4 trimestres tienen que sumar 255 toneladas, con esta pendiente de 0.6875, tenemos:
Entonces : P2= 63.41 P3 = 64.10 P4 = 64.78 Total = 62.72 + 63.41 + 64.10 + 64.78 E 255 (toneladas) Ahora bien, siempre que en Diciembre de un determinado ao elaboramos pronsticos para todos los meses, trimestres, etc. del ao siguiente, decimos que estamos elaborando pronsticos anuales, y stos, como acabamos de ver, pueden ser con o sin estacionalidad. Por otro lado, cuando al final de cada mes, trimestre, etc., elaboramos pronsticos para el mes siguiente, el trimestre siguiente, etc., decimos que estamos elaborando pronsticos mensuales, trimestrales, etc., respectivamente. Estos pronsticos tambin pueden ser con o sin estacionalidad. Veamos la metodologa para la elaboracin de pronsticos trimestrales con estacionalidad a travs de un ejemplo.
Utilicemos los datos anteriores del Cuadro 1.11 y apliquemos (como ejemplo) el mtodo del promedio mvil simple de 3 trminos. Los pronsticos trimestrales sin estacionalidad se muestran en la 4a. columna del Cuadro 1.12 a continuacin: CUADRO 1.12: Pronsticos con estacionalidad calculados trimestralmente
I
Ao 1996
I
TRIM. Ti T2 T3 T4 Ti T2 T3 T4 Ti T2 T3 T4 T1 T2 T3 T4 Ti
PRONOSTICOS POR MEDIO DEL PROMEDIO MVIL SIMPLE DE 3 TRMINOS ERROR SIN ERROR CON
DEMAN. EST. 29 70 47 54 48.7 1997 34 57.0 81 45.0 47 56.3 51 54.0 1998 59.7 32 75 43.3 55 52.7 56 54.0 1999 40 62.0 86 50.3 50 60.7 59 58.7 I 1 2000 36 65.0 90 48.3 l 7'2 5 5 61.7 T 3 63 60.3 T 4 ERROR MEDIO ARSOT . T JTO
(*) ~ r 6= r Pronstico - demanaa
*
-
EST.
**
-
NDICE ESTACIONAL
-5.3 23.O -36.0 9.3 3 .O 27.7 -31.7 -2.3 -2.0 22.0 -35.7 10.7 -0.3 29.0 -41.7 6.7 -2.7
8.3 4.7 4.3 11.7 0.8 3.3 1.8 7.2 1.1 4.8 7.2 0.7 1 .5
-5.3 23.O -36.0 9.3 -1.2 25.3 -33.8 3.5 -1.4 24.2 -34.4 5.9 -1.2
59.3 36.7 79.3 43.3 55.2 36.7 84.2 57.2 60.1 40.8 82.8 55.8 61.5
(-3 krror absoluto
Se puede observar, como ejemplo, que el pronstico sin estacionalidad para el 2" trimestre siempre es menor que la demanda real, es decir, los errores siempre fueron negativos: -36.0, -31.7, -35.7 y 4 1 . 7 en los aos 1997, 1998, 1999 y 2000, respectivamente. Esto se debe obviamente a la estacionalidad y para mejorar los pronsticos podramos entonces en cada ao restar el error promedio acumulado de los aos anteriores. El pronstico as obtenido sera un pronstico trimestral con estacionalidad y el mtodo se llama aditivo. Veamos como ejemplo el pronstico con estacionalidad para el 2" trimestre de 1998: Pron. con est. 98 = pron. sin est. 98 -error 97 = 43.3 - (-36.0) = 43.3 + 36.0 = 79.3 Cuando hay ms de un error a considerar de aos anteriores, se resta la medio de stos. 3 1.7 y -35.7, cuya Por ejemplo, para el 2" trimestre de 2000 tenemos los errores -36.0, media es -34.4. El pronstico con estacionalidad ser entonces:
Pron. con est. 2000 = pron. sin est. - (-34.4) = 48.3 + 34.4 = 82.7 Utilizando este procedimiento se calcularon todos los pronsticos trimestrales con estacionalidad, los cuales se presentan en la 6a. columna del Cuadro 1.12. El promedio de los errores de los aos anteriores (por ejemplo, -34.4 para el 2" trimestre de 2000), los podemos llamar tambin ndices estacionales y stos se presentan en la ltima columna del Cuadro 1.12. En este ejemplo es interesante observar que el error medio cometido cuando se tom en cuenta la estacionalidad (4.4) es mucho menor que el error correspondiente a los pronsticos sin estacionalidad (17.0). Esto demuestra 2 cosas: primero que los datos de demanda presentan estacionalidad y segundo que la consideracin de esta estacionalidad mejora la calidad de los pronsticos trimestrales. Para la elaboracin de pronsticos mensuales con estacionalidad, el mtodo multiplicativo de Winters es muy famoso. El lector puede encontrarlo en [27].
Generalmente, es muy difcil establecer previamente cul es el mtodo ms adecuado para pronosticar la demanda de una empresa dada. Slo en los casos que se contempla nicamente el ajuste de lneas, la seleccin del mejor mtodo es una tarea fcil, ya que consiste en el ajuste de cada una de las lneas a los datos de demanda y en la posterior determinacin de la que mejor se ajusta. Como metodologa aplicable a todos los casos sugerimos en este captulo la simulacin. sta consiste en aplicar distintos mtodos a los datos del pasado y, previa eleccin de un criterio de evaluacin, determinar el mtodo que mejor funciona. Tanto para la simulacin como para el ajuste de lneas mencionado en el prrafo anterior, los criterios de evaluacin ms utilizados son el error medio absoluto, el error medio absoluto porcentual y la desviacin estndar del error. Adicionalmente, el coeficiente de determinacin (que ser definido ms adelante) se utiliza para el ajuste de lneas. A continuacin presentamos un ejemplo de aplicacin de la tcnica de simulacin a los datos reales de demanda mensual de 3 empresas mexicanas que se denominan "A", "B" y "C", y de las cuales disponemos de 36,48 y 24 datos, respectivamente (vanse las grficas en las Figuras 1.3, 1.4 y 1 S).En este ejemplo de simulacin hemos utilizado el error medio absoluto porcentual como criterio de evaluacin.
1.3.1 Simulacin mensual sin estacionalidad
La primera simulacin que se llev a cabo fue para evaluar qu mtodo resultara mejor para los pronsticos mensuales sin estacionalidad, es decir, tomando en cuenta los (i-1) datos anteriores de demanda mensual, se pronostic sin estacionalidad la demanda del mes "i", utilizando los distintos mtodos de pronsticos, y se compararon los resultados obtenidos con las demandas reales.
FIGURA 1.3 Datos de demanda de la empresa "A"
MESES
FIGURA 1.4 Datos de demanda de la empresa "B"
L Y C
n V
> C ( V C
m W
MESES
FIGURA 1.5 Datos de demanda de la empresa "C"
m
V
MESES
DATOS
1977 1978
Ene
Feb
Mar
Abr
May
956.9 1142.1
Jun
1127.9 934.5
Jul
937.5 1621.2
Ago
Sep
Oct
Nov
Dec
907.5 1178.0 831.1 1014.2 1474.5 1242.1 1205.2 1115.5
988.9 908.4 1088.3 1313.5 1681.6 1718.2 1951.0 2455.0 2000.0 1900.0
Por ejemplo, utilizando los datos de Enero y Febrero del primer ao, se pronostic la demanda de Marzo; a partir de los datos de Enero, Febrero y Marzo, se pronostic la demanda de Abril; y as sucesivamente. Obsrvese que en este tipo de simulacin, a 1), se pronostic la demanda del mes "i" nicamente, partir de los datos hasta el mes (ipor lo que la simulacin se llama mensual. En el Cuadro 1.13 presentamos los resultados obtenidos en las empresas "A", " B y "C", para cada uno de los mtodos estudiados. Obsrvese que se utilizaron promedios mviles con valores de "k" entre 1 y 6, y promedios ponderados exponencialmente con valores de"a" entre 0.1 y 0.4. El Cuadro 1.13 nos proporciona, para cada empresa y para cada mtodo de pronsticos, el error medio absoluto porcentual que se hubiera cometido si en cada mes se hubiera pronosticado la demanda del mes siguiente. Por ejemplo, para la empresa "A" el uso de la recta en cada mes para pronosticar el mes siguiente, hubiera conducido a un error medio absoluto de 21.14%. Los nmeros entre parntesis indican la bondad de los mtodos para cada empresa, as el nmero (1) a la derecha del P.M.S., 6T (Promedio Mvil Simple de 6 trminos) de la empresa "A" indica que dicho mtodo en esta empresa es el que hubiera funcionado mejor durante el perodo analizado (18.83% de error medio absoluto porcentual).
1.3.2 Simulacin mensual con estacionalidad
La simulacin con estacionalidad se realiza exactamente como se describi anteriormente, es decir: en cada mes se hace inicialmente un pronstico sin estacionalidad para el mes siguiente y enseguida se le resta el error medio acumulado de
26
los aos anteriores para este mismo mes. Los resultados obtenidos para las empresas "A", "B" y "C" se presentan en el Cuadro 1.14.
CUADRO 1.13 Simulacin mensual sin estacionalidad

EMPRESA &TODOS Recta Curva exponencial Curva de potencia P.M.S., 1T P.M.S., 2T P.M.S., 3T P.M.S., 4T P.M.S., 5T P.M.S., 6T P.M.A., 2T P.M.A., 3T P.M.A., 4T P.M.A., 5T P.M.A., 6T P.P.E.S., a = 0.1 P.P.E.S., a = 0.2 P.P.E.S., a = 0.3 P.P.E.S., a = 0.4 P.P.E.A., a = 0.1 P.P.E.A., a = 0.2 P.P.E.A., a = 0.3 P.P.E.A., a = 0.4 IE%I EMPRESA "B" 27.31 26.41 29.04 33.81 32.99 29.91 26.95 26.08 (5) 27.14 48.01 44.69 36.25 30.59 30.59 25.80 (4) 24.88 (2) 25.38 (3) 26.77 24.48 (1) 27.61 31 .O0 34.22 30.45 EMPRESA IE%I 22.88 23.47 22.92 25.22 23.73 22.74 21.96 21.58 21.78 33.31 31.67 30.08 27.98 26.17 22.39 20.35 20.43 21.03 20.17 22.04 24.05 25.58
"A"
21.14 23.14 19.75 (3) 25.73 23.12 21.69 21.49 19.51 (2) 18.83 (1) 35.24 29.8 1 31.50 26.78 19.97 (5) 22.93 19.95 (4) 20.21 20.83 20.02 21.67 23.62 25.04 23.27
"c"
20.19 20.86 19.97 16.12 (5) 15.08 (1) 16.61 17.45 19.15 19.38 16.69 20.52 22.49 26.56 27.94 18.44 16.23 15.69 (3) 15.49 (2) 16.00 (4) 16.83 17.53 17.49 17.84
(10) (7) (5) (6)
(9) (2) (3) (4) (1) (8)
En el Cuadro 1.14 podemos observar lo siguiente: a) Slo en el.caso de la empresa "B" la calidad de los pronsticos mejor en promedio cuando se consider la estacionalidad. En el caso de "A" el deterioro fue pequeo, sin embargo en el caso de "C" el deterioro fue notable (de 17.84% a 28.80%). b) La bondad relativa de los mtodos no permaneci igual. El caso ms significativo es el del P.M.A., 2T de la empresa "C", el cual no arroj buenos resultados sin estacionalidad (8" lugar), sin embargo result el primero con estacionalidad, con error medio de 21.99%. No debemos darle mucha importancia a este resultado, ya que todos los pronsticos con estacionalidad de "C" estn distorsionados por una supuesta estacionalidad que realmente no existe o es muy irregular.
CUADRO 1.14 Simulacin mensual con estacionalidad EMPRESA "'A"

25.46 27.87 21.22 (2) 25.39 24.55 25.35 26.72 25.22 23.36 33.28 32.60 35.80 29.01 20.38 (1) 22.97 21.71 (3) 21.88 (4) 22.47 (5) 23.51 24.63 25.95 26.45 25.72
MTODOS Recta Curva exponencial Curva de potencia P.M.S., 1T P.M.S., 2T P.M.S., 3T P.M.S., 4T P.M.S., 5T P.M.S., 6T P.M.A., 2T P.M.A., 3T P.M.A., 4T P.M.A., 5T P.M.A., 6T P.P.E.S., a = 0.1 P.P.E.S., a = 0.2 P.P.E.S., a = 0.3 P.P.ES., a = 0.4 P.P.E.A., a = 0.1 P.P.E.A., a = 0.2 P.P.E.A., a = 0.3 P.P.E.A., a = 0.4
EMPRESA "B"
24.40 (2) 23.30 (1) 26.29 33.22 27.03 27.14 27.95 26.22 26.58 39.55 35.98 32.55 30.49 32.49 24.94 (4) 25.11 (5) 25.51 25.99 25.01 (3) 26.27 27.55 29.71 28.33
EMPRESA
=c"
29.67 30.41 27.15 25.74 23.19 (3) 27.89 29.32 32.10 27.70 21.99 (1) 32.85 36.04 38.90 48.92 22.59 (2) 23.23 (4) 24.53 25.21 23.91 (5) 27.41 27.62 27.30 28.80
IE%I
26.51 27.19 24.89 28.12 24.92 26.79 28.00 27.85 25.88 31.61 33.81 34.80 32.80 33.93 23.50 23.35 23.97 24.56 24.14 26.10 27.04 27.82
(6) (7)
(2) (1) (3) (5) (4)
IE%I
c) Como consecuencia de lo anterior y con vistas a sacar conclusiones, debemos considerar para la empresa " B los datos con estacionalidad ms significativos que los datos sin estacionalidad, y para las Empresas "A" y "C" los datos sin estacionalidad ms significativos que los datos con estacionalidad.
1.3.3 Simulacin anual sin estacionalidad
En este inciso 'se describe el tercer tipo de simulacin, es decir, la simulacin anual sin estacionalidad. Como veremos a continuacin, a pesar de que la simulacin fue anual, seguimos trabajando con los datos de demanda mensuales. En esta simulacin se pronostic la demanda de los 12 meses del ao "i" a partir de 1), y se compararon los resultados con las toda la informacin existente hasta el ao (idemandas reales del ao "P. Por ejemplo, a partir de los 12 meses de 1976 se pronostic la demanda de los 12 meses de 1977 y se compararon los pronsticos con las demandas reales de 1977; a partir de los 24 datos de 1976 y 1977 se pronostic la demanda de los
28
12 meses de 1978 y se compararon los pronsticos con las demandas reales de 1978; y as sucesivamente. En esta etapa de la simulacin no se consider la estacionalidad. Los resultados de la simulacin anual sin estacionalidad se presentan en el Cuadro 1.15, el cual tambin presenta los resultados de la simulacin anual con estacionalidad, que se analiza en el inciso a continuacin. 1.3.4 Simulacin anual con estacionalidad En la simulacin anual con estacionalidad, se pronostic inicialmente la demanda de los 12 meses del ao "i" a partir de los datos hasta el ao (i-1); en seguida se sumaron los 12 pronsticos para calcular el total anual del ao "i" y finalmente se multiplic este total por los ndices estacionales acumulados hasta el ao (i-1). Los resultados obtenidos se compararon entonces con los 12 datos de demanda real del ao "i". Los resultados de la simulacin anual con estacionalidad tambin se presentan en el Cuadro 1.15. Para cada empresa hay 2 columnas, en la columna de la izquierda se presentan los resultados de la simulacin sin estacionalidad y en la columna de la derecha los resultados de la simulacin con estacionalidad.
CUADRO 1.15 Simulacin anual sin y con estacionalidad
(*) Errores tan grandes que se omitieron
Es importante observar que, como en el caso de la simulacin mensual, la simulacin anual con y sin estacionalidad nos permite, adems de evaluar los distintos mtodos de pronsticos, investigar si existe o no estacionalidad en los datos de demanda mediante la comparacin de los errores correspondientes a las dos alternativas. Para la empresa "A" podemos observar que los errores de la columna de la izquierda (sin estacionalidad) son siempre menores que los errores de la columna de la derecha (con estacionalidad). Los promedios correspondientes son 28.15% y 32.35%, respectivamente. Esto indica que la consideracin de una supuesta estacionalidad condujo de hecho al deterioro de los pronsticos y que consecuentemente no debe considerarse en la elaboracin de los futuros pronsticos. Lo mismo sucede con la empresa "C"(errores medios de 55.53% y 59.07%, respectivamente).
29
Para la empresa "B", puede observarse que para algunos mtodos los pronsticos anuales con estacionalidad son ligeramente superiores a los pronsticos sin estacionalidad y que para otros ocurre lo contrario (errores medios de 37.03% y 36.11%, respectivamente). Como consecuencia, es difcil sacar una conclusin definitiva y, considerando que lo mismo ocurri en la simulacin mensual, lo ms adecuado seria seguir con la simulacin por algunos aos hasta que se definiera la situacin. Promediando horizontalmente todos los errores del Cuadro 1.15, obtenemos un error medio porcentual absoluto que de alguna manera es una medida de la eficiencia de cada uno de los mtodos en las empresas estudiadas. Por ejemplo, dicho promedio es de 25.85% para la recta, 29.04% para la curva exponencial, etc..
1.3.5 Resultados finales de la simulacin
A continuacin presentamos las conclusiones finales que pueden sacarse del anlisis de los Cuadros 1.13, 1.14 y 1.15. Obviamente, estas conclusiones no pueden tomarse como definitivas, ya que corresponden nicamente a las empresas "A", "B" y "C" y a un nmero de meses igual a 36, 48 y 24, respectivamente. Sin embargo, consideramos que los resultados obtenidos nos dan una idea bastante precisa sobre la eficiencia de los distintos mtodos utilizados. Tomando en cuenta el Cuadro 1.13 y tambin la columna de "B" del Cuadro 1.14, podemos sacar las siguientes conclusiones: a) El mtodo del P.P.E.A., a=0.1 fue el que en promedio produjo los mejores resultados (error medio de 20.17% en el Cuadro 1.13 para las tres empresas). Despus, en orden de importancia, estuvieron los mtodos P.P.E.S, a=0.2, P.P.E.S., a=0.3, P.P.E.S, a=0.4, P.M.S., 5T y P.M.S., 6T.
b) Tambin es interesante observar que para las 3 empresas la tasa de crecimiento y la dispersin respecto a la lnea que mejor se ajusta son las siguientes (el clculo de estos datos no se incluye):
EMPRESA A B C
TASA DE CRECIMIENTO DISPERSIN RESPECTO A LA LNEA QUE MEJOR SE AJUSTA MENSUAL MEDIA 19.0% 2.2% 23.2% 3.3% 15.1% 3.3%
El P.M.S con un nmero pequeo de trminos (1,2 y 3) funcion bien cuando la tasa de crecimiento era grande y la dispersin no era muy grande, como en el caso de la empresa "C". Por otro lado, el P.M.S. con un nmero grande de trminos (4, 5, 6 ms) funcion bien cuando la tasa de crecimiento era pequea, independientemente de la dispersin, como en el caso de la empresa "A" (recurdese, sin embargo, que puede ir bastante atrasado con relacin a la demanda real). Este razonamiento explica porque ningn nmero de trminos produjo buenos resultados en la empresa "B", ya que sta tiene gran tasa y gran dispersin.
30
c) El promedio ponderado exponencialmente ajustado con un "a " mayor que 0.1 no produjo buenos resultados, ya que en ninguno de los ejemplos estuvo entre los 5 mejores. d) En trminos globales el mtodo del ajuste de lneas (recta, curva exponencial y curva potencial) no parece ser muy bueno para los pronsticos mensuales ya que est fuera de los 10 primeros del Cuadro 1.13. Sin embargo, la curva de potencia qued en tercero para la empresa "A" (Cuadro 1.13), y la curva exponencial y la recta en primero y segundo lugares para la empresa "B" (Cuadro 1.14). Viendo las grficas, podemos observar que la de "A" tiene forma de potencia y la de "B" tiene forma exponencial, lo que indica lo obvio: una determinada lnea slo conduce a resultados satisfactorios cuando se ajusta bien a los datos. e) Los promedios mviles ajustados son demasiado sensibles a los cambios bruscos de la demanda y no produjeron buenos pronsticos mensuales. Sin embargo, el mtodo mejora mucho a la medida que aumenta el nmero de trminos (esto en general, porque la empresa "C" es una excepcin). Por ejemplo, para el caso de la empresa "A", el error del P.M.A., 6T fue de slo 19.97%, mientras que el error del mejor mtodo fue 18.83% (P.M.S., 6T). Veamos ahora el Cuadro 1.15, que nos presenta un resumen de los pronsticos anuales. Podemos sacar las siguientes conclusiones: a) El mejor mtodo en promedio fue el P.P.E.A., a=0.2, aunque la diferencia entre el error de ste y los errores medios del P.P.E.A., a=0.1 y de la recta, no fue muy significante. b) Para la elaboracin de pronsticos anuales no es conveniente usar un promedio mvil ajustado con menos de 5 trminos y en promedio 6 trminos result mejor que 5 trminos. Obviamente, tambin se podr usar promedios con ms de 6 trminos y cualquiera de ellos puede resultar el mejor en un ejemplo especfico. c) Los valores a=0.1 y a=0.2 son mucho mejores que los valores a=0.3 y a=0.4, probablemente porque estos ltimos dan demasiada importancia a las ltimas demandas y extrapolan tendencias no representativas de la tendencia general de la demanda. Lo mismo ocurre con el promedio mvil ajustado con un nmero de trminos pequeo. d) Los resultados correspondientes a las lneas son relativamente mejores que en el caso de los pronsticos mensuales, habiendo un l o lugar en la empresa "C" (curva exponencial), un segundo en la empresa "A" (recta) y un tercero en la empresa " B (curva exponencial). Es difcil explicar en el caso de "A" porque la curva de potencia funcion bien en los pronsticos mensuales y mal en los anuales. Quizs la explicacin sea que al principio (parte izquierda de la grfica) el crecimiento no es potencial, lo que slo ocurre realmente al final (parte derecha de la grfica), y esto afect mucho ms los pronsticos anuales. Podemos ahora hacer un resumen de todas las conclusiones que hemos sacado en lo que se refiere a la elaboracin de pronsticos mensuales y anuales:
31
a) Para cada empresa el mejor mtodo de pronsticos es diferente, lo que demuestra la importancia de la aplicacin de la tcnica de simulacin. b) La tcnica de simulacin es particularmente til para determinar la conveniencia de considerar o no la estacionalidad de los datos. c) Independientemente del mtodo de pronsticos, vemos que en ciertas empresas (por ejemplo, "B") el error es consistentemente ms elevado. d) Los mtodos P.P.E.A. , a=0.1, P.P.E.S., a=0.2 y P.P.E.S., a=0.3 son muy buenos para los pronsticos mensuales. Tambin deber considerarse el P.P.E.S., a=0.4. e) El promedio mvil simple con un nmero de trminos pequeos (1, 2 3) produce buenos pronsticos mensuales cuando la tasa de crecimiento es grande y la dispersin es pequea.
f) El promedio mvil simple con un nmero de trminos mayor que 3 produce buenos
pronsticos mensuales slo cuando la tasa de crecimiento es pequea o los incrementos mensuales son decrecientes. g) El mtodo P.P.E.A. con un valor de "a" mayor que 0.2 no produce buenos pronsticos mensuales.
h) El promedio mvil ajustado no produce buenos pronsticos mensuales, principalmente cuando el nmero de trminos es pequeo (1,2 o 3). Hubo la excepcin de la-empresa "C".
i) El mtodo del ajuste de lneas (recta, curva exponencial y curva de potencia) es mejor para los pronsticos anuales que para los pronsticos mensuales. Si utilizamos para cada caso especfico la lnea que mejor se ajusta a los datos, seguramente obtendremos buenos resultados. Es importante probar el ajuste de los tres tipos de lneas. j) Los mtodos P.P.E.A., a=0.1 y P.P.E.A., a=0.2 son muy buenos para la elaboracin de pronsticos anuales. Por otro lado, los mtodos P.P.E.A., a=0.3 y P.P.E.A., a=0.4 no producen buenos resultados. Si aumentamos el valor de "a" todava ms, seguramente los resultados sern peores.
k) Para la elaboracin de pronsticos anuales, no se debe usar un promedio mvil ajustado con un nmero de trminos menor que 5.
1.4 MTODOS CAUSALES 1.4.1 Generalidades Los mtodos de pronsticos que hemos visto hasta ahora tienen algo en comn: todos consideran que la demanda (variable "Y") depende nicamente de la variable tiempo ("X). Obviamente, esto no siempre es verdad y en muchos casos la demanda puede depender de otras variables como por ejemplo, el nmero de viviendas que se construyen en el pas, el nmero de kilmetros construidos de carreteras, el nivel de ingresos de la poblacin, la paridad peso-dlar, la inflacin, los gastos de publicidad, el nmero de puntos de ventas, etc..
Captulo1: Pronsticos de Demanda
Cuando consideramos que la demanda no depende nicamente de la variable tiempo, sino tambin de otras variables, los mtodos de pronsticos se denominan causales. En los mtodos causales tenemos que determinar cul es la ecuacin que relaciona la variable dependiente (demanda) con las variables independientes (de las cuales una puede ser el tiempo), y esta ecuacin puede o no ser lineal. En este capitulo estudiaremos nicamente las ecuaciones lineales y stas sern determinadas utilizndose tambin el mtodo de mnimos cuadrados. Este procedimiento para la determinacin de las ecuaciones se llama regresin lineal simple si consideramos una sola variable independiente y regresin lineal mciltiple si consideramos 2 ms variables independientes. De una forma general podemos decir que las ecuaciones lineales de regresin son del tipo: Y = P o + P i x i + P2X2+P3X3+ ... +PKXK donde "XiW, "X2", "X3", .. ., "XK" son las variables independientes (una de ellas puede ser el tiempo) y "PO', "Pl", "P2", .. ., "PK", son constantes. Estimaremos los valores de "Pi" a partir de los datos de una muestra y, por simplicidad, dichas estimaciones las llamaremos "a", "b","c", etc., respectivamente. Por lo tanto, en el uso de la regresin cometeremos 2 errores: el primero ocurre porque nunca vamos a poder incluir en la ecuacin todas las "X? que afectan "Y"; y el segundo ocurre porque usamos estimaciones de las "P? y no sus valores reales (correctos). Obviamente, este ltimo se reduce a la medida que aumenta el tamao de la muestra. 1.4.2 Regresin lineal simple Como dijimos anteriormente, los ajustes de lneas presentados en los incisos 1.2.1, 1.2.2 y 1.2.3 fueron nuestros primeros ejemplos de regresin lineal simple. Sin embargo, como en estos ejemplos la nica variable independiente considerada fue el tiempo, dichos mtodos de pronsticos se consideraron como "series de tiempo". Pasemos ahora a analizar otro ejemplo en el cual la variable independiente no sea el tiempo.
Supongamos que en el ao 2000 en un pas hipottico se logr una excelente cosecha de papas. Adems, a finales de Abril se recibi una importante donacin de uno de los pases europeos. Considerando la produccin nacional y la donacin, el Gobierno determin que en los meses de Mayo y Junio debera venderse un acumulado de 12 millones de kilos para que no hubiera la posibilidad de que las papas se echaran a perder. A partir de los datos proporcionados a continuacin, que corresponden a 3 meses representativos, determinar a qu precio se tuvo que vender el kilo de papas en Mayo y Junio. DEMANDA MENSUAL (1 o6kilos) PRECIO
4.24 $ 1 2 /kg.
3.80 $15/kg
3.29 $2O/kg
Solucin:
Normalmente, la literatura sobre microeconoma recomienda el uso de una ecuacin potencial para relacionar la demanda con el precio, por lo que en este problema utilizaremos la curva potencial. La solucin al problema se encuentra en el Cuadro 1.16 a continuacin: CUADRO 1.16 Aplicacin de la regresin lineal a las variables "demanda de papas" y "precio"
Sustituyendo en las ecuaciones de mnimos cuadrados, tenemos: a = antilog (4.2405)(1.7243) - (3.5563)(2.0319) = 14.3389 (3)(4.2405) - (3.5563)2
Por lo tanto, la ecuacin de la curva potencial sera
Y = (14.3389)
Si preferimos, podemos escribir : DEMANDA = (14.3389) (PRECIO)-0.4908 Como queremos el precio para que la demanda sea de 6 millones de kilos en cada uno de los meses de Mayo y Junio, sustituimos en esta ecuacin el valor de la demanda y despejamos el precio: 6 = (14.3389) (PRECIO)-~.~~O~ PRECIO = $5.9O/kg.
1.4.3 Regresin lineal mltiple
Como dijimos anteriormente, en el caso de la regresin lineal mltiple relacionamos linealmente la variable dependiente "Y" con ms de una variable independiente. Las frmulas de mnimos cuadrados para la determinacin de los coeficientes de una ecuacin con dos variables "X" y "Z", son las siguientes (de tres variables en adelante utilizaremos la computadora):
Inicialmente, veremos un ejemplo de cmo determinar la ecuacin de regresin y obtener el pronstico para un periodo futuro. Despus aprenderemos a evaluar la calidad del ajuste y la significacin estadstica de la ecuacin. Por ltimo, revisaremos los supuestos que se tienen que cumplir para que el uso de la regresin sea confiable.
Supongamos que una determinada empresa mexicana ha decidido pronosticar la demanda de sus productos en funcin de la poblacin (POB) y del ndice de precios al consumidor (IPC). Los datos correspondientes a los aos 1981, 1982, 1983, 1984, 1985 y 1986 son los siguientes:
A0 DEMANDA (ton) POB. (millones) IPC (1978 = 1)
(*) Banco de Mxico.
1981 770 71.3 1.91
1982 780 73.O 3 .O4
1983 786 74.6 6.13
1984 795 76.3 10.14
1985 805 77.9 16.00
1986 800 79.5 (*) 29.80 (*)
Utilizando la regresin lineal mltiple, pronosticar la demanda de 1988, sabindose que la poblacin crecer con una tasa de 2%/ao y que en 1988 el IPC=150.
Solucin:
En este caso necesitamos determinar los coeficientes de la siguiente ecuacin: DEMANDA = a + b(P0B) + c(1PC) Haciendo DEMANDA=Y, POB=X e IPC=Z, tenemos: Y=a+bX+cZ
Las sumatorias necesarias para la aplicacin de las frmulas se calculan en el Cuadro 1.17 a continuacin. Sustituyendo estas sumatorias en las frmulas, tenemos:
La ecuacin ser entonces:
Y = 789.3333 + (6.9168)(x) - (0.8942)(z)

CUADRO 1.17 Aplicacin de la regresin lineal a las variables "demanda", "poblacin" e "ndice de precios"
1985 1 805 1986 1 800 TOTALES
77.9 79.5
1 29.80
16.00
2.4667 4.0667 O
6.0844 16.5378 47.0733
1985.6667 3253.3333 192.333
4.83 18.63 O
23.3289 347.0769 548.7128
3888.15 14904.00 540.26
11.9140 75.7620 149.0410
El lector debe recordar que la ecuacin est en funcin de "x" y "z" minsculas, que corresponden a X-75.4333 y 2-1 1.1700, respectivamente. Si queremos regresar a las variables originales, tenemos:
Y = 789.3333 + (6.9168)G-75.3333) - (0.8942)(2-11.1700) Y = 278.2559 + (6.9168)G) - (0.8942)(2) DEMANDA = 278.2559 + (6.9168)(POB)- (0.8942)(IPC)
Ahora bien, para pronosticar la demanda de 1988 necesitamos antes pronosticar la poblacin de este ao. Tenemos:. POB1988 = (79.5)(1.02)~ = 82.7 Como el "IPC" para este mismo ao es igual a 150, tenemos entonces el siguiente pronstico para 1988: DEMANDAi988 = 278.26
+ (6.92)(82.7) - (0.89)(150) = 717 toneladas.
De acuerdo a los clculos de arriba, podemos concluir que si queremos, de una vez, que el valor de "a" corresponda a los orgenes originales, debemos calcularlo as: a=---
bX-CS
En general, es preferible utilizar esta ltima formula para evitar la confusin que pudiera provocar el cambio de origen de las variables independientes.
El ejemplo anterior ilustra cmo podemos determinar manualmente la ecuacin de regresin con 2 variables independientes. Obviamente, no recomendamos el clculo manual cuando el nmero de datos y10 el nmero de variables sea grande. En este caso podemos y debemos utilizar cualquier paquete computacional de regresin, como por ejemplo el TSP (Time Series Processor). La Figura 1.6 a continuacin muestra el ejemplo anterior resuelto por el paquete TSP. FIGURA 1.6 Aplicacin del TSP al problema del Cuadro 1.17
.................................................................... ....................................................................
LS / / Dependent Variable is DEMAN SMPL 1981 - 1986 6 Observations VARIABLE COEFFICIENT STD. ERROR T-STAT. 2-TAIL SIG.
C 277.56108 65.284106 4.2515874 POB 6.9168348 O. 9014990 7.6725930 -3.3863398 0.2640463 1PC -0.8941506 .................................................................... .................................................................... R-squared Mean of dependent var 0.981387 Adjusted R-squared 0.968978 S.D. of dependent var Sum of squared resid 2.314398 S.E. of regression Durbin-Watson stat 2.356016 F-statistic I l I I I I
O. 024 O. 005 O. 043

789.3333 13.14027 16.06932 79.08835
FITTED 769.024 779.772 788.076 796.249 802.076 800.804
. .* .
Residual Plot * I I* I * I 1 * I
1 1 1 1 1 1
obs 1981 1982 1983 1984 1985 1986
RESIDUAL 0.97640 0.22819 -2.07581 -1.24891 2.92388 -0.80376
ACTUAL 770.000 780.000 786.000 795.000 805.000 800.000
1.4.4 Calidad de la ecuacin de regresin
Hasta ahora, en todo el inciso 1.4, hemos estudiado cmo determinar ecuaciones de regresin, sin cuestionar la calidad o bondad de las mismas. Esto lo haremos en el presente inciso. Debe resaltarse la importancia de no usar una ecuacin de regresin antes de evaluar su calidad. Para evaluar la calidad de una ecuacin de regresin debemos analizar por lo menos los siguientes aspectos: ajuste, signzj?canciay supuestos. a) Ajuste * Coeficiente de determinacin (R2). * Coeficiente de determinacin ajustado (E2 ). * Error estndar de la regresin (SE). b) Significancia estadstica * Prueba "t" de student. * Otras pruebas estadsticas.
c) Supuestos * Causalidad. * Linealidad. * Normalidad. * Homocedasticidad. * No-multicolinealidad. * No-autocorrelacin.
1.4.4.1 Ajuste
a) Coeficiente de determinacin El coeficiente de determinacin mide el porcentaje de la variacin total de la variable dependiente que se explica mediante la ecuacin de regresin. En otro lenguaje: mide qu porcentaje del comportamiento de "Y" las variables "Xi" son capaces de explicar. El coeficiente de determinacin est dado por: R 2 =1C('i-yi>' = 1- Variacin no explicada Z ( y i -g2 Variacin total
donde "qi" y 'Y? son los valores calculados y reales de la variable dependiente, respectivamente. (En el listado de computadora de la Figura 1.6 los valores calculados aparecen bajo el ttulo "fitted".) Se puede demostrar fcilmente que O 2 R22 1. b) Coeficiente de determinacin ajustado Desafortunadamente, el valor del coeficiente de determinacin siempre aumenta cuando agregamos ms trminos a la ecuacin de regresin, an cuando disminuya la calidad de la ecuacin. Por esta razn, se ha definido el "coeficiente de determinacin ajustado", que est dado por la frmula que se proporciona a continuacin y que solamente aumenta cuando aumenta la calidad de la ecuacin de regresin. Contrastando con el coeficiente de determinacin, el coeficiente de determinacin ajustado toma en cuenta los grados de libertad de la ecuacin de regresin: donde "p" es el nmero de trminos o parmetros de la ecuacin de regresin (incluyendo la constante), "N" el nmero de datos y (N-p) el nmero de grados de libertad de la ecuacin. El coeficiente de determinacin ajustado tambin se ubica entre cero y uno. c) Error estndar de la regresin El error estndar es una estimacin de la desviacin estndar de las diferencias ( q i-Yi ), es decir, de los errores. Est dado por la siguiente frmula:
donde (N-p) es, una vez ms, el nmero de grados de libertad de la ecuacin.
Como tanto el coeficiente de determinacin ajustado como el error estndar de la regresin toman en cuenta los grados de libertad (N-p), existe una perfecta compatibilidad entre ellos: cuando aumentddisrninuye uno de ellos (por algn cambio en la ecuacin), disminuyelaurnenta el otro. Es decir, hay compatibilidad pero su relacin es inversa: cuando uno aumenta el otro disminuye y vice-versa. Si se agrega a una ecuacin una variable que "no vale la pena'?, el coeficiente de determinacin aumentar, sin embargo el coeficiente de determinacin ajustado disminuir y el error estndar aumentar, indicando que la variable no debe ser incluida.
Para la regresin del Cuadro 1.17 determinar el coeficiente de determinacin, el coeficiente de determinacin ajustado y el error estndar.
Solucin:
Coeficiente de determinacin:
Esto quiere decir que las dos variables independientes escogidas explican el 98% del comportamiento de la variable dependiente, lo que es, sin duda, un excelente resultado. Coeficiente de determinacin ajustado:
Error estndar de la regresin:
1.4.4.2 Significancia estadstica
La significancia estadstica de una regresin se determina principalmente a travs de la prueba "t", la cual evala la contribucin de la constante o de cada una de las variables, dado que las dems variables ya estn incluidas en la ecuacin. Tomando como ejemplo la variable "POB" del Cuadro 1.17, cuyo coeficiente es "b", el enunciado de la prueba sera el siguiente: H,: b = O Hi: b#O Se calcula entonces el valor de 'Y' correspondiente a la muestra y se compara ste con el valor crtico de tablas, correspondiente al nivel de confianza elegido y el nimero de grados de libertad.
39
Si no podemos rechazar la hiptesis nula, entonces no podemos rechazar que b=O. Consecuentemente, debemos concluir que la contribucin a la ecuacin de regresin de la variable "POB" no es significativa y que, por lo tanto, deber ser eliminada. Ejemplo numrico 1.14: Evaluar la significancia estadstica de la regresin del Cuadro 1.17. Solucin: El valor del T-STAT calculado por la computadora para el coeficiente "b" es 7.672593 (vase la Figura 1.6) y ste deber ser comparado al valor crtico de 'Y', es decir:
Para un nivel de confianza de 95%, tenemos el siguiente valor crtico de "t" (vase cualquier tabla de la "t" de student): que es menor que el T-STAT calculado por la computadora. Por lo tanto se rechaza la hiptesis nula y debemos concluir que la variable "POB" contribuye significativamente a la calidad de la ecuacin de regresin encontrada. Como el valor crtico de "t" tiene el mismo valor para todos los dems parmetros, tambin podemos afirmar que tanto la constante como la otra variable "IPC" contribuyen significativamente a la calidad de la ecuacin (sus valores de T-STAT calculados son 4.2515874 y -3.3863398, respectivamente). Obsrvese que, para realizar la prueba 'Y', es suficiente tomar los valores absolutos de los T-STAT calculados. Podemos realizar la prueba 'Y' directamente con la salida del paquete computacional, sin la necesidad de consultar tablas. Para esto, es suficiente elegir un error "a" y compararlo con los valores de la columna "ZTAIL SIG". Si "a" es mayor que "2-TAIL SIG" se rechaza la hiptesis nula y se "a" es menor que "2-TAIL S I G se acepta la hiptesis nula. Ejemplo numrico 1.15: Para un nivel de confianza de 0.95 (a=0.05), realizar la prueba "t" utilizando la salida del TSP de la Figura 1.6. Solucin: Los valores de "2-TAIL SIG" son: Constante: 0.024 Poblacin: 0.005 IPC: 0.043 Como todos los "2-TAIL SIG" son menores que "a", se rechazan todas las hiptesis nulas.
Existen otras pruebas estadsticas como la prueba "F" y la prueba Durbin Watson. El lector podr estudiarlas en las referencias [28] [29]. Indudablemente, la ms importante es la prueba "t" descrita arriba. 1.4.4.3 Supuestos Para que los criterios de ajuste y significancia descritos en los incisos anteriores sean vlidos, varios supuestos tienen que cumplirse. A continuacin discutiremos brevemente cada uno de ellos y veremos cmo podemos verificar que si se estn cumpliendo. Afortunadamente, el cumplimiento de algunos supuestos puede verificarse graficando los errores en el eje vertical y cualquier otra variable de la ecuacin en el eje horizontal. Sin o la variable embargo, normalmente se pone en el eje horizontal la estimacin "9" tiempo (T), como en las Figuras 1.7(a), 1.7(b), 1.7(c) y 1.7(d).
a) Causalidad
La regresin relaciona una variable dependiente "Y" con una o ms variables independientes "X?. La regresin no tiene sentido si las "X? no causan un cambio en "Y", es decir, si no hay causalidad. Es perfectamente posible, por ejemplo, que 2 variables estn relacionadas sin que haya causalidad entre ellas. ESsuficiente que ambas dependan de una tercera! En estadstica, sta se llama "variable amenaza". Podemos seguir 2 caminos (no excluyentes) para verificar la causalidad. El primero es justificarla con la teora, por ejemplo: "la implantacin de un sistema de incentivos causa un cambio en la satisfaccin laboral porque.. ." y se justifica la afirmacin con una teora. El segundo es incluir en la ecuacin de regresin todas las "amenazas" y verificar si la ''X? cuestionada sigue siendo significativa. Por ejemplo, si "tamao" de la empresa es una amenaza a la causalidad entre "incentivos" y "satisfaccin", introducimos "tamao" en la ecuacin y verificamos si "incentivos" sigue siendo significativa.
b) Linealidad
ste es el supuesto ms obvio. Si determinamos una ecuacin lineal, est implcita una relacin lineal entre "Y" y cada una de las 'X:'. Si esto no se da, debemos cambiar a una regresin no-lineal (no estudiada en este libro). El paquete SPSS (Statistical Package for the Social Sciences), por ejemplo, ajusta modelos no-lineales.
c) Normalidad
La distribucin estadstica de los errores tiene que ser normal con media cero. En otras palabras, si elaboramos un histograma de frecuencias con los errores, el resultado debe ser una campana muy similar a la curva normal con media cero.
d) Homocedasticidad
La distribucin estadstica de los errores, adems de normal, tiene que mantenerse idntica para cualesquiera rangos de valores de las variables, es decir, valores grandes o valores pequeos. Por ejemplo, los errores no deben aumentar ni disminuir si las "Xi" aumentan o disminuyen. Si esto no se cumple, decimos que hay "heterocedasticidad".
FIGURA 1.7 Grficas de los errores de la regresin
(a) Patrn nulo
(b) No-linealidad
(c) Heterocedasticidad
(d) Autocorrelacin
Cuando las variables 'X? de una ecuacin de regresin dada estn muy correlacionadas, decimos que hay multicolinealidad. El mismo sentido comn sugiere que evitemos la multicolinealidad. EScomo tener en un equipo de ftbol 2 delanteros que tienden a jugar en la misma posicin! Por lo tanto, el supuesto es de no-multicolinealidad. La correlacin entre variables disminuye el valor de "t", por lo que la prueba "t" elimina las que no contribuyan a la calidad de la ecuacin. En otras palabras, "somos afortunados" porque la prueba 'Y' se encarga de evitar los problemas serios de multicolinealidad. Con mucha frecuencia (principalmente en pronsticos de demanda) hay un error para cada perodo de tiempo y stos pueden aumentar o disminuir a la medida que transcurre el tiempo. Si esto se da decimos que hay "autocorrelacin". La autocorrelacin afecta la validez de las pruebas estadsticas, por lo que el supuesto a cumplir es la noautocorrelacin. Si los supuestos de linealidad, homocedasticidad y autocorrelacin no se violan, la grfica de errores debera presentarse como en la Figura 1.7(a). Normalmente dicho patrn se llama "nulo" (del ingls "null plot"). En la Figura 1.7(b) la existencia de errores predominantemente negativos al principio, positivos despus y negativos otra vez al final, indica una violacin del supuesto de linealidad. Por otro lado, la Figura 1.7(c) muestra
42
que los errores tienden a aumentar a la medida que aumenta. Esto significa una violacin del supuesto de homocedasticidad. Finalmente, veamos la Figura 1.7(d) que es la nica con la variable "T" en el eje horizontal. El hecho de que los errores aumenten a la medida que "T" aumenta significa una violacin del supuesto de no-autocorrelacin. Los paquetes computacionales grandes (como el SPSS) elaboran grficas como las de la Figura 1.7, as como construyen el histograma de los errores para verificar el supuesto de normalidad. Desafortunadamente, necesitamos tener muchos datos para que valga la pena el anlisis de dichas grficas. Por otro lado, el supuesto de noautocorrelacin tambin puede verificarse a travs de la prueba Durbin-Watson (vanse las referencias [28] y [29]). 1.4.5 Seleccin de las variables independientes Para construir una ecuacin de regresin debemos identificar las variables independientes potenciales y posteriormente seleccionar aqullas que conducen a la mejor ecuacin. Debido a la gran eficiencia de los paquetes computacionales que existen en el mercado, una alternativa factible para la seleccin de la mejor ecuacin es hacer todas las corridas posibles con las variables independientes potenciales. La mejor ecuacin ser aqulla con mayor coeficiente de determinacin ajustado o menor error estndar (lo que es equivalente) y que pase la prueba 'Y'. En los paquetes estadsticos grandes tambin existen mtodos no exhaustivos, como por ejemplo el "stepwise". En los ejemplos numricos a continuacin veremos un ejemplo del mtodo exhaustivo y un ejemplo del mtodo "stepwise". Otros criterios importantes para la seleccin de la mejor ecuacin son el nmero de variables independientes (para un mismo nivel de calidad, cuanto menos variables mejor!) y la pronosticabilidad de las variables independientes (cuanto ms fcil de pronosticar mejor!).
"P"
En el Cuadro 1.18 a continuacin se muestran datos reales correspondientes al "crack" de la Bolsa Mexicana de Valores ocurrido en Octubre de 1987. A pesar de que todos los datos son reales, este ejercicio no responde a ninguna teora econmica, sino que sirve nicamente para ilustrar cmo puede determinarse la mejor ecuacin de regresin por el mtodo exhaustivo. La variable dependiente es "captacin" (captacin de dlares), que depende de las variables "tiempo" (mes), "IPC" (ndice de precios al consumidor), "dlar" (paridad peso-dlar) y "bolsa" (ndice de la bolsa). El "crack" corresponde a la reduccin abrupta del ndice de la bolsa de 343,545 en Septiembre a 200,018 en Octubre.
Solucin:
Como hay 4 variables independientes hay 24 ecuaciones, incluyendo la que tiene cero variables (sugerimos que el lector lo compruebe). Sin considerar sta por no tener inters, nos quedamos con 24-1 = 15 ecuaciones. Las ecuaciones aparecen en la parte inferior del Cuadro 1.18 y en sta puede apreciarse que cuanto mayor el nmero de variables, mayor
43
el valor del coeficiente de determinacin, por lo que este criterio de ajuste no sirve para comparar las ecuaciones. Teniendo en cuenta el coeficiente de determinacin ajustado y el error estndar, la mejor ecuacin es la del 7" rengln que incluye las variables "tiempo" y "bolsa", y tiene R*=0.907926 y SE= 5.480312. El "ok" en la columna "t de student" indica que todos los parmetros de la ecuacin (incluyendo la constante) son significativos al nivel de significancia de 0.95. Por otro lado, el "ok" en la columna "DW' indica que la prueba Durbin-Watson rechaza problemas de autocorrelacin. CUADRO 1.18 Captacin de dlares en funcin del "tiempo", "IPC", "bolsa" y "dlar" MES (1987) ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
CAPTACI~N (US$ millones) TIEMPO 42 1 2 43 3 45 4 56 5 53 6 58 7 52 8 49 9 67 1O 86 11 89 12 98

VARIABLES
IPC (1978=1) 44.41 47.61 50.76 55.20 59.36 63.66 68.81 74.45 79.34 85.95 92.77 106.47
AJUSTE R~ (ajustado) 0.765 180 0.840731 0.811637 -0.094597 0.843048 0.810008 0.907926 0.838581 0.898640 0.795144 0.835751 0.897895 0.886944 0.905665 0.893652
DLAR 973 1,040 1,097 1,193 1,274 1,337 1,400 1,474 1,552 1,621 2,340 2,190
SE 9.326854 7.681273 8.353436 20.13699 7.625188 8.389475 5.480312 7.732937 6.127736 8.711468 7.800442 6.150230 6.471652 5.911595 6.276717
BOLSA (ndice) 60,281 79,825 98,524 122,303 143,308 161,667 226,988 287,395 343,545 200,018 113,628 105,670
R~
0.786527 0.855210 0.828761 0.004912 0.871585 0.844552 0.924667 0.867930 0.917069 0.832391 0.880546 0.925742 0.917777 0.931392 0.932324
C, TIEMPO C, IPC C, DLAR C, BOLSA C, TIEMPO, IPC C, TIEMPO, DOLAR C, TIEMPO, BOLSA C, IPC, DLAR C, IPC, BOLSA C, DLAR, BOLSA C, TIEMPO, IPC, DLAR C, TIEMPO, IPC, BOLSA C, IPC, DLAR, BOLSA C, TIEMPO, DLAR, BOLSA C, TIEMPO, IPC, DLAR, BOLSA
PRUEBAS DW t Student NO OK ? NO OK NO NO NO ? NO OK NO OK OK ? NO OK NO OK NO ? NO OK NO ? NO OK NO ? NO
44
Debo confesar que cuando realic este ejercicio no esperaba encontrar ninguna ecuacin significativa, debido al pequeo tamao de la muestra (slo 12 datos) y a la inestabilidad del ao 1987. Por lo tanto, result sorprendente encontrar 2 ecuaciones significativas (la primera y la sptima). Quiero terminar este ejemplo repitiendo que ste es slo un ejercicio acadmico y no propone ninguna teora econmica.
A continuacin presentamos un ejemplo real de aplicacin del mtodo "stepwise". Se trata de un estudio sobre Calidad Total hecho por una institucin Mexicana en 15 empresas diferentes y procesada estadsticamente en el Tecnolgico de Monterrey. En total se entrevistaron a 3,500 personas, aproximadamente, quienes contestaron un cuestionario con ms de 100 preguntas. Nos referiremos nicamente a la primera seccin del cuestionario que evaluaba la calidad de vida de los empleados encuestados. Dicha seccin contena las siguientes 12 preguntas cuyas respuestas variaban de 1 (excelente) hasta 5 (psimo):
1. La relacin con tu familia es: 2. La casa, el departamento o el lugar donde vives es: 3. Tu trabajo es: 4. El ingreso que recibes por tu trabajo es: 5. Los beneficios y prestaciones que recibes de la empresa son: 6. La relacin con tu jefe es: 7. La relacin con tus compaeros de trabajo es: 8. La manera como funcionan las cosas en la empresa es: 9. El apoyo y la efectividad del sindicato es: 10. El prestigio de la compaa es: 11. El reconocimiento a tus esfuerzos en la organizacin es: 12. En general, la vida que llevas es: Como consideramos que la pregunta 12 era globalizadora y su respuesta dependa de las respuestas a las otras 11 preguntas, decidimos, entre otras cosas, utilizar la regresin lineal mltiple para evaluar el impacto de las respuestas a las preguntas de 1 a 11 (Xi) en la respuesta a la pregunta 12 (Y). Como tenamos 11 variables independientes podramos obtener 2"-1=2,047 ecuaciones diferentes, de las cuales algunas seran buenas, otras malas, algunas significativas y otras no significativas. Obtener todas y evaluarlas sera prcticamente imposible, por lo que decidimos utilizar el mtodo "stepwise". En sntesis, el mtodo "stepwise" funciona de la siguiente manera: de las variables que estn en la cola para entrar a la ecuacin, el programa introduce la significativa que tiene el mayor valor de "t". Habiendo introducido sta, la computadora recalcula todos los valores de "t" y repite el procedimiento. El proceso concluye cuando ya no hay en la cola ninguna variable significativa. Lo que sigue (Figura 1.8) es un resumen de las tablas del paquete SPSS que se utiliz. Por razones de codificacin, las variables (respuestas a las preguntas) fueron nombradas de C13 (La relacin con tu familia es) a C24 (En general, la vida que llevas es). SPSS organiza la impresin de los resultados en "pginas". Cada vez que entra una variable a la ecuacin, SPSS imprime 3 pginas que contienen: (a) la variable que entr,
45
, R*", SE)' y la prueba "F" (anlisis de varianza); (b) variables en la ecuacin, presentando entre otras cosas el valor de "Y y "Sig T";(c) variables que no estn en la
6GR297
<&-
ecuacin, presentando entre otras cosas con qu valor de "T" entraran. Para ahorrar espacio y simplificar la explicacin dedicaremos una sola pgina a la entrada de cada variable a la ecuacin y omitiremos la prueba "F" y algunas columnas. Es decir, el SPSS proporcion ms informacin que la que se presenta en la Figura 1.8. En la primera pgina (Step Number 1) vemos que entr la variable "C14", y con ella en la ecuacin tenemos R2=0.16591. Su valor de "T" es 17.694 y su significancia es 0.0000. En la segunda pgina (Step Number 2) entr la variable "C23", y con "C14" y "C23" en la ecuacin tenemos R2=0.25126. Sus valores de 'T' son 15.601 y 13.391, respectivamente y la significancia de ambas es 0.0000. La tercera pgina (Step Number 3) est incompleta pero vemos que entr la variable "C13" y con "C14", "C23" y "C13" en la ecuacin tenemos R2=0.30758. Y as sucesivamente. Las siguientes pginas tambin estn incompletas (hubo un total de 8 pginas) hasta que llegamos a la pgina 8, cuando entr la variable "C2l". Finalmente, entraron las variables "C14", "C23", "C13", "C19", "C16", "C15", "C17" y "C21". Quedaron afuera "C18", "C20" y "(222" por no ser significativas. La "R2" final fue de 0.36356. En esta corrida de SPSS podemos observar cosas muy interesantes: a) La "R~"final es de "slo" 0.36356. Aparentemente es un valor muy pequeo, sin embargo en problemas del campo de las ciencias sociales, psicologa, etc., los valores del coeficiente de determinacin son de esta magnitud. La satisfaccin de un empleado depende de un nmero tan grande de factores que sera utpico querer explicar ms que 36.356% de su comportamiento jcon slo 11 variables! b) Comparando los coeficientes de las variables en la ecuacin final (pgina 8, columna "B") podemos identificar aqullas que ms impacto tienen en la satisfaccin de los empleados. Por ejemplo, la que ms impacto tiene es la "C 13" con coeficiente 0.17026 y la que menos impacto tiene es la "C21" con coeficiente 0.03673. Es muy interesante observar que para los empleados encuestados hay muchas cosas ms importantes que el salario...
O litro) puede afectar los coeficientes de las variables e c) La escala (por ejemplo, impedir el anlisis que se hizo en el inciso "b'arriba. Se pueden normalizar las variables (restando su media y dividiendo entre su desviacin estndar) para eliminar el efecto de la escala. Haciendo esto los coeficientes cambian a los que se presentan en la columna "Beta". En nuestro ejemplo esto no tiene mucha importancia porque todas las variables se midieron con la misma escala (de 1 a 5), sin embargo hay pequeas diferencias entre la columna "B" y la columna "Beta".
d) En la pgina 1 el SPSS introdujo la variable "C14" con un valor de "T" igual a 17.694. Cuando entr la variable "C23", el valor de "T" de la "C14" baj de 17.694 a 15.601. A qu se debe esto? Existe correlacin entre "C14" y "C23" y cuando esta ltima entr a la ecuacin provoc la disminucin del valor de "T" de la "C14". En cuestionarios de este tipo es muy comn la correlacin entre variables, ya que el nivel de satisfaccin respecto a un aspecto puede afectar el nivel de satisfaccin de otro.
46
FIGURA 1.8 Corrida de SPSS del mktodo "stepwise"

SPSS MLTIPLE REGRESION **** Equation number 1 Dependent variable.. Variable Entered on Step Number 1. C14 La casa.. . R Square .16591 Adjusted R Square .16538 Standard Error .54904 Variables in the Equation B SE B Beta Variable Page 1
****
C24
En general...
T
17.694 33.825
Sig T
.O000 .O000
C14
(Constant) Variable
C13 C15 C16 C17 C18 C19 c20 C21 C22 C23
.31053 1.28344
.O1755 .O3794
A0732
Beta I n
Variables not i n the Equation Partial Min Toler
T
12.130 12.991 10.646 9.929 10.781 13.319 9.954 9.306 8.253 13.391
Sig T
.O000 .O000 O000 .O000 .O000 .O000 O000 .O000 .O000 .O000
Page 2
SPSS MLTIPLE REGRESION **** Equation number 1 Dependent variable.. Variable Entered on Step Number 2. C23 El reconocimiento... R Square .25126 Adjusted R Square .25031 Standard Error .52035 Variables in the Equation B Variable SE B Beta
****
C24
En general.. .
T
15.601 13.391 18.266
Sig T
.O000 .O000 .O000
C14 C23
(Constant) Variable
C13 C15 C16 C17 C18 C19 C20 C21 C22
.26489 .22221 36775
.O1698 .O1659 .O4751
.34745 .29823
Beta In
Variables not i n the Equation Partial Min Toler
T
11.307 8.858 5.694 5.567 5.972 10.784 4.720 5.710 4.955
Sig T
.O000 .O000 O000 .O000 .O000 .O000 O000 .O000 .o000
Captulo 1:Pronsticos de Demanda
FIGURA 1.8 (Continuacin)

Page 3 SPSS MULTIPLE REGRESION **** Equation number 1 Dependent variable.. Variable Entered on Step Number 3. C13 La relacin.. . R Square .30758 Adjusted R Square .30626 Standard Error -50056
****
C24
En general...
SPSS MULTIF'LE REGRESION **** Equation number 1 Dependent variable.. Variable Entered on Step Number 4. C19 Compaeros... R Square .33771 Adjusted R Square .33603 Standard Error .48970 Variables in the Equation Beta Variable SE B B C14 .O1695 .24454 .18643 C23 .O1611 .23177 .17269 .19309 .O2123 .20584 C13 .17569 .O2078 .19055 C19 .53803 .O5051 (Constant)
Page 4
****
C24
En general.. .
T 10.997 10.722 9.095 8.455 10.651
Sig T .O000 .O000 .O000 .O000 .O000
Page 7 Variable C18 C20 C21 C22
Beta In
Variables not in the Equation Min Toler Partial
T 1.268 1 305 2.256 1.386
Sig T .2049 .O713 .O242 .1658
SPSS MULTIPLE REGRESION **** Equation number 1 Dependent variable.. Variable Entered on Step Number 8. C21 Sindicato... R Square .36356 Adjusted R Square .36031 .48066 Standard Error
Page 8
****
C24
En general.. .

Variable C14 C23 C13 C19 C16 C15 C17 C21 (Constant) Variables i the Equation SE B Beta .O1710 .20846 .O1835 .13282 .O2119 .18151 .O2106 .16619 .O 1967 .O7137 .O2205 .O8685 .O1923 .O7858 .O1628 .O5047 .O5781 Beta In Variables not in the Equation Partial 1 Min Toler 1 Sig T .o000 .o000 .o000 .o000 .O053 .O005 .o011 .O242 .o000
Variable C18 C20 C22
Sig T
End Block Number
PIN = 0.05 Limits reached.
e) Cada pgina indica el valor de "T"de las variables que estn haciendo cola para entrar. El lector debe observar que en el siguiente paso siempre entra la variable con el mayor valor de "T". Por ejemplo, en la pgina 2 la variable con el mayor valor de "T" es la "C13" (11.307). Esta variable entr a la ecuacin en el paso 3 (pgina 3).
f) En la ltima pgina aparece "PIN=0.05 Lirnits reached". " PIN es una abreviacin de
"probability in" y 0.05 es el valor de "a". La frase quiere decir que el valor de significancia elegido ha sido alcanzado y que las dems variables ya no entrarn a la ecuacin. Si hubiramos adoptado un valor diferente para "a" la corrida hubiera terminado antes o despus. g) A pesar de que no lo incluimos, el SPSS tambin elabor un histograma de los errores. La forma acampanada casi perfecta indic que se estaba cumpliendo estrictamente con el supuesto de normalidad. h) Las variables que ms impactan en la satisfaccin general de los empleados (C24) son precisamente las preguntas "personales" (C13 y C14). Hay dos interpretaciones posibles: (a) para la mayora de los empleados su vida personal es ms importante que su vida laboral; (b) los empleados mal interpretaron la ltima pregunta y creyeron que se refera slo a su vida personal. Posteriormente, cuando utilic un cuestionario muy parecido a ste, para no correr el riesgo de la segunda interpretacin redact la ltima pregunta as: "Teniendo en cuenta tanto los aspectos personales como laborales, la vida que llevas es:". i) Se utiliz la versin de "DOS" del SPSS. sta, as como las versiones posteriores del SPSS, imprime mucha informacin que no hemos explicado ni estamos incluyendo en la corrida presentada. El lector interesado en una explicacin ms detallada y completa debe consultar los manuales del paquete (ya existe la versin de SPSS para Windows).
49
j) Muchos empleados no contestaron la pregunta "C21" que se refera al sindicato, porque no quisieron o porque la empresa no tena sindicato. El SPSS elimina automticamente todos los cuestionarios que no estn completos, por lo que la muestra real de la corrida de "stepwise" fue de 1,576 empleados. Por lo tanto, el paquete trabaj con una matriz de 1,576 por 12 y emple aproximadamente un par de minutos para concluir.
k) Dijimos anteriormente que, para las 11 variables independientes, haba 2,047 ecuaciones posibles. El mtodo "stepwise" no evala todas, sino que es un mtodo "inteligente" de bsqueda. Sin embargo, existe una probabilidad remota de que el mtodo no encuentre la mejor ecuacin.
1.4.6 Sinergia entre las variables Puede haber sinergia entre las variables de una ecuacin de regresin, es decir, la capacidad explanatoria de 2 ms variables juntas puede ser mayor que la suma de las capacidades individuales de cada una de ellas. Por ejemplo, puede ocurrir que la "R2" de una variable sola sea 0.1, que la "R2" de otra variable sola sea 0.4 y que la "R2" cuando estn las dos variables presentes en la ecuacin sea 0.9.
Supongamos que la demanda (Y) de una empresa dada en un pas hipottico depende de la variable "ao" (X) y de la "inflacin" (Z). A partir de la siguiente informacin evaluar la sinergia entre las variables independientes.
Ao
1994 1995 1996 1997 1998 1999 2000

Solucin:
DEMANDA 162 0 3O 400 550 670 400 590
X 1 2 3 4 5 6 7
Z 21 16 20 3O 29 100 80
En la Figura 1.9 aparecen 3 corridas del paquete TSP: en la primera "Z" est sola en la ecuacin; en la segunda " X est sola en la ecuacin; y en la tercera ambas variables estn presentes en la ecuacin. Puede observarse que cuando la variable "Z" est sola el valor de la "R2" es 0.070536; cuando la variable Y' est sola el valor de la "R2" es 0.585769; y que cuando ambas estn presentes jel valor de la "R2" es 0.971374! Por lo tanto, es una decisin muy precipitada desechar una variable cuando ella sola explica muy poco del comportamiento de "Y". Recordemos, sin embargo, que cuando hay correlacin entre las variables, la capacidad explanatoria final puede ser menor que la suma de las capacidades explanatorias individuales. Sugerimos que el lector verifique en el Cuadro 1.18 que la sinergia a veces ocurre y a veces no.
FIGURA 1.9 Ejemplo de sinergia entre variables

LS / / Dependent Variable is DEMAN SMPL 1994 - 2000 7 Observations
....................................................................
VARIABLE C INFLAC
----- ---
COEFFICIENT 379.52952 1.4030181
STD. ERROR 119.40394 2.2776537

-
T-STAT. 3.1785344 O. 6159927

-
2-TAIL SIG. O. 025 O. 565 438.8571 176.8120 174344.0 0.379447
-------- ------
R-squared Adjusted R-squared S.E. of regression Durbin-Watson stat
0.070536 -0.115356 186.7319 1.418632
Mean of dependent var S.D. of dependent var Sum of squared resid F-statistic
....................................................................
-----------------------------------------------------------------=== ................................................................. LS / / Dependent Variable is DEMAN SMPL 1994 - 2000 7 Observations -----------------------------------------------------------------=== ................................................................. VARIABLE COEFFICIENT STD. ERROR T-STAT. 1.7871371 C 188.28571 105.35605 2.6590534 AO 62.642857 23.558330
....................................................................
2-TAIL SIG. O. 134 O. 045 438.8571 176.8120 77699.29 7.070565
0.585769 0.502923 124.6590 1.864451
.................................................................... ....................................................................
LS / / Dependent Variable is DEMAN SMPL 1994 - 2000 7 Observations T-STAT. 2-TAIL SIG. VARIABLE COEFFICIENT STD. ERROR 4.4674342 O. O11 C 141.26411 31.620861 O. O00 11.219476 AO 134 -39133 11.978397 INFLAC -5.6750207 o.7731200 -7.3404138 O. O02 .................................................................... Mean of dependent var 438.8571 R-squared 0.971374 S.D. of dependent var 176.8120 0.957061 Adjusted R-squared 5369.526 Sum o squared resid S.E. of regression 36.63852 67.86645 Durbin-Watson stat 1.814336 F-statistic
1.4.7 Regresin lineal con estacionalidad La regresin lineal mltiple tambin puede usarse para elaborar pronsticos con estacionalidad para meses, trimestres, etc.. Esto se logra a travs de una variable binaria que normalmente se llama "dummy". La variable "dummy" cumple con la funcin de "avisar" a la regresin en qu perodo est. Por ejemplo, podemos definir una variable "T9" que vale uno cuando estamos en Septiembre y vale cero cuando estamos en cualquier otro mes. Si hay " N periodos de tiempo el nmero de variables "dummy" debe
51
ser (N-1), ya que cuando todas las (N-1) variables son iguales a cero estamos en el perodo n-simo (no necesariamente el ltimo). Es decir, para manejar meses necesitamos 11 variables "dummy", para manejar trimestres necesitamos 3 variables "dummy" y para manejar semestres necesitamos 1 variable "dummy". A continuacin presentamos un ejemplo de una empresa hipottica cuya demanda presenta estacionalidad perfecta, para que el lector verifique que la regresin lineal normal conduce a un ajuste mediocre mientras que la regresin lineal con estacionalidad conduce a un ajuste perfecto (R2=1). Ejemplo numrico 1.19: Supongamos que los datos trimestrales de una empresa dada son los siguientes: Ao+ Trimestre T1 T2 T3 T4
1996 15 55 10 85
1997 55 95 50 125
1998 95 135 90 165
1999 135 175 130 205
2000 175 215 170 245
a) Ajustar una regresin lineal sin estacionalidad incluyendo nicamente el "tiempo" (trimestre) como variable independiente. b) Ajustar una regresin lineal con estacionalidad, utilizando variables "dummy" para los trimestres 2,3 y 4, adems de la variable "tiempo".
Solucin:
La Figura 1.10 muestra los valores de todas las variables del problema, incluyendo las "dummy". La regresin lineal nicamente con la variable "tiempo" (que en el TSP se llam trimes) es de hecho una recta cuyos valores aparecen bajo el ttulo "recta" y cuya corrida del TSP aparece en la parte inferior de la Figura 1.10. Puede observarse que, debido a la fuerte estacionalidad, el ajuste no es muy bueno y arroja una "R2" de 0.842426. La Figura 1.1 1 es una representacin grfica de los datos de demanda y de la recta de regresin. La Figura 1.12 muestra los valores de la demanda real, los valores de la regresin con estacionalidad (bajo el ttulo "reg. con est.") y la corrida correspondiente del TSP. Puede observarse que el ajuste es perfecto con R2=1.0! La ecuacin de regresin es la siguiente (vase la columna "coefficient"de la parte inferior de la Figura 1.12): Deman = 5 + (lO)(trimes)+ (30)(T2)- (25)(T3) + (40)(T4) Los coeficientes de las variables "dumrny" tienen la siguiente interpretacin. El 30 de "T2" indica que, en cada segundo trimestre, la regresin suma 30 al valor obtenido por la recta deman=5+(1O)(trimes); anlogamente, en cada tercer trimestre la regresin resta 25 al valor obtenido por la recta y en cada cuarto trimestre la regresin suma 40 al valor de la recta. En el primer trimestre la regresin no suma ni resta ninguna cantidad.
FIGURA 1.10 Regresin lineal sin estacionalidad

.................................................................. obs DEMAN TRIMES T2 T3 T4 RECTA .................................................................. .................................................................. 1996.1 15.00000 1.000000 0.000000 0.000000 0.000000 23.92857 1996.2 55.00000 2.000000 1.000000 0.000000 0.000000 34.17293 1996.3 10.00000 3.000000 0.000000 1.000000 0.000000 44.41729 1996.4 85.00000 4.000000 0.000000 0.000000 1.000000 54.66166 1997.1 55.00000 5.000000 0.000000 0.000000 0.000000 64.90601 1997.2 95.00000 6.000000 1.000000 0.000000 0.000000 75.15038 1997.3 50.00000 7.000000 0.000000 1.000000 0.000000 85.39474 1997.4 125.0000 8.000000 0.000000 0.000000 1.000000 95.63910 1998.1 95.00000 9.000000 0.000000 0.000000 0.000000 105.8835 1998.2 135.0000 10.00000 1.000000 0.000000 0.000000 116.1278 1998.3 90.00000 11.00000 0.000000 1.000000 0.000000 126.3722 1998.4 165.0000 12.00000 0.000000 0.000000 1.000000 136.6165 1999.1 135.0000 13.00000 0.000000 0.000000 0.000000 146.8609 1999.2 175.0000 14.00000 1.000000 0.000000 0.000000 157.1053 1999.3 130.0000 15.00000 0.000000 1.000000 0.000000 167.3496 1999.4 205.0000 16.00000 0.000000 0.000000 1.000000 177.5940 2000.1 175.0000 17.00000 0.000000 0.000000 0.000000 187.8383 2000.2 215.0000 18.00000 1.000000 0.000000 0.000000 198.0827 2000.3 170.0000 19.00000 0.000000 1.000000 0.000000 208.3271 2000.4 245.0000 20.00000 0.000000 0.000000 1.000000 218.5714 .................................................................. .................................................................. LS / / Dependent Variable is DEMAN SMPL 1996.1 - 2000.4 20 Observations .................................................................... VARIABLE STD. ERROR T-STAT. 2-TAIL SIG. COEFFICIENT 1.0938767 O.288 13.684211 12.509829 C TRIMES 10.244361 1.0443003 9.8097842 O. O00 .................................................................... R-squared 0.842426 Mean of dependent var 121.2500 S.D. o dependent var 66.03179 Adjusted R-squared 0.833672 Sum o squared resid 13054.04 S.E. of regression 26.92999 3.610498 F-statistic 96.23187 Durbin-Watson stat ....................................................................
FIGURA 1.11 Representacin grfica de la Figura 1.10
TRIMESTRES
FIGURA 1.12 Regresin lineal con estacionalidad

................................
obs DEMAN REG. CON EST. ................................ 1996.1 15.00000 15.00000 , 1996.2 55.00000 55.00000 1996.3 10.00000 10.00000 1996.4 85.00000 85.00000 1997.1 55.00000 55.00000 1997.2 95.00000 95.00000 1997.3 50.00000 50.00000 1997.4 125.0000 125.0000 1998.1 95.00000 95.00000 1998.2 135.0000 135.0000 1998.3 90.00000 90.00000 1998.4 165.0000 165.0000 1999.1 135.0000 135.0000 1999.2 175.0000 175.0000 1999.3 130.0000 130.0000 1999.4 205.0000 205.0000 2000.1 175.0000 175.0000 2000.2 215.0000 215.0000 2000.3 170.0000 170.0000 2000.4 245.0000 245.0000 .............................. .............................. .................................................................... LS / / Dependent Variable is DEMAN SMPL 1996.1 - 2000.4 20 Observations .................................................................... VARIABLE COEFFICIENT STD. ERROR T-STAT. 2-TAIL SIG. 5.0000000 6.841D-15 C 7.309D+14 O. O00 TRIMES 10.000000 4.732D-16 2.113D+16 O. O00 T2 30.000000 7.586D-15 3.954D+15 O. O00 T3 -25.000000 7.631D-15 -3.27 6D+15 0.000 40.000000 T4 7.704D-15 5.192D+15 0.000 .................................................................... R-squared 1.000000 Mean o dependent var 121.2500 1.000000 S.D. o dependent var 66.03179 Adjusted R-squared S.E. o regression 1.20D-14 Sum o squared resid 2.15D-27 Durbin-Watson stat O. 423172 .................................................................... ....................................................................
Si quisiramos elaborar pronsticos para los cuatro trimestres de 2001, stos seran:
1.4.8 Ajuste de polinomios

En una ocasin, cuando yo imparta un diplomado en Administracin de Operaciones, un participante me coment que el ajuste de lneas no le serva porque sus productos tenan un ciclo de vida muy corto y sus demandas aumentaban rpidamente, se estabilizaban brevemente y en seguida disminuan hasta que se discontinuaban los productos. Le coment que la regresin lineal tambin ajustaba polinomios con esta forma y me ofrec a ayudarlo. Le expliqu que la regresin lineal ajusta cualquier tipo de polinomios siempre y cuando ste sea una combinacin lineal de funciones matemticas conocidas. En otras palabras, si conocemos una muestra de valores de "Xl", "X2" y "X3", podemos encontrar el siguiente polinomio: donde G l ) , f(X2) y j@3) son funciones conocidas. Por ejemplo, el polinomio puede ser el siguiente: Cuando "c" es negativo, al inicio la funcin crece porque " X tiene ms "peso" que "X2". Sin embargo, cuando 'X" aumenta, el trmino "x2" aumenta mucho ms rpidamente y dado que "cm es negativo, la funcin empieza a decrecer. Sin el trmino x3" e1 polinomio ser perfectamente simtrico, mientras que con la presencia de "x3"e1 polinomio ser asimtrico (vase el ejemplo numrico a continuacin). Lo que la regresin lineal no puede hacer es encontrar qu funciones nos conviene. Por ejemplo, utilizando la regresin lineal no podemos determinar los mejores valores para "k"y "w" en el siguiente polinomio:
Ejemplo numrico 1.19: La Figura 1.13(a) muestra 40 datos correspondiehtes a una demanda que aumenta de 20 a 290 y despus disminuye hasta cero. Ajustar y graficar los siguientes polinomios:
donde "Xl" es la variable mes con valores de 1 a 40. Solucin: Para ajustar estos polinomios lo primero que tenemos que hacer es generar 2 variables x2=x12 y x3=x13. Dichas variables tambin aparecen en Figura 1.13(a). En seguida ajustamos la ecuacin de regresin con cualquier paquete de regresin lineal considerando las variables "Xl" y "X2" para el primer polinomio y "Xl", "X2" y "X3" para el segundo polinomio. En este caso utilizamos el paquete TSP y los resultados se encuentran en las Figuras 1.13(b) y 1.13(c). Los polinomios son:
La representacin grfica de los datos de demanda y de la ecuacin de regresin se encuentra en las Figuras 1.14(a) y 1.14(b). Se observa que el ajuste del primer polinornio, slo con las variables "Xl" y "x12", es bueno pero no excelente debido a su simetra (la demanda tiene una cola ligeramente ms larga del lado derecho). La "R2" es de 0.945500. Por otro lado, con las variables "Xl", "x12" y "x13", el ajuste es prcticamente perfecto, ya que el trmino "Xl3" permite que el polinomio sea asimtrico y tenga una cola ms larga del lado derecho al igual que la demanda. La "R2" es igual a 0.996458.
FIGURA 1.13 Ajuste de polinomios por medio del TSP

(a) Datos de demanda y variables.
...................................................... obs DEMAN X1 X2
X3

(b) Ecuacin Y = a + bX1+ cx12 .................................................................... ....................................................................
LS / / Dependent Variable is DEMAN SMPL 1997.09 - 2000.12 40 Observations .................................................................... .................................................................... VARIABLE COEFFICIENT STD. ERROR T-STAT. 2-TAIL SIG. O. 009 2.7720471 C 29.712045 10.718449 1.2056772 21.224684 0.000 X1 25.590118 O. 0285181 -23.958845 O. O00 X2 -0.6832601
.................................................................... ....................................................................
R-squared 0.945500 Mean o dependent var S.D. o dependent var Adjusted R-squared 0.942554 Sum o squared resid S.E. o regression 21.47606 0.096449 E-statistic Durbin-Watson stat .................................................................... ....................................................................
176.1250 89.60374 17065.18 320.9515
(c) Ecuacin Y = a + bX1 + c ~ 1 d ~ 1 .................................................................... ....................................................................

LS / / Dependent Variable is DEMAN SMPL 1997.09 - 2000.12 40 Observations .................................................................... VARIABLE COEFEICIENT STD. ERROR T-STAT. 2-TAIL SIG. -8.1952354 O. O00 -31.693347 3.8672894 C O. O00 52.707799 X1 O. 8068221 42 -525819 X2 -1.7032832 O. 0454253 -37.496359 O. O00 X3 O. 0165857 O. 0007288 22.756543 O. O00 .................................................................... .................................................................... Mean o dependent var 176.1250 R-squared 0.996458 Adjusted R-squared S.D. o dependent var 89.60374 0.996162 Sum o squared resid 1109.209 S.E. o regression 5.550797 3375.544 Durbin-Watson stat 0.649480 F-statistic ....................................................................
Como conclusin, queremos agregar que la regresin lineal mltiple es, quizs, la herramienta de pronsticos ms poderosa y flexible que hay. Sin embargo, con fkecuencia usamos y abusamos de la regresin. Para usarla con seriedad debemos verificar cuidadosamente, su ajuste, significancia y cumplimiento de supuestos. Su uso generalizado se debe a las siguientes razones principales: a) Existen paquetes computacionales muy eficientes que no slo determinan la ecuacin, sino que evalan el ajuste, la significancia y los supuestos. b) Puede utilizarse para estudiar la relacin entre cualquier variable dependiente (continua) y cualesquiera variables independientes (continuas). Por ejemplo, la variable dependiente puede ser "dureza de un acero" y las independientes pueden ser "temperatura del horno" y "tiempo en el horno". c) Permite manejar fcilmente la estacionalidad a travs de las variables dummy. d) Permite ajustar las lneas exponencial y potencial, adems de la lnea recta. e) Permite ajustar polinomios.
FIGURA 1.14 Grfica del ajuste de polinomios
(a)y=a+bx+cx2
(b) y=a+bx+cx2+dX3
PROBLEMS TIPO
1.1 Los datos de demanda de una determinada empresa en los ltimos aos han sido los siguientes (debido a problemas internos y externos la empresa decidi no usar el dato de 1997): AOS DEMANDA
1994 3,000
1995 3,400
1996 4,200
1998 4,300
Elaborar pronsticos para los aos 2000 y 2002 utilizando la lnea recta.
Resp.:Poniendo el origen en 1994 la ecuacin es Y=3,140+(334.29)0; Y(2000)=5,145.71;Y(2002)=5,814.32.
1.2 La demanda de cassettes en Mxico sigue aumentando pero en promedio el incremento anual en unidades es cada vez menor. Teniendo en cuenta la informacin proporcionada a continuacin elaborar pronsticos para los aos 2001 y 2002.
AOS DEMANDA(mi1lones)
1995 5,000
1996 6,000
1997 6,700
1998 7,000
Resp.:Poniendo el origen en 1994 la ecuacin es Y = ( 5 , 0 2 9 . 4 0 ) ( ~ ) ~ Y(2001)=8,160.04; .~~~~; Y(2002)=8,435.57.
1.3 La demanda de telfonos celulares en una determinada regin sigue aumentando rpidamente con una tasa de crecimiento porcentual relativamente estable. Disponemos de la siguiente informacin:
AOS DEMANDA (miles)
1995 1O 0
1996 120
1997 140
1998 170
Elaborar pronsticos para los aos 2000 y 2002.

Resp.:Poniendo el origen en 1995 la ecuacin es Y=(100.05)(1.1907)X;Y(2000)=239.46;Y(2002)= 339.50.
1.4 Una empresa siempre ha utilizado el promedio mvil con K=4 y disponemos de la siguiente informacin para 2001 (M~):
MESES MAY JUN JUL AGO SEP OCT NOV DIC DEMANDA 1,300 1,500 1,700 2,200 1,900 2,500 2,300 2,700 a) Qu pronstico calcul la empresa para Diciembre de 2001 usando el PMS y qu error se cometi en y % de la demanda real? b) Qu pronstico calcul la empresa para Diciembre de 2001 usando el PMA y qu error se cometi en y %? c) Cules son los pronsticos sin estacionalidad para los 12 meses de 2002, utilizando el PMA? d) Considerando el total anual del inciso anterior, cules son los pronsticos con estacionalidad para los 4 trimestres de 2002, suponiendo que los ndices estacionales fueran lo%, 20%, 30%y 40%, respectivamente?
Resp.: a) Promedio simple Noviembre=2,225; Pron6stico Diciembre=2,225;E(M3)=2,225-2,700=-475;E(%)=-17.59%. b) Promedio ajustado Noviembre=2,683.33; Pron6stiw Diciembre=2,683.33;~(h4~)=2,683.33-2,700=-16.67; E(%)=0.62%.

c) Promedio ajustado Diciembre=2,735.42; tendencia en Diciembre=154.17. MESES 1 ENE 1 FEB 1 MAR 1 ABR 1 MAY PRONO. ( 2,735.42 1 2,889.59 1 3,043.76 ( 3,197.93 1 3,352.10
1 AGO 1 SEP MESES 1 JlJL PRONO. 1 3,660.44 1 3,814.61 1 3,968.78 Total del ao=43,000 d) P1=4,300; P2=8,600; P3=12,900; P4=17,200.
1 1
OCT 4,122.95
1 1
NOV 4,277.12
1 JUN 1 3,506.27 1 DIC 1 4,431.29
1.5 Una empresa dada ha decidido utilizar el promedio ponderado exponencialmente ajustado con a=0.2 y disponemos de la siguiente informacin para 2 0 0 1 ( ~ ~ ) :
MAY JUN MESES DEMANDA 1,300 1,500 Ms MD
JUL AGO SEP OCT NOV DIC 1,700 2,200 1,900 2,500 2,300 2,700 2,l o0 1,600
a) Qu pronstico calcul la empresa para Diciembre de 2001 usando el PPES y qu error se cometi en y % de la demanda real? b) Qu pronstico calcul la empresa para Diciembre de 2001 usando el PPEA y qu error se cometi en y %? c) Cules son los pronsticos sin estacionalidad para los 12 meses de 2002, utilizando el PPEA?
Resp.: a) Pronstico Diciembre=2,100; ~(M~)=2,700-2,10M00;E(%)=22.22%. b) Pronstico Diciembre=2,725; ~(M~)=2,725-2,700=25; E(%)=Q.93%. c) Promedio ajustado Diciemb&=2,840; Tendencia en ~ i c i e m b r ~ 1 2 4 . 1 MAR 1 ABR 1 MAY MESES 1 ENE 1 FEB PRONO. 1 2,840 1 2,964 1 3,088 1 3,212 1 3,336 MESES [ PRONO. 1
JL 3,584
1 1
AGO 3,708
SEP 3,832
OCT 3,956
1 1
NOV 4,080
1 JUN 1 3,460 1 DIC 1 4,204
1.6 A partir de la informacin que se presenta a continuacin, elaborar un pronstico con estacionalidad para el segundo trimestre de 2002, utilizando el promedio mvil con k=4, mtodo aditivo.
Resp.: 42.
1.7 American Express desea estimar las compras del ao 2000 con la tarjeta de crdito en Mxico y para esto recopil la informacin del cuadro a continuacin Utilizando (informacin real procesada para mantener su c~~dencialidad). cualquier paquete de regresin lineal mltiple: a) Determinar la ecuacin de regresin lineal mltiple que relaciona "compras" (Y) con "tarjetahabientes" (Xl) y "establecimientos" (X2). b) Evaluar el ajuste de la ecuacin calculando "R" cuadrada, "R" cuadrada ajustada y "SE". c) Realizar una prueba 'Y' al nivel de confianza del 95% para determinar la significancia estadstica de la ecuacin.
d) Cul sera el pronstico. de las compras del ao 2000 para 4,000,000 tarjetahabientes y 660,000 establecimientos afiliados?
-
A0 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998
COMPRAS CON LA TARJETA ($ miles) 3,500 4,300 6,100 7,300 7,000 7,400 6,800 6,300 6,400 8,800 1 5,700 20,200
# DE TARJE-
# ESTABLECIMIENTOS
TAHABIENTES (miles) 1,400 1,600 2,000 2,500 2,300 1,900 1,700 1,700 1,800 2,000 2,600 3,200
AFILIADOS (miles) 150 160 160 170 180 180 190 200 250 330 440 540
Resp.: a) Y=-5,221.7423+(3.5391650)(TARJET)+(25.438486)@STAESL). b) R cuadrada=0.969372;R cuadrada ajustada=0.962566;SE=929.4637. c) Significancia de 'Y': constante 0.003<0.05,se rechaza Ho; tarjetahabientes 0.003<0.05, se rechaza Ho; establecimientos 0.000<0.05,se rechaza Ho. d) Y=25,724.32 miles.
1.8 Un fabricante de muebles ha determinado que el tiempo de procesamiento de ciertos pedazos de madera es una h c i n lineal del largo y ancho de stos. Una investigacin preliminar indic lo siguiente:
PEDAZO No 1 2 3 4 TIEMPO (min.) 70 69 78 75 LARGO ANCHO
)
3.O0 3.O0 4.00 3.50
0.30 0.20 0.25 0.28
a) Encontrar manualmente o por computadora la ecuacin de regresin lineal del TIEMPO de procesamiento en funcin de las variables LARGO y ANCHO. b) Determinar los valores de "R" cuadrada, "R" cuadrada ajustada y "SE". c) Estimar el tiempo de procesamiento para un pedazo de madera de largo=3.80m y ancho=0.45m. d) Realizar la prueba "t" al nivel de significancia del 90%.
Resp.: a) Y=40.278135+(8.6527332)(LARG0)+(13.665593)(ANCHO) b) R cuadrada=0.989252;R cuadrada ajustada= 0.967756; SE=0.761831. C) TIEMP0=40.278135+(8.6527332)(3.80)f(139.31 minutos. d) Significancia de "t": constante 0.062<0.10,se rechaza Ho; largo 0.067<0.10,se rechaza Ho; ancho 0.406>0.10,se acepta Ho. La ecuacin no es estadsticamente significativa
1.9 Roberto ha hecho un estudio cuyos resultados se muestran en el cuadro a continuacin. Su teora es que el nivel de implantacin del sistema justo-a-tiempo afecta la calidad de vida laboral de los obrero;. Para demostrarla, Roberto midi en
61
25 empresas diferentes el nivel de implantacin del justo-a-tiempo (JIT) en una escala de O a 25 (JIT=O significa que la empresa no tiene nada de justo-a-tiempo y JIT=25 significa que el sistema justo-a-tiempo de la empresa es "perfecto") y la calidad de vida laboral promedio (QWL) de los obreros (QWL=l significa excelente y QWL=7 significa psima).
EMP
QwL
JIT
1 2 3 4 5 6 7 8 9 1O 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
3.670000 3.670000 2.940000 3.710000 3.230000 2.880000 3.380000 3.510000 3.350000 3.160000 3.130000 3.210000 3.110000 2.760000 3.040000 2.840000 3.250000 2.950000 3.050000 3.370000 3.160000 2.620000 3.100000 3.410000 3.270000
7.950000 15.37000 22.20000 11.74000 14.54000 13.83000 11.40000 11.40000 12.95000 15.51000 11.19000 17.96000 19.07000 16.68000 16.36000 21.75000 12.06000 19.85000 15.50000 13.40000 13.95000 21.70000 12.70000 20.37000 16.45000
EDU 1.450000 1.550000 1.520000 2.000000 1.950000 1.670000 2.050000 2.330000 1.350000 1.590000 2.360000 2.240000 2.470000 2.200000 1.860000 2.440000 2.260000 2.680000 2.250000 2.000000 2.500000 1.800000 1.800000 2.000000 1.940000
SEN
5.920000 17.21000 5.070000 3.570000 7.390000 5.710000 10.18000 3.080000 11.54000 2.960000 2.870000 4.120000 1.510000 2.400000 1.200000 2.780000 9.190000 4.980000 5.750000 4.410000 4.590000 4.040000 9.960000 4.930000 6.140000
EMP = Empresa encuestada. QWL = Calidad de vida laboral promedio (quality of work life). JIT = Nivel de implantacin del justo-a-tiempo (just-in-time). EDU = Nivel educacional promedio. SEN = Antigedad promedio en la empresa (seniority).
a) b) c) d)
Determinar la ecuacin de regresin que corresponde a la teora de Roberto. Determinar "R" cuadrada, "R" cuadrada ajustada y "SE". Qu opinas del valor de la "R" cuadrada de la ecuacin? Es la ecuacin de regresin significativa para a=0.05?
Pero no todo es felicidad.. . El director de la tesis &rma que la teora de Roberto es falsa y que fcilmente terceras variables podran provocar la correlacin entre QWL y JIT. En especial, el director exigi que Roberto agregara a la ecuacin de regresin 2 variables ms (vase el cuadro): nivel educacional promedio de los obreros (EDU=1=primaria; EDU=2=secundaria; EDU=3=preparatoria; etc.) y antigedad promedio en la empresa en aos (=seniority=SEN). e) Cul es la nueva ecuacin de regresin? f) Agregando las variables EDU y SEN a la ecuacin, sigue JIT siendo significativa para a=0.05? g) Cules son los nuevos valores de '72" cuadrada, "R" cuadrada ajustada y "SE"?
h) Son las nuevas variables significativas? i) Cmo interpretas los signos de los coeficientes de las variables?
Resp.: a) QWL=3.8963790-(0.0457123)(JIT). b) R cuadrada=0.381706; R cuadrada ajustada4.354824; SE=0.225917. c) Es bajo pero bastante aceptable en problemas que miden satisfaccin. d) Significancia de "t": constante 0.00W0.05, se rechaza Ho; JIT 0.001<0.05, se rechaza Ho. e) QWL=3.7636190-(0.0402575)(JIT)-(0.0283595)(EDU)+(0.0186532)(SEN). f ) Significancia de 'Y': JIT 0.004<0.05, se rechaza Ho. g) R cuadrada=0.442771; R cuadrada ajustada=0.363167; SE4.224451. h) Significancia de 'Y': EDU 0.843>0.05, se acepta Ho; SEN 0.212M.05, se acepta Ho; no son significativas. i) A la medida que hay ms JIT, disminuye QWL (por el signo negativo), es decir, mejora la calidad de vida; cuando aumenta EDU, disminuye QWL (por el signo negativo), es decir, las personas m s educadas reportan ms satisfaccin; cuando aumenta SEN, aumenta QWL (por el signo positivo), es decir, las personas con ms aiios reportan menos satisfaccin.
Captulo 1 1 : Planeacin de Capacidad
2.1 INTRODUCCIN 2.2.3 Generacin de planes alternativos. 2.2 PLANEACIN DE CAPACIDAD 2.2.4 Evaluacin econmica de las DE LARGO PLAZO alternativas y seleccin final. 2.2.1 Elaboracin de pronsticos de largo 2.2.5 Optimizacin. plazo. 2.3 PLANEACI~N DE CAPACIDAD 2.2.2 Transformacin de pronsticos en DE CORTO PLAZO requerimientos de capacidad.
Captulo 11: Planeacin de Capacidad
Ninguna empresa puede darse el lujo de no hacer una adecuada planeacin de capacidad, lo cual a grosso modo, significa combinar las fuentes alternas de capacidad de tal forma que se pueda satisfacer econmicamente la demanda creciente o decreciente de sus productos o servicios. El trmino "capacidad" ha sido definido de distintas maneras: "volumen mximo por unidad de tiempo que podemos obtener de una unidad productiva"; "volumen ideal o terico por unidad de tiempo que podemos obtener de una unidad productiva; etc.. Estas definiciones pueden ser tiles como una referencia pero no ayudan mucho a planear la capacidad, precisamente porque estos volmenes "mximos", "ideales" o "tericos" generalmente no se logran. Por ejemplo, el dato de que un VW sedn hace 15 Km. por litro de gasolina no es muy til, ya que corresponde a 90 Km./hora de velocidad y a una carretera sin vientos, pendientes o curvas. Si manejaremos a una velocidad de 110 Km./hora en una carretera "normal", para efectos de planeacin del viaje un dato como 10 Km. por litro seguramente ser mucho ms til. Por estas razones, adoptaremos en este libro la siguiente definicin de capacidad: "volumen por unidad de tiempo que podemos obtener de una unidad productiva en las condiciones actuales de operacin". Esta definicin no implica una actitud conformista de no intentar cambiar las condiciones para obtener ms volumen. Al contrario, con la mejora continua las condiciones deben cambiar y la capacidad debe cambiar tambin. Encontrar una medida de capacidad idnea no es una tarea fcil. Cuando el producto es nico o presenta muy pocas variantes, normalmente "unidades fsicas" es la mejor medida de capacidad. Por ejemplo, podemos tener computadoras/ao, coches/ao, pasajeroslao, etc.. Sin embargo, esta medida no es adecuada para mltiples productos. En estos casos, necesitamos una "unidad fsica c o m W como toneladas, metros cbicos, pasajeros-km, etc. o una unidad monetaria ($). Por ejemplo, podemos tener T/ao, ~ ~ l ao $/ao. o Si se utiliza la ltima, siempre ser conveniente eliminar el efecto de la inflacin. En algunos casos, tambin se mide la capacidad a travs de los recursos disponibles, como por ejemplo, horas-hombre, aviones o salones de clases. Tenemos que ser muy cautelosos con esta forma de medir, porque la disponibilidad de recursos no necesariamente implica produccin y los recursos pueden ser utilizados con niveles muy diferentes de eficiencia. Cuando nos enfkentamos a un problema de capacidad, siempre habr la disponibilidad de una o ms de las siguientes fuentes alternas de capacidad:
* Aumento de la capacidad instalada. * Tunio(s) extra(s). * Tiempo extra. * Acumulacin de inventarias.
* Subcontratacin de una parte de la produccin (maquila).
"Capacidad instalada" corresponde a los elementos productivos propiamente dichos (personas y10 mquinas) y para ser aumentada requiere la contratacin de personal y10 la inversin en maquinaria. Por simplicidad, en los ejemplos que presentaremos en este captulo consideraremos siempre que la nica manera de aumentar la capacidad instalada es a travs de la inversin en maquinaria.
65
No es frecuente que la subcontratacin est disponible, pero s es una alternativa que debe considerarse. En general, problemas de confidencialidad y10 calidad hacen que la subcontratacin sea muy difcil. Una alternativa adicional para "resolver" problemas de capacidad es la prdida, a propsito, de una parte de la demanda. Obviamente, esta alternativa es siempre posible, pero muy peligrosa, ya que una vez que la competencia absorbe una parte de bbnuestra" demanda, puede ser sumamente dificil recuperarla. En este captulo nunca adoptaremos esta alternativa, por lo que estar implcito en cada problema que tenemos que satisfacer toda la demanda. Para la planeacin de capacidad es indispensable la elaboracin de pronsticos a largo plazo, por lo menos para los prximos 5 aos. Los pronsticos indicarn, por ejemplo, cuando la demanda rebasar la capacidad productiva instalada actual. Los pronsticos de demanda siempre sern nuestro punto de partida. En algunos casos la demanda anual puede no rebasar la capacidad instalada de la planta, mientras que la demanda mensual s la rebasa. Para que este ocurra, es suficiente que existan variaciones estacionales fuertes. Siempre que la demanda rebasa la capacidad instalada de la empresa slo en algunos meses, la alternativa de acumulacin de inventarias es utilizada con mucha frecuencia. El proceso de planeacin de capacidad generalmente incluye las siguientes etapas: a) Elaboracin de pronsticos de demanda de largo plazo. b) Transformacin de los pronsticos de demanda en requerimientos de capacidad. c) Generacin de plantes alternativos u obtencin de la solucin ptima. d) Evaluacin econmica de las alternativas o validacin de la solucin ptima. e) Seleccin de la mejor alternativa. Debe observarse que los incisos "c" y "d" contemplan la posibilidad de la obtencin de una solucin ptima. Como veremos ms adelante, esto es mucho ms fcil cuando se ignora el cambio del valor del dinero en funcin del tiempo. Los problemas de capacidad pueden ser clasificados en dos grandes grupos:
* Planeacin de capacidad de largo plazo (horizonte >1 ao).
* Planeacin de capacidad de corto plazo (horizonte 21 ao).

Por lo menos tericamente, todas las fuentes de capacidad pueden ser utilizadas tanto en el largo como en el corto plazo, pero generalmente las inversiones en capacidad instalada se contemplan slo en el largo plazo. Por otro lado, en la planeacin de corto plazo podemos ignorar el cambio del valor del dinero con el tiempo, mientras que en el largo plazo, precisamente por el largo plazo, esto sera muy impreciso. En ocasiones, hay ampliaciones (inversiones) en el mercado de distintos tamaos para aumentar la capacidad de la planta y stas pueden tener costos de adquisicin y operacin diferentes. Si el costo de una ampliacin es menos que proporcional a su tamao, decimos que hay economa de escala de inversin; si los costos de operacin de una ampliacin ms grande son menores que los costos de una ms pequea, decimos que hay economa de escala de costo. Por ejemplo, si una ampliacin de 10,000 unid.lao cuesta $80 millones y opera a costos de $5/unid., y una ampliacin de 5,000 unid.lao cuesta $50 millones y opera a costos de $/unid., ambos tipos de economa de escala estaran presentes.
66
2.2 PLANEACIN DE CAPACIDAD DE LARGO PLAZO 2.2.1 Elaboracin de pronsticos de largo plazo
En general, para pronsticos de largo plazo, se recomiendan los mtodos de ajuste de lneas o de regresin mltiple (el mtodo de ajuste de lneas puede considerarse como un caso particular de la regresin simple). Con mucha precaucin, pueden utilizarse el promedio mvil ajustado con "k" grande y el promedio ponderado exponencialmente ajustado con"a" pequeo. Todos stos son mtodos cuantitativos que extrapolan la informacin del pasado hacia el futuro. Est implcito, por lo tanto, que las condiciones del futuro tienen que ser muy similares a las condiciones del pasado. Con los niveles actuales de turbulencia de los mercados y para el largo plazo, esto no necesariamente se cumple. Puede ser necesaria la utilizacin de algn mtodo cualitativo para validar y10 complementar la aplicacin del mtodo cuantitativo.
2.2.2 Transformacin de pronsticos en requerimientos de capacidad
Cuando la demanda se mide en unidades sicas (coches, computadoras, etc.) o en unidades comunes (metro, tonelada, etc.) los datos representan tambin requerimientos de capacidad. Por ejemplo, si la demanda pronosticada para 2002 es de 10,000 computadoras, decimos que los requerimientos de capacidad son, tambin, de 10,000 computadoras. Sin embargo, cuando medimos capacidad por medio de los recursos disponibles, tenemos entonces que traducir de alguna manera los pronsticos a unidades de recursos. Por ejemplo, si nuestros pronsticos estn en unidades fisicas para productos o servicios muy diferentes y medimos capacidad en horas-hombre, aqullos tienen que ser transformados a horas-hombre y stas sern nuestros requerimientos de capacidad. Para transformar unidades sicas a horas-hombre u horas-mquina, tenemos que medir (o estimar) los requerimientos en horas-hombre u horas-mquina por unidad para cada producto en cada etapa del proceso. La determinacin del nmero requerido de horas-mquina es, en general, ms importante que la determinacin del nmero de horashombre, ya que la fuerza de trabajo puede integrarse al sistema productivo ms fcilmente que las mquinas. Veamos un ejemplo de transformacin de unidades fsicas a horas-mquina.
Supongamos que se trata de una empresa que fabrica muebles de acero, cuyas principales etapas del proceso productivo son:
* Corte (de las lminas de acero). * Soldadura.

* Doblado. * Pintura y ensamble final.
Los productos terminados son "A", "B", "C" y " D y todos pasan por todas las etapas del proceso. Supongamos que los productos "A", "B", "C" y " D requieren las siguientes horas-mquina (HM) en los departamentos de corte y doblado (por unidad producida):
PRODUCTO
CORTE 0.45 HM 0.30 HM 0.75 HM 0.90 HM
DOBLADO 0.25 HM 0.20 HM 0.40 HM 0.50 HM
Supongamos tambin que los pronsticos de demanda de estos cuatro productos para los prximos 5 aos son:
Determinar los requerimientos de capacidad en los procesos de corte y doblado. Solucin: Los requerimientos de capacidad en horas-mquina para cada etapa del proceso durante los prximos 5 aos seran entonces:
La informacin del cuadro anterior es fundamental para la planeacin de capacidad. En l observamos, por ejemplo, que las horas-mquina requeridas en la etapa de corte para los prximos 5 aos sern:
AOS Requerimientos del proceso de corte (HM)
2002 2,190
2003 2,870
2004 3,550
2005 4,230
2006 4,910
Supongamos que esta etapa del proceso trabaja un solo turno con un total de 2 mquinas cortadoras (guillotinas), y que el nmero de das laborables del ao sea de 250. El total de horas-mquina disponibles en cada uno de los 5 aos sera de: (2 mquinas)@hlda)(250 daslao) = 4,000 HMao. Podemos ver, por lo tanto, que a partir de 2005 la capacidad instalada de la planta (2 mquinas) no ser suficiente y que la empresa tendr que trabajar tiempo o turnos extras, o aumentar su capacidad instalada (a 3 mquinas, por ejemplo).
Obsrvese que normalmente las mquinas no trabajan las 8 horas diarias, por lo que el total de 4,000 HM/ao es demasiado elevado. Suponiendo una utilizacin de 85% del tiempo disponible (fondo productivo utilizable), el total de horas-mquina al ao sera (4,000 HMao)(0.85) = 3,400 HM/ao, lo que indica que ya en el ao de 2004 la empresa empezara a tener problemas de capacidad. Un clculo idntico podra ser hecho para analizar la capacidad del proceso de doblado y de los dems procesos de la planta, tanto en trminos de horas-mquina (para determinar el nmero de mquinas requeridas), como en trminos de horas-hombre (para determinar el nmero de trabajadores requeridos). Antes de pasar al siguiente inciso (generacin de planes alternativos), vale la pena resaltar algunos puntos respecto al concepto de capacidad: a) Como mencionamos antes, las mquinas ya instaladas en la planta o la fuerza de trabajo ya contratada y entrenada, se llama capacidad instalada. sta ser siempre constante hasta que se integren (o se retiren) hombres y10 mquinas. En el caso del proceso de corte del ejemplo 2.1, la capacidad instalada era de 2 mquinas guillotinas o de 3,400 HM/ao. b) La capacidad requerida es aqulla que se necesita para satisfacer plenamente la demanda, pudiendo ser por lo tanto mayor o menor que la capacidad instalada. La capacidad requerida generalmente es variable, por lo que ser necesario calcular la capacidad requerida media de un perodo y la capacidad requerida instantnea de un determinado momento (da). c) La capacidad se puede medir con cualquier unidad de tiempo, independientemente del perodo o momento que se est analizando. Por ejemplo, podemos decir que la capacidad instalada o requerida del mes de Octubre de 2002 es de 2,000 unidades al ao; o decir que la capacidad requerida del lo de Enero de 2003 ser de 2,500 unidades al ao. Por simplicidad, en los problemas de largo plazo siempre utilizaremos como unidad de tiempo el ao y en los problemas de corto plazo el mes. d) Cuando se transforman los pronsticos en capacidades requeridas o requerimientos de capacidad, esto no implica que durante todo el perodo analizado la capacidad requerida ser la misma. Por ejemplo, en el caso del proceso de corte la capacidad requerida en 2002 es de 2,190 HM, sin embargo, como la demanda es creciente, la capacidad requerida al principio del ao ser menor que este valor y al final del ao ser mayor que este valor. Si queremos satisfacer totalmente la demanda con la capacidad instalada sin acumular inventario, sta debe ser suficiente para aumentar de un valor inicial " X hasta un valor final "Y', de tal manera que la media sea exactamente 2,190 HM/ao. Por este motivo, siempre hablaremos de las capacidades requeridas al inicio y final de cada perodo (ao, semestre, mes, etc.), y de capacidad requerida media.
2.2.3 Generacin de planes alternativos

Supongamos el caso en que la capacidad requerida aumenta con una tasa de crecimiento constante de 20%/ao, desde 10,000 unid./ao al inicio de 2001 hasta 62,000 unid./ao al final de 2010. Los requerimientos de capacidad al inicio y final de cada ao sern los siguientes:
CUADRO 2.1 Capacidad requerida al inicio y final de cada ao A0 2001 2002 2003 2004 INICIAL 10,000 12,000 14,400 17,280 FINAL 12,000 14,400 17,280 20,736
2010
51,598
61,917
Obviamente hay varias formas de satisfacer estos requerimientos de capacidad: podrn realizarse pocos aumentos de capacidad instalada de gran magnitud o aumentos frecuentes de pequea magnitud. Las grficas de la Figura 2.1. a continuacin ilustran estas dos posibilidades. Muchos factores determinarn la mejor poltica para el incremento de capacidad, de los cuales, inicialmente, queremos mencionar los siguientes:
* Valor de las nuevas inversiones. * Economas de escala.

* Tasas de inters. * Restricciones tecnolgicas.
* Costos de operacin de las ampliaciones.
* Ingresos despus de las inversiones. * Riesgo.
FIGURA 2.1 Alternativas para satisfacer la capacidad requerida
A primera vista, la alternativa de la Figura 2.l(a) parece mucho mejor, ya que se posponen las inversiones (disminuyendo el valor presente) y es menos riesgosa, ya que si la demanda no crece de acuerdo a los pronsticos se podra corregir a tiempo el programa de inversiones, es decir, ampliar menos. Sin embargo, cuando las ampliaciones implican construccin de edificios, y10 existen economas de escala, y10 la tasa de inters es baja,
70
la alternativa de la Figura 2.l(b) puede ser muy superior. Por lo tanto, para cada caso especfico, tendr que hacerse una evaluacin econmica para determinar la mejor alternativa. En muchos casos lo que determina la frecuencia y la magnitud de las ampliaciones son las restricciones de capacidad. Por ejemplo, supongamos que en una planta productora de bloques de concreto hay actualmente una mquina que produce 10,000 bloques en un turno de 8 horas. Si se requiere un aumento de capacidad instalada, se podr llegar a un mximo de 30,000 bloques por da en tres turnos. A partir de este valor, la empresa estar obligada a comprar otra mquina y el aumento de capacidad estar condicionado por los tamaos disponibles en el mercado. Si la capacidad mnima de este tipo de mquina es de 10,000 bloques18 horas, ste ser el aumento mnimo de capacidad de la planta, independientemente de cualquier estudio econmico que se quiera realizar. Con dos mquinas y requerimientos de 30,000 bloqueslda la planta podra empezar trabajando 1.5 turnos por da o poner a trabajar una mquina dos turnos y la otra un solo turno. Con las dos mquinas se podra llegar a una capacidad terica mxima de 60,000 bloqueslda, cuando entonces otro aumento de 10,000 se hara necesario. Si graficamos una capacidad requerida hipottica, la capacidad instalada por turno de 8 horas y la capacidad instalada total (3 turnos), obtendremos lo que se muestra en la Figura 2.2. En esta figura la lnea continua superior indica la capacidad de la planta con 3 turnos y la lnea continua inferior la capacidad de la planta si solamente fuera posible trabajar un turno. La figura muestra claramente que para satisfacer esta demanda hipottica se tendrn que comprar nuevas mquinas de 10,000 bloqueslda al final de los aos 2001 y 2009, respectivamente.
FIGURA 2.2 Ampliaciones de la planta de bloques de concreto

Capacidad instaladahequerida (miles)
O 0
O 1
03
04
05
06
07
08
09
10
11
12
13
Aos
71
Si por alguna razn la planta pudiera trabajar slo un mximo de 2 turnoslda, los incrementos de capacidad tendran que ser como lo indica la lnea punteada de la Figura 2.2. Obsrvese que en este caso, para reducir la sub-utilizacin de la maquinaria, la empresa est planeando tener en los aos 2012 y 2013 una capacidad instalada ligeramente inferior a la capacidad requerida, ya que en estos aos la lnea representativa de la capacidad instalada pasa por debajo de la lnea representativa de la capacidad requerida. Esto implica, obviamente, la necesidad de trabajar tiempo extra si se quiere satisfacer totalmente la demanda.
2.2.4 Evaluacin econmica de las alternativas y seleccin final

La evaluacin econmica ms sencilla se lleva a cabo a travs del clculo del valor presente neto de cada alternativa. ste deber incluir el valor presente de los ingresos y el valor presente de las inversiones y costos operacionales, incluyendo aqullos de las fuentes alternas de capacidad. La alternativa con el mayor valor presente neto ser seleccionada. Veamos un ejemplo numrico.
La Figura 2.3(a) muestra la capacidad requerida para los prximos 4 aos, es decir, 2003, 2004,2005 y 2006 (estamos a finales de 2002). La capacidad instalada actual es de 6,000 unid./ao. En el mercado slo estn disponibles ampliaciones de 1,000 unid./ao y 3,000 unid./ao, por lo que hemos generado las alternativas #1, #2 y #3 (figuras 2.3(b), 2.3(c) y 2.3(d)). La alternativa #3 requiere tiempo extra durante todo el ao de 2004. Cualquiera que sea la alternativa adoptada, la demanda se tiene que satisfacer en su totalidad, por lo que los ingresos sern idnticos para cada alternativa. No est permitida la acumulacin de inventarias. El costo del capital (tasa de inters compuesto) es de 10%lao. Hay economas de escala tanto de inversin como de costo operacional. Una unidad producida en tiempo normal por la ampliacin de 1,000 cuesta $6/unid., mientras que la ampliacin de 3,000 produce a un costo de $5/unid. Para cualquier tipo de ampliacin el tiempo extra provoca un costo adicional de $2/unid.. Por lo tanto, la informacin correspondiente a cada una de las ampliaciones es la siguiente: TAMAo 1,000 3,000
INVERSION COSTO NORMAL $2,000,000 $6 $5,500,000 $5
COSTO CON T.E. $8 $7
La planta actual trabaja a los mismos costos que la ampliacin de 1,000 unid./ao. Determinar las unidades producidas en tiempo normal y tiempo extra en cada uno de los aos y el valor presente neto para cada alternativa.
Solucin:
Como la demanda es la misma para cualquier alternativa, la determinacin del valor presente de los egresos (inversiones y costos) ser suficiente. La alternativa con el menor valor presente neto deber seleccionarse.
72
FIGURA 2.3 Ejemplo de planeacin de capacidad de largo plazo

(a) Capacidad requerida y actual (b) Alternativa #1
'rcap.
(c) Alternativa #2
(d) Alternativa #3
vap.
Yap.
" " )
Alternativa #1:
Es conveniente empezar determinando las capacidades requeridas inicial y final de cada ao (vase la Figura 2.3(a)), as como la capacidad requerida media. Como el crecimiento de la demanda es lineal, la capacidad requerida media es la semi-suma de las capacidades inicial y final. Obsrvese que la capacidad requerida media es lo que tenemos que entregar a la sociedad en cada ao, independientemente de la alternativa adoptada. AO 2003 2004 2005 2006 CAP. REQ. INICIAL CAP. REQ. FINAL 6,000 5,000 7,000 6,000 7,000 8,000 9,000 8,000 CAP. REQ. MEDIA 5,500 6,500 7,500 8,500
Considerando que las inversiones se desembolsan en el momento que las ampliaciones quedan listas para activarse y que los costos operacionales pueden ubicarse, como aproximacin, en el centro del ao, tenemos el siguiente flujo de egresos para esta
73
alternativa y sus correspondientes valores presentes al inicio de 2003 (en orden de ocurrencia):
FIGURA 2.4 Egresos y valores presentes de la alternativa #l

2003 $31,464 2004 2005 2006
1r
$1,818,182
7r
$33,805
(5500)($6) =$33,000
(6500)($6) 439,000
(7500)($6) =$45,000
(8500)($6) =$51,000
'I
7r
$2,000,000
L
v
$2,000,000
v
$2,000,000
/
$1,652,893
\r
$35,459
"
$1,502,630
} L
J
Flujos
\r
$36,534
Valores presentes
Alternativa #2: Con la alternativa #2 la ampliacin de 3,000 estar disponible a partir del final de 2003. Como sta es ms eficiente que la instalacin actual, es lgico utilizarla al mximo siempre y producir el restante con la instalacin actual. Por ejemplo, para el ao de 2004 tenemos que ofrecer un total de 6,500 unid., por lo que producimos 3,000 unid. con la nueva instalacin (a $5) y slo 3,500 con la antigua (a $6). Los egresos y valores presentes se presentan en la Figura 2.5.
FIGURA 2.5 Egresos y valores presentes de la alternativa #2

2003 $31,464 $5,000,000 $31,204 $5,500,000 $33,095 $34,385 (5500)($6) 333,000 (3000)($5)+ (3500)($6) 436,000 (3000)($5)+ (4500)($6) 442,000 (3000)($5)+ (5500)($6) =$48,000 2004
2005
2006
Valores presentes
Flujos
Alternativa #3:
La alternativa #3 implica trabajar tiempo extra durante todo el ao de 2004. La determinacin de la cantidad a producir con tiempo extra es extremadamente sencilla: la capacidad instalada es de 6,000 unid.lao y la sociedad requiere 6,500 unid., lo que significa producir 500 unid. con tiempo extra en la instalacin antigua (a $8/unid.). El flujo del ao 2003 es idntico al de la alternativa #1 y los flujos de 2005 y 2006 son idnticos a los de la alternativa #2 (vase la Figura 2.6). FIGURA 2.6 Egresos y valores presentes de la alternativa #3
$34,385
Valores presentes
$4,679,070
Flujos
Resumiendo, los valores presentes totales de los egresos de cada alternativa son: ALTERNATIVA #1 #2 #3 VALOR PRESENTE $5,110,967 $5,130,148 $4,679,070
por lo que, desde el punto de vista econmico, la mejor alternativa es la #3 y la peor es la #2. El lector debe recordar, sin embargo, que las alternativas #2 y #3 son ms riesgosas que la alternativa #l. Esta conclusin tampoco tiene en cuenta la cantidad disponible de recursos propios de la empresa o hasta cunto quiere endeudarse. Si la empresa no quiere y10 no puede invertir de golpe los $5,500,000 de la ampliacin de 3,000 unid./ao, la nica factible sera la alternativa #l. El clculo de las unidades producidas con tiempo extra en el ejemplo 2.2 fue muy sencillo porque la necesidad del tiempo extra permanece durante todo el ao de 2004. Cuando el tiempo extra es necesario slo durante una fiaccin de ao el clculo es ligeramente ms complicado. Veamos un ejemplo.
Se han hecho los siguientes pronsticos de demanda en una determinada empresa para los prximos 3 aos:
A0 DEMANDA
2003 10,000
2004 12,000
2005 14,000
Considerando que la capacidad instalada actual es de 12,500 unid./ao y que no ser aumentada, determinar (sin acumular inventario): a) Las capacidades requeridas inicial y final de cada ao. b) Las cantidades producidas con tiempo normal y tiempo extra en cada ao. c) El valor presente total de los flujos de costos, con un inters de 10%/ao y considerando que las unidades producidas con tiempo normal y tiempo extra cuestan $50 y $60, respectivamente. Solucin: Inicialmente debe observarse que los datos proporcionados corresponden a las demandas de cada ao, es decir a las capacidades requeridas medias. Por lo tanto, lo primero que tenemos que hacer es transformar los requerimientos medios en capacidades requeridas inicial y final. Esto se logra fcilmente restando y sumando a cada valor de demanda la mitad de la pendiente que en este caso es 2,000 unid./ao. Por lo tanto:
donde: CN= Capacidad requerida inicial. Cm = Capacidad requerida final. C, = Capacidad requerida media.
500 - 0.25 aos tz= -2,000

Durante t2: cRI=12,500/&~; CRF =13,000/&0; = 12,750Ia0; Instalada: 12,500/&0; Insuficiencia: 2501ao; TE =(250)(0.25) TE = 62 unid.
cR
Obsrvese que durante el perodo '92)) la insuficiencia media es de 250lao. Si sta durara todo el ao necesitaramos 250 unid. con tiempo extra; sin embargo, esta insuficiencia dura slo 0.25 aos, por lo que necesitamos (250)(0.25) = 62 unid. (una simple regla de tres). Las unidades producidas en tiempo normal pueden obtenerse por diferencia:
TN = total - TE = 12,000 - 62 = 11,938 unid.
c)
2003
2004
2005
v
(10000)($50) 3500,000
v
(1 1938)(($50)+ (62)($60) 3600,620
v
(12500)($50)+ (1500)($60) =$715,000
$476,731 $520,608 $563,410
Valor presente total
2.2.5 Optimizacin
En la literatura dicilmente encontramos formulaciones matemticas del problema de planeacin de capacidad de largo plazo y su correspondiente optimizacin. En gran medida el mtodo utilizado sigue siendo el de generar alternativas, evaluarlas econmicamente y seleccionar la mejor. Slo se han encontrado soluciones ptimas para casos muy especiales. A continuacin presentamos un ejemplo con las siguientes caractersticas:
* Horizonte infinito.
* La demanda crece linealmente con una pendiente anual "D". * El anlisis se hace a pesos constantes.
* El inters es continuo, es decir, el valor presente de un flujo "Z"ubicado a 'Y' aos de

distancia, con tasa de inters "r", est dado por: VP=Z.ee* * Hay economa de escala de inversin, es decir, la inversin requerida por una ampliacin de tamao "y" est dada por: f(y) = K(Y)~ donde: K = constante. y = tamao de la ampliacin. a = parmetro de la economa de escala (O<a<l).
En estas condiciones es fcil demostrar que la solucin ptima es ampliar cada "x" aos y que, consecuentemente, cada ampliacin debe ser de un tamao (x.D). El problema consiste entonces en encontrar el valor ptimo de "x". Consideremos el siguiente esquema, en el cual se invierte f(y), correspondiente a una ampliacin de tamao "y" cada "x" aos, y C(x) es el valor presente de todos los flujos desde infinito hasta el punto indicado con el nmero 2.
..."........................ "..........................
X
> Aos
El valor presente en el punto indicado con el nmero 1 es: C'(x) = f(y) + eqX.C(x) Como el horizonte es infinito, podemos decir que C'(x) r C(x), es decir:
Derivando C(x) e igualando a cero se obtiene la siguiente expresin:
es decir, el valor ptimo "xo" no puede ser despejado pero puede encontrarse por iteraciones sucesivas. Es interesante observar que el valor ptimo de "x" no depende de " D ni de "K". Para que haya economa de escala el valor de "a" tiene que ser positivo y menor que uno. Si "a" fuera mayor que uno habra deseconoma de escala. El modelo considera un horizonte infinito, lo que equivale a considerar que la empresa existir siempre y que las condiciones ("r", "a", " D y "K") se mantendrn iguales.
La demanda de determinada empresa aumenta linealmente con pendiente de 200 unid./ao. La tasa de inters continuo es de 10%/ao y la funcin de economa de escala es la siguiente: fiy) = (10,000)(y~0-70 Determinar la poltica ptima de crecimiento y la magnitud de cada ampliacin.
Solucin:
En este caso D=200, r=0.10, K=10,000 y a=0.70. El valor ptimo de "x" es el siguiente:
de donde se obtiene el valor &=6.75 aos. Por lo tanto, cada ampliacin tendr un tamao y=(6.75)(200)=1,350 unid. y un valor de:
2.3 PLANEACIN DE CAPACIDAD DE CORTO PLAZO
Obviamente, el procedimiento general descrito anteriormente en el inciso 2.1 es vlido tambin para la planeacin de corto plazo, con dos diferencias principales:
* Podemos ignorar el cambio del valor del dinero. * Generalmente no hay inversiones en ampliaciones.
78
Por lo tanto, en un problema de planeacin de capacidad de corto plazo, "jugamos" con las alternativas de trabajar tiempolturno extra, maquilar y acumular inventario de modo que se minimicen los costos totales del horizonte de planeacin considerado. Existen muchas tcnicas para resolver este problema: ensayo y error, mtodo grfico, formulacin matemtica, etc.. A travs de un ejemplo numrico, en este captulo veremos nicamente el mtodo de ensayo y error, y en el Captulo X incluimos tres ejemplos de formulacin matemtica por medio de programacin lineal.
Una empresa quiere definir el programa de produccin para satisfacer las demandas de los primeros cuatro meses del prximo ao: MESES DEMANDAS ENERO 400 FEBRERO 600 MARZO 550 ABRIL 1,000
Se dispone de la siguiente informacin:
* Capacidad normal de produccin: 5001mes; las unidades producidas en tiempo normal

cuestan $1 1Olunid.. * Con tiempo extra se puede llegar a 6OOImes y las unidades producidas con tiempo extra cuestan $20 ms. * Se puede maquilar cualquier cantidad pero las unidades maquiladas cuestan $50 ms. * Las piezas maquiladas se entregan de una sola vez el 1O del mes en que se utilizarn y se pagan de contado. * Cuando termine Diciembre de este ao no habr inventarios. * El inventario al final de Abril del prximo ao tiene que ser 50 unidades. * El costo de mantener inventario es de $151unid.mes. Se proponen 2 programas de produccin: PROGRAMA 1: Trabajar al nivel de 5001mes durante los 3 primeros meses, con tiempo extra en el cuarto mes (al mximo) y maquilar lo que sea necesario. Trabajar con tiempo extra los 4 meses (al mximo) y maquilar lo que sea necesario.
PROGRAMA 11: Cul es el mejor?

Solucin:
La mejor manera de evaluar programas de produccin de corto plazo es a travs de cuadros como los que se muestran a continuacin. En stos es importante observar que el inventario final de cada mes es el inventario inicial del mes siguiente slo cuando no hay maquila. Cuando hay maquila el inventario inicial es la suma de la maquila ms el inventario final del mes anterior. Cuando esto ocurre los cuadros muestran el inventario final del mes anterior en nmeros pequeos y el inventario inicial en nmeros grandes. Por ejemplo, '50 significa inventario final del mes anterior igual a cero e inventario inicial del mes considerado 50 (ya que hay una maquila de 50). Por otro lado, para el
'
Captulo 11:Planeacin de Capacidad
79
clculo del inventario medio se us como aproximacin la semi-suma de los inventarios inicial y final de cada mes. Se usaron las abreviaciones "I.I.", "I.F." e ''1" para inventario inicial, inventario final e inventario medio, respectivamente. Con el Programa 1 se producen 2,000 unid. en tiempo normal, 100 unidades en tiempo extra y se maquilan 500 unidades. Incluyendo el costo de mantener los inventarios medios, esto conduce a un costo total de $318,625. Obsrvese que el costo de la maquila es relativamente elevado, por lo que el Programa 11 intenta reducir ste mediante el uso del tiempo extra. Como resultado tenemos 2,000 unid. en tiempo normal, 400 unid. en tiempo extra y slo 200 unid. maquiladas. Como el Programa 11 acumula inventario con el tiempo extra para reducir el costo de la maquila, ste se reduce pero aqullos se incrementan. Sin embargo, el costo total disminuye a $315,625. Estos resultados no pueden ser generalizados porque si el costo de mantener fuera elevado y10 la diferencia entre el tiempo extra y la rnaquila fuera pequea, el Programa 1 podra resultar ms econmico que el Programa 11.
Programa 1:
DICIEMBRE DEMANDA
1.1.
I.F. NORMAL T.E. MAQUILA
-
--O
--m
---
ENERO
FEBRERO
MARZO
400 O 100 500

--m
--m
600 0 1O O 500
----m
550 '50 O 500
---
--m
---
50
5O
5O 25 $220,000. $13,000. $80,000. $5,625. $318,625.
ABRIL 1,000 O450 50 500 100 450 250
Costo de la produccin en tiempo normal: (2,000)($110) = Costo de la produccin en tiempo extra: (100)($130) = Costo de la maquila: (500)($160) = Costo de mantener: (50+50+25+250)($15)= Costo total:
Programa 11:
DICIEMBRE DEMANDA
--m
ENERO
FEBRERO
MARZO
ABRIL
1.1. I.F.
NORMAL T.E. MAQUILA
--------0
400 O 200 500 100
---
600 200 200 500 100

--m
550 200 250 500 100
---
1O 0
200
225 $220,000. $52,000. $32,000. $11,625. $315,625.
1,000 250450 50 500 100 200 250
Costo de la produccin en tiempo normal: (2,000)($110) = Costo de la produccin en tiempo extra: (400)($130) = Costo de la maquila: (200)($160) = Costo de mantener: (1 00+200+225+250)($15) = Costo total:
80
Puesto que el costo de la produccin en tiempo normal es comn a ambos programas, podramos haber calculado nicamente los costos adicionales, es decir, por encima del costo de la produccin normal. El lector debe verificar que en este caso los costos seran:
Programa 1: Costo de la produccin en tiempo extra: (1 00)($20) = Costo de la maquila: (500)($50) = Costo de mantener: (50+50+25+250)($15) = Costo total: Programa 11: Costo de la produccin en tiempo extra: (400)($20) = Costo de la maquila: (200)($50) = Costo de mantener: (100+200+225+250)($15)= Costo total:
$2,000. $25,000. $5,625. $32,625. $8,000. $10,000. $11,625. $29,625.
Despus de estos resultados, el lector seguramente se est planteando las siguientes preguntas: no habr un tercer programa que sea mejor que los programas 1 y II? no habr un programa ptimo? En ambos casos la respuesta es js! En un problema con estas caractersticas la programacin lineal fcilmente encuentra el programa ptimo, es decir, encuentra la mezcla ptima de tiempo normal, tiempo extra, maquila e inventario. El Captulo X presenta la formulacin matemtica de este problema y la correspondiente solucin ptima.
PROBLEMAS TIPO
2.1 Se han hecho los siguientes pronsticos para los prximos 4 aos:
- A0
DEMANDA
2003 15,000
2004 20,000
2005 25,000
2006 30,000
Considerando que la capacidad instalada actual es de 16,000 unid./ao y que ser aumentada a 27,500 unid./ao el l o de Enero de 2004, determinar (sin acumular inventarios): a) Las capacidades requeridas inicial y final de cada ao. b) Las cantidades producidas con tiempo normal y extra en cada ao. c) El valor presente total de los egresos, considerando que la ampliacin a 27,500 unid./ao costar $800,000, que las unidades producidas con tiempo normal y extra cuestan $50 y $70, respectivamente, y que la tasa de inters es de 10%/ao. d) Considerando ahora que la 'empresa decide trabajar siempre a su capacidad instalada mxima, cul sera el inventario al final de cada uno de los 4 aos? Cuntas unidades se produciran con tiempo extra en cada ao?
Resp.: a) 2003: Ce12,500; Cw=17,500; 2004: Cp17,500; Cw22,500; 2005: Cp22,500; Cs27,500; 2006: Cp27: C&32,500. b) 2003: TN=14,775 unid.; TE=225 unid.; 2004: TN=20,000 unid.; TE=O; 2005: TN=25,000 unid.; TE=O; 2006: TN=27,500 unid.; TE=2,500 unid. c) VP=$4,408,770. d Los inventarios inicia1 fmal el TE seran:
INICIAL FINAL
2.2 Para un determinado producto se han hecho los siguientes pronsticos: AOS DEMANDA 2003 12,000 2004 20,000 2005 28,000
La capacidad instalada actual es de 30,000 unid./ao y no ser aumentada en los prximos 3 aos. Determinar (sin acumular inventarios): a) Las capacidades requeridas inicial y final de cada ao. b) Las unidades producidas con tiempo normal y extra en cada ao. c) El valor presente total de los costos anuales, considerando que las unidades producidas con tiempo normal cuestan $8, las producidas con tiempo extra cuestan $10 y la tasa de inters es de 9%/ao. d) Las unidades producidas con tiempo normal y extra en cada semestre del ao 2005.
Resp.: a) 2003: Cp8,OOO; C~p16,000; 2004: C~i=16,000; C624,OOO; 2005: Cp24,OOO;Ce32,OOO. b) 2003: TN=12,000 unid.; T E * , 2004: TN=20,000unid.; TE*; 2005: TN=27,750 unid.; TE=250. c) 5413,538. d) lo SEMESTRE: TN=13,000 unid.; TE=O; 2' SEMESTRE: TN=14,750 unid.; TE=250 unid..
2.3 Se han hecho los siguientes pronsticos para los prximos 3 aos: AOS DEMANDA 2003 10,000 2004 14,000 2005 18,000
Considerando que la capacidad instalada actual es de 13,000 unid./ao y que ser aumentada a 20,000 unid./ao el lo de Enero de 2005, determinar (sin acumular inventarios): a) Las capacidades requeridas inicial y final de cada ao. b) Las cantidades producidas con tiempo normal y extra en cada ao. c) El valor presente total de los egresos, considerando que la ampliacin a 20,000 unid./ao costar $1,000,000, que las unidades producidas con tiempo normal y extra cuestan $30 y $40, respectivamente, y que la tasa de inters es de 8%/ao. d) Las unidades producidas con tiempo normal y extra en cada semestre de 2004. e) Considerando ahora que la empresa decide trabajar siempre a su capacidad instalada mxima, cul sera el inventario al final de cada uno de los 3 aos? Cuntas unidades se produciran con tiempo extra en cada ao para satisfacer totalmente la demanda? Cul sera el inventario mximo del ao 2004? Considera que el inventario inicial de 2003 es cero.
Resp.: a) 2003: Ce8,OOO; C512,OOO; 2004: Ce12,OOO; C~f16,000; 2005: C~f16,000;C520,OOO. b) 2003: TN=lO,OOOunid.; T E * , 2004: TN=12,875 unid.; TE=1,125 unid.; 2005: TN=18,000 unid.; TE=O. c) $1,975,732. d) l o SEMESTRE: TN=6,375 unid.; TE=125 unid.; 2" SEMESTRE: TN=6,500 unid.; TE=1,000 unid.. e) El inventaxio mximo de 2004 sera de 3,125 unid. y ocurrira al final del primer 114 de ao. Los inventarios inicial y
INICIAL FINAL
2.4 Se han hecho los siguientes pronsticos de demanda en una determinada empresa para los prximos 3 aos:
AOS
DEMANDA
2003 12,000
2004 18,000
2005 24,000
Considerando que la capacidad instalada es de 19,000 unid./ao y que no ser aumentada durante este horizonte de planeacin, determinar (sin acumular inventarios): a) Las capacidades requeridas inicial y fmal de cada ao. b) Las unidades producidas con tiempo normal y extra en cada ao. c) Si la empresa decidiera trabajar a su mxima capacidad instalada durante los 3 aos, cules seran los inventarios inicial y fmal de cada ao? Cul sera el inventario mximo y cundo ocurrira? ,Cuntas unidades se produciran con tiempo extra en cada ao? Considera que el inventario inicial de 2003 es cero. d) Graficar el comportamiento del inventario del inciso "cm.
Resp.: a) 2003: C@,OOO; C~15,OOO; 2004: Ce15,OOO; C~21,OOO; 2005: Ce21,OOO; Ce27,OOO. b) 2003: TN=12,000 unid.; TE=O; 2004: TN=17,667 unid.; TE=333 unid.; 2005: TN=19,000 unid.; TE=5,000 unid.. c) El inventario mximo ocurrira al inicio del ltimo 113 de 2004 y sera de 8,333 unid.. Los inventarios inicial y fmal, y el TE seran: lNVENTARIOS 1 2003 1 2004 1 2005 1 O 1 7,000 1 8,000 INICIAL FINAL 1 7,000 1 8,000 3,000
83
d) Setia una curva que arranca de cero al inicio de 2003 y tiene pendiente decreciente que llega a cero al inicio del ltimo 113 de 2004, cuando la ordenada es de 8,333; a partir de ah la pendiente es negativa y la curva termina con una ordenada de 3,000 al fmal de 2005. Las ordenadas al inicio y final de cada ao seran las del cuadro arriba. Recomendamos que el lector dibuje la curva.
2.5 Se han hecho los siguientes pronsticos de demanda para los prximos 3 aos: AOS DEMANDA 2003 16,500 2004 19,500 2005 22,500
Considerando que la capacidad instalada actual es de 20,000 unid./ao y que ser aumentada a 25,000 unid./aio el lo de Enero de 2005, determinar (sin acumular inventarios): a) Las capacidades requeridas inicial y final de cada ao. b) Las unidades producidas con tiempo normal y tiempo extra en cada ao. c) El valor presente total de los egresos, con un inters de 6%/ao, considerando que la inversin ser de $900,000 y que las unidades producidas con tiempo normal y extra cuestan $15 y $17, respectivamente: d) Si la empresa decidiera trabajar a su capacidad instalada mxima durante los 3 aos, cules seran los inventarios inicial y final de cada ao? Cul sera el inventario mximo de 2004 y cundo ocurrira? Cul sera el inventario mximo de los 3 aos? Cuntas unidades se produciran con tiempo extra en cada ao? Considera que el inventario inicial de 2003 es cero. e) Graficar el comportamiento del inventario del inciso "P.
Resp.: a) 2003: C~15,OOO; Cel8,OOO; 2004: Cfll8,OOO; C~21,OOO; 2005: C@21,000; C#24,000. b) 2003:TN=16,500 unid.; TE=O; 2004: TN=19,333 unid.; TE=167 unid.; 2005: TN=22,500 unid.; TE=O. c) $1,601,465. d) El inventario mximo de 2004 setia de 4,167 y ocurrira al inicio del ltimo 1B de ao; el inventario mximo de los 3 k o s setia de 6,500 y ocurrira al final de 2005. os inventarios inicial y final y el TE seran: 2003 2004 2005 INVENTARIOS 1 3,500 1 4,000 O INICIAL FINAL 1 3,500 1 4,000 1 6,500 TE l o l o l o e) Sera una curva que arranca del origen y tiene pendiente decreciente que llega - a cero al inicio del ltimo 113 de 2004, &ando la ordenadaes de 4,167; a par& de ah lapendiente es negativa y la curva llega a una ordenada de 4,000 al final de 2004; a partir de ah la pendiente se vuelve positiva decreciente otra vez hasta que la curva llega a la ordenada de 6,500 al final de 2005. Las ordenadas al inicio y final de cada aio son las del cuadro arriba Recomendamos que el lector dibuje la curva.
1 1
2.6 La empresa BETA, S.A. ha elaborado los siguientes pronsticos para los primeros 4 meses de 2003: MESES DEMANDA ENERO 500 FEBRERO 750 MARZO 900 ABRIL 700
La capacidad normal de produccin de la planta es de 550 unid./mes y con tiempo extra puede llegar a un mximo de 650 unid./mes. Las unidades producidas con tiempo extra cuestan $15 ms por unidad. Existe la posibilidad de maquilar parte de la produccin en la empresa GAMA, S.A.. Los productos maquilados cuestan $20 ms por unidad, sern entregados los das lode cada mes y sern pagados de contado. El costo de mantener inventario es de $/unid.rnes.
El Depto. de Planeacin y Control de la Produccin desea resolver el problema utilizando la planeacin de capacidad de corto plazo y, entre otros, tiene que determinar el costo del siguiente programa de produccin: PROGRAMA: Mantener la produccin normal de 550 unid.1mes en todos los meses, trabajar tiempo extra (al mximo) slo en Febrero y Marzo y maquilar todo lo que sea necesario, garantizando que el inventario al final de cada mes nunca sea inferior a 100 unidades. El inventario planeado para el final de Diciembre de 2002 es de 100 unidades tambin.
Resp.: Sin considerar el costo de las unidades producidas en tiempo normal: Costo de mantener: $4,050; costo de tiempo extra: $3,000; costo de maquila: $9,000; costo total: $16,050.
2.7 La empresa BAJO, S.A. ha elaborado los siguientes pronsticos para los 4 primeros meses de 2003: MESES DEMANDA ENERO 4,000 FEBRERO 4,900 MARZO 5,800 ABRIL 4,500
La capacidad normal de produccin de la planta es de 4,500 unid./mes y con tiempo extra puede llegar a un mximo de 5,400 unid./mes. Las unidades producidas con tiempo extra cuestan $50 ms por unidad. Existe la posibilidad de maquilar parte de la produccin en la empresa ALPHA, S.A.. Los productos maquilados cuestan $70 ms por unidad, sern entregados los das lo de cada mes y sern pagados de contado. El costo de mantener inventarios es de $O/unid.ao. El inventario al final de Diciembre de 2002 ser de 100 unidades. BAJO, S.A. est tratando de optimizar la produccin y, entre otros, desea determinar el costo adicional de tiempo extra, maquila e inventarios del siguiente programa de produccin: PROGRAMA: Trabajar tiempo extra al mlucimo slo en Marzo y producir con tiempo extraylo maquila todo lo necesario para satisfacer la demanda y cumplir con los siguientes inventarios mnimos (mantener la produccin normal en 4,500 unid./mes): ENERO FEBRERO MESES INVENTARIO 250 300 MARZO 400 ABRIL 200
A
Resp.: Sin considerar el costo de las unidades producidas en tiempo normal: Costo de mantener: $9,000; costo de tiempo extra: $50,000; costo de maquila: $35,000; costo total: $94,000.
Captulo 111: Estudio del Trabajo
ESTUDIO DEL TRABAJO
3.1 &MERO PTIMO DE MQUINAS QUE DEBE OPERAR UN OBRERO 3.1.1 Introduccin 3.1.2 Relacin sncrona 3.1.3 Relacin asncrona con obrero inactivo 3.1.4 Relacin asncrona con mquina inactiva 3.1.5 Observaciones finales 3.1.6 Celdas de manufactura 3.2 CURVA DE APRENDIZkTE 3.2.1 Introduccin 3.2.2 Determinacin de la curva de aprendizaje: mtodo clsico 3.2.3 Determinacin de la curva de aprendizaje: mtodo de m'nimos cuadrados 3.2.4 Observaciones finales
3.3 DETERMINACIN DEL NMERO DE CICLOS A CRONOMETRAR 3 -3.1 Introduccin 3.3.2 Frmula para la determinacin del nmero de ciclos 3.4 MUESTRE0 DEL TRABAJO 3.4.1 Introduccin 3.4.2 Ejemplo de muestreo del trabajo 3.4.3 Procedimiento bsico para la realizacin de un muestreo 3.4.4 Frmula para la determinacin del nmero de observaciones del muestreo
86
Captulo IiI: Estudio del Trabajo
3.1.1 Introduccin
En varias situaciones un obrero puede operar varias mquinas que sean automticas o semi-automticas. Por ejemplo, en una industria ptica un solo obrero puede operar varias de las mquinas que realizan el proceso de corte de los cristales antes del ensamble final en el marco. En este inciso se estudiar la determinacin del nmero ptimo de mquinas idnticas que el obrero debe operar en determinadas circunstancias. En algunos casos la solucin es obvia, trivial, o est determinada por ciertos factores como por ejemplo las polticas internas de la empresa y10 sindicato. En otros casos, existen muchas posibilidades de asignacin de la(s) mquina(s) a lo(s) obrero(s), por lo que debemos decidir cul es el numero "ptimo" de mquinas que el obrero debe operar. Para realizar esto, consideraremos que el nmero ptimo de mquinas ser aqul que permita la fabricacin del producto a costos mnimos, los cuales incluirn la mano de obra directa y los costos directos de la maquinaria.
3.1.2 Relacin sncrona
Consideraremos inicialmente el caso de la Figura 3.1 en la cual llamamos "p" a todos los elementos que el obrero slo puede hacer con la mquina parada (por ejemplo, cargar y descargar); llamamos "f" a todos aquellos elementos que el obrero puede realizar con la mquina funcionando (por ejemplo, caminar de una mquina a otra, inspeccionar la pieza ya procesada, etc.); y finalmente llamamos "m" al tiempo condicionado por la mquina, o el tiempo durante el cual la mquina trabaja automticamente sin la intervencin del obrero.
FIGURA 3.1 Relacin sncrona
f1 HOMBRE
f2
MAQ. 1
.. .-
MAQ. 2
<.............................................................................................................................................................. >
ciclo Clave: Mquina siendo atendida Obrero trabajando o mquina funcionando automticamente
En la Figura 3.1 puede observarse que el obrero trabaja de acuerdo a la siguiente secuencia: realiza "p" en la mquina 1 (pl), lo que conduce a que la mquina 1 arranque
87
y trabaje automticamente durante "ml"; realiza "f" en la mquina 1 (fl), lo que incluye, entre otras actividades, caminar de la mquina 1 a la mquina 2, por lo que el final de "fl" debe coincidir con el inicio de la realizacin de "p" en la mquina 2 (p2); despus de "p2" la mquina 2 arranca y funciona durante "m2", mientras el obrero realiza "f2", y terminando ste, ya estar al lado de la mquina 1 para empezar todo otra vez (obsrvese que estamos considerando 2 mquinas nicamente como un ejemplo). En el punto que todo volvera a empezar, interrumpimos la grfica y el tiempo transcurrido desde cero hasta el final de la grfica corresponde a un ciclo (c), como tambin se indica en la Figura 3.1. Puede observarse tambin en la Figura 3.1 que ni el obrero ni la mquina tienen tiempo de inactividad. Esto se debe al hecho de que cuando el obrero termina "f2" esto coincide exactamente con el final de "ml", y cuando termina "fl" esto coincide exactamente con el final de "m2". Cuando esto ocurre, la relacin hombre-mquina se llama "sncrona" y esto implica, como se acaba de mencionar, que ni el hombre ni la mquina presentan tiempo de inactividad. Es fcil ver en la Figura 3.1 que el ciclo "c" est dado por: donde: N = nmero de mquinas (en este caso N=2). Tambin podemos escribir:
lo que indica que el cociente (p+m)/(p+f) nos dar el nmero de mquinas que el obrero deber operar para que la relacin sea sncrona. Obviamente, si este cociente resulta fraccionario, la relacin jams podr ser sncrona. Si "N" resulta un nmero entero, la relacin sncrona existe, sin embargo podr ser asncrona con valores de "N" mayores o menores que el obtenido por el cociente (p+m)/(p+f). Si la relacin es sncrona, el nmero ptimo de mquinas ser siempre N,= (p+m)/(p+f), a no ser que la solucin del problema est afectada por otros factores adems de los costos de mano de obra y maquinaria. Por ejemplo, "N," puede ser 2 y hay 5 mquinas en la planta, lo que nos obliga a asignar 2 a un obrero y 3 a otro, 2 a un primer obrero, 2 a un segundo obrero y 1 a un tercer obrero.
3.1.3 Relacin asncrona con obrero inactivo

Analicemos ahora e1,casode la Figura 3.2. En ella puede observarse que cuando el obrero concluye "f2" la mquina 1 todava est funcionando, lo que le obliga a esperar un tiempo de inactividad "TI". El ciclo sigue siendo c=(p+m), sin embargo este valor ya no es igual a 2(p+f), jsino que es mayor! En otras palabras, si dividimos @+m) entre (p+f) encontraremos un valor entre 2 y 3 (en nuestro ejemplo, claro est). Cuando ocurre un caso como ste, el entero inmediatamente inferior a la "N" calculada (2 en nuestro ejemplo) se llama "N? ("N'' inferior) y el nmero inmediatamente superior (3 en nuestro ejemplo) se llama "NS)' (('N"
88
superior). Es fcil concluir que, siempre que asignamos "N:' mquinas al obrero, ste estar inactivo (como en la Figura 3.2) y siempre que le asignamos "N,", sern las mquinas las que estarn inactivas (lo que ser analizado en el siguiente inciso y en la Figura 3.3).
FIGURA 3.2 Relacin asincrona con obrero inactivo

f1 f2
TI
....
MAQ. 1
MAQ. 2
ciclo Clave: Mquina siendo atendida Obrero trabajando o mquina funcionando automticamente Obrero inactivo
Ahora bien, en condiciones como las de la Figura 3.2, cunto cuesta fabricar el pesos por hora y que la mquina nos producto? Supongamos que el obrero gana "G' cuesta "&," pesos por hora, est inactiva, siendo atendida o funcionando (es obvio que esto es una aproximacin, ya que el costo de la mquina funcionando tendra que ser superior debido al desgaste, consumo de energa elctrica y lubricantes, etc.). Tenemos entonces:
- Costo de mano de obra por ciclo por mquina: (&)(p+m)/2
- Costo de mano de obra por ciclo: (&)@+m)
- Costo de mquina por ciclo por mquina &)@+m)

Ci = (K,,)(p+m)/Ni
= (&)(p+m)/Ni
Por lo tanto, el costo total por ciclo por mquina para " N : ' mquinas sera
+ (Km)(p+m)
1Ci = @+m)(K,JNi+ Km) = (c)(KdNi + Km)
~bservmos que este costo es por ciclo por mquina. Si de cada mquina en un ciclo sale una sola pieza, este costo tambin ser por pieza; si de cada mquina en un ciclo salen "x" piezas, habr que dividirse "C? entre "x" para obtener el costo por pieza. Para poder determinar el nmero ptimo de mquinas, este costo "Ci" deber entonces ser comparado con el costo correspondiente a la alternativa con %" mquinas, que en nuestro ejemplo.sern 3 (vase el inciso 3.1.4 a continuacin).
Captulo 1 1 1 : Estudio del Trabajo
3.1.4 Relacin asncrona con mquina inactiva

Si en el ejemplo de la Figura 3.2 asignamos al obrero 3 mquinas en vez de 2, la relacin hombre-mquina cambiara a la situacin de la Figura 3.3.
FIGURA 3.3 Relacin asncrona con mquina inactiva

HOMBRE
MAQ. 1
MAQ. 2 m3 MAQ. 3
TI
m3
ciclo
Clave:
Mquina siendo atendida Obrero trabajando o mquina funcionando automticamente
1-
Mquina inactiva
En el caso de la Figura 3.3, el ciclo "c" es igual a (3)(p+f) = (N,)(p+f), lo que es superior a @+m), i n d i k d o otra vez que el cociente (p+m)/(p+f) tiene que estar entre 2 y 3. En estas condiciones tenemos:
- Costo de mano de obra por ciclo: (&)(3)(p+f) = (&)(N,)(p+f) - Costo de mano de obra por ciclo por mquina: &)(p+f)
- Costo de mquina por ciclo por mquina: (Km)(3)(p+f)= (Km)(Ns)(p+f)

Por lo tanto, el costo total por ciclo por mquina para ''N? mquinas ser:
Una vez calculados 'C? y "C,", el siguiente paso ser su comparacin: si Ci<C,, desde el punto de vista de costos la solucin ptima ser ''N? mquinas; si Ci>Cs, la solucin ptima ser "N," mquinas. El lector deber notar tambin que los costos "C? y "C,", as como el costo por ciclo por mquina para cualquier valor de " N , pueden ser resumidos por la siguiente frmula:
CN= (CICLO)(KJN + Km) donde el ciclo ser siempre @+m) para N I Ni y (N)(p+f) para N 2 N,.
Un obrero opera varias mquinas en las siguientes condiciones:
- Cargar la mquina: 0.50 min. - Inspeccionar la pieza terminada: 0.80 min.

- Salario del obrero: $lohora
- Descargar la mquina: 0.30 min.
- Caminar hacia la siguiente mquina: 0.10 min.
- Funcionamiento automtico de la mquina: 7.00 min.
- Costo de la mquina: $20hora
- Se cargan y descargan 2 piezas a la vez en las mquinas

Determinar el nmero ptimo de mquinas que debe operar el obrero.
Solucin:
El valor de "p" incluye cargar y descargar, siendo por lo tanto igual a 0.80 min.; a su vez, " f 'incluye inspeccionar la pieza terminada y caminar, siendo 0.90 min.. El valor de "N" ser entonces:
N=
0.80 + 7.00 = 4.6 mquinas 0.80 + 0.90
Esto conduce a que: Ni = 4 mquinas. N, = 5 mquinas. Los costos correspondientes son (la divisin entre 60 es slo para convertir minutos a horas): Ci = (p+m)(&/Ni + Km) = (7.80)($1O 1 4 + $20)/60 = $2.925O/ciclo.mq. C, = (p+f)(K, + N,.&) = (1.70)($10 + ($20)(5))/60 = $3.1 167/ciclo.mq. Por lo tanto, es ms econmico asignar 4 mquinas al obrero y el costo por pieza mnimo seria: Costolpieza = $2.925012 = $1.4625/pieza. Llegaramos a estos mismos valores utilizando la frmula general, es decir:
91
Para cualquier otro valor de "N", por ejemplo N=l y N=6, tendramos (recurdese que para cualquier N I Ni, el ciclo es @+m) y para cualquier N 2 N, el ciclo es (N)(p+f)): Ci = (c)(Wl + Km) = (p+m)(Kdl + Km)= (7.80)($1011 + $20)/60 = $3.90/ciclo.mq.
3.1.5 Observaciones finales

Cuando el costo horario de la mquina parada (Kml)sea diferente del costo horario de la mquina funcionando (K&), las frmulas anteriores de "C? y "C," ya no sern vlidas. En estos casos, tendramos: a) Para el caso de 'N? mquinas:
- Costo de mano de obra por ciclo por mquina: (&)(p+m)/Ni - Costo de mquina por ciclo por mquina: (K,i)(p) + @&)(m)
b) Para el caso de " N , " mquinas:
- Costo de mano de obra por ciclo por mquina: &)(p+f)

- Costo.de mquina por ciclo por mquina:
(Kmi)(P+TI)+ (Kmz)(m) = (Kmi)(Ns(p+f)- m) + &)(m)
De la misma manera estas ltimas frmulas podran ser generalizadas para aquellos casos en que el salario del obrero inactivo sea "&1" y el salario del obrero trabajando sea "&2". Sin embargo, es muy poco probable que esto ocurra.
3.1.6 Celdas de Manufactura

Debido al sistema justo-a-tiempo, una gran cantidad de empresas est adoptando la distribucin de planta celular. sta puede definirse como "un grupo de mquinas, ubicadas en un lugar especfico, con un arreglo normalmente en forma de 'U', autosuficiente, en el cual puede fabricarse una familia de productos". En las celdas hay tipos diferentes de mquinas y pueden trabajar uno o ms obreros. Cada obrero se ocupa de una o ms mquinas. Un problema frecuente que tenemos que resolver es cuntos obreros deben operar la celda y qu mquinas debe operar cada uno de ellos. Como las mquinas son diferentes, los modelos descritos arriba no son aplicables, por lo que sugerimos que se
92
Captulo III: Estudio del Trabajo
utilice el diagrama hombre-mquina como herramienta de anlisis y, por ensayo y error, se determine la mejor solucin.
3.2 CURVA DE APRENDIZAJE 3.2.1 Introduccin
En este inciso estudiaremos los efectos del proceso de aprendizaje en los niveles de productividad. En otras palabras, estudiaremos cmo la productividad se incrementa o, lo que es lo mismo, cmo el tiempo o las horas-hombre de realizacin de las actividades se reducen, a la medida que los trabajadores adquieren una mayor prctica. La curva que describe el proceso de aprendizaje (creciente si se trata de productividad o decreciente si se trata de tiempo u horas-hombre de realizacin) puede ser cualquiera, sin embargo siempre presentar una caracterstica principal: hay cambios muy rpidos al principio y muy lentos despus de determinado volumen de trabajo o, lo que es lo mismo, la curva siempre tiende a estabilizarse. Normalmente, la curva que ms se utiliza para describir los procesos de aprendizaje es la curva potencial, cuya ecuacin es:
, ,
donde "a" y "b"son constantes. Esto no quiere decir, sin embargo, que no pudiera utilizarse otro tipo de curva. Al contrario, si el investigador encuentra que otro tipo de lnea se ajusta mejor al proceso de aprendizaje que est estudiando, pues sta deber ser la lnea utilizada. En el anlisis de cualquier proceso de aprendizaje, la variable independiente "X" siempre reflejar el volumen de trabajo (por ejemplo: piezas, das de trabajo, etc.) y la variable "Y" medir la productividad o el tiempolhoras-hombre de la actividad. Si "Y" mide productividad, la curva ser creciente y por lo tanto la constante "b"ser positiva; si "Y" mide el tiempohoras-hombre de realizacin de la actividad, entonces la curva ser decreciente, por lo que la constante "b" ser negativa (vanse las Figuras 3.4(a) y 3.4(b)). Se descarta el uso de la curva potencial cuando b>l, ya que su forma no corresponde a los procesos de aprendizaje (vase la Figura 3.4(c)).
FIGURA 3.4 Distintos tipos de curvas potenciales
Los principales usos de la curva de aprendizaje son los siguientes: a) Establece matemticamente cul es el patrn de aprendizaje de los distintos tipos de trabajos, lo que nos permite determinar si las personas que estn siendo entrenadas en un trabajo son de lento o rpido aprendizaje. Esto a su vez, nos permite identificar si las personas estn bien o mal ubicadas respecto al tipo de trabajo que estn realizando. b) Pronostica el nivel de productividad o tiempohoras-hombre de realizacin de las actividades para cualquier volumen de trabajo, lo que nos permite pronosticar costos, plazos de entrega, volmenes de produccin, etc.. c) Nos permite identificar cundo el proceso de aprendizaje est "terminando", lo que es muy importante principalmente para efectos de normacin e incentivos. (Decimos "terminando" entre comillas, porque, por lo menos tericamente, el proceso de aprendizaje jams termina totalmente.) La ecuacin de la curva de aprendizaje puede determinarse de distintas maneras, entre las cuales est, obviamente, el mtodo de mnimos cuadrados. Otro mtodo es aqul que se basa en el hecho de que, en gran parte de los procesos de aprendizaje, siempre que el volumen de trabajo se duplica, la productividad media acumulada (o el tiempohorashombre de realizacin medios acumulados) se incrementa (o se reduce) de un porcentaje fijo (sta es tambin una propiedad de la curva potencial). Para ponerle un nombre, llamemos a ste "mtodo clsico" el cual se estudiar a continuacin.
3.2.2 Determinacin de la curva de aprendizaje: mtodo clsico

Tomemos como ejemplo el tiempo de realizacin por pieza (t,) en funcin del nmero de piezas (n). En otras palabras, estamos considerando que el tiempo de procesamiento de la pieza "n" ser "t,,". As mismo, consideraremos que despus de "n" piezas el trabajador habr logrado un tiempo medio acumulado por pieza que llamaremos "M," . Grficamente tenemos la Figura 3.5. Hay dos razones para que ajustemos la curva potencial a los promedios acumulados "M," en vez de ajustarla a los tiempos individuales "t,": a) La curva correspondiente a "M,," es ms suave, ya que el simple hecho de calcular promedios suaviza las posibles irregularidades de la variable "t,,". b) La experiencia indica que los pronsticos obtenidos mediante curvas que se ajustan a los valores de "M," son generalmente superiores a los que se obtendran mediante curvas que se ajustaran a los valores de "t,,". Ahora bien, decir que cada vez que "n" se duplica, "M," se reduce de un porcentaje fijo, es equivalente a decir que cada vez que "n" se duplica, "M,," se multiplica por una constante menor que uno (por ejemplo, 0.90). Esta constante se llama "porcentaje de aprendizaje" y nos referimos a ella a travs de la letra "p". Matemticamente podemos escribir:
94
FIGURA 3.5 Tiempo de realizacin y media acumulada en funcin del nmero de piezas
O, lo que es lo mismo:
Generalizando tenemos: M,, =t l .p X
Y haciendo 2" = n, tenemos:

2'
= n;
x = log, n
Por lo tanto: Mn= t 1.plog2 Haciendo ahora p10g2n=nk y tomando los logaritmos base 2 de ambos miembros, tenemos: log, n . log, p = k . log, n
k = log p
lag -log,, 2 log 2
(omitiendo la base 10)
Sustituyendo, tenemos:
que es la ecuacin de la curva potencial de aprendizaje, la cual nos proporciona el valor de la media acumulada "M," para cualquier valor de "n". Obsrvese que para determinarla es s ciente conocer el primer tiempo logrado por el obrero (ti) y calcularle SU porcentaje de aprendizaje "p".
95
En la mayora de los casos, sin embargo, se necesita conocer tambin el valor de

''t? para cualquier valor de "n". Como puede verse en la Figura 3.5, el tiempo de
realizacin de la pieza "n" siempre ser menor que la media acumulada despus de "n" veces. Cmo podemos calcular "tt,"en funcin de "n"? El tiempo total para realizar la operacin "n" veces (Tn),puede calcularse as: Anlogamente, el tiempo total para realizar la operacin (n-1) veces, estar dado por: El tiempo "t,," de la vez "n" ser:
Adems: Mn=tl . nk Mn-1= ti . (n-1) k
Sustituyendo tenemos:
Si "n" es grande, podemos despreciar los trminos que contienen (lln) con exponentes mayores o iguales a 2, por lo que como aproximacin podemos escribir:
Como en los problemas de aprendizaje el valor de "k" generalmente es pequeo, cuando "n" sea grande el trmino (Mn) puede despreciarse, por lo que tenemos:
que es la frmula final aproximada para el clculo directo de "t," a partir de "M," , cuya precisin estar determinada por el valor de "n": si "n" es grande la precisin es grande, si "n" es pequea, la precisin es pequea. Hagamos ahora la pregunta: si 'Y," puede calcularse exactamente mediante la frmula:
qu necesidad hay de utilizarse la frmula aproximada
La respuesta es que cuando tenemos un valor dado de 'Y,", resulta imposible despejar "n" de la frmula exacta, mientras que no hay ningn problema en el despeje de "n" de la frmula aproximada. Por lo tanto, slo en aquellos casos que necesitemos determinar "n" para un "t," determinado, utilizaremos la frmula aproximada. Debe observarse, sin embargo, que "n" puede determinarse a partir de la frmula exacta a travs de iteraciones sucesivas, lo que en la actualidad, con las hojas electrnicas de clculo, puede ser muy rpido.
3.2.3 Determinacin de la curva de aprendizaje: mtodo de mnimos cuadrados
Como dijimos anteriormente, la ecuacin de la curva de aprendizaje tambin puede determinarse mediante el mtodo de mnimos cuadrados. Para su aplicacin, recordemos que la curva es de la forma:
y que las frmulas de mnimos cuadrados para el clculo de "a" y "b" son, respectivamente: a = antilog x(10gn)~ . x l o g ~ -, ~ l o g n . ~ ( l o g n . l o g ~ , )
N.
(log nl2 -
log n)2
donde "N" es el nmero de pares de datos disponibles para el ajuste de la curva. Hoy en da hay muchas calculadoras y paquetes computacionales que ajustan directamente la curva potencial a partir de los valores de "M," y "n". Ms adelante daremos un ejemplo de aplicacin del paquete computacional TSP. Observemos que en la ecuacin de mnimos cuadrados no aparece el valor del primer tiempo '%" como en el caso del modelo clsico. Esto es, obviamente, otra ventaja para el mtodo de mnimos cuadrados, ya que la utilizacin del primer dato como constante de la ecuacin puede distorsionarla y hacer que la curva obtenida no represente con precisin todo el proceso de aprendizaje. En otras palabras, el mtodo clsico utiliza
97
para "a" el valor de "tl", mientras que el mtodo de mnimos cuadrados utiliza el mejor valor de "a". Tambin veremos un ejemplo de esto ms adelante. La nica ventaja del mtodo clsico es que puede resultar ms cmodo y rpido para una persona que no disponga de una calculadora y10 medios computacionales.
Supongamos que un obrero est siendo entrenado en un nuevo trabajo y que sus primeros 10 tiempos fueron los siguientes (datos hipotticos en centsimas de minuto):
Determinar mediante el mtodo clsico: a) El porcentaje de aprendizaje. b) La ecuacin de la curva potencial de aprendizaje. c) El tiempo total transcurrido para que el obrero pueda realizar el trabajo las primeras 40 veces. d) El tiempo logrado por el obrero en la vez nmero 40. e) Cuntas veces el obrero tendr que realizar la operacin para que su tiempo de realizacin llegue a un valor igual a 20? Determinar mediante mnimos cuadrados: a) La ecuacin de la curva. b) El porcentaje de aprendizaje. c) El tiempo logrado por el obrero en la vez nmero 40.
Solucin:
Determinamos inicialmente los valores de "M," :
M, =46.50; M, =45.20; M, =43.50; M, = 41.86; M, = 40.38; M, =39.22; M,, =38.10. Enseguida determinemos todos los valores de "p" que podamos:
A partir de aqu podemos empezar a contestar las preguntas. Empecemos con el mtodo clsico: a) La mejor estimacin de "p" ser la media de los valores calculados, o sea:
Esto quiere decir que, cada vez que "n" se duplica, el nuevo promedio acumulado "M$ es en promedio un 91.32% del anterior. b) Para determinar la ecuacin de la curva hacemos: log p - log 0.9132 = -0.1310 k=-log2 0.3010
c) El tiempo total transcurrido hasta la vez nmero 40 ser:
T, =n.M, = n . t l .n k = t l .n k+l
(-0.1310+1) = (50) T 4 0 = (50) (40) T4, = 1,233.56 min.x = 12.34 min.
d) El tiempo de la vez 40 ser:

40
= T40 - T39
T3, = (50). 390.8690 = 1,206.72 rnin. x 10 -2 t4, = 1,233.56 -1,206.72 = 26.84 rnin. x t,, = 26.84 min. x En forma aproximada tenemos: t40 (1+ k) t4, = (50) (40)-0.'310 (1- 0.1310) = (43.45) (40)-0.1310 t,, = 26.80 min.x lom2 e) Sabemos que: Esto debe ser igual a 20, es decir: 20 = (50).n0.8690 - (5O)(n-1) 0.8690 Obsrvese que no se puede despejar "n", siendo solamente posible obtener su valor por iteraciones sucesivas. Usemos entonces la frmula aproximada: tn = Mn (1+k) t = t i . nk (l+k) = 50 n-0.1310 (0.8690) Por lo tanto:
20 = 50 n-0.1310 (0.8690) Despejando "n" tenemos: n = 373 veces. Veamos ahora el mtodo de mnimos cuadrados. Tenemos:
CUADRO 3.1 Clculos de mnimos cuadrados para el ejemplo numrico 3.2
n 1 2 3 4 5 6 7 8 9 1O
M" 50.00 49.00 47.00 46.50 45.20 43.50 41.86 40.38 39.22 38.10
log n 0.0000 0.3010 0.4771 0.6021 0.6990 0.7782 0.845 1 0.9031 0.9542 1.O000 6.5598
lag M n 1.6990 1.6902 1.6721 1.6675 1.6551 1.6385 1.6218 1.6062 1.5935 1 S809 16.4248
(log n) 0.0000 0.0906 0.2276 0.3625 0.4886 0.6056 0.7142 0.8156 0.9 105 1.O000 5.2152
(1% n) (1% Mn) 0.0000 0.5088 0.7978 1 .O040 1.1569 1.2751 1.3706 1.4506 1.5205 1.5809 10.6652
a = antilog
(5.2152)(16.4248) - (6.5598)(10.6652) = 52.60 (10)(5.2152)- ( 6 . 5 5 9 ~ ) ~
Podemos ahora contestar las preguntas:
a) La ecuacin de la curva potencial de aprendizaje sera

M, = 52.60 n-0.1197 b) El porcentaje de aprendizaje sera
k = log pllog 2; log p = k . log 2 = (-0.1 197)(0.3010) p = 0.9204 = 92.04%

c) El tiempo logrado en la vez nmero 40 ser:
Supongamos que un obrero est siendo entrenado en un nuevo trabajo y que en la primera semana de trabajo produjo lo siguiente (datos hipotticos):
1 O0
DIAS PROD ./DA
LUN 100
MAR 150
MIE 190
JUE 210
VIE 220
SAB 225
Utilizando el mtodo clsico, determinar: a) La ecuacin de la curva potencial de aprendizaje. b) En cul da lograr el obrero producir 300 unidades. Solucin: . a) Asumiendo que el volumen de produccin diario medio acumulado se incrementa en un porcentaje fijo cada vez que el nmero de das se duplica, podemos determinar la ecuacin de la curva potencial de la siguiente manera:
k=
log 1.265 = 0.3392 log 2
donde: Mn= produccin diaria media acumulada al da "n". n = nmero de da. b) Para contestar esta pregunta conviene hacer un cambio en las letras. Utilicemos (volumen de produccin diario medio acumulado al da "n") en vez de "M," ; anlogamente, para el volumen de produccin del da "n" utilizaremos "V,,". Tenemos entonces:
"7"
Si queremos el valor de "n" para Vn= 300 uiiidades diarias, tenemos: 300 = 100 n = 10.8 das. (1.3392)
No debemos confiar mucho en esta solucin porque para una "n" pequea (n=l 1), la frmula aproximada tiene poca precisin. Utilicemos la frmula exacta y obtengamos "n" por iteraciones sucesivas. Llamemos "VA," el volumen de produccin total acumulado al da "n". Tenemos entonces:
Como queremos que V,=300 unidades, tenemos: 300 = (lOO)[n1.3392 - (n-l) l.'392] n = 11.3 das Como puede verse, en este caso la diferencia entre las dos respuestas no es muy significativa, sin embargo debe resaltarse que el valor n=11.3 das es ms preciso que el valor n=10.8 das.
Una empresa mexicana de cosmticos acaba de implantar un sistema de llenado para su nuevo tipo de crema dental. Los 2 trabajadores responsables del funcionamiento del sistema (un operador y un ajustador) han logrado producir las siguientes cantidades en las primeras 12 semanas (datos reales):
SEMANA PRODUCCION (cajas) SEMANA I'RODUCCION (cajas)
1 1,642 7 1,941 .
2 2,080 8 2,418
3 2,152 9 2,453
4 2,430 1O 2,391
5 2,431 11 2,523
6 2,204 12 2,504
Determinar, graficar y comparar las curvas potenciales de aprendizaje del mtodo clsico y de mnimos cuadrados para este proceso de aprendizaje.
Solucin:
a) Mtodo clsico:
lag P - 1% 1.079 = 0.1097 k=-log 2 log2
Por lo tanto, la ecuacin de la curva sera
M,
= 1,642
n0.1097
Los datos originales de produccin, la produccin media semanal acumulada y la curva potencial determinada, se encuentran graficados en la Figura 3.6 a continuacin. En sta puede observarse por un lado que el proceso de aprendizaje de los trabajadores
102
definitivamente tiene la forma.de la curva potencial, y por otro lado que el ajuste de la curva del mtodo clsico deja mucho que desear, ya que en todo momento se sita por debajo de los puntos correspondientes a las producciones medias semanales acumuladas.
FIGURA 3.6 Proceso de aprendizaje del llenado de tubos de cremas dentales: mtodo clsico
En este caso, el resultado insatisfactorio del mtodo clsico se debe a la ubicacin muy abajo (respecto a los dems puntos) del primer punto de la grfica, es decir, el 1,642, el cual se utiliza como constante "a". Lo opuesto hubiera ocurrido (y esto sera igualmente insatisfactorio) si este punto estuviera demasiado arriba respecto a los dems. Por otro lado, por las caractersticas especficas de la curva de este proceso de aprendizaje, se est subestimando el valor de "p", lo que agrava todava ms el problema del ajuste insatisfactorio. Veamos el ajuste de la curva .de mnimos cuadrados.
b) Mnimos cuadrados
La aplicacin de las frmulas de mnimos cuadrados conduce a los siguientes valores de y "b":
Ga"
Siendo por 10 tanto la ecuacin de la curva la siguiente:
M,
= 1,702
n0.1200
103
Los datos originales, las producciones medias semanales acumuladas y la curva potencial de mnimos cuadrados se encuentran graficados en la Figura 3.7. En sta puede observarse claramente la superioridad del mtodo de mnimos cuadrados, ya que la curva potencial en ningn momento tiende a sobre estimar o a subestimar los valores de " M ,: sino que pasa por entre los puntos como debe ser. FIGURA 3.7 Proceso de aprendizaje del llenado de tubos de cremas dentales: mtodo de mnimos cuadrados
Una fabricante de jugos de la Repblica Mexicana ha logrado fabricar las siguientes cantidades mensuales de un nuevo producto lanzado en el mercado en 1989 (datos reales):
MAR ABR MAY JUN FEB MESES ENE JUL PRODUCCIN 100,900 105,300 144,500 151,000 181,300 188,100 189,560 (cajas) PRODUCCIN 100,900 103,lO 0 116,167 117,792 136,600 145,183 151,523 (media)
La direccin general de esta empresa desea saber en qu mes el volumen de produccin llegar a 200,000 cajas. Resolver este problema utilizando el mtodo de mnimos cuadrados.
Solucin:
Aplicando las frmulas de m'nimos cuadrados llegamos a los siguientes resultados:
Las producciones originales, las producciones medias mensuales acumuladas y esta curva potencial se encuentran graficadas en la Figura 3.8. Veamos, adems, cundo el volumen mensual de produccin "V,," llegar al valor de 200,000. Tenemos (usando la frmula aproximada):
de donde se saca que: n = 12.35 meses.
FIGURA 3.8 Proceso de aprendizaje del envasado de jugos
Utilicemos tambin este ejemplo para mostrar cmo la ecuacin de la curva potencial puede ser determinada con una calculadora o con un paquete computacional. En este caso utilizaremos el paquete estadstico TSP. Partiendo de la ecuacin y=a.nb, podemos escribir: logY = log a + b.log n Por lo tanto, cambiando "Y" a "logY" y "n" a "log n" y ajustando una recta a estas dos ltimas variables, obtendremos que la interseccin en el origen ser "log a" y la pendiente ser "b".La corrida del TSP se encuentra en la Figura 3.9 y en ella podemos ver que:
* La variable dependiente es log Y = logaritmo natural de las producciones medias

mensuales acumuladas (en la corrida "LCAJAS").
105
* La variable independiente es log n = logaritmo natural del nmero de mes (en la corrida * log a = 11.451599 (el paquete TSP la llama constante "C").
* b = 0.2208356 (coeficiente de "LMESES').
Por lo tanto, tenemos: "LMESES').
como haba sido determinado anteriormente.
3.2.4 Observaciones finales

En este inciso estudiamos 2 mtodos para la determinacin de la ecuacin de la curva de aprendizaje: el mtodo clsico y el mtodo de mnimos cuadrados. El primero se basa en las caractersticas de la curva potencial y no determina la constante "a" de la ecuacin, sino que la hace igual al primer dato. Como comentamos anteriormente, esto tiene serias desventajas porque puede provocar que la curva sobre estime los datos reales cuando el primer dato es relativamente grande, o que la curva subestime los datos reales cuando el primer datos es relativamente pequeo. El mtodo de mnimos cuadrados calcula la mejor constante "a", siendo por lo tanto un mtodo mucho ms confiable y recomendable. Una vez determinada la ecuacin de mnimos cuadrados, toda la teora del mtodo clsico , "tt,", "T,", etc., expuesta en este inciso, es aplicable. para el clculo de "M,"
FIGURA 3.9 Corrida de TSP para el problema del envasado de jugos

...................................................... ...................................................... obs MESES CAJAS LMESES ...................................................... ...................................................... 1989.01 1.000000 100900. O O. O00000 1989.02 2.000000 103100.O 0.693147 116167.O 1.098612 1989.03 3.000000 1989.04 4.000000 117792.0 1.386294 136600.O 1.609438 1989.05 5.000000 1.791759 1989.06 6.000000 145183.O 1989.07 7.000000 151523. O 1.945910 ...................................................... ...................................................... LS / / Dependent Variable is LCAJAS SMPL 1989.01 - 1989.07 7 Observations LCAJAS
11.52188 11.54346 11.66278 11.67668 11.82481 11.88575 11.92849
....................................................................
C LMESES
VARIABLE
COEFFICIENT
STD. ERROR
T-STAT.
2-TAIL SIG.
11.451599 O .2208356 0.871322 0.845586 0.063665 1.525470
O. 0521108 O. 0379532
219.75479 5.8186367
O. O00
0.002 11.72055 0.162015 0.020266 33.85653
106
3.3 DETERMINACIN DEL NMERO DE CICLOS A CRONOMETRAR 3.3.1 Introduccin

Cuando se realiza un cronometraje, no solamente se cronometran los elementos de la operacin, sino que tambin se valora el ritmo de trabajo del obrero para cada uno de ellos. Posteriormente, se multiplican los tiempos cronometrados por las valoraciones para la obtencin de los tiempos normales. Vemos, por lo tanto, que tenemos 3 conjuntos de datos: (a) los tiempos cronometrados, (b) las valoraciones y (c) los tiempos normales. El objetivo final no es obtener un tiempo cronometrado medio, ni una valoracin media, sino un tiempo normal medio, y deseamos siempre saber qu error estamos cometiendo en este ltimo, es decir, en el tiempo normal medio. Las tcnicas estadsticas siempre se basan en las caractersticas de las muestras para estimar el error que se est cometiendo. As, con base en la media y la desviacin estndar de los tiempos cronometrados podemos estimar qu tan lejos de la media real (poblacional) est la media calculada, o en otras palabras, qu error contiene la media calculada respecto a la media poblacional. Como regla general, cuanto mayor es la variabilidad de los tiempos, mayor ser el error que se cometer. O a la inversa, si no queremos cometer un error mayor que un determinado valor, la muestra tendr que ser mayor si la variabilidad es grande. Si el obrero cambia su ritmo, los tiempos cronometrados presentarn una variabilidad que de hecho es la suma de la variabilidad del proceso ms la variabilidad introducida por la inconsistencia del obrero. Esta situacin sugiere que primero multipliquemos los tiempos cronometrados por las valoraciones, para eliminar la variabilidad de ritmo del obrero, y despus apliquemos la estadstica para determinar el tamao necesario de muestra o el error cometido para una muestra dada. Si no hacemos esto, el tamao necesario de muestra puede salir innecesariamente grande o, para un tamao de muestra dado, tendremos un error muy elevado. El problema con esta alternativa es que la multiplicacin de los tiempos cronometrados por las valoraciones correspondientes elimina las variaciones debido a los cambios de ritmo del obrero, pero introduce otro tipo de variacin: los errores cometidos por el cronometrista en las valoraciones. Es probable que en la mayora de las situaciones la variabilidad introducida por los errores de valoracin sea mayor que la variabilidad introducida por los cambios de ritmo del obrero, a no ser que ste deliberadamente est intentando sabotear el estudio. Adems, la valoracin, estando a criterio del cronometrista, no es una variable aleatoria, lo que impide la aplicacin de las tcnicas estadsticas convencionales. Por todas estas razones, en este captulo nos permitimos sugerir que se aplique la estadstica a ' los tiempos cronometrados, se determine con base en stos el tamao necesario de muestra y el error que se cometer en la media de los tiempos. El error que se cometer en el tiempo normal medio no lo podemos determinar estadsticamente, ya que depender'de la habilidad del cronometrista y, adems, como la valoracin es en gran parte subjetiva, nunca se sabr realmente la magnitud de este error. Nos conformamos con controlar el error que se comete en el cronometraje propiamente dicho. Por ltimo, queremos agregar que los diferentes elementos de una operacin siempre presentan variabilidades diferentes, por lo que el tamao necesario de muestra o el error sern diferentes para cada uno de ellos. Como no tiene sentido cronometrar cada
107
elemento un nmero diferente de veces, el tamao de muestra para todos ellos siempre ser el mismo, por lo que ser inevitable que para cada elemento se cometa un error diferente. Como regla general, el elemento con mayor coeficiente de variacin (desviacin estndar entre media) ser el nico a considerarse para efectos de determinacin del tamao de la muestra. 3.3.2 Frmula para la determinacin del nmero de ciclos Supongamos que la media poblacional (real, correcta) de los tiempos de realizacin de un elemento dado sea "p." y que sacamos un nmero grande de muestras de tamao "N", cada una de ellas con su media "X" y su desviacin estndar "S," . Sabemos de la estadstica que la variable aleatoria
-
Tv =
x-p.
6
S, 1
presenta una distribucin "t" de student, la cual, al igual que la distribucin normal, est tabulada (vase cualquier tabla de la "t" de student). La letra "v" significa grados de libertad (en este caso N-1), y tiene que tomarse en consideracin porque para cada "v" (o "N") diferente obtendremos una distribucin "t" de student diferente. Si la distribucin de "X" (poblacin) es normal, entonces podemos escribir que:
con una probabilidad de (l-a) y obtenindose el valor "tv,d~'de la tabla de la "t" de student. El trmino "tv,d2" quiere decir: el valor de la distribucin 'Y' de student que, para "v" grados de libertad, deja una cola de rea "a12". La expresin anterior puede escribirse as:
1 X - p I<
(t, ,d2).S, 1f i , con una probabilidad de ( l a ) .
La pregunta entonces es la siguiente: cul es el valor de "N" para el cual la diferencia 1 X - p 1 no rebasa un determinado porcentaje "E" de "X"(donde "E" es un porcentaje aceptable de error), con una probabilidad (1-a)? En otras palabras, queremos con una probabilidad (l-a) que:
IX-,ISE.X
Hay entonces que buscar una "N" tal que:
EX= (t,,,d2).S, 1f i
es decir, tal que:
108
Resolver esta ecuacin no es nada sencillo, ya que la variable "N" aparece en los dos trminos. Se debe entonces tomar una muestra de cualquier tamao " N , de preferencia pequeo (por ejemplo, 10); se calcula tV,d2,S, y X , y se determina N' mediante la frmula. Si N' resulta menor, esto quiere decir que la solucin de la ecuacin es una " N menor que el tamao de muestra que hemos sacado y que consecuentemente ste ya es satisfactorio; sin embargo, si N' resulta mayor que la " N tomada, hay que hacer las N'- N observaciones faltantes y volver a empezar. Se parar cuando la N' calculada sea menor que el tamao de la muestra tomada.
Supongamos que hemos cronometrado 10 veces los 2 elementos de una determinada operacin (centsimas de minuto):
Determinar: a) Cuntas veces debemos cronometrar la operacin para que en ningn elemento se cometa un error mayor que 3% de la media, con un nivel de confianza del 95% (a=5%). b) Si no se cronometran ms veces, Qu error se cometer en cada elemento, para el mismo nivel de confianza?
Solucin:
Determinamos inicialmente la media y la desviacin estndar de cada elemento: Elemento 1: Elemento 2:
X,= 40.30; S,,

X2 = 15.10; S,
= 3.40 = 2.42
Observando la frmula para el clculo de N' nos damos cuenta de que el elemento que tenga el mayor cociente S, 1% conducir al mayor valor de N', por lo que ser conveniente determinar dicho cociente para cada elemento (el cual se llama coeficiente de variacin "CV"):
Podemos pasar ahora a contestar las dos preguntas: a) El valor de la distribucin "t" de student que tenemos que buscar en la tabla es el siguiente: tv,al;, =f(~-i),d2 = f9,0.025 = 2.26 Como el elemento 2 presenta una mayor variabilidad (CV2=0.160), ser s determinar N' para l: ciente
Siguiendo el procedimiento descrito en el inciso anterior, tenemos ahora que hacer las 136 observaciones que nos faltan y volver a calcular N'. Si sta sale igual o menor que 146, paramos; si sale mayor que 146, repetimos el procedimiento. Supongamos, por ejemplo, que se hicieron las 146 observaciones y para el elemento 2 los resultados fueron los siguientes:
Tenemos (de acuerdo a la tabla de la "t" de student, t145,0.025= 1.96):
Como 115446, se termina el proceso y ahora si estamos seguros de que hay una probabilidad de por lo menos 95% de que la media calculada no est alejada de la real (correcta) ms que 3% de esa misma media. 0, en otras palabras, hay una probabilidad del 95% de que la media correcta "p" est adentro del intervalo: ( x - 0.03%
x + 0.03x)
b) De la frmula para el clculo de "N"podemos despejar el error y tenemos:
Esto quiere decir que, si no cronometramos ms, hay una probabilidad del 95% de que las medias correctas de los elementos 1 y 2 estn en los siguientes intervalos: Elemento 1: (40.3 - (0.06)(40.3), 40.3 + (0.06)(40.3) (37.88, 42.72) Elemento 2: (15.1 - (0.115)(15.1), 15.1 + (0.115)(15.1) (13.36, 16.84)
3.4 MUESTRE0 DEL TRABAJO 3.4.1 Introduccin
Como sabemos, el muestre0 del trabajo es una de 'las tcnicas de medicin del trabajo. Es una tcnica extremadamente sencilla y al mismo tiempo extremadamente poderosa. Su
110
nica desventaja es que requiere mucho tiempo para que se obtenga una precisin aceptable. En la mayora de los casos, el muestreo del trabajo se utiliza slo para deteminar la "composicin" de la jornada de trabajo de personas o mquinas, es decir, qu porcentaje de la jornada corresponde a cada actividad de las personas o mquinas. Slo en casos especiales el muestreo del trabajo se utiliza para la determinacin de tiempos estndares. El procedimiento bsico del muestreo consta de la realizacin de un nmero grande de observaciones instantneas (peridicas o aleatorias) del elemento de estudio, anotndose en cada una de ellas la actividad que estaba siendo realizada. Los elementos de estudio pueden ser tres:
* La mquina. * El puesto de trabajo.

En el caso de la mquina, en cada observacin se anotar la actividad de la mquina, independientemente de las actividades del operador. Por ejemplo, si la mquina est funcionando automticamente y el obrero est inactivo, en el momento de la observacin se anotar "mquina funcionando". En el caso del puesto de trabajo, en cada observacin se anotar la actividad de la persona en el puesto, independientemente de lo que est pasando a la mquina e independientemente de la persona que en el momento est desempeando las funciones del puesto. Por ejemplo, si la mquina est funcionando automticamente y el obrero est haciendo labores en otro puesto de trabajo, en el momento de la observacin se anotar "nadie en el puesto". Finalmente, en el caso de lapersona, en cada observacin se anotar la actividad de la persona (por ejemplo, Pedro), independientemente de lo que est pasando a la mquina e independientemente del puesto de trabajo donde la persona (Pedro) se est desempeando en el momento de la observacin. Por ejemplo, si la mquina operada por la persona (Pedro) est parada y la persona (Pedro) est fuera de su puesto normal de trabajo haciendo trabajos especiales solicitados por su jefe inmediato (por ejemplo, descargando un camin), en el momento de la observacin se anotar lo que la persona (Pedro) estaba haciendo (en el ejemplo, "descargando un camin"). (Si el muestreo fuera por mquina se hubiera anotado "mquina parada"; si el muestreo fuera por puesto se hubiera anotado "nadie en el puesto".)
* La persona.
3.4.2 Ejemplo de muestreo del trabajo

Para facilitar la comprensin de este captulo, a continuacin damos un ejemplo muy sencillo de muestreo del trabajo, el cual consta del estudio de las actividades del "operador de un departamento de fotocopiado". Supongamos que las principales actividades de este puesto son:
* Cargandoldescargandofotocopiadora.
* Operando fotocopiadora.
* Ajustandollimpiando fotocopiadora.
* Esperando que la fotocopiadora se caliente.
* Desatorando el papel en la fotocopiadora
* Engargolando.
* Haciendo labores de limpieza en el local. * Transportando material aVdel puesto de trabajo. * Otras.
* Nada. * Fuera del lugar de trabajo (FLT).
Antes de seguir adelante en la explicacin de este ejemplo, queremos hacer las siguientes aclaraciones: a) Antes de hacer la lista de actividades ya debe haberse tomado la decisin respecto al tipo de muestreo que va a realizarse. En este ejemplo, el muestreo ser por "puesto", lo que inclusive ya determin la lista y la redaccin de las actividades. b) Es vital haber tomado la decisin respecto al tipo de muestreo antes de la realizacin del mismo porque la observacin anotada ser diferente. Por ejemplo, si el muestreo es por persona (supongamos que estamos muestreando a la operadora Mara), cada vez que encontremos a sta desempeando actividades que no corresponden al puesto "operadora del departamento de fotocopiado", anotaremos lo que la persona (Mara) est haciendo (por ejemplo, sustituyendo al responsable de librera); en las mismas condiciones, si el muestreo hera por puesto, anotaramos simplemente "fuera del lugar de trabajo". c) No es imposible combinar diferentes tipos de muestreo en uno solo, para sacar el mximo provecho posible de la informacin recopilada. Por ejemplo, se puede combinar el muestreo por puesto con el muestreo por mquina y hacer anotaciones del tipo: "mquina parada: operador compaginando"; "mquina funcionando: operador haciendo nada '; "mquina descompuesta: operador haciendo nada; etc.. Sin embargo, debe hacerse esto con mucho cuidado, porque en la mayora de los casos la informacin recopilada es confusa y10 se tiene que hacer una lista demasiado larga de actividades.
7
3.4.3 Procedimiento bsico para la realizacin de un muestreo
En los dos incisos anteriores hemos mencionado que para la realizacin de un muestreo tenemos que decidir "qu vamos a muestrear" (puesto, persona o mquina) y, una vez tomada esta decisin, elaborar una lista de actividades y empezar a hacer observaciones instantneas del objeto de estudio, anotando la actividad que se est realizando en el momento. Sin embargo, no hemos visto todava cul es el procedimiento general para realizar un muestreo y qu hacer con la informacin recopilada. Veamos paso a paso el procedimiento para la realizacin de un muestreo del trabajo:
a) Definir los objetivos del estudio
En esta primera etapa deben defmirse con precisin y por escrito los objetivos del estudio. En una empresa manufacturera, por ejemplo, stos pueden ser: Determinar la utilizacin de la maquinaria (% de la jornada durante el cual las mquinas estn funcionando). * Determinar la productividad de la mano de obra de produccin.
112
Determinar el tiempo perdido por-los trabajadores de mantenimiento en actividades secundarias como papeleo, solicitudltransportede materiales, etc.. * Determinar si un obrero puede operar ms de una mquina. * Etc..
b) Seleccionar el trabajo a muestrear
En esta etapa se toma la decisin general respecto a qu se quiere muestrear. Por ejemplo, en una universidad podramos muestrear el "departamento de fotocopiado", o la "secretara de la Rectora", o la "librera", etc.. En una empresa manufacturera, se podr decidir muestrear al "personal de mantenimiento", o al "personal de produccin", etc..
c) Determinar el tipo de muestreo
Es en esta etapa que se determinar si el muestreo ser por mquina, persona o puesto. Tanto la seleccin del trabajo como el tipo de muestreo, estn directamente relacionados con el objetivo del estudio. Por ejemplo, si el objetivo es "estimar la disponibilidad de mano de obra para la implantacin del mantenimiento preventivo", entonces se muestrear al personal de mantenimiento y seguramente el muestreo ser por persona; si el objetivo es "determinar la utilizacin de la maquinaria", se muestrear a los departamentos productivos y el muestreo ser por mquina; etc..
d) Definir la lista de actividades
En esta etapa se hace la lista de actividades que corresponden al trabajo y al tipo de muestreo. En el inciso 3.4.2 presentamos un ejemplo de lista, la cual para efectos didcticos se repite a continuacin:
* Operando fotocopiadora. * Cargandoldescargando fotocopiadora.
* Ajustandollimpiando fotocopiadora. * Esperando que la fotocopiadora se caliente.

* Desatorando el papel en la fotocopiadora * Engargolando. * Haciendo labores de limpieza en el local. * Fuera del lugar de trabajo (FLT).
7
* Transportando material alldel puesto e trabajo. * Otras. * Nada.
Es indispensable que las listas de muestreos por puesto incluyan las actividades "otras", "nada ' y "FLT". "Otras" incluir todas las actividades de menor importancia que no vale la pena especificar por separado (y algunas olvidadas que aparezcan durante el muestreo ...); en cuanto a "FLT", debe tenerse el cuidado de no anotar este tipo de observacin cuando el trabajador est fsicamente en otro lugar de trabajo, pero realizando actividades correspondientes al puesto. En el caso del muestreo por mquina, slo hay dos tipos de actividades: "funcionando" y "parada". Sin embargo, siempre debe desglosarse la segunda "actividad", es decir:
* Parada: siendo cargadadescargada.

* Parada: siendo ajustada.
* Parada: operario FLT.
* Parada: falta de energa elctrica.
* Parada: falta de trabajo. * Etc..
Por ltimo, en el caso del muestreo por persona, deben incluirse las actividades "otras", "nada" y "no fue encontrado". Esta ltima sustituye "FLT", ya que no tiene inters saber si la persona est o no en un lugar de trabajo dado, sino si est haciendo algo o no y qu est haciendo. Se anotar "no fue encontrado" si en un "tiempo razonable" no pudo encontrarse a la persona. Este tiempo razonable va a depender de la variabilidad del trabajo de la persona, tamao del local de trabajo, etc., no habiendo ninguna regla para determinarlo.
e) Determinar el tipo de observacin
Dijimos anteriormente que el muestreo consta de la realizacin de un gran nmero de observaciones peridicas o aleatorias. En otras palabras, podemos hacer las observaciones cada "x" minutos, horas, etc., o hacerlas de acuerdo a un calendario o programa determinado totalmente al azar. Las observaciones aleatorias pueden utilizarse siempre, sin embargo tienen la desventaja de que se requiere elaborar un programa de observaciones aleatorias, el cual, de preferencia, deber ser diferente para cada da del muestreo (o por lo menos deber haber un determinado nmero de programas diferentes). Las observaciones peridicas slo pueden utilizarse cuando tengamos la seguridad absoluta de que el trabajo a muestrear no es peridico. Si el trabajo a muestrear es peridico y tenemos la mala suerte de que el perodo de ste coincida con el perodo del muestreo, los resultados sern totalmente falsos. Sera como,, por ejemplo, muestrear a los salones de una universidad cada hora para determinar su utilizacin. Si las clases tienen una duracin de 50 minutos y hay un descanso de 10 minutos entre una clase y otra, jes perfectamente posible que siempre encontremos todos los salones vacos! Para la elaboracin del programa de observaciones aleatorias, se divide la jornada de trabajo en intervalos, se determina el nmero de observaciones que tienen que realizarse al da y se selecciona igual cantidad de nmeros aleatorios. En los tiempos correspondientes a cada nmero aleatorio se realizan entonces las observaciones. En la Cuadro 3.2 a continuacin, como ejemplo, se presenta una tabla para programar un muestreo aleatorio durante un perodo de 60 minutos. Dicho perodo est dividido en intervalos de 0.20 minutos, los cuales pueden seleccionarse, por ejemplo, sacndose nmeros de tres dgitos de una tabla de nmeros aleatorios. Las observaciones se hacen entonces de acuerdo a los tiempos seleccionados. Obviamente, se puede elaborar una tabla anloga para 480 minutos (jornada laboral) y programar el muestreo durante un da completo. En el paso "h" descrito a continuacin se determina el nmero de observaciones que deben realizarse. Esto obviamente condiciona la periodicidad del muestreo o el nmero de tiempos aleatorios que tenemos que generar.
114
CUADRO 3.2 Tabla para program.arun muestreo aleatorio
f) Determinar el recorrido
Cuando se muestrea a un solo lugar de trabajo, esta etapa no tiene mucha importancia, a pesar de que podemos llegar a un puesto dado por diferentes caminos. En el caso del muestreo de muchos lugares de trabajo, es conveniente que se establezca uno o ms recorridos fijos y que se estime el tiempo para realizarlos. Los recorridos determinan, inclusive, en qu secuencia debemos ordenar las hojas de observacin para anotarlas y pasarlas en la misma secuencia con que vamos observando los distintos puestos de trabajo. El tiempo de recorrido tambin impone un tiempo mnimo entre observaciones. Por ejemplo, si el recorrido tarda 10 minutos, jno podemos observar los puestos cada 5 minutos!
g) Realizar el muestreo piloto
En esta etapa hacemos un determinado nmero de observaciones iniciales (por ejemplo, 200), las cuales ya sern el inicio propiamente dicho del muestreo. La realizacin de las observaciones es verdaderamente elemental: es s ciente que en cada observacin se ponga una raya al lado de la actividad que se est llevando a cabo en el momento. Por lo tanto, una vez terminadas las observaciones iniciales (supongamos 200), tendremos un determinado nmero de rayas al lado de cada actividad. a
Regresando al ejemplo del departamento de fotocopiado y suponiendo las rayas del Cuadro 3.3, determinar qu fraccin de la jornada de trabajo el trabajador dedica a cada actividad. ufi Solucin: Los porcentajes de la ltima columna del Cuadro 3.3 indican qu fraccin de la jornada laboral el trabajador dedica a cada una de las actividades. Esto es lo que llamamos anteriormente la composicin de la jornada laboral. Como puede verse en el Cuadro 3.3, dichos porcentajes se obtienen simplemente dividindose el total de rayas de cada actividad entre el nmero total de observaciones, que en este caso es 200.
CUADRO 3.3 Ejemplo de anotaciones de muestreo
El muestreo piloto sirve, por lo tanto, para lo siguiente:
Poner a prueba la lista de actividades inicial. Es posible que despus del muestreo piloto se combinen actividades poco frecuentes, se separen actividades cuya frecuencia fue subestimada y se agreguen actividades que fueron olvidadas. * Proporcionar informacin para la determinacin estadstica del nmero requerido de observaciones, lo cual, como veremos ms adelante, es una funcin directa de los porcentajes resultantes. * Hacer una estimacin inicial de la composicin de la jornada de trabajo.
116
h) Determinar el nmero de obseniaciones a realizar

Una vez determinados los porcentajes que corresponden a cada actividad (a travs del muestreo piloto), podemos pasar al clculo del nmero requerido de observaciones, el cual depender del error "E" que estemos dispuestos a cometer y del nivel de confianza (1%). De la misma manera que el nmero de observaciones del cronometraje vara de acuerdo a la variabilidad de los elementos, el nmero de observaciones del muestreo depende del valor de los porcentajes. Si el porcentaje es pequeo, el nmero requerido de observaciones para "E" y "a" dados ser grande; si el porcentaje es grande, el nmero de observaciones ser pequeo. La frmula para la determinacin del nmero de observaciones del muestreo es la siguiente (vase su demostracin y justificacin en el inciso 3.4.4):
donde: p = porcentaje correspondiente a la actividad. E = error que estamos dispuestos a cometer. Z = nmero de desviaciones estndares de la distribucin normal que corresponde al nivel de confianza (1%). Como el valor de " N depende de "p", es inevitable que tomemos la siguiente decisin: en qu actividades no queremos cometer un error mayor que "E"? Si no aceptamos un error mayor que "E" en ninguna actividad, la " N debe corresponder a la actividad con el menor valor de "p". Si queremos cometer un error igual o menor que "E" en todas las actividades.cuyo valor de "p" sea igual o mayor que un porcentaje dado, entonces para ste calculamos la " N Todas las actividades con valores de "p" menores que el valor utilizado tendrn errores mayores; y todas las actividades con valores de "p" mayores que el utilizado tendrn errores menores. La " N determinada con la frmula seguramente va a ser mayor que la "N" del muestreo piloto. Hacemos entonces las observaciones que nos faltan. El error cometido en cualquier actividad para una " N dada puede obtenerse fcilmente despejando "E" de la frmula arriba:
Es comn en la prctica que no sea factible la realizacin del nmero de observaciones que se calcula, debido a limitaciones de tiempo y10 recursos. En este caso, lo mejor que podemos hacer es determinar el nmero mximo de observaciones que pueden realizarse con el tiempo y recursos disponibles, y calcular el error para cada una de las actividades.
Supongamos que para el muestreo piloto del Cuadro 3.3, adoptamos E=0.10 y a=0.05. Determinar: a) El nmero de observaciones que debemos hacer para la actividad "operando fotocopiadora".
El nmero de observaciones que debemos hacer para la actividad "desatorando el papel en la fotocopiadora". Cuntas observaciones debemos hacer para que en todas las actividades cuyos porcentajes sean iguales o mayores que 16% el error no exceda E=0.10. d) El error cometido en cada actividad si slo fuera posible hacer 2,000 observaciones.
-
Solucin:
Antes de empezar a contestar las preguntas debemos obtener el valor de Y".Para el nivel de confianza establecido, Z=1.96 (vase cualquier tabla de la distribucin normal). Procedemos ahora a contestar las preguntas: a) Como para "operando fotocopiadora"p=0.27, tenemos: - 0.27) (1 .962)(0.27)(1 = 1,039 observaciones. N= [(O.10)(0.27)12 b) Para la actividad "desatorando el papel en la fotocopiadora" p=0.16, por lo que: (1 .962)(0.16)(1- O. 16) N= = 2,O17 observaciones [(O.1O)(O.16)12 Podemos observar que cuando "p" disminuy de 0.27 a 0.16, " N aument de 1,039 a 2,O17. c) La N=2,017 del inciso "b" arriba fue determinada para p=0.16. Esto quiere decir que con N=2,017 todas las actividades cuyos porcentajes sean iguales o mayores que p=0.16 tendrn errores iguales o menores que E=0.10. Contrastando con este resultado, todas las actividades cuyos porcentajes sean menores que 0.16 tendrn errores mayores que E=0.10. d) Si se hacen 2,000 observaciones los errores para cada actividad se calculan con la frmula:
El resultado se presenta en el Cuadro 3.4. Obsrvese la relacin inversa entre el porcentaje del muestreo y el porcentaje de error. Por ejemplo, para p=0.27, E=7.2%, mientras que para p=0.03, E=24.9%.
i) Realizacin definitiva del muestreo

Una vez que se tenga el nmero requerido de observaciones, o que se haya determinado el nmero de observaciones que se puede hacer, procedemos a realizar por completo el muestreo. El resultado final del muestreo sern los porcentajes definitivos correspondientes a cada actividad, con sus errores correspondientes. Debe resaltarse que la realizacin en si del muestreo no resuelve ningn problema. El muestreo proporciona informacin "fria" acerca de la situacin actual, la cual deber ser analizada cuidadosamente con vistas a determinar las medidas correctivas necesarias.
118
Por ejemplo, si en nuestro muestre0 la actividad "ajustando/limpiando fotocopiadora" hubiera presentado un porcentaje igual a 50%, se debera de inmediato revisar el estado de la mquina y eventualmente sustituirla, o capacitar al operador si se detectara su incapacidad en el manejo del equipo. Podemos comparar el muestreo como una "fotografa detallada ' de las condiciones de trabajo, a partir de la cual los directivos de la empresa toman decisiones seguras y objetivas, y no decisiones inciertas basadas en evaluaciones cualitativas.
7
CUADRO 3.4 Errores correspondientes a 2,000 observaciones
j) Implantar las medidas correctivas y controlar
Sobre esto no hay mucho que decir: una vez que el anlisis de los resultados del muestreo genera medidas correctivas, stas debern ser aplicadas de inmediato, solicitndose para esto la colaboracin de todas las personas involucradas en el (los) trabajo(s). Despus, deber llevarse a cabo algn tipo de control (retroalimentacin) para detectar la bondad de las medidas adoptadas.
3.4.4 Frmula para la determinacin del nmero de observaciones del muestreo
Este inciso lo dedicaremos a la deduccin de la frmula para el clculo de la "N" que se utiliz en los incisos anteriores. El problema de la determinacin del nmero de observaciones del muestreo puede definll.se de la siguiente manera: existe una probabilidad "p," de que encontremos al trabajador realizando cierta actividad (ya que l dedica esta fraccin de tiempo a dicha actividad) y una probabilidad (1-p,) de que lo encontremos haciendo otra cosa. La funcin de probabilidad puede defnirse entonces como se muestra en la Figura 3.10. La Figura 3.10 muestra que cuando el trabajador se encuentra realizando la actividad la variable " X toma el valor uno, y cuando se le encuentra haciendo otra cosa la variable " X toma el valor cero. Si sacamos una muestra suficientemente grande y determinamos el estadstico
ste ser exactamente igual a "p, " y habremos determinado sin error alguno qu fraccin de su tiempo el obrero dedica a la actividad. El problema que tenemos que resolver es entonces: de qu tamao debe ser la muestra para que con un nivel de confianza (l-a) no cometamos un error mayor que "E.p,", donde "E" es un porcentaje aceptable de error.
FIGURA 3.10 Funcin de probabilidad de la ocurrencia de una actividad
Si la variable "X" slo puede tomar los valores cero o uno con probabilidades (1-p,) y "po)', respectivamente, entonces presenta una distribucin binomial con media "p," y varianza (p,)(l-p,). Si de la poblacin de valores de " X tomamos un gran nmero de muestras tamao " Nla variable aleatoria
que es la media de cada muestra, tendr a su vez distribucin normal con media "p," y varianza (p,)(l-p,)/N, de manera que: IT-pol 5Zd2 . ~ ( p o ) ( 1 - p 0 ) / ~ con una probabilidad (l-a). Como anteriormente, Zd2 es el nmero de desviaciones de la distribucin normal que corresponde al nivel de confianza (1-a). Como dijimos anteriormente, queremos que: IT-pol~E.po de donde sacamos que:
E. po=zd2 . J ( p , ) ( l - p , ) l ~
Finalmente, despejando " N , tenemos:
N= (
l2
O ) ( - O ) (con probabilidad (l-a) y error porcentual "E") (E .P, l2
120
Captulo IiI: Estudio del Trabajo
Como no conocemos la probabilidad "p," de la actividad, tenemos que estimarla a travs de la probabilidad "p" de la muestra. La probabilidad "p" del muestreo piloto ser nuestra primera aproximacin, la cual, debemos reconocer, ser bastante burda. Por esta razn, se mencion en el inciso "h" del procedimiento del muestreo la necesidad de volver a calcular el valor de "N" durante el muestreo, ya que en el transcurso del muestreo el valor de "p" cada vez se acercar ms al valor correcto de "p," . Como utilizaremos "p" en el lugar de "p,", podemos entonces escribir la frmula as:
Es interesante observar que esta frmula en nada difiere de la anterior que dedujimos para el cronometraje. Si recordamos que 'p" es la media de la variable " X , es decir, "X" y @)(l-p) es el cuadrado de la desviacin estndar de 'Y', es decir, "S?, podemos escribir:
La nica diferencia entre las dos frmulas es que en el caso del cronometraje se considera la distribucin "t" de student y ahora estamos considerando la normal. Esto se debe a que en el caso del muestreo "n" siempre es mucho mayor que 30, y esto nos permite usar la distribucin normal en vez de la 'Y' de student. Por ltimo, queremos hacer notar que en la frmula para el clculo de la "N" del muestreo, no tenemos necesariamente que usar el porcentaje de alguna actividd. Podemos seleccionar un porcentaje cualquiera, por ejemplo lo%, y calcular " N , aunque ninguna actividad presente este porcentaje. El resultado ser que todas las actividades cuyos porcentajes "p," sean iguales o mayores que el porcentaje seleccionado (en nuestro ejemplo, 10%) no tendrn un error porcentual mayor que " E . El nmero de observaciones, inclusive, se podr determinar antes de la realizacin del muestreo piloto y si ste se realiza nicamente para estimar los "p," , pues deja de ser necesario. Por ejemplo, puede ser poltica de' la empresa considerar que todas las actividades con "p," igual o mayor que 15% son importantes y que no deben tener un error mayor que lo%, con un nivel de confianza del 95%. Como consecuencia, en todos los muestreos de esta empresa deber hacerse el siguiente nmero de observaciones:
N=
(1 .962)(0.15)(1 - 0.15) = 2,177 observaciones [(O. 10)(0.1S)]'
Seguir siendo estimado, sin embargo, el clculo del error correspondiente a cada actividad mediante la frmula:
donde "p" sera el porcentaje final de cada actividad despus de las 2,177 observaciones.
PROBLEMAS TIPO
3.1 Un obrero puede operar varias mquinas idnticas con los siguientes tiempos:
* Descargar mquina: 0.20 min.
* Limpiar pieza con aire comprimido: 0.10 min. * Verificar medidas de la pieza procesada: 0.40 min. * Poner pieza procesada en caja: 0.05. * Trabajo automtico de la mquina: 4.20 min.
* Volver a cargar la mquina y ponerla en marcha: 0.50 min.
* Limpiar mquina con aire comprimido para poder cargar: 0.10 min. * Caminar hacia la siguiente mquina: 0.08 min.
Considerando que el salario del obrero es de $15/hora y el costo horario de la mquina es de $50, determinar el nmero ptimo de mquinas que debe operar el obrero.
Resp.:Ni=3; N,=4; Ci=$4.58/ciclo.mq.; C P ~12lciclo.mq.; . N0=3 miiquinas.
3.2 En una ptica hay una etapa del proceso que consiste en cortar los pares de lentes en 6 mquinas automticas, segn la forma de los aros. Los tiempos de las distintas .actividadesson:
* Descargar par de lentes de mquina: 0.30 min.
* Limpiar par de lentes cortado: 0.20 min.
* Volver a cargar mquina con par de lentes: 0.60 min. * Poner en marcha la mquina: 0.10 min.
* Caminar hacia la siguiente mquina: 0.08 min. * Trabajo automtico de la mquina: 3.20 min.
Sabiendo que el salario del obrero es de $150hora y que el costo horario de la mquina es de $400, determinar para una jornada de 10 horas (sin considerar suplementos por fatiga o necesidades personales): . a) El nmero ptimo de mquinas que debe operar el obrero. b) La produccin de un obrero operando 1,2,3,4,5 y 6 mquinas, respectivamente. c) La produccin total del Departamento de Corte con 2 obreros operando 3 mquinas cada uno. d) La produccin total del Departamento de Corte con 3 obreros operando 2 mquinas cada uno.
Resp.: a) N F ~ N,=3; ; Ci=$33.25lciclo.mq.; Cs=$37.80/ciclo.m~q.; N0=2 mquinas. b) N=l: prod.=143 pareslda; N=2: prod.=286 paresldia; N=3,4,5 6 6: prod.=357 pareslda c) Prod.=714 pareslda. d) Prod.=858 pareslda
* Inspeccionar par de lentes cortado: 0.40 min.
3.3 Dos obreros estn siendo entrenados en el mismo tipo de trabajo y los 6 primeros tiempos eron los siguientes (centsimas de minuto): OBRERO 1: 60 55 45 44 43 40 OBRER02: 30 29 29 28 27 26
Utilizando el mtodo clsico, determinar: a) b) c) d) e) La curva de aprendizaje de cada uno de los obreros. Qu media acumulada habr logrado el obrero 1 despus de 20 veces. En qu tiempo realizar el obrero 2 la pieza nmero 30. En cunto tiempo el obrero 1 realizar la operacin 20 veces Despus de cuntas piezas ,lograrel obrero 2 realizar la operacin en un tiempo de 20.
Resp.: a) M,,1=60nb-'296; MnZ=30nb.0356. b) Mzo=41 centsimas. c) t30=26 centsimas. centsimas. d) T~0=820 e) n=3 1,928 veces.
3.4 Dos obreros estn siendo entrenados en unuevo trabajo y los primeros 6 tiempos fueron los siguientes (centsimas de minuto): OBRERO 1: 154 134 123 117 112 108 OBREl202: 108 101 96 94 91 90 Utilizando el mtodo clsico, determinar: a) La curva de aprendizaje de cada obrero. b) Despus de cunto tiempo los 2 obreros habrn realizado la operacin el mismo nmero de veces. c) Despus de cuntas veces el obrero 1 har la operacin en menos tiempo que el obrero 2.
Resp.: a) ~ , , ~ = 1 5 4 n ~~ ,= . ~1 ~ 0~ 8~ n;~ . ~ ~ . b) n=511 veces; Ts11=37,373centksimas. c) n=170 veces.
3.5 Dos campesinos estn siendo entrenados en las labores de corte de caa y en la primera semana cortaron lo siguiente (toneladas de caada):
d DIAS
CAMPESINO 1 CAMPESINO 2 2.0 3.O 2.7 3.3 3.3 3.5 3.8 3.6 4.2 3.6 4.5 3.7 Utilizando el mtodo clsico, determinar: a) La curva de aprendizaje de cada campesino que relaciona la cantidad diaria cortada " Q con el nmero de das "n". b) A partir de qu da el campesino 1 cortar al da ms que el doble que el campesino 2.
Resp.: a) Q,,1=2(1.3068)na3"8; Q02=3(1.07863)n0.0"63. b) n=53 das.
3.6 Dos obreros estn siendo entrenados en trabajos diferentes y en la primera semana los volmenes de produccin fiieron los siguientes: DIAS OBRERO 1 OBRERO2
LUN 30 50
MAR 40 56
MIE 49 61
JUE 57 65
VIE 64 68
SAB 70 70
Utilizando el mtodo clsico, determinar: a) La curva de aprendizaje de cada obrero que relaciona la produccin diaria "P" con el nmero de das "n". b) En qu da los dos obreros tendrn el mismo salario diario, considerando que al obrero 1 le pagan $1Olpieza y al obrero 2 $151pieza.
Resp.: a) P.~=30(1.3103)n0.3103; Pa=50(1.1243)n0-'243. b) n=61 das.
3.7 Se cronometr una operacin 5 veces y los tiempos heron los siguientes: ELEMENTOl: 10 8 12 10 7 ELEMENTO 2: 30 35 40 37 32 a) Determinar el nmero de veces que debe cronometrarse la operacin para que en ningn elemento se cometa un error mayor que 4%, con un nivel de confianza del 95%. b) Determinar el error que se cometera en cada uno de los elementos si se cronometrara la operacin slo 5 veces, con un nivel de confianza del 95%.
Resp.:a) N'=207 veces; se tendra que cronometrar 202 veces ms y volver a calcular N'. b) E1=26%, E2=14%.
3.8 En el Departamento de Derivados de una planta lechera trabajan 30 personas y se ha decidido hacer un muestre0 del trabajo por persona. Se definieron las siguientes actividades, las cuales, despus de 100 recorridos iniciales, presentaron los siguientes porcentajes:
% PARA
ACTIVIDADES Trabajo productivo directo Trabajo productivo indirecto (ayudando a otros) Transportando productos, materiales o equipo Otras Nada No fue encontrado
EL DEPTO. 50% 20% 5% 3% 14% 8%
Considerando un nivel de co anza del 95%, que en cada recorrido se observan las 30 personas y que los % del cuadro son vlidos tambin para las personas, determinar: a) El nmero de recorridos para que los porcentajes del departamento mayores o iguales a 20% no contengan un error mayor que 5%. b) El nmero de recorridos para que los porcentajes de cada obrero mayores o iguales a 20% no contengan un error mayor que 5%. c) Cuntos obreros realmente se necesitan en este departamento, suponiendo que stos pueden rotar de un trabajo a otro y que tienen derecho a un 11% de suplementos.
Resp.:a) N=205 recorridos. b) N=6,147 recomdos. c) Se puede reducir a 27 obreros.
124
3.9 Se hizo un muestre0 por mquina en una seccin de tomos y los resultados fueron los siguientes:
ACTIVIDADES Funcionando Siendo cargado Siendo descargado Parado por descompostura Parado sin trabajo Parado operario FLT Otras TOTAL TOTAL OBSERVACIONES TORNO 1 30% 3% 4% 47% 3% 13% 0% 100% 300 TORNO 2 70% 6% 3% 2% 3% 15% 1% 100% 300 TORNO 3 50% 6% 4% 6% 30% 4% 0% 100% 300
Considerando siempre un nivel de co anza del 95.44$ (Z=2) y que en cada recorrido se observan los 3 tornos, determinar: a) El intervalo de co anza del porcentaje correspondiente a la actividad "funcionando" del torno 2. b) Cuntas veces debe observarse el torno 1 para que en la actividad "funcionando" no se cometa un error mayor que 5%. c) El intervalo de confianza del porcentaje correspondiente a "parado por descompostura'' para toda la seccin. d) Cuntos recorridos deben hacerse para que en la actividad "siendo cargada" el porcentaje de la seccin no contenga un error mayor que 2%. e) Para el mismo volumen de trabajo, se podra eliminar un torno? f) Se podra decir que los obreros de los tornos 2 y 3 tienen ms dificultades para cargar que el obrero del tomo l ?
Resp.: a) E=8%, intewalo=(64.71%,75.29%). b) N=3,733 veces. c) E=14%; intervalo=(15.75%,20.91%). d) N=63,333 recomdos. e) Con un suplemento de 11%sobra al tomo 2 un 7% y al tomo 3 un 23%; total=30%;carga de trabajo del tomo 1=37%,por lo que no se puede. f ) Tomo 2: 6%/70Y"0.086; tomo 3: 6%/50%=0.12;tomo 1: 3Yd30%=0.10; slo el obrero del tomo 3 tiene ms dificultad.
nfi
Captulo IV: Control de Inventarias
CONTROL DE INVENTARIOS
4.1 INTRODUCCI~N 4.1.1 Funcin de los inventarios 4.1.2 Costos relacionados con los inventarios 4.2 MODELOS BASICOS DE INVENTARIOS 4.2.1 Generalidades 4.2.2 Modelo bsico para materias primas 4.2.3 Modelo bsico para productos terminados 4.3 MODELOS PARA MATERIAS PRIMAS CON DESCUENTOS POR CANTIDAD 4.3.1 Modelo con costo de mantener proporcional al precio 4.3.2 Modelo con costo de mantener constante 4.3.3 Modelo con descuentos progresivos 4.4 MODELO PARA PRODUCTOS TERMINADOS &TIPLES
4.5 MODELOS DE INVENTARIOS PROBABIL~STICOS 4.5.1 Generalidades 4.5.2 Modelo de punto fijo 4.5.3 Modelo de ciclo fijo 4.5.4 Observaciones finales DE LOS 4.6 OPTIMIZACI~N MODELOS DE PUNTO FIJO Y CICLO FIJO 4.6.1 Generalidades 4.6.2 Optimizacin del modelo de punto fijo 4.6.3 Optirnizacin el modelo de ciclo fijo 4.6.4 Derivadas parciales del modelo de punto fijo 4.6.5 Derivadas parciales del modelo de ciclo fijo
Captulo IV: Control de Inventarios
4.1.1 Funcin de los inventarios
La funcin bsica de los inventarios, sean stos de materias primas, material semiprocesado o productos terminados, es mantener relativamente independientes las siguientes actividades:
* Compra de materias primas. * Produccin. * Ventas.

Los inventarios actan como resortes segn se muestra en la Figura 4.1 a continuacin:
FIGURA 4.1 Inventarios actuando como resortes
COMPRAS
Inventarios
PRODUCCION
Inventarios
VENTAS
Como puede observarse, los inventarios de materias primas son necesarios para separar "Produccin" de "Compras" y los inventarios de productos terminados sirven para separar "Produccin" de "Ventas". Los inventarios slo sern evitables cuando el flujo de una sola pieza sea posible, la demanda sea muy estable y el tiempo de entrega sea extremadamente corto. Esto es precisamente lo que se conoce como "entregas justo-atiempo", las cuales sern discutidas en el Captulo IX. Obsrvese que, an cuando las ventas sean perfectamente constantes y la produccin sea en "lotes", los inventarios de productos terminados estarn presentes. Anlogamente, an cuando la produccin sean perfectamente constante y las compras se hagan en "lotes", los inventarios de materias primas estarn presentes. El inventario de material semi-procesado podr ser de 2 tipos: a) Inventario inevitable que resulta del hecho de que la fabricacin de cualquier producto tarda un determinado nmero de unidades de tiempo (horas, das, meses, etc.) y durante este tiempo el material est "almacenado" en la planta y pasando por las diversas etapas del proceso productivo. An cuando el flujo sea de una sola pieza habr inventario en proceso. Por ejemplo, si un producto se fabrica continuamente de uno en uno y pasa por 10 operaciones productivas consecutivas, en cualquier momento habr, por lo menos, 10 piezas en inventario en la planta. b) Inventario de piezas o material semi-procesado que muchas veces es conveniente fabricar y almacenar en pequeos almacenes (separados o no del almacn principal) o entre los puestos de trabajo (por ejemplo en las lneas de produccin) para que el flujo de materiales no sufra problemas de continuidad. Dichos inventarios son particularmente tiles:
* Cuando no es econmico fabricar ciertas piezas cada vez que se fabrica un producto
dado.
* Cuando una misma pieza es utilizada en la fabricacin de varios productos
* Para reducir los problemas creados por la variacin de la duracin de las operaciones
en las lneas de produccin o ensamble.
diferentes.
4.1.2 Costos relacionados con los inventarios

Los costos que generalmente son considerados en el estudio de los inventarios son los siguientes:
a) Costo de preparacin (C,)
ste es el costo correspondiente a todas las actividades relacionadas con la fabricacin de un lote dado del producto ("C," del lote de produccin) o relacionadas con la realizacin de un pedido al proveedor ("Cp" del pedido). En todos los modelos de inventarios se supone que el costo de preparacin del lote no depende del tamao del lote y el costo de preparacin del pedido no depende del tamao del pedido. En otras palabras, el costo total de preparacin de los lotes es proporcional al nmero de lotes fabricados y el costo total de preparacin de los pedidos es proporcional al nmero de pedidos realizados. Generalmente, no es nada fcil calcular estos costosJijos por lote de fabricacin o por pedido. En el caso ms pesimista, el costo de preparacin del pedido (tambin llamado costo de "ordenar") puede incluir los costos de las siguientes actividades:
* Decisin de qu cantidad comprar.
* Anlisis de cotizaciones.
* Elaboracin del pedido. * Seguimiento del pedido. * Trmites de recepcin.
* Autorizacin del pedido. * Transporte. * Trmites aduanales (si el material es de importacin). * Inspeccin de recepcin.
* Actualizacin de registros (en el almacn). * Etc..
As mismo, en el caso ms pesimista, el costo de preparacin de un lote (tambin llamado "set-up" o costo de "arranque") puede incluir los costos de las siguientes actividades:
* Decisin de qu cantidad fabricar. * Programacin de produccin * Control de produccin.

preparacin.
* Elaboracin de la orden de produccin. * Mano de obra y materiales de preparacin de la(s) mquina(s). * Inspeccin de los lotes.
* Produccin perdida o depreciacin de la(s) mquina(s) durante el tiempo de * Recepcin en el almacn.
* Actualizacin de registros (en el almacn).

* Etc..
A continuacin proporcionamos un ejemplo real de clculo del costo de preparacin de los pedidos de los materiales requeridos en la fabricacin de una determinada marca de cigarros (se omite el nombre de la empresa por razones de confidencialidad):
* Pas: Mxico.
* Ao de realizacin de los clculos: 1991.
* Se decidi calcular un solo "C,"
para los 13 materiales. * Se consider un total de 850 pedidos realizados en el ao. * Cuatro personas estaban involucradas en el proceso de realizacin de los pedidos: El Sub-Director de Logstica, el Gerente de Control de Inventarios y 2 asistentes. La nmina relacionada directamente con la realizacin de los pedidos era 14/40 del salario del Sub-Director, ms 100% del salario de las otras 3 personas, ms 50% de prestaciones. Total: $20,00O/mes. * El proceso de compras para los 13 materiales se realizaba 5 veces por ao. En cada ocasin, una secretaria que ganaba $2,175/mes (incluyendo prestaciones) dedicaba un da completo. Considerando 160 horaslmes y 8 horas por da, el costo correspondiente fue: [($2,175)(8)/(160)](5)/(12)= $45.3 limes. * En el departamento haba 3 computadoras con un valor aproximado de $36,000 que se depreciaban en 3 aos; el costo de depreciacin por mes fue de: ($36,000)/(3)(12) = $1,OOO/mes. * El costo de espacio fue estimado en $30/m2 por mes. Como el departamento ocupaba 60 m2, el costo del espacio fue: $2,00O/mes. * Otros costos indirectos (telfono, luz, papel, fax, etc.) fueron estimados en $5,00O/mes. * Por lo tanto, el costo mensual total fue de $28,045. Considerando 850 pedidos por ao el " C," fue calculado en: ($28,045)(12)/850 E $400/pedido.
b) Costo de almacenamiento (Ca)

ste incluye los costos que se incurren en el almacn propiamente dicho y que dependen del nmero de unidades almacenadas. El concepto es vlido tanto para materias primas como para productos terminados, y en el caso ms pesimista el costo de almacenamiento incluye:
* Sueldos y salarios del personal que controla y maneja el inventario. * Seguros, robos, obsolescencia y deterioro del material.
* Operacin y depreciacin del equipo de manejo. * Luz, calefaccin o refrigeracin.
* Espacio. * Etc..
* Realizacin de inventarios.
El costo de almacenamiento puede expresarse en $/unid.ao (que significa $ para almacenar una unidad durante un ao) o %/ao del valor del inventario (por ejemplo, podemos decir que el "C;' representa un 5% al ao del valor promedio del inventario).
Captulo N: Control de Inventarios
c) Costo de capital (C,)
ste representa el costo de oportunidad por tener el dinero invertido en inventarios. En la mayora de los casos consideramos que el costo de capital es igual a su rentabilidad si ste fuera invertido en otras actividades (por ejemplo, una cuenta maestra). El costo de capital tambin puede expresarse en %/ao O $/unid.ao.
d) Costo de mantener (Cmo F,)
El costo de mantener es la suma (C,+C,). Si se expresa en $/unid.ao usaremos el trmino "Cm" y si se expresa en %/ao usaremos el trmino "Fm9'. Como ejemplo, a continuacin presentamos los clculos hechos en la empresa cigarrera (mencionada anteriormente) para la determinacin del "Fm9':
* El costo de capital fue estimado en 6.54%/ao (excluyendo inflacin). * El valor total promedio del inventario de materias primas, reportado por el
Departamento de Contabilidad, era de $6,397,094. * La depreciacin del almacn (incluyendo costo del espacio), reportado por Contabilidad, era de $5533 llao, lo que conduce a un costo porcentual anual respecto al valor del inventario de ($55331/$6,397,094)(100) = 0.87%/ao. * Los costos de seguros reportados por Contabilidad eran de $1.5789/mes por $1,000 del valor del inventario. O sea, el costo porcentual anual era: [($1.5789)(12)/(1,000)](100) = 1.89%/ao. * La nmina del almacn era $136,688/ao (incluyendo prestaciones). Por lo tanto, el costo porcentual anual era: [($136,688)/($6,397,094)](100) = 2.14%/ao. * Se haca un inventario (conteo) por ao. El costo correspondiente era de $798 (incluyendo prestaciones). El costo porcentual anual era: [($798)/(6,397,094)](100) = O.Ol%/ao. * La depreciacin anual de los montacargas era de $6,69O/ao. El costo porcentual anual correspondiente era: [($6,690)/(6,397,094)](100) = 0.2l%/ao. * Los costos de obsolescencia, control de temperatura, humedad, etc. se consideraron despreciables. * El costo de mantener anual "Fm7'era: 6.54 + 0.87 + 1.89 + 2.14 + 0.01 + 0.21 = 11.65% E 12%/ao.
e) Costo de faltante (Cf)
Es el costo relativo a la falta de materias primas o productos terminados cuando stos son solicitados por Produccin o por los clientes, respectivamente. En lo que se refiere a la falta de materias primas, esto puede causar el paro de una lnea (con la consecuente produccin perdida) o una reprogramacin de la produccin. Obviamente, la falta de materias primas tambin puede provocar la falta de productos terminados. La falta de productos terminados puede implicar ventas perdidas, prdida 'de prestigio, etc.. De todos los costos, el costo de faltante es el ms difcil de calcular y puede expresarse de distintas maneras: $/unid., $/unid.ao, $/falta, etc.. Afortunadamente, en algunas situaciones su clculo es sencillo. Veamos el ejemplo de la empresa cigarrera:
130
* La produccin perdida no provocaba prdida de ventas, ya que aqulla se recuperaba en * El costo de mano de obra directa por unidad del producto terminado era de $0.021
(incluyendo prestaciones). * El tiempo extra se pagaba al doble, por lo que cada unidad producida en tiempo extra provocaba un costo adicional de ($0.021)(2) = $0.042/unid.. * Por lo tanto, el costo por unidad faltante de materia prima era de $0.042/unid..(Aqu, "unidad" significa la cantidad de materia prima por producto terminado. Por ejemplo, una cajetilla por producto terminado. Cada cajetilla faltante provocaba un costo de $0.042.) f) Costo de compra y costo de produccin (K) El costo de compra de la materia prima es su valor por unidad que llamaremos "K". Dicho costo ser necesario en los modelos de inventarios con descuentos por cantidad. Anlogamente, para el producto terminado, "K" es el valor de una unidad del producto. Generalmente, para productos terminados, "K" slo incluye los costos directos. Es fcil concluir que en ambos casos (materiales o productos) Cm=Fm.K.
4.2 MODELOS BSICOS DE INVENTARIOS 4.2.1 Generalidades
los fmes de semana,
Los modelos de inventarios para materias primas y para productos terminados son muy similares pero no son idnticos. Por lo tanto, los tenemos que estudiar por separado. Los modelos clsicos se incluyen en los cientos de libros sobre Administracin de Operaciones, y no es objetivo de este inciso prohdizar en ello. Al contrario, proporcionaremos los conocimiento bsicos indispensables para que el lector pueda entender los modelos especiales que se presentan ms adelante. El lector con conocimientos sobre los modelos bsicos de inventarios puede pasar directamente a los incisos 4.3,4.4,4.5 y 4.6.
4.2.2 Modelo bsico para materias primas
En lo que se refiere a los inventarios de materias primas, el problema bsico a resolver es el siguiente:
* Cundo comprar la materia prima, * Qu cantidad,

de tal manera que se minimice la suma de todos los costos relevantes (en el modelo bsico slo "C," y "Cm ' son relevantes). Obviamente, estas decisiones estn relacionadas porque si compramos cantidades grandes, stas sern compradas con poca frecuencia, y vice-versa (vase la Figura 4.2). La poltica de la Figura 4.2(a) conduce a altos costos de mantener y bajos costos de preparacin, mientras la poltica de la Figura 4.2(b) conduce a bajos costos de mantener pero a altos costos de preparacin. Aparentemente, el problema no tiene solucin, sin
7
131
embargo, la suma de ambos tipos de costos s pasa por un mnimo, como veremos a continuacin.
FIGURA 4.2 Alternativas para la compra de una materia prima
TIEMPO
TIEMPO
(a)
('-4
El modelo bsico (tambin llamado modelo "clsico") de inventarios de materias primas requiere los siguientes supuestos:
* La tasa de demanda (consumo) de la materia prima es constante. * La cantidad " Q se entrega de una sola vez. * El tiempo de entrega del proveedor es conocido y constante.
* No hay faltantes ni sobrantes. * Siempre se pide la misma cantidad "Q".
* No hay descuentos por cantidad.
* Independencia:la poltica de compras de un material no depende de las politicas de los
otros. * No hay limitacin de recursos (por ejemplo, dinero, espacio, etc.). Estos supuestos no son totalmente independientes. Por ejemplo, para que no haya faltantes ni sobrantes es necesario que la demanda sea constante y que el tiempo de entrega sea conocido y constante; la limitacin de recursos en general provoca dependencia; etc.. Si todos estos supuestos se cumplen, las afirmaciones a continuacin son verdaderas:
* El inventario se comporta como se ilustra en la Figura 4.3.
* El costo de preparacin anual (CPA), el costo de mantener anual (CMA) y el costo total * La poltica ptima de compras puede determinarse simplemente encontrando el valor ''QZ que minimiza el costo total anual e ignorando los dems materiales.
anual (CTA) se comportan como se ilustra en la Figura 4.4.
132
FIGURA 4.3 Comportamiento del inventario del modelo bsico
<
>
>
TIEMPO
FIGURA 4.4 Comportamiento de los costos del modelo bsico
COSTOS
CPA
En las condiciones de las Figuras 4.3 y 4.4 el costo total anual (CTA) se calcula fcilmente: CTA = CPA + CMA = (nmero de pedidos)(Cp)+ (inventario rnedio)(Cm)
donde: D = demanda anual. Cm= costo de mantener = $/unid.ao. Cp= costo de preparacin = $/pedido. El valor de " Q que minimiza "CTA" se obtiene por derivacin y lo llamaremos "Q," (cantidad ptima): unidades
133
El costo total anual mnimo (CTA,), el nmero ptimo de pedidos al ao ( N , ) y el tiempo ptimo entre pedidos (To)estn dados por:
N =-=
" Q,
i -
pedidoslao
aos Ejemplo numrico 4.1: Considerando que DZ2,500 unid./ao, Cm=$0.50/unid.ao y C,=$ 1Olpedido, determinar los parmetros del modelo clsico de materias primas. Solucin:
CTA, = J ( ~ ) ( ~ , ~ o o ) ( ~ o ) (= o$158.1 . ~ o ) llao. 2,500 N, == 7.9 r 8 pedidoslao. 316
Q _-- 316 - 0.1264 aos = 6.57 semanas = 46 das entre pedidos. T0= - 2,500
4.2.3 Modelo bsico para productos terminados El modelo bsico de materias primas puede ser fcilmente adaptado para reflejar el comportamiento del inventario de un producto terminado. De hecho, la nica diferencia consiste en que, cuando se fabrica el lote " Q , el inventario no se incrementa instantneamente, sino que crece gradualmente de cero a un nivel mximo "Imk9' en un tiempo de produccin "T," con una tasa de crecimiento (P-D), donde "P" es tasa de produccin y "D" es tasa de demanda (ambas en unid./unid. de tiempo). Esta situacin se ilustra en la Figura 4.5. La consecuencia de que el inventario mximo sea "Imk" en vez de " Q , como en el modelo bsico de materias primas, es una pequea modificacin en las frmulas del modelo, que quedan as: unidades
FIGURA 4.5 Modelo bsico de productos terminados
l .
TIEMPO
>
Considerando que P=20,000 unid./ao, D=5,000 unid./ao, Cm=$0.20/unid.aoy Cp= $ loflote, determinar los parmetros del modelo bsico de productos terminados.
Solucin:
(2)(5,000)(10) = \/(0.20)(1- 5,000120,000) CTA, = , / ( 2 ) ( 5 , 0 0 0 ) ( 1 0 ) ( 0 . 2 0 ) ( 1 5,000 N, =-= 816 6.13 E 6 loteslao.
E 816
unidades.
5,000120,000) = $122.47/ao.
816 To == 0.1632 aos = 8.5 semanas E 59 das. 5,000 Debe resaltarse que en muchas situaciones "P" es mucho mayor que " D , por lo que (1-Dff) E 1. Esto implica que, como aproximacin, los modelos de materias primas pueden utilizarse tambin para productos terminados. Un caso interesante de productos terminados se presenta cuando tenemos que fabricar productos mltiples que comparten un solo equipo. ste ser estudiado como un modelo especial en el inciso 4.4.
Captulo IV:Control de Inventarios
4.3 MODELOS PARA MATERIAS PRIMAS CON DESCUENTOS POR CANTIDAD
Cuando el precio de la unidad de materia prima cambia segn la cantidad comprada, el modelo de inventarios se complica un poco. Por simplicidad, consideremos inicialmente un solo cambio de precio a partir de una cantidad comprada " B (usaremos la letra "B" de "price break" en vez de "C" de "cambio de precio", debido a que esta ltima letra la estamos usando para "costo"). Tenemos bsicamente 3 situaciones: a) Si Q 2 B el precio de todas las unidades compradas disminuye de "Kl" a "K2" y e1 costo de mantener Cml=Fm.Ki baja a Cd=F,.K2. En otras palabras, el costo de mantener una unidad es directamente proporcional al precio. Esta suposicin ser la ms realista cuando el costo del capital sea muy grande en comparacin con los dems rubros del costo de mantener. b) Si Q 2 B el precio de todas las unidades compradas disminuye de "Kl" a "K2", pero el costo de mantener permanece constante. Esta suposicin ser la ms realista cuando el costo del capital sea relativamente bajo. c) Si Q 2 B slo el precio de las unidades extras QB disminuye. Este modelo tambin se llama "progresivo" y puede manejarse con "Cm ' proporcional a "K" como en "a" o con "Cm9' constante como en "b".
7
4.3.1 Modelo con costo de mantener proporcional al precio
Para analizar esta situacin, lo primero que tenemos que hacer es agregar a la frmula de "CTA" un costo ms, que es el "costo de comprar anual" (este costo no se consider antes porque no afectaba el valor ptimo de "Q"): CCA = (demanda anual)(precio unitario) = (D)(K). El costo total anual queda as: CTA = CPA + CMA + CCA = (D/Q)(C,) + (Q/2)(Cm) + (D)(K) Como Cm=(Fm)(K),escribimos: CTA = (D/Q)(Cp) + (Q/2)(Fm)(K)+ (D)(K). En este modelo, " Q es la nica variable independiente y "K" depende de " Q , cambiando bruscamente de "Ki" a "K2" cuando Q2B. Las 4 situaciones posibles se presentan en las Figuras 4.6(a), 4.6(b), 4.6(c) y 4.6(d) a continuacin, dependiendo de las 4 posiciones diferentes de " B . En stas, la curva de arriba es:
y la curva de abajo es:
CTA2 = (D/Q)(Cp)+ (Q/2)(Fm)(&) + (D)(K2). Ambas tienen la misma forma que la curva de "CTA" del modelo bsico, pero estn ubicadas @.K) ms arriba.
136
Es importante, antes de seguir adelante, que el lector verifique por su cuenta que "CTAl" siempre est por arriba de "CTA2" y que el mnimo de "CTAlWest a la izquierda del mnimo de "CTA;?". FIGURA 4.6 Modelo con un solo cambio de precio
COSTO TOTAL,
COSTO TOTAL
COSTO TOTAL
COSTO TOTAL
137
Slo las partes gruesas de las curvas son vlidas, ya que ''CTA? no existe para Q<B y "CTAl" no existe para Q2B. El punto ms bajo de la lnea gruesa indicar, en cada situacin, la solucin ptima. En el caso de la Figura 4.6(a), podemos observar claramente que la cantidad ptima corresponde al punto mnimo de la curva ''CTA? y est dada por:
Lo mismo ocurre en la Figura'4.6@): "Qo2" sigue siendo ptima. En otras palabras, si "Qo,2)' est a la derecha de "B" siempre ser ptima. Veamos ahora las Figura 4.6(c) y 4.6(d). En 4.6(c) la solucin ptima es "B" y en 4.6(d) la solucin ptima es "Q0,~" dada por:
Es decir, cuando bbQo,2" est a la izquierda de "B", la solucin ptima puede ser "QO,lvo "B". La nica manera de conocer la solucin ptima es comparando los costos correspondientes a estas dos cantidades: CTA (para Q = Q,l) u CTA (para Q = B). Simplificando la notacin, tenemos: que estn dados por:
Dicho procedimiento puede ser fcilmente generalizado para "n" cambios de precio (Bl, B2, ..., Bn) con sus correspondientes (n+l) precios diferentes (Kl, K2, ..., Kn+l). Analicemos las Figuras 4.7(a), 4.7@), 4.7(c) y 4.7(d). Empecemos con la Figura 4.7(a). Si hay "n" cambios de precio, habr (n+l) precios ' ; es menor que diferentes, de modo que la ltima curva tendr que ser la "CTAn+l". Si B 'bQo,n+l", esta ltima ser sin duda la cantidad ptima, ya que ningn otro punto de las (n+l) curvas podr estar ms abajo que el punto mnimo de la curva "CTAn+l". Es importante observar que, en el caso de la Figura 4.7(a), si compramos una cantidad "Qo,n+i", el proveedor nos cobrar el precio "Kn+l" (los ndices coinciden!) y debido a esto diremos que la cantidad "Qo,n+l" es compatibb. Si a una cantidad cualquiera "Q,? no corresponde el precio "K?, diremos entonces que esta cantidad no es compatible. Observemos, por ejemplo, la cantidad "QO,,-l" en la Figura 4.7(a). Si compramos esta cantidad, el proveedor nos cobrar el precio "K," y por lo tanto la cantidad "Qo,n-l" no es compatible. En la Figura 4.7 la primera cantidad compatible encontrada yendo de derecha a izquierda est sealada con un crculo.
138
Captulo IV:Control de Inventarias
FIGURA 4.7 Modelo con mltiples cambios de precio
(a)
COSTO TOTAL
COSTO TOTAL
COSTO TOTAL
COSTO TOTAL
139
Analicemos ahora la Figura 4.7(b). Si "B," es mayor que "QO,p+l",como se muestra en esta Figura, entonces dicha cantidad no sera compatible y al mismo tiempo no podramos decir cul sera la cantidad ptima, ya que los costos "CTAB," y "CT&," estn compitiendo; consecuentemente, tenemos que compararlos para determinar si la cantidad ptima es "Bn' o "Q,,". Por otro lado, debemos observar que "Q,," s es compatible y por lo tanto cuando Qo,n+l"resulta no compatible y "Qo,n' resulta compatible, tenemos que comparar los costos " C T A B y ~ "CT&,," para poder llegar a una decisin final. Observemos ahora la Figura 4.7(c). "Qo,n+l"y "Q,," no son compatibles y "Qo,n-l" s es compatible. La grfica muestra que los costos "CTAo,n-l", "CTAB~-~" y "CTAB," estn compitiendo y que es indispensable compararlos para poder determinar la cantidad ptima. Finalmente, observemos la Figura 4.7(d). La nica cantidad compatible es L'Qo,n-2" y puede observarse tambin que para resolver el problema debemos comparar "CTA,,-2", "CTABn-2", "CTABn-l"y " C T A B : . De lo expuesto anteriormente, podemos entonces afirmar que un procedimiento general para resolver problemas con "n" cambios de precio, es el siguiente:
LL
a) Calcular "Qo,n+l" y verificar si es compatible. Si es compatible, sta ser la cantidad ptima. Si "Qo,n+l" no es compatible, pasar al inciso "b". b) Calcular "Q,," y verificar si es compatible. Si es compatible, comparar "CT&,," con "CTAB,"; el menor costo indicar cul es la cantidad ptima. Si "Q,," no es compatible, pasar al inciso "c". c) Calcular "Qo,n-l" y verificar si es compatible. Si es compatible, comparar "CTAo,n-l", "CTABn-l" y "CTABc (debe observarse que se compara "CT&,n-l" con los costos correspondientes a todas las "BY que estn a la derecha y que la primera "BY tiene exactamente el mismo sub-ndice que "CTAo,n-l", es decir, el sub-ndice (n-1)). Como en el inciso "b",el menor de estos tres costos indicar cul es la cantidad ptima. Si Qo,n-l" no es compatible, pasar al inciso "d".
LL
d) Seguir calculando las dems cantidades "Qo,n-2","Qo,n-3":,etc., hasta que se encuentre una cantidad compatible "Q,?. Comparar entonces "CTA0,Y con los costos "CTABT, "cTA~i+l", ..., "CTAB,". El menor costo indicar la cantidad ptima.
Un proveedor tiene la siguiente poltica de descuentos para una determinada materia prima: K1 = $1O.OO/unid. K2 = $9.00/unid. K3 = $8.00/unid. Kq = $7.50/unid. Determinar el tamao ptimo de pedido suponiendo que CP=$300/pedido,F,= 25%/ao y D=5,000 unid./ao. Considerar que el costo de mantener es proporcional al precio. Q < 500 unid. 500 I Q < 1,000 unid. 1,000 I Q < 2,000 unid. Q 2 2,000 unid.
Solucin:
Segn lo explicado anteriormente, el primer paso ser calcular la cantidad "QOpw:

= 1,264 unid.
Observamos que si compramos esta cantidad al proveedor, ste nos cobrara el precio "K3". Como el sub-ndice 3 del precio no coincide con el sub-ndice 4 de la cantidad calculada, decimos que "Q0,4" no es compatible y procedemos a calcular "Qo,3'>'.
= 1,225 unid.
Si compramos esta cantidad el proveedor nos cobrara "K3", y como los sub-ndices coinciden, decimos que bbQo,3" es compatible. Cuando encontramos una cantidad compatible, no hace falta calcular ninguna otra cantidad y procedemos al clculo de los costos. El procedimiento requiere que calculemos el costo correspondiente a la cantidad compatible encontrada y los costos de todas las ''B? que estn a la derecha de sta, es decir, que sean mayores que la cantidad compatible encontrada. En nuestro ejemplo tenemos las siguientes "By: B1 = 500 unid.; B2= 1,000 unid.; B3 = 2,000 unid. y por lo tanto, slo la B3=2,000 es mayor que Q0,3=1,225. Esto indica que slo tenemos que calcular los costos correspondientes a b'Qo,3" y a "B3", es decir, "CT&,3" y "CTAB3": CT&,3
= (5,000/1,225)(300)
+ (1,225/2)(0.25)($8.00) + (5,000)($8.00) 2 $42,45O/afo.
El costo correspondiente a "B3" ser: CTAB~ = (5,000/2,000)(300) + (2,000/2)(0.25)($7.50)
+ (5,000)($7.50) = $40,125/a0.
Como "CTAB3"es menor que "CTAOswla cantidad ptima es: Q,

= B3= 2,000 unidades.
4.3.2 Modelo con costo de mantener constante Cuando el costo de mantener "Cm7' es constante las curvas correspondientes a los "CTAY sern "concntricas", es decir, todas pasarn por el mnimo en una misma cantidad "Q,,? dada por (vase tambin la Figura 4.8):
No habr ninguna otra diferencia, por lo que podemos seguir aplicando el mismo procedimiento. Debemos recordar, sin embargo, que para todos los "CTAY el costo de mantener "Cm ' ser el mismo.
7
FIGURA 4.8 Modelo con costo de mantener constante
IT\
CTAi
En la Figura 4.8, como ejercicio, sugerimos que el lector oscurezca la parte vlida de la lnea "CTAl" (de cero a Bi), la parte vlida de la lnea "CTA2" (de Bl a B2) y la parte vlida de la lnea "CTA3" (de B2 en adelante), e identifique el punto de costo mnimo.
Un proveedor tiene la siguiente poltica de descuentos: Q < 200 unid. 200 5 Q < 800 unid. 800 I Q < 1,500 unid. Q 2 1,500 unid. Ki = $20.00/unid. K2 = $15.00lunid. K3 = $12.00/unid. Kq = $lO.OO/unid.
Considerando un costo de mantener constante, determinar el tamao ptimo de pedido suponiendo que CP=$400/pedido,Cm$8/unid.aio y D=10,000 unid./ao.
Solucin:
De acuerdo al procedimiento, calculamos primero "Qo4" que de hecho va a ser idntica a la las dems "Q,$
Si compramos Q0,4=1,000 el proveedor nos cobra "K3", por lo que "Qop" no es compatible. "Calculamos" (entre comillas porque tambin va a ser 1,000) "Qo,3": Qo,3= 1,000 unid. Si compramos Q0,3=l,000el proveedor nos cobra "K3" y como los ndices coinciden concluimos que "Qo,J" es compatible (grficamente esto significa que la lnea gruesa pasa
142
por el mnimo de "CTA3"). Recordando que B1=200, B2=800 y B3=1,500, calculamos entonces:
+ (1,000/2)($8) + (10,000)($12) = $128,00O/ao. CTAB~ = (10,000/1,500)($400) + (1,500/2)($8) + (10,000)($10) = $lO8,667/ao.

CT&,3
= (10,000/1,000)($400)
Por lo tanto la cantidad ptima es: Q,

= B3= 1,500 unid..
4.3.3 Modelo con descuentos progresivos
Como mencionamos anteriormente, en el modelo progresivo tenemos un precio "KlW para las primeras "B1-1" unidades; las siguientes "B2-Bl" unidades cuestan "KT; y as sucesivamente. Por ejemplo, supongamos que B1=lOO, B2=200, B3=300 y compramos Q=250. Las primeras 99 sern cobradas a "K1"; las siguientes 100 sern cobradas a "KT y las siguientes 51 sern cobradas a "K3". El comportamiento de los costos se ilustra en la Figura 4.9 a continuacin. Observando la Figura 4.9 el lector debe recordar que la lnea "CTAl" es vlida slo de cero a "B1"; la lnea "CTAF es vlida slo de "B1" a "Bi'; etc.. Por 10 tanto, algunas "Qo,i))sern compatibles y otras no. La "Q,? compatible que conduzca al costo total anual m'nimo es ptima. Curiosamente, en este modelo las 'BY no pueden ser ptimas nunca. Para verificar esto sugerimos, como en el inciso anterior, que el lector oscurezca en la Figura 4.9 las partes vlidas de cada una de las curvas.
FIGURA 4.9 Modelo con descuentos progresivos
'r
COSTO TOTAL
Analizaremos el modelo con costo de mantener constante por ser mucho ms sencillo, proporcionando la ecuacin matemtica de las lneas "CTA?, el punto mnimo de stas y la condicin de optimalidad.
143
Si hay 3 'B? (cambios de precio), como en la Figura 4.9, hay 4 rangos de precio diferentes: Rango #1: O < Q <Bl. Rango #2: Bl I Q < B2. Rango #3: B2I Q < BS. Rango #4: Q 2 Bg. Si compramos una cantidad en el rango #1, slo el precio "K1" estar activo; si compramos una cantidad en el rango #2, tanto "Kl" como "K2" estarn activos, ya que las primeras (Bl-1) unidades sern compradas a "KlV y las restantes [Q-(B1-l)] sern compradas a "KT. Siguiendo con la misma lgica, concluimos que en el rango #3 estarn activos "KiV,"K2" y "K3)), y en el rango #4 estarn activos "KI", "K2)', "K? y "U'. La ecuacin matemtica de la lnea "CTAlm,vlida nicamente para O<Q<Bl, es la siguiente:
Q +-C, D CTA, =-Cm 2 Q
+ D.K1
que pasa por el mnimo en la cantidad:
Dicha cantidad solamente ser compatible si se ubica en el rango #1, o sea, O<Q<Bl. En cuanto al costo "CTA2", tenemos: CTA,
Q +-C, D =-cm
2
+{(B, -I)(K,)+[Q-(B, -u~K,)}-D
ya que, de la cantidad " Q , (Bl-1) unidades se compran a "Kl" y [Q-(Bl-1)] se compran a "KT, y esto ocurre D/Q veces al ao. Por simplicidad, hagamos (BI-l)=B'l, (B2-1)=B92, (B3-1)=B'3, etc.:
ste es equivalente a un modelo bsico con "costo de preparacin" igual a:
c, + (B'l )(Kl) - (B', 1 6 2 )

Por lo tanto, el punto 1111'nirno corresponde a la cantidad:
Qo,2
Dicha cantidad slo es compatible si se encuentra en el rango #2, es decir, Bl<Q<B2. Anlogamente, encontramos que:
(2)(D)[Cp+ (B'l )(Kl) - (B'l )(K2)1
cm
Dicha cantidad slo es compatible si se encuentra en el rango #3, es decir, B21Q<B3.
Y finalmente:
Dicha cantidad slo es compatible si se encuentra en el rango #4, es decir Q2B3. Seguiramos calculando "CTAY y "Q,? de la misma manera si hubiera ms cambios de precio. La cantidad "Q,T compatible que conduzca al menor "CTA? jes ptima! Resumiendo, el procedimiento para el modelo progresivo es el siguiente: a) Calcular todas las "Qo,i". b) Verificar cules "Q,? son compatibles. c) Calcular los "CTA,? slo de las "Qo,? compatibles. d) El mnimo "CT&,{' identificar la "Q,,:' ptima.
Supongamos que el proveedor tiene la siguiente poltica de descuentos: Las primeras 499 unidades, a Ki=$lO.OO. Las siguientes 500 unidades, a K2= $9.00. Las siguientes 4,000 unidades, a K3= $8.00. Las siguientes, a Kq = $7.50. En otras palabras, tenemos B1=500, B2=1,000, B3=5,000. Adems tenemos que D=5,000 unid./ao, Cp=$300/pedidoy Cm=$2.50/unid.ao. Determinar la cantidad ptima a comprar.
Solucin:
Para empezar recordemos que B'1=499, B ' ~ 9 9 9 y B73=4,999.Las cantidades "Q0,i" son las siguientes:
Q ,= ~
-/
a 1,095 unid.
Q , l = 1,095 > Bl = 500, jno es compatible! (2)(5,000)[300+ (499)(10) - (499)(9)] E1,787 unid. 2.50 Qo,2= 1,787 > B2 = 1,000, jno es compatible!
Q0,2
Qo,3
B2 I
=
(2)(5,000)[300 + (499)(1O ) + (500)(9) - (999)(8)] r 2,68 1unid. 2.50 < B3, por lo que jQo,~ es compatible!
Q,4
'(2)(5,000)[300 + (499)(10) + (500)(9) + (4,000)(8) - (4,999)(7.50)] = 4,146 unid. 2.50 = 4,146 < Bj = 5,000, jno es compatible!
es compatible, por lo que es ptima. El costo correspondiente a Conclusin: slo "Qo,~" CCQo,3')' es: 2,681 CTA,, = 2.50 + 5,000[300 + (499)(10) + (500)(9) - (999)(8)] + (5,000)(8) 2 2,681
Si el costo de mantener fuera proporcional al precio, el modelo se complicara bastante, porque en cada uno de los rangos hay varios precios activos. El precio del material resultara ser una media ponderada "K7' de los precios "K?. Si "F," es el costo de mantener en forma porcentual, entonces C,=F,. K , y ste sera una funcin de " Q . 4.4 MODELO PARA PRODUCTOS TERMINADOS MLTIPLES Cuando una empresa utiliza el mismo equipo (o grupo de equipos) para la fabricacin de vari; productos terminados, no siempre es posible calcular los lotes ptimos usndose la frmula:
Esto se debe al hecho de que obtendramos lotes ptimos Q,J, Qo2, ...Qo,n que no necesariamente seran factibles de fabricarse sin que se agotaran las existencias de uno o ms de ellos. En otras palabras, podra darse el caso de que los productos fueran fabricndose en forma secuencia1 y el inventario del producto "i" se agotara antes de que se completara un ciclo y se volviera a fabricarlo. En este caso, ser necesario fabricar
146
lotes diferentes de los lotes "ptimos" calculados con la frmula que se encuentra arriba (la palabra "ptimos" est entre comillas porque si no son factibles dejan de ser ptimos). Cuando hay problemas de agotamiento de existencias antes de que se complete un ciclo, el procedimiento alternativo es determinar un nmero de ciclos al ao nico para todos los productos y con base en ste determinar nuevas cantidades. Si el nmero de ciclos es ptimo (N,) las nuevas cantidades tambin sern ptimas. A continuacin N ; : deducimos la frmula que nos proporciona " Si cada producto "i" se fabrica "N'' veces al ao, tenemos:
El nivel de inventario de cada producto "i" variar como se indica en la Figura 4.10. Durante el tiempo "T,? hay produccin y demanda, y durante el tiempo "Td,i)' hay slo demanda. Durante "Td,i))los lotes de los dems productos sern fabricados.
FIGURA 4.10 Comportamiento del inventario del producto "i"
..
'..,
> -
T,j
< . <
Taj Ti
> > >

TIEMPO
<
Puede demostrarse que el inventario medio para el producto "i" en las condiciones de la Figura 4.1 0 es:
-
Ii
= Imk,i/2 = (1-Di/Pi)(Qi/2)
h e s t o que Qi=Di/N, tenemos:

-
Ii
= (1-Di/Pi)(Di/2N)
Consecuentemente, el costo de mantener anual del producto "i" ser: CMAi = (1-Di/Pi)(Di/2N)(Cm,i) El costo de mantener anual de todos los "k"productos ser:
Captulo N:Control de Inventarias
Como hay "N" ciclos por ao (para todos los productos), el costo de preparacin anual ser: CPA = N .
CC,,
i=l
Finalmente, el costo total anual ser:
Derivando respecto a "N", igualando a cero y despejando se encuentra la " N ptima:
El costo total anual mnimo sera
Como puede observarse, este procedimiento parte del supuesto de que s es posible realizar " N ciclos de fabricacin al ao, y que para cada uno de los "k" productos ocurrir lo que se muestra en la Figura 4.10. Sin embargo, como se ver a continuacin, este mtodo no siempre es aplicable. Si suponemos que el tiempo de preparacin de la(s) mquina(s) para el producto "i" es "Tm,i", el ciclo de fabricacin, es decir, el perodo de tiempo total entre dos corridas consecutivas del producto "i", ser: CICLO =
C( T , + ~T ,
Si ahora observamos la Figura 4.11, podemos concluir fcilmente que para cualquier producto "i" el perodo de tiempo "Ti" tiene que cumplir con:
Si utilizamos la frmula Q0,i=Di/N, para calcular las corridas de cada producto, los perodos "Ti" de todos los productos sern idnticos e iguales a:
Por lo tanto, la realizacin de 'WN,"ciclos al ao solamente ser posible cuando:
FIGURA 4.11 Factibilidad de produccin del producto "i"
<
z U p , i + Twi)
>
TIEMPO
>
Si suponemos que los "T,?
son muy pequeos en relacin a los "Tp,i)),podemos escribir:
Como TP,i= Q0j/Pi= (Di/N,)(l/Pi), tenemos:
Esta ltima ecuacin muestra claramente que la posibilidad o imposibilidad de la aplicacin de este mtodo no depende de "N". En otras palabras, si XDi/Pi<l, la
149
fabricacin de los productos ser posible para cualquier valor de " N . Sin embargo, slo un valor de " N conduce a un costo total anual mnimo y ste est dado por la frmula:
No=Ii=l
2Ac
P . '
Por otro lado, si CDi/Pi>l, el problema ser imposible (sin faltas de existencia) para cualquier valor de " N La condicin de factibilidad CDi/Pi<l es relativamente obvia, ya que para cada producto el cociente Di/Pi representa el tiempo total en aos para que se pueda fabricar la demanda anual "Di". Si la suma de todos estos Di/Pi es mayor que uno, esto indica que para la fabricacin de las demandas anuales de todos los productos se necesitara ms de un ao. En otras palabras, si CDi/Pi>l, la capacidad anual de produccin del equipo sera insuficiente para la fabricacin de todas las "Di". Concluyendo, cuando CDi/Pi>l, la fabricacin de los "k" productos ser imposible, no importando el mtodo que se utilice. De este anlisis podemos deducir que cuando queremos determinar los lotes ptimos factibles de productos mltiples, el procedimiento ms adecuado sera el siguiente: a) Calcular CDi/Pi.Si este valor es mayor que uno, la fabricacin de los "k"productos ser imposible. Si CDi/Pies menor que uno, realizar el siguiente paso. b) Calcular las cantidades "Q0,? utilizando el modelo bsico. c) Verificar la factibilidad de las cantidades "Q,Y obtenidas en el paso anterior. Si las cantidades "Qj" no son factibles, realizar el siguiente paso. d) Calcular el nmero ptimo de ciclos mediante la frmula:
".=ii='
2Ac
P . '
e) Calcdir las nuevas cantidades "Q'o,(' mediante la frmula Q',i = Di/No.Estas cantidades sern siempre factibles si CDi/Pi<l.
Determinar las cantidades ptimas factibles de tres productos terminados con base en la siguiente informacin: PRODUCTO 1 2 3 Di 4,000 1,500 500 Pi 25,000 5,000 1,000 Cm,i $10 $20 $15 C,i $200 $100 $300
Captulo N:Control de Inventarios
Solucin: a) Clculo de ZDi/Pi: ZDi/Pi= 4,000125,000 + 1,50015,000 + 50011,000 = 0.96 aos < 1. Por lo tanto, pasamos al inciso "b". b) Clculo de las ''QO,? utilizando el modelo bsico:
= 436 unid.
= 146 unid.
(20)(1- 1,50015,000)
c) Verificar la factibilidad de las "Q,r: Ti = Q,i/Di = 43614,000 = 0.109 aos T2 = Q0,21D2= 14611,500 = 0.097 ao T3 = Qo,3/D3 = 2001500 = 0.400 aos Los tiempos de fabricacin de l a . cantidades ''QO,? son: Tp,i= Qo,i/P1 = 436125,000 = 0.017 aos Tp,2= Qo,2/P2 = 14615,000 = 0.029 aos TP,3= Q0,3/P3= 200l1,OOO = 0.200 aos El ciclo total de fabricacin ser entonces (ignorando los tiempos de preparacin): Ciclo = XTp,i= 0.017 + 0.029 + 0.200 = 0.246 &OS. Se puede observar que el ciclo=0.246 aos es mayor que "Ti7'y "T2", por lo que estas cantidades "Qo,i))no son factibles. d) Clculo del nmero ptimo de ciclos:
i
i
( 1- i 2 C c P4
i=l
)
=
N, =
J p 58,350
(2)(600)
= 6.97 ciclos E 7 cicloslafio.
e) Clculo de las nuevas cantidades "Q'o,i)):

Q70,1 = D1/No= 4,00017 = 571 unid. Q'o,2= D2/No= 1,50017 = 214 unid. Q3,,,3 = D3/No= 50017 = 71 unid. No hace falta verificar si son factibles, ya que CDi/Pi<l.
4.5.1 Generalidades
En los modelos de inventarios formulados anteriormente hemos supuesto, entre otras cosas, que: a) La tasa de demanda es constante y conocida. b) El tiempo de entrega es constante y conocido. c) Lo anterior permite que los pedidos de materiales o los lotes de productos siempre lleguen al almacn exactamente cuando el inventario de stos se agotan. En la vida real, sin embargo, estas suposiciones casi nunca son verdaderas. Por ejemplo, los proveedores no siempre cumplen los plazos de entrega de las materias primas y esto obviamente puede causar el agotamiento del inventario de stas antes de la llegada de los pedidos. Anlogamente, si la tasa de ventas de los productos terminados es mayor que la tasa prevista, el inventario de stos puede agotarse antes de que los primeros productos de los lotes fabricados lleguen al almacn. Debido a esto, es siempre necesario mantener inventarios de seguridad "1," para reducir la posibilidad de una eventual falta de materiales o productos. El nivel del inventario de seguridad depender bsicamente del cumplimiento de los plazos de entrega, de la magnitud de las variaciones de la demanda y del riesgo de agotamiento que quiere correr la empresa. Obviamente, cuanto mayor sea el inventario de seguridad, menor ser el riesgo de agotamiento de las existencias y, como consecuencia, menores sern los costos relativos a la falta de dichas existencias. Sin embargo, cuanto mayor sea el inventario de seguridad, mayor ser el costo de mantener. Por lo tanto, el problema que tenemos que resolver es la determinacin del nivel ptimo del inventario de seguridad, de tal forma que se minimice la suma de todos los costos del modelo. Como el valor de " Q afecta la frecuencia con que pedimos/fabricamos y sta a su vez afecta el nmero esperado de faltas, la determinacin del nivel ptimo del inventario de seguridad se tiene que llevar a cabo simultneamente con la determinacin del pedidollote ptimo. Esto hace los modelos ms complejos y nos obliga a utilizar derivadas parciales. A continuacin analizaremos 2 modelos probabilsticos de inventarios de materias primas y cmo deben determinarse los parmetros ptimos de cada uno de ellos. No creemos que sea necesario analizar tambin el caso de los inventarios de productos terminados, ya que lo que ser expuesto para los inventarios de materias primas es igualmente aplicable a los inventarios de productos terminados. Analicemos inicialmente la Figura 4.12 y supongamos que el tiempo de entrega "T," es constante y conocido. Si la tasa de demanda tambin es constante, realizamos un nuevo pedido siempre "T" unidades de tiempo despus de la realizacin del pedido anterior, que es lo mismo que realizar el pedido "T," unidades de tiempo antes de que el inventario se agote. En este momento, el nivel del inventario ser siempre "Q,", el cual llamaremos punto de reorden. Ahora bien, si la tasa de demanda empieza a variar y determinamos " Q : ' con base en la demanda media, al terminarse el perodo "T" el nivel del inventario podr ser mayor o menor que "Q: , ' es decir, podr ser "Qi" "Q2", respectivamente (vase la Figura
152
4.12). Anlogamente, el nivel de los inventarios podr llegar a " Q : ' antes o despus de las "T" unidades de tiempo. Debido a esto, se agrega un inventario de seguridad y pueden adoptarse dos modelos de inventarios: a) Si se hace un pedido igual a " Q (constante) siempre que el inventario llega a un nivel "Q:, ' independientemente del tiempo necesario para que esto ocurra, el modelo de Q : ' y inventarios se llama "modelo de punto fijo". Existen valores ptimos para " Q , " para el inventario de seguridad. b) Si se hace un pedido "Q" (variable) cada "Y unidades de tiempo, independientemente del nivel de las existencias, el modelo de inventarios se llama "modelo de ciclo fijo". Existen valores ptimos para "T" y para el inventario de seguridad.
FIGURA 4.12 Distincin entre "cantidad fija" y "frecuencia fija"
Demanda mayor que la media Demanda menor
Qr
>
4.5.2 Modelo de punto fijo
La Figura 4.13 muestra un modelo de punto fijo el cual incluye inventario de seguridad. La demanda es variable pero, momentneamente, mantendremos el tiempo de entrega constante. Como dijimos anteriormente, la persona encargada de la realizacin de los pedidos se fija nicamente en el nivel del inventario y cuando ste llega a " Q : ' realiza un nuevo pedido " Q . Como la idea es imitar el modelo bsico, "Q" puede ser igual a la "Q," de ste, a pesar de que ms adelante veremos que la " Q," del modelo bsico no es verdaderamente ptima (vase el inciso 4.6). Como la demanda es variable, se grafica el modelo como si la demanda fuera media durante todo el ao y se calcula " Q : ' con base en esta demanda media. Esto implica que, siempre que la demanda sea mayor que la demanda media durante "T,", ocurrir una falta de existencias. Si graficarnos en la Figura 4.13 la demanda mxima (dmx) que queremos satisfacer durante "T,", obtendremos la falta que corresponde a esta demanda mxima. Si adoptamos un inventario de seguridad igual a esta falta, slo ocurrir una falta cuando la demanda supere dicha demanda mxima (vase la Figura 4.13). Ya con el inventario de seguridad puesto, el punto de reorden se calcula fcilmente as:
Tambin puede observarse que el inventario de seguridad es simplemente la diferencia entre el nmero de unidades consumidas a un nivel mximo de demanda (dmh) y a un nivel medio de demanda durante el tiempo de entrega (T,).
(a),
FIGURA 4.13 Modelo de punto fijo
Si "T," es constante el inventario de seguridad se determina as: 1, = (dm, - d )Te,es decir, (dmh - d ) durante el tiempo "T,". Si la demanda sigue una distribucin normal, la diferencia (d&- d) puede expresarse Z "de desviaciones estndares de la demanda (Sd), como se indica en la como un nmero " Figura 4.14 a continuacin:
-
FIGURA 4.14 Demanda mxima y probabilidad de falta
154
Por lo que el inventario de seguridad puede calcularse as:
Es vital entender bien esta ltima frmula matemtica: el inventario de seguridad se obtiene multiplicando un valor de "Z" seleccionado previamente por la desviacin estndar de la demanda durante "T,". Ninguna otra desviacin sirve! En otras palabras, si Te=l semana, necesitamos la desviacin estndar de la demanda semanal; si Te=l mes, necesitamos la desviacin estndar de la demanda mensual; y as sucesivamente. Afortunadamente, las varianzas son proporcionales a los perodos, por lo que si tenemos una desviacin cualquiera (S'd) correspondiente al perodo "T,", la desviacin correcta (Sd)correspondiente a "T," est dada por la siguiente regla de tres:
-------------- Tx
-----
Te
que resulta en:
Por otro lado, a cada valor de "Z" corresponde una probabilidad de falta diferente (vase la Figura 4.14). "Nivel de servicio" se define como N.S.=[l- falta)]. Si no queremos optimizar (la optimizacin se presenta en el inciso 4.6), simplemente escogemos una probabilidad de falta que nos parezca "razonable" y determinamos el inventario de seguridad correspondiente. Ahora bien, qu pasa cuando el tiempo de entrega del proveedor tambin es variable? El lector puede "ver" la situacin imaginando que en la Figura 4.13 la pendiente de la demanda est aumentando y disminuyendo, mientras que el tiempo de entrega se est ensanchando y estrechando simultneamente. La situacin es ms sencilla desde el punto de vista estadstico de lo que pueda parecer a primera vista, ya que cuando el tiempo de entrega empieza a variar es como si la demanda estuviera variando ms, es decir, con una desviacin estndar "S" mayor que " S ; . Para obtener "S" lo primero que tenemos que hacer es calcular la desviacin del tiempo de entrega, que estar dada en unidades de tiempo (S9Te),y transformarla a unidades de demanda (STe)de la siguiente manera:
Despus, las dos varianzas (de la demanda y del tiempo de entrega) se suman y se obtiene la varianza total (o equivalente) "s2 ":
que puede escribirse as:
Captulo N: Control de Inventarias
155
Una vez que se obtiene "S" el inventario de seguridad se determina de la misma manera, es decir: Is= z.s Veamos ahora qu pasa con los costos totales anuales del sistema de punto fijo. Obviamente, la frmula CTA = (4012) (Cm) + (D/Qo)(Cp) ya no es suficiente porque no incluye el costo de mantener el inventario de seguridad ni el costo de las faltas. La nueva frmula sera: C M A I S+ CFA CTA = (Qo/2) (Cm)+ (D/Qo)(Cp)+ C
= costo de mantener anual del inventario de seguridad. donde: CMAI~ CFA = costo de faltante anual.
El "CMAI," es simplemente "Is.Cm", mientras que el "CFA" depende del comportamiento del costo de faltante. En este texto consideraremos un costo medio fijo porfalta "C, ",de tal manera que podemos escribir: CFA = (N 0 de faltas/aiio)(C,) = (N, )(E,) = [p(falta)](No)(Cf) donde " N," es el nmero de veces al ao que pedimos la cantidad "Q," . Sustituyendo, tenemos: CTA = ( Q 3 ) (Cm) + (D/Qo)(Cp)+ (Is)(cm) + ~p(falta)l
)(E,)
Resumiendo, cuando no queremos optimizar, el procedimiento para la aplicacin del modelo de punto fijo es el siguiente: a) Determinar la cantidad Qo= ~(~)(D)(c,)/(c,) .
b) A partir de la "S'd)' disponible calcular S, = S',
c) A partir de la "S'T;' disponible calcular SR = d .S9.rc d) Determinar la desviacin estndar total S =
,/m.
e) Determinar el valor de "Z" de acuerdo a la probabilidad de falta que se haya elegido.

f) Determinar 1, = Z.S.
g) Determinar el punto de reorden Q, = d . Te+ Is.
h) Calcular CTA = (Qd2)(Cm) + (DQ)(Cp) + &)(Cm) + [p(falta)l(N,)(Cf) =

= (Qd2)(Cm) + (D/Qo)(Cp) + (W(Cm) +
[~(falfa)lW~, )
156
Considerando una distribucin normal tanto para la demanda como para el tiempo de entrega, las probabilidades de falta utilizadas con ms frecuencia son las siguientes (vase cualquier tabla de la distribucin normal): Probabilidad de falta 0.100 0.050 0.025 0.01O Nivel de servicio 0.900 0.950 0.975 0.990 Valor de
" Z "
1.28 1.65 1.96 2.33
Con demanda y tiempo de entrega variables, el comportamiento del inventario, bajo un modelo de punto fijo, sera como el que se muestra en la Figura 4.18 del inciso 4.6. A pesar de que es poco frecuente que el tiempo de entrega "T," sea mayor que el tiempo "Y, queremos comentar rpidamente cmo esto afecta la aplicacin del modelo de punto fijo. La situacin se muestra en la Figura 4.15 a continuacin. En ella puede verse que se hace un pedido antes de que el anterior llegue y que la frmula para el clculo del punto de reorden cambia a:
Todo lo dems permanece sin cambio.
FIGURA 4.15 Modelo de punto fijo con "T," mayor que 'cT"
>
Te
que se hace el pedido
<
>
>:
TIEMPO
Supongamos que la demanda semanal de un determinado material tiene media 150 unid. y desviacin estndar 12 unid.. Adems, sabemos que: C, = $1001pedido; Cm= $&.OO/unid.aiio; = 2 semanas; S'Te= 0.17 semanas; C, = $8,00O/falta; D = (52 sem./~o)(l50 unid./sem.) = 7,800 unid./aiio.
Captulo TV: Control de Inventarias
157
Determinar todo lo necesario para que pueda usarse el modelo de punto fijo con. probabilidad de falta igual a 0.025 y explicar cmo funcionara el sistema.
Solucin:
a) Determinar la cantidad Qo= ~(~)(D)(c,)/(c,) . Qo= ,/(2)(7,800)(100)/(8) E 442 unid. b) Determinar "Sd)' a partir de la "S'd)' disponible.
"STe)'a partir de la "S'Te))disponible. c) Determinar S,, = d .Sf, = (150 unid./sem.)(0.17 sem.) = 25.50 unid. d) Determinar la desviacin estndar total.
S=J=
416.97~ + 25.50~= 30.63 unid.
e) Determinar el valor de "Z" de acuerdo a la probabilidad de falta que se haya elegido. Para p(fa1ta) = 0.025, Z = 1.96.
f) Determinar el inventario de seguridad. 1, = Z.S = (1.96)(30.63) E 60 unid.
g) Determinar el punto de reorden. - Qr = d . Te + Is = (150)(2) + 60 = 360 unid. h) Calcular CTA. CTA = (Qd2) (Cm) + (D/Qo)(Cp)+ (Is)(Cm) + [~(falta)l@/~, ) CTA = (442/2)(8) + (7,800/442)(100) + (60)(8) + (0.025)(7,800/442)(8,000) CTA = $7,542.12/ao.
)(cf
i) El sistema funcionara de la siguiente manera: cada vez que el inventario llegue a 360 unid. se pide una Qo=442 unid.; trabajando de esta manera la probabilidad de falta ser de 0.025 y el costo total anual ser de $7,542.12/ao.
4.5.3 Modelo de ciclo fijo
La Figura 4.16 muestra un sistema de ciclo fijo y cmo se determina la lnea representativa del inventario en la mano y sobre pedido, el cual es simplemente la suma de las existencias de la empresa ms la cantidad ya pedida al proveedor (pedido pendiente). El valor mximo de esta lnea llamaremos "inventario objetivo" 0,). Para no complicar la Figura 4.16 hemos considerado una demanda constante, sin embargo sta podr, obviamente, ser variable. Obsrvese que con la idea de "imitar" lo ms de cerca posible el modelo bsico, el inventario objetivo se determina para la demanda media. En la Figura 4.16 podemos observar lo siguiente:
158
a) El inventario en la mano (existencias) est representado por la lnea continua. El inventario en la mano + sobre pedido est representado por la lnea punteada. La lnea punteada est ligeramente desplazada de su lugar correcto para que pueda ser vista en su totalidad. b) Las lneas corresponden a una demanda constante igual a la demanda'media como si el modelo fuera bsico. Por lo tanto, el inventario objetivo corresponde a esa situacin. Como queremos "imitar" el modelo bsico, el modelo de ciclo fijo utiliza el inventario objetivo del modelo clsico, es decir:
Obsrvese que la cantidad pedida es siempre lo que falta para llegar a ese inventario objetivo. En otras palabras, si "1," es la cantidad en existencia, el sistema de ciclo fijo siempre pide 1,-1,. Si hubiera alguna cantidad pendiente "P," en el momento de ordenar, sta debera tambin ser restada de "1,". Por lo tanto, la frmula correcta para determinar la cantidad a pedir es Q=Io-1,-PP.
FIGURA 4.16 Modelo de ciclo fijo

en la mano + sobre pedido
. : i
p .
Inv. 7
A
: :
....
? . :
: 5
..
i
. ',
.'..
1 0
mano
Demanda media
I: ' ......
d.Te
...............
Demanda mxima 1
. .
1s
t_ Falta i . : s . : .... :
TIEMPO
> .
c) El inventario de seguridad se determina como sigue (vase la Figura 4.16): 1, = (d,,

- d),,,,
= (d,,
- d) durante el perodo (Te+ T).
Esto implica que si tenemos una desviacin estndar cualquiera "S'd)' debemos corregirla, por medio de la regla de tres, para que corresponda al perodo (Te+ T).
159
d) Cuando llega la cantidad pedida, la lnea del inventario en la mano y la lnea del inventario en la mano + sobre pedido resultan idnticas (la segunda est ligeramente desplazada). Cuando "T," es mayor que "T" las lneas nunca se sobreponen (vase la Figura 4.17). T," es pequeo en relacin a "T" nunca hay ms de un pedido pendiente. e) Cuando " Cuando "T," es grande y10 muy variable puede haber, en un momento dado, ms de un pedido pendiente (vase la Figura 4.17).
f) El tiempo entre la realizacin de dos pedidos consecutivos (T) es igual al tiempo entre
la llegada de dos pedidos consecutivos nicamente cuando "T," es constante (lo que ocurre en la Figura 4.16). Cuando el tiempo de entrega es variable esta igualdad ya no se cumple (vase la Figura 4.19 del inciso 4.6). Con frecuencia el perodo "T" se llama "perodo de revisin", ya que cada "T" unidades de tiempo se "revisa" el inventario en la mano y se pide lo que falta para completar " 1 , " . Si no queremos optimizar (la optimizacin se har en el siguiente inciso) el mejor valor de "T" es To = QJD = frecuencia del modelo bsico. Cuando "T," tambin es variable las varianzas de la demanda y del tiempo de entrega se suman como en el caso del modelo de punto fijo. En cuanto al costo total anual (CTA) la frmula es bsicamente la misma del modelo de punto fijo, pero conviene sustituir "Q," por "d .T,": CTA = ( a . ~ d 2(Cm) ) + @ / a .To)(Cp)+ (Is)(cm) + [p(falta)](No)(C,)
Con frecuencia, " T," resulta poco prctica (por ejemplo, 2.8 semanas) y decidimos redondearla (por ejemplo, a 3 semanas), por lo que nos conviene la siguiente versin ms general de "CTA": CTA = ( d . ~ / 2 ) (Cm) + .T)(c~)+ (Is)(Cm) + [p(falta)](N)(C,),
donde " N corresponde a la frecuencia "T" adoptada (por ejemplo, si T=l mes, entonces N=12). Concluyendo, tanto para Te<T como para Te>T, el procedimiento del modelo de ciclo fijo (sin optirnizar) es el siguiente: a) Determinar la frecuencia del modelo bsico To = QolD= J(~)(c,) /(D)(C,) b) A partir de la disponible calcular Sd - S'
diF.
2
c) A partir de la "S'T~)' disponible calcular STe= d .S'Te. d) Calcular la desviacin estndar total S = ,/sd2 + SS,
e) Determinar el valor de "Z" de acuerdo a la probabilidad de falta que se haya elegido.

f) Determinar 1, = Z.S.
g) Determinar el inventario objetivo 1, = 1, + d (Te+ T,).
- -
160
h) Determinar CTA = ( d .Td?)(Cm).+ ( ~ l .To)(Cp) d + (Is)(Cm) + [p(falta)](No)(Cf)= = ( a .Td2)(Cm) + DI^ .To)(Cp) + (Is)(Cm)+ [p(fdta)](~/d.~o)(cf ).
i) Considerando que 1. = inventario en existencia y Pp= pedidos pendientes, el sistema de ciclo fijo pide una cantidad Q = 1, - 1,- P, cada "T," unidades de tiempo.
FIGURA 4.16 Modelo de ciclo fijo con "T," mayor que "T"
...........
la mano y
''-S
......
-.....
Inv. en la mano
-'.
' 2 . .
" . . .
.......S : i
/ I \
l ' v \ \ ' . . . . '

d.T,
........
.......
1s
w
N!\
< <
T
Te
>
>
TIEMPO
Supongamos los mismos datos del ejemplo numrico de punto fijo y mantengamos la misma probabilidad de falta. Cmo funcionara un sistema de ciclo fijo? Solucin: a) Determinar la frecuencia del modelo bsico: To= QoD= J(~)(c,) /(D)(c,) = ,/(2)(100) /(7,800)(8) = 0.0566 aos = 2.94 sem. b) A partir de la " S & '' S, = S',
d y ,/y
disponible calcular:
= 12 = 26.67 unid.
c) A partir de la 'bS'Te"disponible calcular: = (150 unid./sem.)(0.17 sem.) = 25.50 unid. STe= d d) Calcular la desviacin estndar total:
=,/m +
= 426.67'
25.502 = 36.90 unid.
161
e) Determinar el valor de "Z" de acuerdo a la probabilidad de falta que se haya elegido. Para p(fa1ta) = 0.025, Z = 1.96.
f) Determinar el inventario de seguridad: 1,= Z.S. = (1.96)(36.90) E 72 unid.

g) Determinar el inventario objetivo: - 1, = 1, + d (Te+ To) = 72 + (150)(2 + 2.94) = 813 unid. h) Determinar CTA: CTA = ( d . ~ d 2()C 3 + ( ~ / .T.)(%) d + ((&Cm) + [p(falta)](D/d.~,,)(Cf) CTA = [(150)(2.94)/2](8) + [7,800/(150)(2.94)](100)+ (72)(8) + + (0.025)[7,800/(150)(2.94)](8,000) = $7,646.12/afo. i) El sistema funcionara as: cada 2.94 semanas se cuenta el inventario en la mano (1,) y se pide una cantidad Q=Io-1,-Pp=8 131,PP. Si consideramos que T0=2.94 semanas no es conveniente y decidimos adoptar T=3 semanas, las frmulas arriba permiten fcilmente el clculo de todos los parmetros del nuevo sistema. Se sugiere que el lector los realice. 4.5.4 Observaciones finales Como todo en la vida, los modelos de punto fijo y ciclo fijo tienen sus ventajas y desventajas. Con el de punto fijo la empresa y el proveedor saben cunto se va a pedir pero no saben cundo. Con el de ciclo fijo saben cundo pero no saben cunto. En Mxico, hay una publicidad de una bebida alcohlica que termina ms o menos as: "t sabes cundo y t sabes cunto ..." . Esto definitivamente no ocurre con los sistemas de punto fijo y ciclo fijo, porque con el primero "t sabes cunto pero no sabes cundo" y con el segundo "t sabes cundo pero no sabes cunto"... El sistema de punto fijo tiene la ventaja de requerir un inventario de seguridad menor para el mismo nivel de servicio. Por ejemplo, en los ejemplos numricos arriba, para la misma probabilidad de falta de 0.025, el modelo de punto fijo requiri un I,=60 unid. y el modelo de ciclo fijo un I,=72 unid.. Esto obviamente incrementa los costos totales anuales del modelo de ciclo fijo. Otra ventaja del modelo de punto fijo es la facilidad de combinarlo con el modelo de descuentos por cantidad. Se aplica ste antes, para determinar "Q,", y despus se determinan todos los dems parmetros del modelo. Por otro lado, el modelo de ciclo fijo es particularmente til cuando la empresa compra muchos materiales a un mismo proveedor y desea comprarlos todos al mismo tiempo. Yo personalmente particip en un proyecto de control de inventarios que consisti en la determinacin de la poltica ptima de compras de los materiales de una empresa que se dedicaba a la fabricacin de antiojos. Entre otros, la empresa compraba lentes de cristal brutos y semi-terminados en diversas medidas. Muchos de stos se compraban al mismo proveedor. Si usramos el sistema de punto fijo, el punto de reorden de cada lente sera alcanzado en un momento diferente y en distintos das tendramos que realizar pedidos a dicho proveedor. Decidimos abandonar el sistema de punto fijo y adoptar el de ciclo fijo. Se estableci una fi-ecuencia nica "T" para todos los lentes de dicho proveedor, se determinaron los inventarios objetivo de cada material y cada "T"
162
unidades de tiempo se haca un solo'pedido al proveedor que inclua todas las cantidades QiZIo,i-Ie,i-Pp.i. Por ltimo queremos mencionar que, seguramente, el modelo de punto fijo es ms cmodo y ms fcil de entender. Por lo tanto, no es extrao que la gran mayora de las empresas lo prefiere.
4.6 OPTIMIZACINDE LOS MODELOS DE PUNTO FIJO Y CICLO FIJO 4.6.1 Generalidades
En este inciso analizaremos la optimizacin de los modelos de inventarios de materias primas de punto fijo y ciclo fijo. Consideraremos que el lector ya tiene conocimientos bsicos de ambos sistemas, por lo que partiremos de las frmulas que definen cada uno de ellos. En el caso del sistema de punto fijo, se pide siempre una misma cantidad " Q cada vez que el inventario llega o rebasa un determinado nivel llamado punto de reorden (Q,). Si tanto la demanda del artculo como el tiempo de entrega del proveedor son variables, tendremos la situacin que se muestra en la Figura 4.18:
FIGURA 4.18 Modelo de punto fijo con "D" y "T," variables
El punto de reorden (Q,) del sistema de puntofijo se calcula mediante la frmula que se muestra a continuacin; las frmulas para el clculo de la cantidad a ordenar (Q) y del inventario de seguridad (1,) se estudiarn ms adelante. Q,
=&Te+ 1,
donde: Q, = punto de reorden. d = demanda media (por ejemplo, unid./semana). Te = tiempo de entrega medio del proveedor. 1, = inventario de seguridad.
163
En el caso del sistema de ciclo fijo se pide siempre cada "T" unidades de tiempo, una cantidad variable correspondiente a la resta "inventario objetivo (1,) menos existencias en el almacn menos pedidos pendientes", como se indica en la Figura 4.19 a continuacin.
FIGURA 4.19 Sistema de ciclo fijo con "D" y "Te" variables
10
--
1s
<
Tel
+ ;
T T T T
>
>'
TIEMPO
El inventario objetivo ( I , se )calcula mediante la frmula que se muestra a continuacin; las frmulas para el clculo de la frecuencia (T) y del inventario de seguridad ( I , sern ) discutidas ms adelante. 1, =d(T, +T) +I, donde: 1 = inventario objetivo. d = demanda media. Te= tiempo de entrega medio. T = frecuencia segn la cual se pide o "perodo de revisin". 1, = inventario de seguridad.
4.6.2 Optimizacin del modelo de punto fijo

El costo total anual de un sistema de punto fijo se expresa de la siguiente manera: CTA = CMAQ+ CPA + CMAIs+ CFA donde: CTA = costo total anual del sistema. CMAQ= costo anual de mantener el inventario correspondiente a "QI2". CPA = costo anual de preparacin de los pedidos. CMAIs= costo anual de mantener correspondiente a "1,". CFA = costo anual correspondiente a las faltas de existencia. Para el clculo de "CFA" podemos hacer muchas suposiciones acerca del costo de faltante. Por ejemplo, puede ser por unidad faltante; puede tener una partefija ms una parte por unidad faltante; puede estar relacionado con el tiempo durante el cual la falta permanece; etc.. (vanse algunos modelos en la referencia [22]). En el presente modelo
164
consideraremos un costo fijo medio por faZta anuales mencionados arriba se expresan as:
"C, ". Con
esta suposicin, los costos
donde: CTA = costo total anual ($/ao). Q = cantidad a ordenar (unidades). Cm= costo de mantener el inventario ($/unid.ao). D = demanda anual del artculo (unid./ao). C, = costo de preparacin de un pedido ($/pedido). 1, = inventario de seguridad (unidades). Nf = nmero esperado de faltas al ao. C, = costo medio por falta ($/falta). La cantidad "Q" es una de las variables independientes del modelo y llamaremos "Q," el valor ptimo de sta. La otra variable independiente del modelo es el inventario de seguridad (1,). Sin embargo, como ste puede expresarse de la manera que sigue, vemos que la verdadera variable independiente es Y ' " 1, = Z.Sd donde: Z = nmero de desviaciones estndares que corresponde al nivel de confianza deseado. Sd= desviacin estndar de la demanda para un perodo igual al tiempo de entrega ) del pedido. medio
(T
En este modelo veremos la determinacin del valor ptimo de "Z" (Z,), por lo que podemos definir el inventario de seguridad ptimo as:
Si el tiempo de entrega tambin es variable, en la frmula del inventario de seguridad (1,) tendremos que usar la desviacin estndar total "S', que se obtiene de la siguiente manera:
donde: S = desviacin estndar total (en unidades fsicas). Sd= desviacin estndar de la demanda que corresponde al tiempo de entrega medio (en unidades fsicas). STe = desviacin estndar del tiempo de entrega (en unidades fsicas). Obviamente, la desviacin estndar del tiempo de entrega est dada en unidades de tiempo. La "STe)) de la frmula arriba es una desviacin "transformada" a unidades fsicas. Dicha transformacin ser repasada ms adelante.
165
Como vimos anteriormente, si tenemos una desviacin estndar de la demanda que corresponde a un perodo de tiempo cualquiera "T,", la desviacin estndar correspondiente al tiempo de entrega medio (7, ) se calcula as:
donde: Sd = desviacin estndar de la demanda correspondiente al tiempo de entrega medio (por ejemplo, 2.5 semanas). S'd = desviacin estndar de la demanda correspondiente al perodo "T," (diferente de "Te "). Obsrvese que este clculo es equivalente a una regla de tres, en la cual las varianzas son directamente proporcionales a los perodos de tiempo. Por otro lado, la desviacin estndar del tiempo de entrega en unidades fsicas (en vez de unidades de tiempo), se calcula as: donde: STe
= desviacin estndar del tiempo de entrega en unidades fsicas. = desviacin estndar del tiempo de entrega en unidades de tiempo. = demanda media (unidades fsicaslunidad de tiempo, siendo esta ltima la
misma del tiempo de entrega). Teniendo en cuenta lo anterior, podemos decir entonces que el costo total anual de un sistema de punto fijo es el siguiente:
donde "S' es una constante igual a:
Por otro lado, el nmero de faltas al ao (N), puede expresarse C O ~ ~ O : Nf = P(falta).N donde: P(fa1ta) = probabilidad de falta que corresponde al valor de '2". N = nmero esperado de pedidos al ao (igual a DIQ). Si las distribuciones de la demanda y del tiempo de entrega son normales, "S" ser la desviacin estndar equivalente de una distribucin normal, y podemos escribir:
Q +-C, D CTA =-Cm 2 Q
D -Cf Z.S.C, ++(z).-.
Derivando parcialmente respecto a "Q" y a "Z", igualando a cero y despejando, tenemos (vanse los detalles de la derivacin en el inciso 4.6.4):
La solucin del problema se encontrar entonces escogiendo un valor inicial de "Q,", introducindolo en la frmula de "Z," y calculando ste; en seguida se introduce el valor correspondiente a +(Z,) en la frmula de "Q," y se vuelve a calcular ste; se proceder as hasta que los valores calculados consecutivos de "Z," y "Q," no presenten diferencias significativas (vase el ejemplo numrico 4.9). Se recomienda que el valor inicial de "Q" sea:
Para la siguiente informacin, aplicar el modelo de punto fijo: d = 200 unid./quincena (D = 5,200 unid./ao). S 'd = 10 unid. (quincenal). C, = $40/pedido. Cm = $1.50/unid.ao. Te = 3 semanas. S' Te = 0.2 semanas. Cf = $300/falta.
Solucin:
-
Considerando los datos del problema, vemos que Tx=2 semanas (1 quincena) y no concuerda con el tiempo de entrega medio de 3 semanas. Tenemos:
Captulo I V : Control de Inventarias
S, = S',
E=Io~=I~.~~I~cI.
= = 23.45 unid.
Por otro lado: STe= S'Te. d = (0.2 semanas)(100 unid./semana) = 20 unid. S=
,,/m -4
Valor inicial de "Q,":
Por lo tanto:
Si Z, = 2.65, entonces +(Z,)
= $(2.65) = 0.0040
(vase cualquier tabla de la normal).
Sustituyendo en la frmula de "Q,,", tenemos:

QO
=d
1
(2)(5,200)[40 + (0.0040)(300)] = 534 unid. 1.50
Sustituyendo en la frmula de "Z,", tenemos:
Si consideramos que la diferencia 2.651-2.646 no es significativa, podemos decir entonces que los valores ptimos de "Q," , "Z,", "I,," y $(Zo) son: Q,
= 534 unid.;
Z,
= 2.65;
$(2.65)
= 0.0040 = p(fa1ta);
I,,
= (2.65)(23.45) = 62 unid.
Q : ' Lo que nos da un punto de reorden "
Q, = d . Te + 1, = (100 unid./sem.)(3 sem.) + 62 = 362 unid. Que significa lo siguiente: cada vez que el inventario en almacn llega a 362 unid. (Q,) pedimos 534 unidades (Q,). Si trabajamos as, el inventario de seguridad ser de 62 unidades (I,,) y la probabilidad de falta ser de 0.004. El costo total anual ser mnimo.
igual a:
168
Captulo IV: Control de Inventirios
Recomendamos que el lector lo calcule con base en la frmula de "CTA" proporcionada anteriormente. Sin embargo, si consideramos que la diferencia 2.651-2.646 es significativa, entonces seguimos aplicando el mismo procedimiento hasta que dicha diferencia ya no sea significativa.
4.6.3 Optimizacin del modelo de ciclo fijo
El costo del sistema de ciclo fijo puede expresarse de la siguiente manera:
donde las variables independientes son "T" y "Z" y los dems trminos tienen exactamente el mismo significado que en el sistema de punto fijo, a excepcin de la desviacin estndar total que est dada por:
donde:
Por lo tanto:
Como puede verse en estas frmulas, la desviacin total no es constante, sino que es una funcin de la variable independiente "Y. Sustituyendo la frmula de "S" en la frmula del costo total anual, tenemos:
Derivando parcialmente respecto a "T" y "Z", igualando a cero y considerando que "T" se expresa en aos, obtenemos las siguientes ecuaciones (vanse los detalles de la derivacin en el inciso 4.6.5):
D -Cm - ( 1 1 ~ ~[C, )' 2
+ ?,.$(ZO)] + (1/2)(Cm. Z, . sfd2 ) 1T" = O

S
En ambas frmulas:
por lo que es ms conveniente escribir la segunda ecuacin as:
La solucin del problema se encontrar entonces escogiendo un valor inicial de "T," , calculando la "S" correspondiente, introduciendo ambos valores en la frmula de "Z," y calculando ste; en seguida se introduce el valor correspondiente de "Z," en la segunda ecuacin y se resuelve sta por iteraciones sucesivas para encontrar el nuevo valor de "T," . Se proceder as hasta que los valores calculados consecutivos de "T," y "Z," no presenten diferencias significativas (vase el ejemplo numrico 4.10 a continuacin). Se recomienda que el valor inicial de "T," sea:
Para la siguiente informacin, aplicar el modelo de ciclo fijo: d = 200 unid./quincena @ = 5,200 unid./ao). S'd = 10 unid. (quincenal). C, = $40/pedido. Cm = $1.50/unid.ao. Te = 3 semanas (0.057692 aos). SYTe = 0.2 semanas. C, = $300/falta.
Solucin:
-
Considerando los datos del problema vemos que Tx=2 semanas, equivalente a 0.038462 aos. Por otro lado, el valor inicial de "T," es:
La desviacin estndar "Si' ser entonces:
Entonces: S
=,/m -\/
=
= 28.52 unid.
El valor de "Z," correspondiente sera
Para Zo=2.58, tenemos $(Zo)=0.0049. Sustituyendo este valor en la ecuacin de "T,", tenemos:
La solucin a esta ecuacin es To=0.100864, por lo que introducimos este valor en la ecuacin de "Z," y la volvemos a calcular. Antes, sin embargo, hay que volver a calcular "S":
Entonces:
Al cual sigue correspondiendo: $(Z,)

= 0.0049
Si consideramos que con esta iteracin es suficiente, entonces la respuesta al problema sera: T, = 0.100864 aos = 5.2 semanas y Z, p(fa1ta) = $(Z,)
- = 0.0049;
= 2.58;
I,,
= (2.58)(28.50) = 74 unid.
1 , " igual a: Lo que nos da un inventario objetivo "

1 , = d . (Te + T, ) + I,, = (100 unid./sem.)(3 sem. + 5.2 sem.) + 74 = 894 unid.
Lo que significa que cada 5.2 semanas (T,) se observa el inventario existente y se pide lo que falta para completar 894 unidades (1,). Trabajando de esta manera, el inventario de seguridad ser de 74 unidades y la probabilidad de falta ser 0.0049. El costo total anual (CTA) ser mnimo.
4.6.4 Derivadas parciales del modelo de punto fijo
Partimos de la ecuacin:
Entonces: CTA = K1.Q + K2/Q + K3.Z + +(Z).K4/Q Derivando parcialmente respecto a "Q" y considerando 'Q? como su valor ptimo y "Zi' como el valor ptimo de " Z " , tenemos:
a CTA - K1- K~/Q: --
aQ
+ 0 - K~.$(z~)/Q: = 0
Despejando:
Sustituyendo los valores de "Kl", "K2" y "KV, tenemos:
Derivando ahora parcialmente respecto a "Z", tenemos:
Despejando, tenemos:
Sustituyendo los valores de "K3" y "KV, tenemos:
4.6.5 Derivadas parciales del modelo de ciclo fijo
Partimos de la ecuacin: d.T CTA =-Cm 2 donde:

-
D D + =-C, + Z.S.C, + -- C, .$(Z) d.T d.T
Hagamos: K1= d . c m / 2; ~2 = D.cPl d ; ~3 =D.C,/d Entonces: CTA = K1.T + K2lT + Cm.Z.S+ K3.$(Z)/T Derivando parcialmente respecto a "Z" y considerando "Z," como su valor ptimo y "T," como el valor ptimo de "T", tenemos:
Despejando, tenemos:
Sustituyendo el valor de "K3", tenemos:
Si consideramos que en la frmula inicial "T" y "d" estn en aos, entonces: D=d y podemos escribir:
donde "T," est dado en aos. Volviendo ahora a la ecuacin inicial y sustituyendo "S" por su valor, tenemos: CTA = K1.T + K21T + Cm.Z. Sfd2 ( -
7
T x
+ KB .+(Z)lT
Derivando parcialmente respecto a "Y, tenemos: T+T, d CTA -- K1- lS21T2+ (112). Cm. Z . [S',' ( )
dT
Como:
Tenemos:
Igualando a cero, reacomodando y recordando que los valores ptimos de "T" y "Z" son "To)' y "Zo)', respectivamente, tenemos:
Sustituyendo "Kl", "K2" y "K3" por sus valores, tenemos:
Como dijimos anteriormente, si "T," est dado en aos, entonces:
D=d
Por lo que tenemos:
que es la frmula final, ya que no se puede.despejar "T,". Como el denominador del ltimo trmino es igual a "S", entonces tambin podemos escribir:
PROBLEMAS TIPO 4.1 En una empresa dada se calcularon los siguientes datos:
* Valor promedio del inventario de una determinada materia prima durante el ao de * Costo anual de almacenaje en 2001: $250.
2001: $5,000.
* Costo anual de seguros en 2001: $100.
* Costo de preparacin de cada pedido en 2001: $20.
* Demanda anual estimada para el ao de 2002: 10,000 unidades.

* Precio de la materia prima en 2002: $50/unidad.
* Costo del capital estimado para 2002: 27%/ao.
Suponiendo que los costos de seguros y de almacenaje son proporcionales al nivel medio de los inventarias y que los datos correspondientes a 2001 pueden ser utilizados para estimar los costos de 2002, determinar (considerando una demanda constante): a) La mejor poltica de compras de esta materia prima en el ao 2002 (Qo,No y To). b) El costo anual mnimo (CTAJ. c) Qu ocurrira con los valores de "Q," y "CTA,," en 2002 si el costo de almacenaje no dependiera del nivel del inventario ni del nmero de pedidos realizados?
Resp.: a) Q0=153unid.; No=65pedidos/ao;To=0.18 meses. b) CT&=!$2,608/ailo. C) Q0=166unid.; CT&=$2,408/ao.
4.2 En una determinada empresa el nivel del inventario disminuye segn se muestra en la figura. Calcular el inventario medio durante el perodo "T".
I< .............................................. ............................. ... .... .................. .........

T
Resp.: Inv. medio=[x(n+l)]/2
> Tiempo
La empresa TLALOC, S.A. compra su materia prima a un proveedor que tiene siguiente poltica de descuentos:
Si el pedido es menor que 1,000 unidades, el precio de la materia prima es $1.20/unid.. * Si el pedido es mayor o igual a 1,000 unidades, el precio es de $l.OO/unid..
Considerando que la demanda e-sconstante e igual a 5,000 unid. anuales, el costo de preparacin es de $15/pedido y el costo de mantener inventario es de 30%/ao, determinar el tamao ptimo del pedido y el costo correspondiente.
Resp.: Qo=B=l,OOO unid.; CTA~=$5,225/ao.
4.4 Una empresa compra su materia prima a un proveedor que tiene la siguiente poltica de descuentos:
Adems se sabe que D=3,000 unidadeslao, Cp=$1001pedido y Fm35%lao. a) Identificar los valores de "By. b) Determinar el tamao ptimo del pedido y el costo anual correspondiente.
Resp.: a) Hay 5 "Bs": B1=lOO; B2=500;B3=2,250; B4=3,200; B5=5,250. b) Qo=Q03=828 unid.; CT&=CT&3=$8,225/airo.
4.5 Una empresa emplea crayones en el proceso de manufactura de artculos de lmina, con los cuales traza antes de soldar. Tomando en cuenta el desgaste del crayn y el volumen de trabajo, la empresa tiene un consumo de 60,000 crayones al ao y ste puede considerarse como constante. La fbrica de crayones le presenta a la empresa las siguientes alternativas de pedidos y precios:
Segn los registros de la empresa el costo de mantener es constante e igual a $2/unid.ao y el costo de preparacin es de $20/pedido. a) b) c) d) Identificar los valores de "B?. Determinar la "Qo7 que compite. Determinar el costo correspondiente a todas las cantidades que compiten. Deterrninar la cantidad ptima.
Resp.: a) Hay 4 "Bi":B1=l,OOO; B2=2,000;B3=3,000; B4=4,000. b) QO2=1,095 unid. / C) CT&2=$542,191/ao; cTA~2=%82,6oo/ao; cTA~3=$453,40o/ailo; cTAB4=%24,300. d) Q0=B4=4,000unid.
4.6 ARCOS, S.A. compra una de sus materias primas a un proveedor que le ofrece descuentos progresivos de la siguiente manera: las primeras 99 unidades a K1=$50; las siguientes 100 a K2=$47; las siguientes 200 a K3=$45; y las siguientes a &=$44.
177
Considerando una demanda de 8,00O/ao, un costo de preparacin de $100/pedido y un costo de mantener constante de $20/unid.ao, determinar: a) Los valores de 'B? y de "B'?. b) Las cantidades "Q0r, indicando cules de ellas son factibles. c) La cantidad ptima y el costo anual mnimo correspondiente.
Resp.: a) B,=100; B2=200; B3=400;B3,=99;B'2=199; B'3=399. b) Qo1=283unid.; Qd=564 unid.; QO3=794 unid.; Qd=977 unid.; slo "QO4'' es compatible. C)QOzQ,4; CT&4=$371,547/aiIo.
4.7 Los datos referentes a un producto aparecen a continuacin:
* Demanda anual: 10,000 unidades. * Costo de preparacin: $8/lote.
* Costo de mantener: $0.15/unid.ao.
Si se considera un consumo constante, cul ser el nmero de unidades que deben producirse anualmente para que el lote ptimo de produccin sea igual al doble del tamao ptimo de pedido si la empresa compra dicho artculo en vez de fabricarlo? Considerar que el costo para preparar un pedido es igual al costo para preparar la fabricacin de un lote.
4.8 Un gerente de produccin desea optimizar el nmero de corridas para la fabricacin de 3 productos terminados que utilizan el mismo equipo. Los productos tienen las siguientes caractersticas: DEMANDA ANUAL 50,000 30,000 10,000 Determinar: a) Si es posible fabricar las cantidades ptimas calculadas separadamente mediante la frmula del modelo bsico. b) Si no es posible aplicar el mtodo descrito en el inciso "a", verificar si se puede aplicar el mtodo que consia de la determinacin del nmero ptimo de ciclos al ao, sin determinar el valor de dicho nmero de ciclos. c) Si es posible aplicar el mtodo del inciso "b",determinar entonces " N," "Q'O1", "Q'02'7y "Q703"y c o n f i a r si realmente es posible fabricar dichas cantidades.
Resp.: a) No es posible ya que los 3 productos se agotan antes de empezar a fabricarlos nuevamente.
b) S es posible porque
i=1
CAPACIDAD DE PROD. ANUAL 250,000 60,000 40,000
Cmi
Cpi
$0.20 $0.30 $0.25
$50 $30 $35
- < 1.
Di Pi
c) N0=8 ciclos/ao.;Q',,=6,330 unid.; QYo2=3,789 unid.; Q'03=1,266unid.; Como todos los "Ti"son mayores que
i=l
T~~ ,se mntirma que reaimente es posible fabricar dichas cantidades.
178
4.9 Una empresa desea optirnizar la poltica de inventarios de una de sus materias primas utilizando el sistema de punto fijo. Para esto, ha recopilado la siguiente informacin:
* Demanda media: 250 unid./mes. * Desviacin estndar de la demanda mensual:23 unid./mes. * Costo de preparacin: $50/pedido. * Costo de mantener: $4/unid.ao. * Tiempo de entrega medio: 2 semanas. * Desviacin estndar del tiempo de entrega: 0.3 semanas.
* Costo medio por falta: $l,OOO/falta.
Considerando que un mes tiene 4.3 semanas, determinar: a) Todo lo necesario para que la empresa pueda utilizar un sistema de punto fijo con probabilidad de falta igual a 0.05. b) Todo lo necesario para que la empresa pueda utilizar el sistema de punto fijo en condiciones ptimas.
Resp.:a) e 2 7 4 (valor inicial); S=23.46 unid.; Z=1.65; I;39 unid.; Q;155 unid.; CTA=$1,796.45/ao. b) Q0=282(despuks de dos iteraciones); Z0=2.76;p(falta)=0.0029; I g 6 5 unid.; Qz181 unid.; CT&=$1,386.65/afo.
Captulo V: Programacin de Sistemas Productivos
PROGRAMACI~N DE SISTEMAS PRODUCTIVOS

5.1 INTRODUCCI~N 5.2 LOS PROBLEMAS DE SECUENCIACI~N 5.2.1 Problemas de secuenciacin pura 5.2.2 Definicin del problema de programacin 5.2.3 Clasificacin de los problemas de programacin 5.2.4 Objetivos de los programas de produccin 5.2.5 Costos relacionados con la programacin de la produccin 5.3 PROGRAMACI~N DE LA FABRICACIN DE "N" PRODUCTOS EN "UNA" MQUINA 5.3.1 Introduccin 5.3.2 Programacin de acuerdo a los tiempos de procesamiento 5.3.3 Programacin de acuerdo a los tiempos de entrega 5.3.4 Aplicacin de la regla TPC con informacin incompleta 5.3.5 Programacin de la fabricacin de "n" productos en "m" mquinas idnticas 5.4 PROGRAMACIN DE LOS SISTEMAS PRODUCTIVOS DE SECUENCIA FIJA 5.4.1 Mtodo de Johnson 5.4.2 Minimizacin del tiempo de fabricacin medio en una planta con 2 mquinas 5.4.3 Minimizacin del tiempo de fabricacin mximo en una planta con 3 mquinas 5.4.4 Programacin de la fabricacin de "n" productos en "m" mquinas 5.4.4.1 Mtodo de Ichiro Nabeshima 5.4.4.2 Dems problemas con "n" productos y "m" mquinas 5.5 PROGRAMACIN DE LOS SISTEMAS PRODUCTIVOS DE SECUENCIA VARIABLE 5.5.1 Programacin de la fabricacin de "n" productos en "m" mquinas 5.5.2 Generacin de p-gramas de produccin
La programacin de los sistemas productivos es un campo donde hay problemas intrigantes as como soluciones muy interesantes. El tema ha recibido mucha atencin hasta el da de hoy, sin embargo se ha desarrollado muy lentamente. Los problemas de programacin son en general extremadamente complejos, principalmente cuando se trata de un sistema intermitente. Sin embargo, ya han sido encontradas soluciones ptimas para algunos tipos de problemas. El objetivo principal de este captulo es analizar el problema de programacin de la produccin de una forma general y discutir ms detalladamente aquellos problemas para los cuales ya hay una solucin ptima. Los mtodos que discutiremos a continuacin pueden aplicarse a cualquier sistema productivo, continuo o intermitente, de bienes o de servicios. No analizaremos, por lo tanto, aquellas tcnicas que solamente pueden ser aplicadas a un determinado tipo de sistema productivo, como son: Balanceo de Lneas (slo aplicable a sistemas continuos) y Ruta Crtica (slo aplicable a los grandes proyectos). El tema de Balanceo de Lneas ser estudiado en el siguiente captulo y el de Ruta Crtica no es parte del contenido de este libro. Sin embargo, en el Captulo X veremos algunas aplicaciones de programacin lineal a dicho tema. Los conceptos y mtodos de programacin son igualmente aplicables a empresas manufactureras y de servicios. El desarrollo del captulo, sin embargo, estar sesgado hacia las empresas manufactureras, por lo que hablaremos de "productos" y "mquinas".
5.2 LOS PROBLEMAS DE SECUENCIACIN

Los problemas de secuenciacin son muy frecuentes y tenemos que resolverlos, por ejemplo, cuando necesitamos fabricar varios productos en una mquina dada, procesar varios archivos computacionales en una impresora, o atender a varios clientes en un banco. Es evidente que los problemas de secuenciacin siempre son "resueltos", ya que las empresas fabrican sus productos, los archivos computacionales son procesados, etc.. Sin embargo, las soluciones generalmente son obtenidas sin un riguroso estudio que garantice que stas son realmente las ms adecuadas. Frecuentemente los productos o clientes son procesados en la medida que van llegando al sistema y esta "regla de secuenciacin" se llama FIFO (first in, first out). Esta regla es aplicable, por ejemplo, para resolver el problema de un banco o de un supermercado, sin embargo, no hay ninguna razn para que creamos que tambin debe ser aplicada a otros problemas, como por ejemplo la fabricacin de un determinado nmero de productos en una planta manufacturera. Como se ver a continuacin, secuencias diferentes generalmente conducen a resultados muy diferentes y consecuentemente, para la determinacin de la secuencia ideal de procesamiento, deben definirse con precisin los resultados requeridos. Debe resaltarse que nunca podemos dejar de resolver el problema, ya que de una forma o de otra, tendremos que adoptar una secuencia dada. El problema es, por lo tanto, definir qu resultados queremos lograr y qu secuencia permitir la realizacin de stos.
5.2.1 Problemas de secuenciacin pura

Inicialmente vale la pena sealar que generalmente se consideran "secuenciacin" y "programacin" como dos conceptos diferentes. Algunos autores consideran que el primero consta de la determinacin de la mejor secuencia para el procesamiento de "n" operaciones en una mquina; y el segundo consta de la determinacin de la secuencia para el procesamiento de "n" productos, que requieren muchas operaciones, en las "m" mquinas del sistema. Otros autores utilizan el trmino secuenciacin cuando se refieren slo a la secuencia de procesamiento y utilizan el trmino programacin cuando est implcita la determinacin del inicio y final de cada actividad. En los problemas que analizaremos en este captulo, la determinacin de la secuencia implica necesariamente la determinacin del inicio y final de las actividades y vice-versa. Por otro lado, no nos interesa distinguir los problemas con una mquina de los problemas con "m" mquinas. Por lo tanto, no haremos ninguna distincin y utilizaremos los trminos secuenciacin y programacin como sinnimos. En varias situaciones un cambio de secuencia puede afectar no solamente los productos o clientes a procesar, sino tambin las condiciones en las cuales este procesamiento se llevar a cabo. Por ejemplo, si no utilizamos la regla FIFO en un banco, podemos perder varios clientes y por lo tanto, la decisin de utilizar una regla diferente, conducir no solamente a una secuencia de procesamiento diferente, sino tambin a un nmero ms reducido de clientes. En otras situaciones, hasta las condiciones del sistema podrn cambiar. Otro ejemplo interesante es el caso de una imprenta que trabaja con varios colores. En un mismo equipo, es distinto procesar un trabajo amarillo y despus uno negro que al revs; la secuencia misma afecta el tiempo de realizacin de los trabajos. Si nosotros suponemos que el trabajo y las condiciones en que se realizar ste, no dependen de la secuencia adoptada, entonces decimos que el problema es de secuenciacin pura. Por ejemplo, si tenemos "n" operaciones Oi, 02, ..., 0, CUYOS tiempos de realizacin son ti, t2, ..., tn, respectivamente, y si sabemos que las operaciones propiamente dichas y sus respectivos tiempos sern exactamente los mismos para cualquier secuencia adoptada y que las mquinas estarn siempre disponibles, entonces el problema a resolver es de secuenciacin pura. Los dos ejemplos mencionados arriba (del banco y de la imprenta) no son evidentemente problemas de secuenciacin pura.
5.2.2 Defmicin del problema de programacin

En los problemas de programacin slo nos preocupamos con lo que podemos hacer con las operaciones y no con lo que son realmente estas operaciones. La definicin precisa del problema requiere el conocimiento de los valores de las siguientes variables:
* Nmero de mquinas de la planta ("m").
* Nmero de productos cuya fabricacin tenemos que programar ("n").

* Nmero de operaciones de cada producto ("Ki")
* El tiempo para la realizacin de las operaciones de cada producto, es decir, el tiempo de

* El tiempo en el cual cada uno de los productos est listo para ser procesado, es decir, el
tiempo de llegada del producto al sistema ("Ti"). procesamiento de cada operacin ("P,", o sea, producto "i", operacin '3').
182
* El tiempo en el cual la fabricacin del producto tendr que ser terminada, es decir, el
* El tiempo de preparacin de las mquinas para la realizacin de cada operacin. En este
captulo supondremos que el tiempo de preparacin no depende de la secuencia y ya est incluido en ''PijW. Ejemplo: Supongamos que para el producto "i" las variables "T" y "E" descritas anteriormente presentan los siguientes valores: Ti=O das; Ei=7 das. Estos datos indican que en el instante t=O podemos empezar a procesar un producto cuyo plazo de entrega es 7 das. Como veremos ms adelante, en este libro "Ti" va a ser siempre cero. Los valores de todas las variables enlistadas arriba se conocen antes de la programacin o secuenciacin. Consecuentemente, las llamaremos variables de entrada. Las variables de entrada son como los "datos del problema". Adems de las variables de entrada, necesitaremos la siguiente informacin: tiempo de entrega ("E?).
* En qu secuencia las operaciones de cada producto deben realizarse.
* La mquina en la cual cada operacin debe realizarse. * El objetivo que se persigue (por ejemplo, minimizar el retraso medio).
Una vez que se programa la fabricacin de los productos, obtenemos resultados que corresponden a las variables de salida. stas son:
* Tiempo de fabricacin de los productos (Fi): es el tiempo total de permanencia del

producto en la planta. Si no hay ninguna espera entre una operacin y otra podemos a f m a r que:
j=O
donde "K? es el nmero de operaciones del producto "i". Si hay una espera "Wij" (del ingls "waiting") antes de cada operacin "j" del producto "i", tenemos entonces:
j=O
* Tiempo de fabricacin medio (F): es simplemente la media de los distintos "F:'. * Tiempo de fabricacin mximo (Fmk):es el mayor de los "Fi". * Retraso en la entrega de cada producto (Ri): es la diferencia entre "F:' y "E?
cuando sta es positiva. * Retraso medio (E): es la simple media de los distintos "R?. * Retraso mximo (Rmk): es el mayor de los "R?. * Nmero de productos retrasados (NR). * Adelanto en la entrega de cada producto (Ai): es la diferencia entre "F:' y "E? cuando sta es negativa. * Adelanto medio (A): es la simple media de los distintos "A?. * Adelanto mximo (Amh):es el mayor de los "A?. * Diferencial de entrega ("Li", del ingls "lateness"): est definido, en general, por la diferencia (Fi-Ei); si es negativa es un adelanto y si es positiva es un retraso.
183
Para la solucin de problemas de programacin tambin es necesario establecer algunas restricciones y supuestos en cuanto al funcionamiento del sistema productivo. En este captulo, las restricciones y supuestos sern los siguientes:
* Las mquinas estarn siempre disponibles.
* Las operaciones no pueden ser divididas o combinadas con otras. * Cada operacin slo podr ser realizada en una de las mquinas de la planta. * Una vez que se empiece la realizacin de una operacin en una mquina dada, sta
tendr que ser terminada antes del procesamiento, en esta misma mquina, de cualquier otra operacin. * El tiempo de preparacin de las mquinas no depende de la secuencia de fabricacin y este tiempo ya estar incluido en el tiempo de procesamiento de cada operacin (P,).
5.2.3 Clasificacin de los problemas de programacin

Si consideramos toda la informacin requerida para la definicin de los problemas de programacin, podemos clasificarlos inicialmente de la siguiente forma: a) Problemas estticos: son aqullos en los cuales todos los productos estn listos para ser procesados simultneamente. En estos casos Ti=O para todos los productos y conoceremos el nmero "n" de productos a fabricar. b) Problemas dinmicos: son aqullos en los cuales hay un flujo continuo de productos, que llegan al sistema obedeciendo una determinada distribucin probabilstica. Este tipo de problema se modela ms adecuadamente a travs de la teora de colas, por lo que no lo estudiaremos en este captulo. Debe observarse que muchas empresas "transforman" el problema dinmico en un problema esttico, acumulando durante cierto tiempo (por ejemplo, una semana) los productos que van llegando al azar y despus programndolos de una sola vez. Obviamente, hacen esto para cambiar de un problema complejo (dinmico) a otro ms sencillo (esttico). Por otro lado, considerando la secuencia segn la cual las mquinas son utilizadas para realizar las operaciones de cada producto, los sistemas productivos pueden clasificarse como sigue: a) Sistemas de secuenciafija: son aqullos en los cuales los productos siguen siempre la misma secuencia, es decir, pasan por la mquina 1, despus por la 2, etc., hasta que pasan por la mquina "m". (La palabra equivalente en ingls es "flow shop".) b) Sistemas de secuencia variable: son aqullos en los cuales cada producto requiere una secuencia diferente, en lo que se refiere a la utilizacin de las mquinas. Por ejemplo, en una planta de 3 mquinas, un producto requiere la secuencia Maq.l+Maq.2+ Maq.3 y otro producto la secuencia Maq.2jMaq. 1+Maq.3. (La palabra equivalente en ingls es "job shop".) En este captulo estudiaremos tanto los sistemas de secuencia fija como los de secuencia variable.
184
Debido a las diferentes caractersticas que pueden presentar los problemas de programacin, ser conveniente utilizar una notacin del tipo A/B/C/D, donde cada parmetro indicar lo siguiente: A: Indica si el problema es esttico o dinmico; si el problema es dinmico, "A" representar la distribucin probabilstica de los tiempos de llegada. Si el problema es esttico, "A" representar simplemente el nmero de productos a fabricar. Por ejemplo, si tenemos que programar la fabricacin de "n" productos, entonces A=n. B: Indica el nmero de mquinas de la planta. Por lo tanto, si hay "m" mquinas, entonces B=m. C: Indica si el sistema productivo es de secuencia fija o variable. Si la secuencia es fija, C=F, si la secuencia es variable, entonces C=V. D: Indica el objetivo que se persigue. Por ejemplo, si el objetivo es minimizar el retraso . nadie tiene el inters de maximizar el retraso medio, entonces ~ = m i n R (Como medio, es suficiente que escribamos D=R .) Un ejemplo completo de esta notacin sera 20/2/~/R que significa: programar la fabricacin de "20" productos, en una planta que posee "2" mquinas y tiene una secuencia "fija" de fabricacin, de modo que se minimice el "retraso medio".
5.2.4 Objetivos de los programas de produccin

En las secciones anteriores hemos visto que para definir un problema de programacin necesitamos establecer el objetivo que se persigue. ste siempre estar relacionado directa o indirectamente con alguna variable de salida, por lo que los objetivos puede ser los siguientes:
* Minimizar el tiempo de fabricacin medio.
* Minimizar el inventario en proceso medio.

-
Minimizar el nmero medio de productos o clientes pendientes. Minimizar el tiempo de fabricacin mximo, es decir, el tiempo total para terminar la fabricacin de todos los productos. * Maximizar la utilizacin de la maquinaria y10 mano de obra. * Minimizar el retraso medio. * Minimizar el retraso mximo. * Satisfacer a un mayor nmero posible de clientes. * Etc., etc.. Es importante observar la interdependencia o contradiccin que existe entre estos objetivos. Por ejemplo: * Si minimizamos el tiempo de fabricacin mximo, estamos al mismo tiempo maximizando la utilizacin de las mquinas. * Si minimizamos el tiempo de fabricacin medio, estaremos tambin minimizando el nmero medio de productos pendientes.
185
* Si maximizamos la utilizacin de las mquinas, no necesariamente minimizaremos el * Si minimizamos el tiempo de fabricacin medio, no necesariamente minimizaremos el
retraso mximo. Los dos ltimos ejemplos refuerzan la importancia de la definicin clara y precisa del objetivo que se persigue, ya que los objetivos pueden ser mutuamente excluyentes y requerir secuencias diferentes para su logro. La contradiccin entre objetivos hace que la programacin sea mucho ms interesante y compleja. inventario medio en proceso.
5.2.5 Costos relacionados con la programacin de la produccin

Hay tres tipos principales de costos que son directamente afectados por las decisiones tomadas en el campo de la programacin de la produccin y que estn relacionados con:
* El inventario en proceso.
* La entrega retrasada de los productos.
* La utilizacin de maquinaria y10 mano de obra.
De una forma general, se puede reducir el costo del inventario en proceso mediante la aplicacin de reglas sencillas de programacin. Aunque en la mayora de los casos no sea posible minimizar el inventario medio en proceso y el tiempo de fabricacin medio simultneamente, la reduccin de ste generalmente conduce a una reduccin de dicho inventario. La reduccin del tiempo de fabricacin medio tambin puede dar a la empresa una mayor fuerza competitiva. Para algunos casos especiales ya existen soluciones ptimas que minimizan el tiempo de fabricacin medio. Los costos que dependen del nivel de utilizacin de la maquinaria y mano de obra estn evidentemente relacionados con el programa de produccin, ya que de ste depender el tiempo de inactividad de la maquinaria y mano de obra. Si el nivel de utilizacin es bajo, esto podr llevar a la necesidad de trabajar tiempo extra o turnos adicionales, lo que representar tambin un aumento de los costos. Para algunos problemas especiales ya existen soluciones ptimas que permiten una maxirnizacin de la utilizacin, lo que es equivalente a la rninirnizacin del tiempo mximo de fabricacin. En varias situaciones, y especialmente cuando se trata de grandes proyectos, los costos relacionados con entregas atrasadas pueden ser fcilmente identificados y calculados. Por ejemplo, la empresa podr tener que pagar "x" pesos por da de retraso en la entrega de un proyecto dado. En los dems sistemas productivos, estos costos no son fcilmente calculables, ya que dependen de la insatisfaccin de los clientes y sta es muy difcil de cuantificar. Sin embargo, es importante tener en mente que estos costos existen y que en varias situaciones pueden ser ms importantes que los costos relacionados con el inventario en proceso o la utilizacin de la maquinaria y mano de obra. Para algunos casos especiales existen soluciones ptimas que minimizan el retraso mximo. Minimizar el retraso medio siempre ha sido ms complicado. La programacin entera tambin ha sido utilizada para obtener soluciones ptimas para los problemas mencionados arriba (vase el Captulo X). Sin embargo, su utilizacin ha sido limitada por el gran nmero de variables y restricciones.
186
5.3 PROGRAMACIN DE LA FABRICACIN DE "N" PRODUCTOS EN "UNA" MQUINA 5.3.1 Generalidades
En este captulo analizaremos el caso especial de la programacin de "n" productos que requieren una sola operacin en la nica mquina que tiene la planta. Utilizando la notacin descrita anteriormente, es decir A/B/C/D, y suponiendo que el objetivo que se persigue fuera minimizar el tiempo de fabricacin medio, la descripcin del problema sera: n/i/~/F(esperamosque la "F" de secuencia fija no se confunda con la "F" de tiempo de fabricacin). Supondremos que las restricciones y supuestos descritos anteriormente se aplican a este problema. Repasemos, para este tipo de problema, la notacin que utilizaremos en el captulo: m = nmero de mquinas = 1. n = nmero de productos. K = nmero de operaciones de cada producto = 1. Ti = Tiempo de llegada de los productos = 0. Pi = Tiempo de procesamiento de la operacin de cada producto. Ei = Tiempo de entrega de los productos. Wi = Espera del producto antes de que empiece su procesamiento. Fi = Tiempo de fabricacin del producto, es decir, (Pi+Wi). Li = Diferencial de entrega = FrEi. A estas alturas el lector debe estar pensando: Si las plantas nunca tienen una sola mquina para qu sirve estudiar problemas con una sola mquina? Hay razones prcticas y tericas para que estudiemos inicialmente este problema de programacin. Entre stas podemos citar:
* *
*
*
*
ste es el problema ms sencillo de programacin y consecuentemente puede ser fcilmente entendido. El problema ayuda a entender el significado de las variables y conceptos antes del estudio de problemas ms complejos. El problema se utiliza para mostrar los diferentes resultados que se obtienen mediante la utilizacin de sistemas (reglas) diferentes de programacin. Las soluciones obtenidas nos ayudan a entender y encontrar soluciones aproximadas u ptimas para los problemas ms complejos. Finalmente, el anlisis de este problema nos sirve para evaluar la complejidad de los problemas generales de programacin.
Tambin debe resaltarse que este tipo de problema no es tan terico como puede parecer. Es verdad que muy raramente encontramos una planta que tenga slo una mquina y productos que requieran una sola operacin, sin embargo, al mismo tiempo, algunas empresas pueden tener una mquina que represente una fase tan importante del proceso productivo que el sistema de programacin debera ser diseado como si existiera solamente esta mquina. Por otro lado, en la industria de procesamiento (por ejemplo, detergentes), no es muy raro encontrar una planta que funciona de forma integrada como
187
si fuera una sola mquina. Anlogamente, en los sistemas continuos, podemos tener el problema de programar la produccin de una lnea de ensamble que tambin funciona de forma integrada como si fuera una sola mquina. Por ltimo, est el caso de la empresa que ha identificado su "cuello de botella" y desea programar la produccin para ste ignorando el resto de los centros productivos.
5.3.2 Programacin de acuerdo a los tiempos de procesamiento
Ya hemos citado anteriormente la regla de programacin FIFO, que programa los productos o clientes segn la fecha o tiempo de llegada de stos al sistema. Existen muchas otras reglas de programacin y entre stas podemos mencionar:
* Dar prioridad a los productos de tiempo de procesamiento ms corto (TPC). * Dar prioridad a los productos de tiempo de procesamiento ms largo (TPL).
trabajo pendiente sea menor.
* Dar prioridad a los productos con tiempo de entrega ms corto (TEC). * Dar prioridad, para una mquina especifica, a aquellos productos cuya cantidad de
Estas reglas son llamadas reglas heursticas de programacin y en la mayora absoluta de los problemas de programacin no es posible obtener una solucin ptima mediante la aplicacin de ninguna de ellas. Sin embargo, podemos obtener soluciones bastante buenas que nos permiten lograr parcialmente los objetivos que se persiguen. En esta seccin estudiaremos las dos primeras de estas reglas, es decir, la regla que da prioridad a los productos de tiempo de procesamiento ms corto y la que da prioridad a los productos de tiempo de procesamiento ms largo. Nos referiremos a estas reglas a travs de las abreviaciones TPC y TPL, respectivamente. Se puede demostrar que si se da prioridad a los productos de tiempo de procesamiento ms corto (TPC), se minimizar el tiempo de fabricacin medio y el nmero medio de productos pendientes en el sistema. Adems, si el volumen fisico de los productos (lotes o pedidos) es proporcional al tiempo de procesamiento, tambin el inventario medio en proceso ser minimizado. A su vez, la regla TPL maximiza estas variables de salida.
Supongamos que tenemos los siguientes productos y que todos requieren una sola operacin en la nica mquina que tiene la planta. Tambin supondremos que todos los productos estn disponibles para ser procesados simultneamente (problema esttico). Determinar la secuencia que minimiza y la que maximiza el tiempo de fabricacin medio.
PRoDuCToS
a b c d e
TIEMPO DE PROCESAMIENTO (Pi) 10 h 20 h 13 h 16 h 8h
Solucin: La secuencia de fabricacin que minimiza el tiempo de fabricacin medio es la TPC, cuyos resultados se muestran en el Cuadro 5.1. Puede observarse que el tiempo total de fabricacin es igual al tiempo de fabricacin del ltimo producto procesado y ste ser siempre igual a 67 h. El tiempo de fabricacin medio, sin embargo, depende directamente de la secuencia de fabricacin y en el caso de la secuencia e+a+c+d+b, ste ser igual a (8+18+31+47+67)/ 5 = 34.2 h. CUADRO 5.1 Aplicacin de la regla TPC al ejemplo numrico 5.1 PRODUCTO e a c d b TIEMPO DE TIEMPO DE PROCESAMIENTO (Pi) FABRICACIN (Fi) 8h 8h 10 h 18 h 13 h 31 h 16 h 47 h 20 h 67 h
Hay un total de 5! secuencias diferentes, sin embargo no existe ninguna otra secuencia que permita obtener un tiempo de fabricacin medio menor, o que pueda, en las condiciones citadas, reducir ms el inventario medio en proceso y el nmero medio de productos pendientes en la planta. Veamos la secuencia inversa (TPL) que maximiza el tiempo de fabricacin medio (Cuadro 5.2). Para esta secuencia el tiempo de fabricacin medio es: (20+36+49+59+67)/5=46.2h. CUADRO 5.2 Aplicacin de la regla TPL al ejemplo numrico 5.1 PRODUCTO b d c a
e
TIEMPO DE PROCESAMIENTO (Pi) 20 h 16 h 13 h 10 h 8h
TIEMPO DE FABRICACIN (Fi) 20 h 36 h 49 h 59 h 67 h
Resumiendo, podemos afirmar lo siguiente: si queremos programar la fabricacin de "n" productos en "una" mquina y si el volumen fsico de los productos es proporcional a su tiempo de procesamiento, entonces la aplicacin de la regla TPC conduce a los siguientes resultados:
* Se minimiza el tiempo de fabricacin medio.
* Se minimiza el nmero medio de productos pendientes en el sistema. * Se minimiza el inventario medio en proceso.
Si el volumen fsico de los productos (Vi) no es proporcional a su tiempo de procesamiento, entonces la regla que minimiza el inventario medio en proceso ser
189
aqulla que da prioridad a los productos cuyo ndice Vi/Pi sea mayor. Veamos un ejemplo.
Supongamos que deben procesarse los siguientes productos (pedidos o lotes) con sus correspondientes volmenes:
Determinar la secuencia que minimiza el inventario medio en proceso.

Solucin:
La secuencia que minimiza el inventario medio en proceso se muestra en el Cuadro 5.3 y es la que ordena Vi/Pide mayor a menor.
CUADRO 5.3 Minimizacin del inventario en proceso
Si observamos este cuadro vemos que mientras no se termina el producto "f', el inventario en proceso es 46.4m3. Despus de 3h el inventario se reduce a 46.4-12.0= 34.4m3, y permanecer a este nivel hasta que terminemos el producto "d", es decir, durante las prximas 6h, y as sucesivamente. Podemos entonces construir el Cuadro 5.4, del cual obtenemos que el inventario en proceso medio (7) ser la siguiente media ponderada:
La representacin grfica de la variacin del inventario en proceso en funcin del tiempo se presenta en la Figura 5.1.
190
CUADRO 5.4 Clculo del inventario medio
TIEMPO DURANTE EL CUAL EL NIVEL DE INVENTARIO INV. PERMANECE A ESTE NIVEL 3h 46.4 34.4 M3 6h 20.0 M3 1h 18.0 M3 7h 4h 7.5 M3 2.5 M3 5h TOTALES 26 h
TIEMPO*INV. 139.2 206.4 20.0 126.0 30.0 12.5 534.1
FIGURA 5.1 Comportamiento del inventario en proceso
m.
46.4
Lnea 1 (Vi/Pi decrecientes)
Lnea 2 (otra regla)

34.4
20.0 18.0
3h
7.5
2.5
1
9h
10h
17h
21h
26h
> T
Puede observarse en la Figura 5.1 que si se da prioridad a los productos cuyo ndice Vi/Pi es mayor, la tasa de disminucin del inventario en proceso ser mxima cuando se empieza la fabricacin y mnima cuando se est terminando el ltimo producto. Esto garantiza que el inventario medio en proceso (proporcional al rea de la figura) ser mnimo. Cualquier otra regla de programacin conducir a una lnea que estara por encima de la lnea 1 de la figura (por ejemplo, la lnea 2) y consecuentemente el inventario medio sera mayor. De hecho este problema de minimizacin del inventario medio en proceso es un caso particular de un familia ms amplia de problemas en los cuales debe minimizarse el tiempo de fabricacin medio ponderado. En otras palabras, no queremos minimizar XFi/n, sino CwiFi/n,lo que es equivalente a minimizar CwiFi, ya que "n" es una constante. Utilizando nuestra notacin el problema se describira as: n/l/F/CwiFi. La solucin ptima de este problema se encuentra calculando los ndices wi/Pi y ordenndolos de mayor a menor.
191
Supongamos que cuatro tcnicos llegan a una empresa al mismo tiempo y que cada uno de ellos va a realizar una prueba diferente en un mismo equipo. Los tiempos de cada prueba son los de la tabla a continuacin. La empresa paga $70/h, $20/h, $60h y $40/h a los tcnicos respectivamente, y las pruebas pueden realizarse en cualquier secuencia. Considerando que cada tcnico se va de la empresa luego que termine su prueba y que se les pagar slo el tiempo total que permanezcan en la empresa, encontrar la secuencia que conduce a un costo mnimo y calcular dicho costo.
Solucin:
Si realizamos las pruebas en la secuencia abcd tendramos: TIEMPO DE DURACIN FABRICACIN (Fi) (pi) 4.0 h 4.0 h 7.0 h 3.0 h 12.0 h 5.0 h 14.5 h 2.5 h
TCNICO a b c d
PRUEBA Pa Pb Pc Pd
El costo correspondiente sera: COSTO = (4.Oh)($7O/h)+(7.Oh)($20/h)+(12.0h)($60/h)+(14.5h)($40/h)

= $1,720.
Es fcil ver que para cualquier secuencia el costo total es 2wiFi, donde "wi" son los salarios de los tcnicos. Si queremos minimizar 2wiFi tenemos inicialmente que calcular 10s ndices wi/Pi: TCNICO a b c d SALARIO DURACIN (Pi) (wi) 4.0 h $70 3.0 h $20 5.0 h $60 2.5 h $40
&DICE (wifpi) 17.5 6.7 12.0 16.0
y despus ordenarlos de mayor a menor. La secuencia ptima ser entonces adcb, la cual se presenta en el cuadro a continuacin con los correspondientes tiempos de fabricacin de cada producto. El costo mnimo ser entonces: COSTO = (4.Oh)($7O/h)+(l4.5h)($20/h)+(l1.5h)($60/h)+(6.5h)($40/h)
= $1,520
192
TCNICO a d c b
PRUEBA Pa Pd Pc Pb
DURACIN (Pi) 4.0 h 2.5 h 5.0 h 3.0 h
TIEMPO DE FABRICACI~N 4.0 h 6.5 h 11.5 h 14.5 h
vi)
A pesar de que no siempre existe proporcionalidad entre el tiempo de fabricacin medio y el inventario en proceso o el nmero de productos pendientes, es indiscutible que la relacin es fuerte y directa. Precisamente por esto es importante la reduccin del tiempo de fabricacin medio. Un ejemplo sencillo reforzar todava ms la comprensin de la relacin entre tiempo de fabricacin medio y nmero de productos pendientes. Supongamos que a un taller que se dedica a reparaciones mayores llegan en promedio 5 carros por da. Las estadsticas indican que, en promedio, los carros quedan en el taller 20 das siendo reparados (tiempo de "fabricacin" medio). Cul es el nmero medio de carros en el taller? Obviamente la respuesta es (5)(20)=100 carros en promedio. Es decir, el nmero medio de carros en el taller es directamente proporcional al tiempo de reparacin medio (tiempo de fabricacin medio).
5.3.3 Programacin de acuerdo a los tiempos de entrega

Uno de los objetivos ms importantes de los sistemas productivos es cumplir con los plazos de entrega previamente establecidos conjuntamente por la empresa y los clientes. Obviamente, las variables de salida importantes para evaluar dicho cumplimiento son el diferencial de entrega "L?, el retraso "Ri" y el adelanto "A?. Un resultado realmente sorprendente y que puede ser fcilmente demostrado para el caso de una mquina, es que la regla TPC tambin minimiza el diferencial de entrega medio, aunque no toma en consideracin los tiempos de entrega de los productos. Sin embargo, esta regla no garantiza la minimizacin de ninguna de las siguientes variables:
* Retraso mximo * Retraso medio * Nmero de productos retrasados.

Si queremos minimizar el retraso mximo para el caso de una mquina, tendremos que utilizar la regla que da prioridad a los productos con tiempo de entrega ms corto. Nos referiremos a esta regla a travs de la abreviacin TEC. Otra regla que en casos ms complejos puede conducir a mejores resultados que la regla TEC, es la que da prioridad a los productos cuyas diferencias Ei-CPi sean menores. Esta diferencia puede ser llamada tiempo de holgura (Hi), por lo que utilizaremos para esta regla la abreviacin THC (tiempo de holgura ms corto). A continuacin presentamos un ejemplo donde se aplican las reglas TPC, TEC y THC, y donde se puede observar que la regla TPC minimiza el tiempo de fabricacin medio y el diferencial de entrega medio, y la regla TEC minimiza el retraso mximo. Recordemos que estos resultados son vlidos para una sola mquina.
Ejemplo numrico 5.4: Deben fabricarse 4 productos en la nica mquina que tiene una planta, y los tiempos de procesamiento y plazos de entrega son los que se muestran a continuacin (das): TIEMPO DE TIEMPO DE PROCESAMIENTO ENTREGA PRODUCTOS (Pi) (Ei) a 6.0 d 1.0 d b 3.0 d 2.5 d c 5.5 d 4.5 d d 7.0 d 4.0 d TIEMPO DE HOLGURA (Hi=Ei-Pi) 5.0 d 0.5 d 1.0 d 3.0 d
Secuencia los productos de acuerdo a las reglas TPC, TEC y THC, determinando para cada una de ellas el tiempo de fabricacin medio, el diferencial de entrega medio, el adelanto medio, el retraso medio, el nmero de productos retrasados y el retraso mximo. Solucin: Los resultados de la aplicacin de cada una de las reglas se muestran en los Cuadros 5.5, 5.6, 5.7 y 5.8 (resumen). Para el clculo de medias se considera que los productos adelantados tienen retraso cero y los productos retrasados tienen adelanto cero.
CUADRO 5.5 Aplicacin de TPC al ejemplo numrico 5.4

TIEMPO DE TIEMPO DE PRODUCTOS PROCESAMIENTO ENTREGA TIEMPO DE FABRICACI~N DIF. DE ENTREGA (+) RETRASO (-1 ADELANTO
1.O a 6.0 1.O 3.5 b 3.O 2.5 7.5 7.0 d 4.0 c 12.0 5.5 4.5 Resultados: Tiempo de fabricacin medio: 6.0 das Diferencial de entrega medio: 0.6 das Adelanto medio: 1.3 das (slo un producto) Retraso medio: 1.9 das Nmero de productos retrasados: 3 Retraso mximo: 6.5 das
-5.0 +0.5 +0.5 +6.5
Los resultados de estos cuadros son bastante interesantes. Inicialmente podemos observar que la regla TPC minimiza el tiempo de fabricacin medio (6.0 das) y el diferencial de entrega medio (0.6 das). A su vez, la regla TEC minimiza el retraso mximo (5.0 das). Tambin debe resaltarse que la regla TPC, aunque no toma en cuenta el tiempo de entrega de los productos, es superior o igual a las dems reglas en lo que se refiere a todos los factores analizados, excepto el ltimo (retraso mximo). Los tiempos de entrega no son muy lgicos, ya que algunos de los productos de mayor tiempo de procesamiento tienen tiempos de entrega relativamente cortos y vice-versa. Obviamente, que esto va en
194
contra de las reglas que no tienen en'consideracin los tiempos de entrega, sin embargo, an as, la regla TPC condujo a resultados mejores o iguales a los de las otras reglas. Esto muestra, de cierta forma, la complejidad de los problemas de programacin. CUADRO 5.6 Aplicacin de TEC al ejemplo numrico 5.4
TIEMPO DE PRODUCTOS PROCESAMIENTO TIEMPO DE ENTREGA TIEMPO DE FABRICACI~N DIF. DE ENTREGA (+) RETRASO (-1 ADELANTO
b 2.5 3.0 2.5 5.5 c 4.5 7.0 a 1.O 6.0 8.0 7.0 12.0 4.0 d Resultados: Tiempo de fabricacin medio: 7.4 das Diferencial de entrega medio: 2.0 das Adelanto medio: 0.1 das (slo un producto) Retraso medio: 2.1 das Nmero de productos retrasados: 3 Retraso mximo: 5.0 das CUADRO 5.7 Aplicacin de THC al ejemplo numrico 5.4
TIEMPO DE PRODUCTOS PROCESAMIENTO TIEMPO DE ENTREGA TIEMPO DE FABRICACIN
-0.5 +1.5 +2.0 +5.0
DIF. DE ENTREGA (+) RETRASO () ADELANTO
b 2.5 3.O 2.5 5.5 c 4.5 7.0 7.0 d 4.0 11.0 6.0 a 1.O 12.0 Resultados: Tiempo de fabricacin medio: 8.1 das Diferencial de entrega medio: 2.8 das Adelanto medio: 0.1 das (slo un producto) Retraso medio: 2.9 das Nmero de productos retrasados: 3 Retraso mximo: 6.0 das CUADRO 5.8 Resumen del ejemplo numrico 5.4 REGLA TPC TEC THC
-0.5 +1.5 +4.0 +6.0
F 6.0 7.4 8.1
L 0.6 2.0 2.8
A 1.3 O. 1 O. 1
R 1.9 2.1 2.9
NR 3 3 3
R m x 6.5 5.0 6.0
Obviamente, no todos los resultados presentados en estos cuadros pueden ser generalizados, puesto que dependen de los valores de los tiempos de procesamiento y de
195
los tiempos de entrega. Por lo tanto, solamente son vlidos para este ejemplo especfico. Sin embargo, hay una conclusin importante que deriva de estos resultados: siempre que el problema de programacin sea determinar la secuencia de fabricacin de un nmero dado de productos de modo a:
* Reducir el tiempo de fabricacin medio,
* Reducir el diferencial de entrega medio, * Reducir el retraso medio y
* Reducir el nmero de productos retrasados
se deben aplicar y evaluar los resultados de reglas que tomen en consideracin los plazos de entrega de los productos; sin embargo, ser de fundamental importancia evaluar tambin los resultados de la regla TPC, ya que sta podr ser la regla que proporcione los mejores resultados. Tambin debe sealarse que no es conveniente aplicar la regla TPC cuando el objetivo sea minimizar el retraso mximo. Cuando tenemos resultados como los del ejemplo numrico 5.5, siempre nos preguntamos si no ser posible reducir todava ms el nmero de productos retrasados (las reglas TPC, TEC y THC condujeron a 3 productos retrasados). La respuesta correcta es que s es posible, ya que ninguna de estas 3 reglas minimiza "NR". En e1 caso de una mquina el procedimiento para minimizar "NR" es sencillo y se conoce como mtodo de Moore. Lo describimos a continuacin:
Paso l . Se aplica la regla TEC; si no hay productos retrasados el procedimiento termina; si hay productos retrasados realizamos el siguiente paso. Paso 2. Se identifica el primer producto retrasado y se seala con un asterisco. Paso 3. Se consideran todos los productos desde el inicio hasta el asterisco, se elimina aqul con el mayor "P? y se vuelven a calcular los diferenciales de entrega. Paso 4. Se repite el procedimiento del paso 2 en adelante hasta que ya no haya productos retrasados. Paso 5. La secuencia ptima se obtiene ubicando los productos eliminados al final de la secuencia (ordenados arbitrariamente).
Ejemplo numrico 5.5: Aplicar el mtodo de Moore al ejemplo numrico 5.4 con el objeto de minimizar el nmero de productos retrasados. Solucin: Aplicando el paso 1 vemos que el producto "c" es el primero retrasado:
TIEMPO DE PRODUCTOS PROCESAMIENTO
TIEMPO DE ENTREGA
TIEMPO DE RETRASO FABRTCACION (Ri)
b c a d
2.5 4.5 1.O 4.0
3.O 5.5 6.0 7.0
2.5 7.0 8.0 12.0
O +1.5* +2.0 +5.0
196
Como hay productos retrasados sealamos el primero con un asterisco y de ste para arriba (inclusive) eliminamos el de mayor "P?, que es el producto "c" con 4.5 das. El cuadro queda as:
TIEMPO DE PRODUCTOS PROCESAMIENTO TIEMPO DE ENTREGA TIEMPO DE FABRICACIN RETRASO (Ri)
b a d
2.5 1.O 4.0
3.O 6.0 7.0
2.5 3.5 7.5
O O +0.5*
Eliminamos ahora "d" con P=4.0 y obviamente quedamos sin ningn producto retrasado. Los productos "c" y "d" se agregan al final de la secuencia (en cualquier orden) y tenemos el resultado final con 2 productos retrasados (Cuadro 5.9).
CUADRO 5.9 Aplicacin del mtodo de Moore al ejemplo 5.5

TIEMPO DE TIEMPO DE PRODUCTOS PROCESAMIENTO ENTREGA TIEMPO DE FABRICACI~N DIF. DE ENTREGA (+) RETRASO (-1 ADELANTO
b 2.5 3.O 2.5 1.O 6.0 a 3.5 c 4.5 5.5 8.0 d 4.0 7.0 12.0 Resultados: Tiempo de fabricacin medio: 6.5 das Diferencial de entrega medio: 1.1 das Adelanto medio: 0.8 das Retraso medio: 1.9 das Nmero de productos retrasados: 2 Retraso mximo: 5 .O das
-0.5 -2.5 +2.5 +5.0
Cuando hay multas por da de retraso, tenemos que minimizar CwiRi, donde "w? es la multa por da de retraso del producto "i". Cuando todos los ''w? son iguales, es suficiente minimizar CRi, que a su vez es equivalente a minimizar ' ' E",ya que =CRiln y "n" es una constante. Por increble que parezca, hasta el da de hoy no hemos encontrado una secuencia que minimice CwiRi o "R ". Sin embargo, es posible hacerlo utilizando la programacin lineal. En el Captulo X presentamos un ejemplo de minirnizacin de CwiRi.
5.3.4 Aplicacin de la regla TPC con informacin incompleta

En los ejemplos anteriores hemos supuesto que se conocan de antemano los tiempos de procesamiento de los diversos productos. Sin embargo, en varias situaciones los tiempos de procesamiento no son conocidos y slo disponemos de una estimacin de stos. Sus valores exactos solamente sern conocidos despus que se termine la fabricacin de los productos.
197
Supongamos que no conocemos los tiempos de procesamiento de algunos productos y que ti I t2 I ... 4 t, son estimaciones de stos. Si existe una correlacin entre los tiempos de procesamiento y las estimaciones, y fabricamos los productos en la secuencia indicada, estaremos aplicando correctamente la regla TPC. En otras palabras, para que la regla TPC sea aplicada correctamente, no es necesario que ti, t2, ..., t, sean estimaciones precisas de Pl, P2, ..., P,, sino que exista una correlacin directa entre los "P{y los "ti". Por ejemplo, si el estimador consistentemente comete errores para ms en las estimaciones de los tiempos de procesamiento, an as la regla TPC ser aplicada correctamente. Obviamente, si los valores de los "PY son muy parecidos, la probabilidad de utilizar la secuencia equivocada ser mucho mayor. 5.3.5 Programacin de la fabricacin de "n" productos en "m" mquinas idnticas En este inciso consideramos el caso especial de una planta que en vez de tener una sola mquina, posee "m" mquinas idnticas, entre las cuales podremos repartir el trabajo total requerido para la fabricacin de cada producto. Por ejemplo, supongamos que tenemos 2 mquinas y 2 productos cuyos tiempos de procesamiento son P1=6h y P2=8h, respectivamente, y que el trabajo que requiere cada producto puede ser repartido entre las dos mquinas. Se podra programar la fabricacin de acuerdo a las secuencias de las Figuras 5.2(a) y 5.2(b).
FIGURA 5.2 Fabricacin en "m" mquinas idnticas

(a) la. secuencia
Mquina 1
Mquina 2
(b) 2a. secuencia
Mquina 1
Mquina 2
Si adoptamos la primera secuencia, el tiempo de fabricacin medio ser: F =(Pl+P2)/2= (6h+8h)/2=7h; y para la segunda secuencia: F =(3h+7h)/2=5h. Podemos observar que el
198
tiempo de fabricacin medio se reduce considerablemente repartiendo la cantidad de trabajo de cada producto entre las 2 mquinas de la planta. El ejemplo analizado es bastante sencillo, sin embargo este principio tiene una aplicacin general, es decir, si en cualquier planta "m" de las mquinas son idnticas, siempre se podr reducir el tiempo de fabricacin medio repartiendo el contenido de trabajo de cada producto entre estas "m" mquinas idnticas.
5.4 PROGRAMACINDE LOS SISTEMAS PRODUCTIVOS DE SECUENCIA FIJA

Otro problema especial de programacin es aqul donde los productos requieren siempre la misma secuencia en lo que se refiere a la utilizacin de las mquinas. En otras palabras, el sistema productivo es de secuencia fija. Para que un sistema productivo sea considerado como de secuencia fija, no es necesario que los productos pasen por todas las mquinas y que tarden ms o menos lo mismo en cada una de stas (como en las lneas de produccin o ensamble), sino que presenten un flujo de direccin uniforme. 5.4.1 Mtodo de Johnson En 1954 Johnson [23] present un algoritmo que permite resolver el problema n.2/F/Fm,, es decir, "programar la fabricacin de 'n' productos en las 2 mquinas de un sistema de secuencia fija, de modo que se minimice el tiempo de fabricacin mximo". Vale la pena recordar que cuando minimizamos el tiempo de fabricacin mximo, estaremos al mismo tiempo maximizando la utilizacin de las mquinas. Para la presentacin de este mtodo utilizaremos la siguiente notacin de Johnson: Ai = operacin del producto "i" en la primera mquina. Bi = operacin del producto "i" en la segunda mquina. Fi = tiempo de fabricacin del producto "i". El mtodo de Johnson consiste en aplicar la siguiente regla de programacin a todos los pares de productos "i" y "j":
"El producto 'i' debe preceder el producto 'j', siempre que min(Ai, Bj)<min(Aj,Bi)"
que es equivalente al siguiente procedimiento:
Paso l . Elaborar una tabla con un rengln para cada producto y una columna para cada mquina. Paso 2. Identificar el "P? ms pequeo de toda la tabla; si ste se ubica en la columna de la mquina "A" secuenciarlo lo ms pronto posible; si ste se encuentra en la columna de la mquina "B" secuenciarlo lo ms tarde posible. Paso 3. Eliminar el producto ya asignado a la secuencia. Paso 4. Repetir el procedimiento del paso 2 en adelante hasta que ya no haya productos que secuenciar.
199
Si hay un empate entre la columna "A" y la columna "B", elegir arbitrariamente uno de los productos; el otro ser asignado inmediatamente despus. Si hay un empate entre dos O ms valores de "A" o de "B", elegir arbitrariamente uno de los productos y despus los otros. Este segundo tipo de empate provoca soluciones ptimas mltiples.
Aplicar ambas versiones del procedimiento de Johnson a los siguientes datos y verificar que realmente son idnticas.
Solucin:
Consideremos inicialmente los productos "a" y "c": Producto "a": Ai=6h; Bi=3h Producto "c": Aj=5h; Bj=4h min(6h, 4h)=4h<min(5h, 3h)=3h Puesto que la condicin no se cumple, "a" no precede "cm. Consideremos ahora "a" y "d": Producto "a": Ai=6h; Bi=3h Producto "d": Aj=8h; Bj=6h min(6h, 6h)=6h<min(8h, 3h)=3h Otra vez la condicin no se cumple por lo que "a" no precede "d". Veamos ahora "a" y "e": Producto "a": Ai=6h; Bi=3h Producto "e": Aj=2h; Bj=lh min(6h, 1h)= 1h<min(2h, 3h)=2h La condicin se cumple, es decir, "a ' precede "e". Como "b" precede todos por su Ai=O, tenemos hasta ahora dos secuencias posibles: bcdae y bdcae. Por lo tanto, para concluir el procedimiento tenemos que comparar "c" y "d": Producto "c": Ai=5h; Bi=4h Producto "d": Aj=8h; Bj=6h min(5h, 6h)=5h<min(8h, 4h)=4h Como la condicin no se cumple, "c" no precede "d", por lo que la solucin ptima es procesar los productos en la mquina 1 en la secuencia b+d+c+a+e, y procesarlos en la mquina 2 luego que salgan de la mquina 1 (vase la Figura 5.3). Para la aplicacin de la segunda versin empezamos con la tabla de datos:
7
200
y con las 5 casillas de la secuencia vacas:
En la tabla vemos que el menor nmero es cero (producto "b") y se ubica del lado izquierdo. Por lo tanto "b"queda en la siguiente posicin:
Habiendo eliminado "b",el siguiente menor nmero es 1 (producto "e") y se ubica del lado derecho, por lo que la posicin de "e" es la siguiente:
El siguiente nmero ms pequeo es 3 (producto "a") y se ubica del lado derecho. La posicin de "a" es:
El siguiente nmero ms pequeo es 4 (producto "c") y se ubica tambin del lado derecho. Su posicin es:
Obviamente la ltima casilla ser ocupada por "d":
La solucin final se muestra en la grsca
de Gantt de la Figura 5.3.
FIGURA 5.3 Aplicacin del mtodo de Johnson al ejemplo 5.6

23 h
Mquina 1
Mquina 2
201
Puede observarse que el tiempo de fabricacin mximo corresponde al producto "e" y es igual a 23h. Como hemos dicho anteriormente, ninguna otra regla de programacin conducir a un tiempo mximo de fabricacin menor que 23h. De la grfica tambin podemos sacar los tiempos de fabricacin de los dems productos: Producto Fi
-
a 22h
b 2h
c 18h
d 14h
e 23h
Finalmente, el tiempo de fabricacin medio sera F

= (22h+2h+18h+14h+23h)/5=
15.8h
5.4.2 Minimizacin del tiempo de fabricacin medio en una planta de 2 mquinas
La minimizacin del tiempo de fabricacin medio en una planta con slo dos mquinas, es decir, n / 2 / ~ / F ya , es un problema bastante complicado, para el cual hasta hoy no se encontr ninguna regla ptima. El algoritmo de Johnson no es bueno en cuanto a la realizacin de este objetivo. En el ejemplo anterior, este mtodo condujo a un tiempo de fabricacin medio igual a 1 5.8h7mientras que, como se puede observar en la grfica de la Figura 5.4, la regla TPC conduce a un tiempo de fabricacin medio igual a 11.8h.
FIGURA 5.4 Aplicacin de TPC al ejemplo 5.6
Mquina 1
2h 3h
llh
16h
27 h
Estos resultados muestran una vez ms la importancia de una definicin previa y clara del objetivo que se persigue. Si el objetivo fuera maxirnizar la utilizacin de las mquinas, el mtodo de Johnson sera el ms adecuado. Si el objetivo fuera minimizar el tiempo de fabricacin medio, debera aplicarse la regla TPC. El lector debe verificar ahora que el tiempo de inactividad de la mquina 2 es mayor en la Figura 5.4 que en la Figura 5.3, y an as el tiempo de fabricacin medio de la TPC es menor. Esto ilustra el poder de la TPC en la reduccin de esta variable de salida.
202
5.4.3 Minimizacin del tiempo de fabricacin mximo en una planta con 3 mquinas
En su trabajo de fecha 1954, Johnson tambin propuso una solucin para casos especiales del problema n/3/F/Fmk. La regla de programacin propuesta por l es la siguiente:
"El producto 'i' precede el producto 'j' si min(Ai+Bi,Bj+Cj)< min(Aj+Bj,Bi+Ci)".
donde: Ai = operacin del producto "i" en la primera mquina. Bi = operacin del producto "i" en la segunda mquina. Ci = operacin del producto "i" en la tercera mquina. o cuando minCi2mxBi. En otras Esta regla solamente es ptima cuando minAi2m~Bi palabras, cuando la mquina "B" es "dominada" o por la mquina "A" o por la mquina "C". Un ejemplo que cumple con la primera condicin sera el siguiente: Productos a b c d Ai 7h 5h 6h 10h Bi 5h 3h 4h 2h Ci 1h 4h 3h 2h
ya que la condicin minAi=52m~Bi=5 se cumple. La regla de Johnson para 3 mquinas puede aplicarse fcilmente sustituyendo la tres columnas "A", "B" y "C" por las dos columnas (A+B) y (B+C) y aplicando el procedimiento del inciso 5.4.1.
Aplicar el mtodo de Johnson al siguiente problema: Productos a b c d Ai 1h 5h 7h 8h Bi 2h 9h 6h 9h

c i
,
9h 7h 8h 9h
El primer paso es transformar las tres columnas en dos columnas: Productos a b c d Ai+Bi 3h 14h 13h 17h Bi+Ci 1l h 16h 14h 18h
El procedimiento conduce a la siguiente secuencia:
203
La grfica de Gantt correspondiente a esta secuencia se muestra en la Figura 5.5(b), mientras que la grfica de Gantt de la solucin ptima se muestra en la Figura 5.5(a). La solucin de Johnson no es ptima en este caso porque ninguna de las condiciones minAi2mxBiO minCi2mxBi se cumple. Se puede observar que el tiempo de fabricacin mximo que corresponde al mtodo de Johnson (Fmh=41h) es ligeramente mayor que el tiempo de fabricacin mximo ptimo (Fmk=39h). La nica diferencia entre las dos secuencias es que la posicin de los productos "b" y "c" est invertida, es decir, las dos secuencias son abcd y acbd, respectivamente. Los resultados experimentales sugieren que en varias situaciones, cuando el mtodo de Johnson no conduce a la solucin ptima, sta podr ser obtenida con una simple inversin de la posicin de dos productos.
5.4.4 Programacin de la fabricacin de "n" productos en "m" mquinas 5.4.4.1 Mtodo de Ichiro Nabeshima
En 1960 Ichiro Nabeshima [30] propuso un algoritmo para la solucin del problema nlm/F/Fmh, el cual es en realidad una generalizacin del algoritmo de Johnson. El mtodo de Ichiro slo es aplicable cuando: minPj >= m a ~ P ~para + ~ j+ , 1 <= m-1 . donde: m= nmero de mquinas de la planta. Pj = conjunto de tiempos de procesamiento de la mquina '3". Por ejemplo, el mtodo no sera aplicable al problema que se describe a continuacin, ya que algunas de las "C? son mayores que la "B:' ms corta (7h). Productos a b c d Ai 10h 1l h 15h 17h Bi 9h 7h 10h 8h Ci 8h 4h 5h 9h Di 8h 2h 4h 6h
Ai = operaciones en la primera mquina. Bi = operaciones en la segunda mquina. Ci = operaciones en la tercera mquina. Di = operaciones en la cuarta mquina. La regla de programacin propuesta por Ichiro consiste en lo siguiente:
"El producto 'i' debe preceder el producto 'j' siempre que
donde t=l, 2,3,
..., m, indica la mquina que corresponde a cada operacin.
Ejemplo numrico 5.8: Utilizando el algoritmo de Ichiro Nabeshima, determinar la secuencia ptima para el siguiente problema: Productos a b c Solucin: Podemos observar que la ms corta de los "A:' es mayor que todas las "By; la ms corta de las "B:' es mayor que todas las "C:'; etc. Por lo tanto, el mtodo de Ichiro podr ser aplicado. Tambin podemos aplicar el mtodo de Ichiro transformando las "m ' columnas en dos y encontrando la secuencia ptima por medio del procedimiento rpido:
7
Ai 10h 1l h 15h
Bi 9h 7h 10h
Ci 7h 4h 5h
Di 4h 1h 2h
La secuencia ptima es:
5.4.4.2 Dems problemas con "n" productos y "m" mquinas En ei inciso anterior hemos presentado una solucin para un caso especial del problema n/rn/F/F,~. Los dems problemas de programacin donde hay "n" productos y "m" mquinas no han sido resueltos hasta hoy. Al mismo tiempo, el nmero de secuencias posibles es tan grande que en la mayora de los casos el problema no es computable. Debido a estas razones, la tcnica de simulacin ha sido frecuentemente utilizada en varios trabajos de investigacin para evaluar la eficiencia de diferentes reglas de programacin. Sin embargo, los resultados obtenidos generalmente no revelan la superioridad de alguna regla en especial, ni si dichas reglas conducen a resultados diferentes cuando son aplicadas a sistemas de secuencia fija o a sistemas de secuencia variable. Slo hay un resultado que parece ser verdadero para todos los tipos de sistemas productivos: la regla TPC generalmente reduce el tiempo de fabricacin medio. En el ltimo inciso de este captulo discutiremos con ms detalles los resultados generales de las investigaciones realizadas en este campo. 5.5 PROGRAMACINDE LOS SISTEMAS PRODUCTIVOS DE SECUENCIA VARIABLE La programacin de los sistemas productivos de secuencia variable es un desafio fascinante. Aunque sea muy fcil definirla o presentarla, la obtencin de soluciones ptimas es una tarea muy compleja.
En este tipo de problema, cada operacin requiere tres nmeros "i", "f' y "k" para su identificacin:
"i": indica el nmero del producto al cual pertenece la operacin. "j": indica la secuencia en que las operaciones de un producto dado deben realizarse. "k": indica la mquina donde la operacin debe realizarse.
pertenece al producto 2, ser la 3a operacin a realizarse Por ejemplo, la operacin 02,a2 cuando se procese dicho producto y su realizacin se llevar a cabo en la mquina 2. 5.5.1 Programacin de la fabricacin de "n" productos en "dos" mquinas En 1956 Jackson [21] desarroll un algoritmo que permite resolver el problema n/2NIFmk, es decir, "programar la fabricacin de 'n' productos en las 2 mquinas de un sistema productivo de secuencia variable, de modo que se minimice el tiempo de fabricacin mximo". Para aplicar el mtodo de Jackson necesitamos inicialmente dividir los productos en 4 sub-conjuntos mutuamente excluyentes, como sigue: Grupo A: productos que requieren una sola operacin a realizarse en la mquina 1. Grupo B: productos que requieren una sola operacin a realizarse en la mquina 2. Grupo C: productos que necesitan procesarse primero en la mquina 1 y despus en la mquina 2. Grupo D: productos que necesitan procesarse primero en la mquina 2 y despus en la mquina 1. En seguida, utilizando el mtodo de Johnson, determinamos separadamente la secuencia de procesamiento de los productos de los grupos "C" y "D", respectivamente. Las secuencias de los grupos "A" y "B" no afectarn el tiempo de fabricacin mximo, de modo que podremos adoptar cualquier secuencia para estos grupos. La secuencia que minimiza el tiempo de fabricacin mximo ser obtenida combinndose los grupos "A", "B", "Cm y " D de la siguiente manera (respetando obviamente las secuencias ya determinadas para cada grupo): Mquina 1: C+A+D Mquina 2: D+B+C
Una planta tiene 2 mquinas "Y" y " X en las cuales deben realizarse las operaciones de los 12 productos del cuadro a continuacin. La primera letra indica la primera mquina por la que tiene que pasar el producto. Determinar: a) Los sub-conjuntos"A", "B", "C" y " D . b) Las secuencias de cada sub-conjunto. c) La secuencia general de fabricacin de los 12 productos en las 2 mquinas. d) El tiempo de fabricacin de cada producto.
PRODUCTO 1 2 3 4 5 6 7 8 9 1o 11 12
Solucin:
OPERACIONESISECUENCIA Y(% X(1) X(9, Y(2) Y(3) Y(2), X(10) X(9), Y(10) Y(7), X(3) X(8) X(4), Y(6) X(4) Y(8) X(6), Y(1) Y(9), X(7)
a) Observando el cuadro arriba identificamos los cuatro sub-conjuntos:
b) Las secuencias de los sub-conjuntos "A" y "B" no afectan el tiempo de fabricacin mximo, por lo que podemos adoptar las secuencias 3+10 y 7+9, respectivamente. Para los grupos "C" y "D" aplicamos el algoritmo de Johnson:
Grupo "C":
Secuencia de Johnson:
Grupo "D":
Secuencia de Johnson (jrecordando que " X es mquina 1 y "Y" es mquina 2!): 1 ~ 1 ~ 1 2 1 1 1 1
208
c) La secuencia general de fabricacin ser entonces: Mquina "Y": C+A+D. Mquina "Y:D+B+C.
d) Elaborando una grfica de Gantt (sugerimos que el lector la haga), llegamos a los siguientes tiempos de fabricacin:
El tiempo de fabricacin mximo es F,h=Fl=57.
5.5.2 Generacin de programas de produccin

La mayora de los mtodos utilizados para "resolver" los problemas de programacin cuyas soluciones ptimas no hemos encontrado, requiere la generacin de un determinado nmero de programas de produccin y su posterior evaluacin. Todos estos mtodos tienen lo siguiente en comn: se selecciona una operacin dada y se le asigna el inicio de su realizacin en una determinada mquina. La secuencia segn la cual las operaciones sern seleccionadas depender obviamente de la regla de programacin utilizada. En otras palabras, cada regla generar programas de produccin diferentes. Cuando aplicamos cualquier regla de programacin, podemos generar programas utilizando dos procedimientos diferentes: procedimiento con ajuste y procedimiento sin ajuste. Cuando se utiliza un procedimiento sin ajuste, no se podr cambiar el inicio de una operacin que ya fue asignada. Cuando se utiliza un procedimiento con ajuste, el inicio de las operaciones ya asignadas podrn cambiarse para acomodar otras operaciones. Es evidente que el procedimiento con ajuste es mucho ms laborioso, sin embargo podr generar programas de produccin ms eficientes. La mayora absoluta de los programas de computadora para la generacin y evaluacin de programas de produccin, utiliza el procedimiento sin ajuste, ya que es muy difcil determinar una "regla de ajuste" que sea realmente eficiente. Por otro lado, cuando se elaboran programas de produccin manualmente, utilizando grficas como la de Gantt, frecuentemente se aplica un procedimiento con ajuste. Es evidente que la solucin ideal sera un programa de computadora que llevara a cabo un procedimiento con ajuste. Sin embargo, es muy difcil que una computadora reproduzca el proceso mental utilizado por el ser humano para llevar a cabo un procedimiento con ajuste. Un concepto que es importante entender cuando se estn generando programas de produccin, es el concepto de conjunto de operaciones programables (C,). A este conjunto pertenecen todas aquellas operaciones cuyas operaciones precedentes ya fueron asignadas. En el caso de un problema dm, "C," consiste inicialmente de "n" operaciones, es decir, la primera operacin de cada uno de los "n" productos. Si para cualquier producto podemos empezar su procesamiento realizando dos o ms operaciones, entonces el conjunto "C," contendr inicialmente ms de "n" operaciones. Si recordamos el
209
concepto de procedimiento sin ajuste, podemos entonces a f m a r que cuando se utiliza este procedimiento las operaciones nunca podrn regresar a "C," una vez que hayan sido asignadas. Hay dos formas principales de clasificar las operaciones del conjunto "C,": a) Por producto: en este caso tendramos "n" subconjuntos 'C,i" que consistiran de las operaciones programables de cada producto "i". b) Por mquina: en este caso tendramos "m" subconjuntos "C,j" que consistiran de las operaciones programables de cada mquina "j". De una forma general, podemos decir entonces que la generacin de programas de produccin consiste en la aplicacin de una regla que nos permita determinar en que secuencia las operaciones de los diversos conjuntos "C," sern procesadas en las mquinas correspondientes. Debe resaltarse que, por lo menos tericamente, para cualquier programa de produccin es posible determinar una regla de programacin capaz de generarlo y vice-versa. Si nosotros definimos de alguna manera un problema de programacin, por ejemplo 20/5NIFmh, y aplicamos una determinada regla de programacin, manualmente o por computadora, estaremos utilizando la tcnica de simulacin. Esta tcnica es extremadamente til para la solucin de los problemas de programacin, ya que podemos aplicar varias reglas diferentes y evaluar la eficiencia relativa de cada una de ellas antes de su eventual implantacin en la prctica. De hecho, ste es actualmente el procedimiento ms utilizado en las investigaciones sobre la programacin de la produccin, ya que para la mayora de los problemas no se han determinado todava las reglas que conducen a soluciones ptimas. En las secciones anteriores hemos discutido los algoritmos de Moore, Johnson, Jackson e Ichiro Nabeshima y las siguientes reglas de programacin:
* TPL: Dar prioridad a los productos con tiempos de procesamiento ms largos. * FIFO: Dar prioridad a los productos que llegan primero al sistema.
* TEC: Dar prioridad a los productos con tiempos de entrega ms cortos. * THC: Dar prioridad a los productos con holguras ms cortas.
* TPC: Dar prioridad a los productos con tiempos de procesamiento ms cortos.
Otras reglas de programacin que han sido evaluadas en los diversos trabajos de investigacin son: a) Dar prioridad a las operaciones ms cortas. Obsrvese que esta regla es ligeramente diferente de la regla TPC, ya que la operacin ms corta de un determinado conjunto "Cd" no siempre pertenece al producto de menor tiempo de procesamiento. Con frecuencia esta versin de la TPC se llama "dinmica" mientras que la versin que usamos anteriormente se llama "esttica". b) Dar prioridad a los productos cuya cantidad total de trabajo pendiente sea menor. Esta regla conduce a resultados ms o menos semejantes a las dos versiones de la regla TPC y la llamaremos TPM. c) Dar prioridad a los productos cuyo nmero de operaciones pendientes sea menor (NOM).
210
d) Dar prioridad a los productos cuya cantidad total de trabajo pendiente sea mayor (TPMA). e) Dar prioridad a los productos cuyo nmero de operaciones pendientes sea mayor (NOMA). La eficiencia de todas estas reglas ha sido comparada, principalmente en lo que se refiere a la reduccin del tiempo de fabricacin medio, tiempo de fabricacin mximo, retraso mximo, retraso medio y nmero de productos retrasados. Veamos algunas de las conclusiones y recomendaciones que se han originado de estos estudios (vanse tambin las referencias [7] y [35]). La regla FIFO es prcticamente equivalente a "no programar", por lo que es la que requiere menos esfuerzo. Si la empresa no tiene problemas de capacidad ni de inventario ni de cumplimiento de fechas, sta deber ser la regla utilizada. En cuanto a la reduccin del tiempo de fabricacin medio, las reglas TPC esttica, TPC dinmica, TPM y NOM generalmente conducen a mejores resultados. Debe recordarse que cuando reducimos el tiempo de fabricacin medio, estamos al mismo tiempo reduciendo el nmero medio de productos pendientes en la planta y el inventario en proceso medio. Sin embargo, en la mayora de los casos es posible determinar reglas especficas que reduzcan todava ms dicho inventario. Como estas cuatro reglas tienden a sacar los productos de la planta lo ms rpido posible, pudieran reducir el nmero de productos retrasados y el retraso medio. Esta afirmacin, sin embargo, es peligrosa y debera considerarse con mucha precaucin. Cuando utilizamos las reglas TPC esttica, TPC dinmica, TPM y NOM siempre existe la posibilidad de que los trabajos demasiado largos queden "atrapados" en el sistema, por lo que con frecuencia se recomienda que sean combinadas con otras reglas (por ejemplo, TEC). Cuando de antemano sabemos que habr la necesidad de maquilar una parte de la produccin, la TPL puede ser la ms conveniente, para que se maquilen los trabajos ms cortos y no los ms largos. En cuanto a la reduccin del tiempo de fabricacin mximo, las reglas TPMA y NOMA generalmente conducen a mejores resultados. Finalmente, la regla TEC conduce a buenos resultados cuando el objetivo es reducir el retraso mximo. Es evidente que estos resultados no son suficientes para que los diversos sistemas productivos pueden resolver sus complejos problemas de programacin. Sin embargo, creemos que stos son un punto de partida del cual podrn salir soluciones relativamente buenas que ayuden a los gerentes de empresas a enfrentar las presiones de la actual sociedad industrial. El campo est abierto a las investigaciones y esperamos que en un futuro no muy lejano se encuentren ms y ms soluciones ptimas para los diferentes tipos de problemas.
PROBLEMAS TIPO
1 . I
PRODUCTO
5.1 Supongamos que 4 productos tienen que ser procesados en la nica mquina que tiene determinada planta, y que sus tiempos de procesamiento son los siguientes:
Pi (das
Determinar: a) La secuencia que minimiza el tiempo de fabricacin mximo y cul es ste. b) La secuencia que minimiza el tiempo de fabricacin medio y cul es ste. Cul es el tiempo de fabricacin de cada producto que corresponde a la secuencia?
Resp.: a) Cualquier secuencia; F*26 das.
b) TPC: d-b-c-a;
F 4 . 5 das; Fp3; Fb=8;Fc=16; F,=26.
5.2 La empresa SECUENCIA, S.A. tiene que fabricar en su nica mquina y entregar a determinado cliente los siguientes productos:
El cliente est muy molesto por los retrasos que han ocurrido en las ltimas semanas por lo que inform a la empresa que de ninguna manera tolerar un retraso mayor que 5 das en ninguno de los pedidos. Habr alguna secuencia que le permita a SECUENCIA satisfacer esta exigencia del cliente? Si existe, determinar el retraso o adelanto de cada pedido, el retraso medio, el retraso mximo y el tiempo de fabricacin medio. Resp.: TEC: b-c-a-d; &=OS; Rc=1.5; &=2.0; &=5.0; R =2.125 das; R*=~.o das; F =7.4 das.
.3 En una planta que tiene una sola mquina debemos minimizar el nmero de productos retrasados. Encontrar la secuencia ptima y, adems, aplicar la secuencia TPC. Para cada una de estas secuencias determinar los valores de "NR", " F ","R " y ''RmW. Las operaciones a realizarse y los tiempos de entrega correspondientes son los siguientes:
Resp.: Secuencia ptima: Moore (b-a-d-c); NR=l; F =6.375 das; TPC (a-b-d-c; ); NR=2; F 4 . 0 das;
R = 1.625 das; b
4 . 5 das.
R =1.75 das; Rm6~4.5 das.
212
5.4 Una fbrica con una mquina tiene un costo de "C" pesos por cada da que los pedidos de los clientes permanecen en ella. Hay en el momento 5 pedidos por fabricarse y los datos correspondientes a stos son los siguientes:
a) Si C=$70 por da para cada pedido, qu secuencia minimizara el costo total y cul es este costo mnimo? b) Supn ahora que para el pedido "i" el costo es ''C? dado por: PEDIDOS d a c e b $45 $15 $30 $10 $73 Ci Qu secuencia minimizara el costo total y cul es este costo total mnimo?
Resp.: a) TPC: d-b-e-a-c; costo mnimo=$5,390. b) Secuencia que minimiza CwiFi:e-a-b-d-c; costo minimo=$1,954.
5.5 La empresa ARCOS, S.A. ha recibido los siguientes 4 pedidos (tiempos en das) para los cuales dos equipos especializados de secuencia fija tienen que ser rentados. La empresa RENTA, S.A. los proporciona cobrando $2,00O/da por cada equipo y los entrega y recoge al mismo tiempo. Cul es la secuencia que minimiza el costo total de renta de los equipos y cunto sera dicho costo? Cul es el tiempo de fabricacin mximo? Cul es el tiempo de fabricacin medio? PEDIDOS a b c d TIEMPO DE PROCESAMIENTO TIEMPO DE EQUIPO #1 EQUIPO #2 ENTREGA 1 3 12 4 7 33 2 6 24 8 5 40
Resp.: Johnson: a-b-d-c; costo mnimo=$84,000; Fnia,=21 das;
F =13.75 das.
5.6 Necesitamos fabricar 5 productos que pasan, segn una secuencia fija, por 2 mquinas cuyas caractersticas son las siguientes: PRODUCTO a b c d e MAQ. #1 (das) 1 5 6 2 7 MAQ. #2 (das) 4 8 3 9 5 TIEMPO DE ENTREGA 15 18 1O 22 25
Utilizando el mtodo de Johnson y las reglas TPC (esttica) y TEC, determinar la secuencia de fabricacin, el tiempo de fabricacin mximo, el tiempo de fabricacin medio, el retraso medio y elnmero de productos retrasados. Resp.: Johnson: a-d-b-e-c; F*=30 das; F =19.6 das; R =5.2 das; NR=3. TPC: a-c-de-b; Fnia,=32 das; F =18.0 das; R =2.8 das; N R = ~TEC: . c-a-b-d-e; F*=35 das; F =21.6 das; R =4.2 das; NR=3.
213
5.7 En una empresa de piezas de madera hay 2 cortadoras idnticas en las cuales hay
que realizar 2 trabajos con las siguientes caractersticas (tiempos en das):

-
TIEMPO DE TIEMPO DE NUMERO TRABAJOS MEDIDAS DE PIEZAS PROCESAMIENTO ENTREGA 25 18 12,000 40x40~8 a 20 14 b 20x20~80 8,000 Considerando que:
* Los lotes pueden ser divididos en dos partes iguales y procesados en paralelo en las
dos cortadoras. Para cada trabajo el tiempo de procesamiento es directamente proporcional al nmero de piezas (por ejemplo, si el lote "a" se divide cada parte requerir 9 horas).
De cuntas formas diferentes podemos procesar estos dos trabajos y cul es el tiempo de fabricacin medio de cada una de ellas? Cul es la mejor si queremos minimizar el tiempo de fabricacin medio? Resp.: la. secuencia: "a" en mq. 1 y "b" en mq. 2; F,=18 das; Fb=14 das; F =16 das. 2a. secuencia: "b" en mq. 1 y "a" en mq. 2; F a 1 8 das; Fb=14 das; F =16 das.
3a secuencia: mitad de "a" en mq. 1 y mitad de "a" en mq. 2; en seguida mitad de ' 8 " en mq. 1 y mitad de "b" en m @ . 2;
Fa=9 das; Fb=16 das;
F =12.5 das.
-
4a. secuencia: mitad de "b" en mq. 1 y mitad de "b" en mq. 2; en seguida mitad de "a" en mq. 1 y mitad de "a" en mq. 2; F,=16 das; ~ ~ dias; = 7F =11.5 das. Para minimizar
F la iiitima secuencia es la mejor.
5.8 El Ing. Lpez es gerente del producto " X y el Ing. Velzquez es gerente del producto "Y". Como los productos son similares Lpez utiliza dos mquinas que de hecho son idnticas a 2 de las mquinas de Velzquez. En un determinado da Lpez tuvo un problema con sus dos mquinas y solicit las dos mquinas de Velzquez prestadas. La respuesta de Velzquez fue: "te las presto a las 8:00 A.M. pero te pido que desocupes las dos mquinas antes de las 13:OO P.M.". Considerando una secuencia fija y que Lpez tiene que realizar las siguientes operaciones de 4 productos en las dos mquinas prestadas: a) Puede atender la peticin de Velzquez? b) Si los tiempos de entrega de "a", "b", "c" y "d" (a partir de las 8:00 A.M.) son 2h, 4h, 3h y 6h, respectivamente, cul sera el retraso medio para la secuencia del inciso "a"?
Resp.:a) S se puede con Johnson: a-c-b-d; Fmax=4.6horas.
b)
R =O.lO horas.
214
5.9 Diez productos deben ser procesados en una planta de secuencia variable que posee 2 mquinas. El cuadro a continuacin proporciona el orden y los tiempos de las operaciones de los productos en las mquinas "Y" y "X": TIEMPOS DE LAS OPERACIONES y@), X(1) Y(5) C X(4), Y(6) d X(7) e Y(7) f Y(3)7 X(8) g X(3), Y(5) h Y(2), X(9) 1 X(6) X(lO), Y(9) J De acuerdo al algoritmo de Jackson, determinar: PRODUCTOS a b a) Los sub-conjuntos "A", "B", "C" y "D". b) La secuencia ptima de fabricacin en cada mquina.
Resp.: a)A: b, e;B: d, i;C: a, f, h;D: c,g,j. b) Mquina "Y": h-f-a-b-e-g-c-J;mquina "X": g-c-j-d-i-h-f-a
Captulo VI: Balanceo de Lneas
6.1 DEFINICIN DEL PROBLEMA 6.2 CLASIFICACIN DE LOS PROBLEMAS DE BALANCEO DE LNEAS 6.3 PRIMER MTODO: C<TeiCON DIVISIN DEL TRABAJO 6.4 SEGUNDO MTODO: C<TeiCON CONCENTRACIN DEL TRABAJO 6.5 TERCER MTODO: C>TeiCON DIVISIN DEL TRABAJO
6.6 CUARTO MTODO: C>TeiCON CONCENTRACIN DEL TRABAJO 6.7 PROBLEMAS MIXTOS 6.8 MTODOS HEU~STICOS DE BALANCEO DE LNEAS 6.8.1 Introduccin 6.8.2 Mtodo de Kilbridge y Wester 6.8.3 Mtodo de los pesos posicionales 6.8.4 Mtodo de Arcus
6.1 DEFINICIN DEL PROBLEMA Decimos que existe una lnea de produccin o ensamble cuando un determinado producto pasa sucesivamente por varias estaciones de trabajo, compuestas por uno o ms puestos de trabajo idnticos, en donde se realizan una o ms operaciones, siguiendo una secuencia predeterminada (vase la Figura 6.1). En los puestos de trabajo laboran operarios con o sin mquinas y herramientas. Aparentemente, para la definicin del problema necesitaramos manejar tres ndices diferentes, ya que tendramos que referirnos a la operacin "i", que se realiza en el puesto "u" de la estacin '3'. Sin embargo, como todos los puestos de una misma estacin son idnticos, podemos suprimir el ndice "u". De esta manera, ser suficiente referirnos a los puestos de trabajo como "los puestos de trabajo de la estacin 'j"'. Hechas estas consideraciones, podemos definir las siguientes variables:
* El volumen de produccin deseado ser "V", dado en unidades al ao, unidades por
turno, unidades por hora, etc..
* El nmero de operaciones a realizarse ser "M" (la numeracin de las operaciones sera
1 , 2,..., i,..., M).
* El tiempo de cada operacin ser '&" (i = 1, 2, ..., M). Se utilizar siempre el minuto
como unidad de tiempo.
* El nmero de trabajadores que requiere cada operacin ser "ni" (i=1,2, ... , M).
* El contenido total de trabajo en minutos-hombre (MH) que se requiere para terminar
una unidad del producto sera
El tiempo total de trabajo en minutos que se requiere para terminar una unidad del producto ser:
El nmero de estaciones de la lnea ser "Z"(1a numeracin de las estaciones ser: 1,2,..., j ,..., Z). 1,2, . . .,Z). Obviamente, tenemos que:
7.
* El nmero de operaciones que se realizar en cada estacin ser "mj"(j=
* El nmero de puestos de cada estacin ser "pj"

puestos sera
(j = 1, 2,
..., Z). El nmero total de
* Finalmente, el nmero de trabajadores de los puestos de cada estacin ser "kj" (j = 1, 2, ..., Z). El nmero total de trabajadores ser "K".
218
Debemos ahora hacer algunas observaciones para que no haya dudas sobre el tipo de problema que vamos a analizar en este captulo: a) Generalmente, las caractersticas tecnolgicas de las operaciones determinan el nmero de trabajadores que se requiere en cada una de ellas, por lo que el de balanceo de lneas se resume nicamente a determinar el nmero de estaciones "Z", el nmero de operaciones por estacin "nj" y el nmero de puestos de cada estacin "pj". En la solucin del problema, sin embargo, tendremos que considerar 2 aspectos muy importantes que son: las restricciones en cuanto a secuencia de realizacin de las operaciones y las restricciones tecnolgicas. Las restricciones tecnolgicas se refieren normalmente a que algunas operaciones o tienen que realizarse en la misma estacin o no pueden de ninguna manera realizarse en la misma estacin. b) Si a una deterninada estacin '3" se asignan varias operaciones y los "ni" de estas operaciones son diferentes, obviamente el nmero de obreros "kj" de cada puesto de trabajo de esta estacin tendr que ser igual al nmero "q"de obreros de la operacin que ms obreros requiere. Es decir, si se asignan a la estacin '3" las operaciones 1, 7 y 8 con ni=l, n7=1 y ns=2, los puestos de esta estacin tendrn que tener un kj=2. Obviamente, no conviene asignar a una misma estacin, operaciones con un "ni" diferente, ya que esto conducira a problemas de inactividad. Por esta razn, no le daremos mucha importancia a esta situacin en este captulo y presentaremos un solo ejemplo de ella al final del inciso 6.7. c) En algunos casos especiales, se disean lneas en las que los trabajadores cambian de estaciones de trabajo o los contenidos de trabajo de stas son variables. En este captulo no se contemplarn estos casos. d) Por ltimo, queremos resaltar que los tiempos que se utilizan en los problemas de balanceo de lneas deben ser deteminados mediante las tcnicas de medicin del trabajo, es decir, debern ser tiempos estndares. Para recordar este hecho, expresaremos los tiempos de las operaciones mediante las letras '&" y el tiempo total y el contenido total as:
lo que significar, respectivamente: "suma de los tiempos estndares de todas las operaciones" y "suma de los minutos-hombre estndares de todas las operaciones".
En algunos casos, podemos resolver el problema de balanceo de lneas concentrando todas las operaciones en una sola estacin y determinando el nmero de puestos de trabajo requeridos en esta nica estacin. sta sera sin duda una "lnea" muy sui gneris, ya que tendra una sola estacin. Sin embargo, an as la consideraremos como lnea de produccin o ensamble.
219
En esta situacin, todos los puestos de la lnea seran idnticos y el mtodo de solucin del problema se llama por concentracin del trabajo. Si no adoptamos este mtodo y en cada estacin se realiza slo el nmero mnimo de operaciones o una sola operacin, entonces el mtodo de balanceo se llama por divisin del trabajo. Veamos ahora otro aspecto importante del problema de balanceo de lneas. Supongamos que se requiere un volumen de produccin "V" de 1,000 unidadeslturno de un determinado producto y que el fondo productivo utilizable (FPU) sea de 450 min. por turno. Si dividimos 450 min. entre 1,000 unidades obtenemos con qu frecuencia deber salir un producto terminado al final de la lnea. En este caso, 450 min./1,000 unid.=0.45 minutos, es decir, para que se cumpla con el volumen de V=1,000 unid.lturno, la lnea tendr que producir una unidad cada 0.45 min.. Este tiempo de 0.45 min. entre unidades consecutivas se llama ciclo (c) de la lnea y representa uno de los ms importantes conceptos del problema de balanceo de lneas. Los mtodos para la solucin de los problemas de balanceo de lneas cuando el ciclo es menor que los tiempos estndares de las operaciones, son radicalmente diferentes de los mtodos aplicables cuando el ciclo es mayor que los tiempos estndares de las operaciones, por lo que cada uno de estos casos ser analizado separadamente. En ambos casos podemos utilizar la concentracin o la divisin del trabajo, por lo que los problemas de balanceo de lneas pueden clasificarse as: a) Ciclo menor que los tiempos estndares (c<tei),con divisin del trabajo. b) Ciclo menor que los tiempos estndares (c<ki), con concentracin del trabajo. c) Ciclo mayor que los tiempos estndares (c>ki),con divisin del trabajo. d) Ciclo mayor que los tiempos estndares (c>bi), con concentracin del trabajo. e) Problemas mixtos (con divisin o concentracin). Es importante sealar (y esto se ilustrar ampliamente ms adelante) que cuando el ciclo es mayor que los tiempos estndares, la divisin total del trabajo, es decir, una operacin en cada estacin, carece de sentido (o por lo menos sera sumamente antieconrnico), por lo que en estos casos siempre habr alguna concentracin del trabajo. El analista, sin embargo, podr seleccionar el nivel de concentracin ms adecuado para la lnea especfica que est balanceando.
Como en todos los problemas de balanceo de lneas, en este caso debemos disponer de la siguiente informacin:
* Volumen de produccin deseado (V).
* Nmero de operaciones que tienen que realizarse (M). * Tiempo de realizacin de cada operacin (ki). * Nmero de obreros necesarios en cada operacin (ni). * Secuencia de realizacin de las operaciones. * Restricciones tecnolgicas.
Toda esta informacin es cuantitativa y el balanceo de la lnea depende directamente de ella. Los aspectos cualitativos (humanos, motivacionales, etc.) tambin son importantes.
220
A pesar de que el enfoque del captulo- ser principalmente cuantitativo, eventualmente abordaremos los aspectos cualitativos. Los aspectos cualitativos pueden agregar ms restricciones a los problemas.
Supongamos que V=1,000 unid. por turno, que no hay restricciones tecnolgicas importantes y que las operaciones, sus tiempos estndares, la secuencia de realizacin y el nmero de obreros requeridos por operacin sean los que se muestran en el cuadro a continuacin. Balancear una lnea que permita lograr el volumen de produccin deseado.
CUADRO 6.1 Problema con c<teicon divisin del trabajo
OPERACIN PRECEDENCIA INMEDIATA (9 --1 2 1 3 1 4 2 5 3 6 4,5 7 6 8 6

Solucin:
TIEMPOS ESTNDARES (ki) 0.82 1.10 1.68 2.69 0.67 0.86 1.87 0.80
OBREROS REQUEFUDOS (ni) 1 1 1 1 1 1 1 1
Generalmente conviene indicar la secuencia de realizacin de las operaciones mediante una red, en donde los nodos representan las operaciones y las lneas las relaciones de dependencia. La red correspondiente a este ejemplo se muestra en la Figura 6.2.
FIGURA 6.2 Red de precedencias correspondiente al Cuadro 6.1
Esta red debe interpretarse de la siguiente manera: la operacin 2 depende de la terminacin de la 1; la operacin 3 tambin depende de la terminacin de la 1; la operacin 4 depende de la terminacin de la 2; la operacin 5 depende de la terminacin de la 3; la operacin 6 depende de la terminacin de 4 y 5; y fmalmente, las operaciones 7 y 8 dependen de la terminacin de la 6. Los nmeros afuera de los nodos corresponden a los "ti".
221
Ahora bien, para un valor de V=1,000 unid./turno y suponiendo un fondo productivo utilizable (FPU) de 480 min.lturno, el ciclo de la lnea ser: c = 480 min./1,000 unid. = 0.480 min. Obsrvese que el ciclo c=0.480 min. es menor que todos los tiempos estndares de las 8 operaciones. Recordando que en este caso queremos balancear la lnea con divisin del trabajo, lo nico que tenemos que hacer es determinar el nmero de puestos necesarios para la realizacin de cada una de las 8 operaciones. El conjunto de puestos de trabajo donde se realizar una operacin determinada, constituir una estacin. En este caso tendremos, por lo tanto, 8 estaciones y hablar de "operacin" es lo mismo que hablar de "estacin". Adems, i = j, M = Z. El nmero de puestos "pj" necesario para cada operacin se determina de una manera muy sencilla. Veamos el caso de la operacin 1: como su tiempo estndar es de 0.82 min. y necesitamos un producto cada 0.480 min., el nmero de puestos necesarios para esta operacin ser: pl = 0.82 minlO.480 min. = 1.71 = 2 puestos. Para las dems operaciones obtenemos lo que se muestra en la columna (e) del Cuadro 6.2. Obsrvese que todos los nmeros de puestos fueron redondeados para ms, ya que no tiene sentido un nmero fraccionario de puestos. As, obtenemos la columna (f) del Cuadro 6.2.
CUADRO 6.2 Lnea del Cuadro 6.1 balanceada
(a) OPER. (i)
(b) PREC.
(c)
tei
(d) OBRE. REQ.
(e) (0 NUM. DE PUESTOS TEORICO REAL

@ j )
@j>
(S)
t4 0.96 1.44 1.92 2.88
(h) CICLO PIOPER.
(0
t'aj 0.94 1.40 1 .S7 2.81
1 2 3 4
--1 1 2
0.82 1.10 1.68 2.69
(ni) 1 1 1 1
1.71 2.29 3.50 5.60
2 3 4 6
0.410 0.367 0.420 0.448
Obviamente, con los nmeros de puestos "pj" redondeados para ms, el balance de la lnea no ser perfecto, es decir, los obreros de todos los puestos tendrn tiempo ocioso. Esto ocurrir siempre, a excepcin de aquellos raros casos en que todos los nmeros de puestos sean exactos. El diseo final de la lnea sera como se muestra en la Figura 6.3. Debe recordarse aqu lo que se dijo anteriormente y que se puede observar en la Figura 6.3: cuando el ciclo es menor que todos los tiempos estndares y se utiliza el mtodo de la divisin del trabajo, a cada operacin corresponde una estacin con un determinado nmero de
222
puestos. As, en la estacin 1 se realizar la operacin 1 con 2 puestos; en la estacin 11 se realizar la operacin 2 con 3 puestos; y as sucesivamente. Volvamos ahora a analizar la operacin 1. Si se necesitaban 1.71 puestos realizando esta operacin en 0.82 min. para producir una unidad cada 0.480 min. (columna "e" del Cuadro 6.2), es obvio que con 2 puestos se podr tardar un poco ms y todava sacar un producto cada 0.480 min.. En otras palabras, si en los 2 puestos los obreros se toman (2)(0.480) min.=0.960 min. para realizar la operacin, la produccin ser de 2 unidades cada 0.960 min., lo que equivale a 1 unidad cada 0.480 min. De esta manera, los trabajadores de los 2 puestos de la operacin 1 podrn tardar hasta 0.960 min. en realizar la operacin y su produccin, cuando trabajen as, ser de exactamente 1 producto cada 0.480 min.. Este tiempo de 0.960 min. se llama tiempo asignado de la estacin 1 y en este captulo tendr la abreviacin de "t4" (tiempo asignado de la estacin "j" o tiempo asignado de los puestos de la estacin "j"). Los tiempos asignados de todas las estaciones tambin aparecen en el Cuadro 6.2 (columna "g"). Obsrvese que para el clculo de los tiempos asignados lo nico que se tiene que hacer es multiplicar el nmero real de puestos (redondeado) por el ciclo de la lnea (en este caso 0.480 min.). Ahora bien, conociendo los tiempos estndares de las operaciones y los tiempos asignados de las estaciones, podemos calcular lo que llamamos la "eficiencia de la lnea ' ("E"), es decir, el porcentaje real de utilizacin de la mano de obra empleada en la lnea. La eficiencia est dada por:
7
E=
C t e i ni
i=l
7
donde:
i=l
t, x ni = Cte= Contenido total de trabajo estndar.

z
t aJ. x kj = Cu= Contenido total de trabajo asignado.

j=l
La diferencia entre estos dos contenidos de trabajo es la siguiente: el contenido total de trabajo estndar es la cantidad total de trabajo, medida en minutos-hombre (MH) estndares, que cada unidad del producto requiere para ser terminada. El contenido total de trabajo asignado es la cantidad real de minutos-hombre que ser empleada para que se produzca una unidad. De esta cantidad real de minutos-hombre empleada, una parte corresponde a la requerida y el restante se pierde en forma de tiempo ocioso. En otras palabras, el contenido total de trabajo asignado siempre ser mayor que el contenido total de trabajo estndar, a excepcin de aquellos raros casos en que no haya inactividad en la lnea. Como se mencion anteriormente, esto slo ocurrir cuando todos los nmeros de puestos tericos resulten nmeros enteros.
Determinar la eficiencia de la lnea del Cuadro 6.2.
Solucin:
De acuerdo a la frmula expuesta arriba, la eficiencia de la lnea sera la siguiente:
Obsrvese que, cuando en todos los puestos de todas las estaciones de la lnea labora un solo obrero, los contenidos de trabajo estndar y asignado salen directamente del Cuadro 6.2 totalizando las columnas "c" y "g", respectivamente. Es importante observar tambin que, como los tiempos asignados fueron calculados en base a un ciclo de 0.480 min., la eficiencia E=87.42% corresponde a este ciclo, es decir, la lnea solamente tendr esta eficiencia cuando trabaje al ritmo de un producto cada 0.480 min.. Como todos los nmeros de puestos fueron redondeados para ms, la n i n . . Cul ser la lnea propuesta podr producir ms que 1 producto cada 0.480 r produccin mxima de la linea propuesta en el Cuadro 6.2 y Figura 6.3? Para determinar la produccin mxima de la lnea tenemos que calcular el ciclo individual de cada estacin despus del redondeo. Para la operacin 1 tenemos: si 1.71 puestos produciran 1 producto cada 0.480 min., 2 puestos producirn 1 producto cada 0.8212 = 0.410 min.. ste ser el ciclo de la estacin 1 (operacin l), es decir, ste seria el ciclo de la linea si slo existiera esta estacin. Los ciclos individuales de las dems estaciones se calculan de la misma manera y se presentan en la columna "h" del Cuadro 6.2. Los ciclos individuales muestran que la estacin (operacin) 7 controlar el ritmo de la lnea ya que a sta le corresponde el mayor ciclo (0.468 min.). En otras palabras, con estos nmeros de puestos y estos tiempos estndares, esta lnea no podr producir de ninguna manera ms que 1 producto cada 0.468 min.. Decimos que c7=0.468min.. Lo anterior demuestra que, si se quiere, la lnea propuesta puede trabajar con un ciclo de 0.468 min. , por lo que volvemos a calcular los tiempos asignados para este ciclo (recordemos que los tiempo asignados se calculan multiplicndose el nmero real de puestos por el ciclo). Los resultados se muestran en la columna "i" del Cuadro 6.2. La eficiencia de la lnea cuando trabaje con este ciclo ser:
Con este ciclo el volumen de produccin por turno sera V' = 480 min. E1,026 unid; 0.468 min. Como ltimo punto, queremos observar que las restricciones en cuanto a secuencia de realizacin de las operaciones no interfieren de ninguna manera en la solucin de los problemas de balanceo cuando el ciclo es menor que los tiempos de las operaciones. Lo que s afecta la solucin del problema son las restricciones tecnolgicas. Por ejemplo, qu pasara si las operaciones 1,2 y 3 tuvieran que realizarse en la misma estacin? En este caso, haramos como si las tres operaciones se transformaran en una sola y resolveramos el problema de la misma manera como si slo hubiera sta y las dems
225
operaciones, es decir, 4, 5,6,7 y 8. Esto, sin embargo, ya es concentrar el trabajo, por lo que ser discutido ms adelante en el inciso 6.4. Planteemos ahora otra pregunta: Cmo se resolvera el problema de balanceo de lneas si el nmero de trabajadores requeridos en cada operacin no fuera siempre 1 como en el Cuadro 6.1 ?
Supongamos que el Cuadro 6.1 se modifica y que el problema a resolver es el del Cuadro 6.3. Volver a balancear la lnea con divisin del trabajo y determinar la eficiencia correspondiente.
CUADRO 6.3 Problema con c<teicon divisin del trabajo y "ni" variable
Solucin:
Suponiendo que todos los dems datos no se modifican, el problema se resuelve exactamente de la misma manera que la presentada en el Cuadro 6.2, es decir, llegaramos a la misma lnea de la Figura 6.3 con la nica diferencia que en los puestos de las estaciones (operaciones) 4 y 6 habra 2 trabajadores. La eficiencia de la lnea, sin embargo, cambiara y para el ciclo de 0.468 min., por ejemplo, sera:
6.4 SEGUNDO MTODO: C<TeiCON CONCENTRACIN DEL TRABAJO

Como comentamos anteriormente, si las restricciones tecnolgicas permiten que todas las operaciones se realicen en una sola estacin, podramos disear una lnea muy sui gneris con una sola estacin compuesta por un determinado nmero de puestos, en donde se realizaran todas las operaciones del proceso.
Regresemos al ejemplo del Cuadro 6.1 con un obrero por operacin. Como no hay restricciones tecnolgicas importantes y el ciclo es de 0.480 min., podemos proponer una "lnea" con una sola estacin, donde se realizaran todas las 8 operaciones y con un nmero de puestos igual a: PJ. = P1 =
T, 10.49 min. = = 21.9 = 22 puestos. 0.480min. c
donde "Tt," es el tiempo total de trabajo estndar. En otras palabras, tendramos una sola estacin con 22 puestos, en cada uno de los cuales se realizaran todas las operaciones. El tiempo asignado de esta nica estacin sera td=(22)(0.480 min.)=10.56 min.. La eficiencia de la lnea para el ciclo de 0.480 min. sera entonces:
Obsrvese que esta eficiencia de 99.34% es para el ciclo de 0.480 min.. Si los obreros de cada uno de los puestos realizan su trabajo en 10.49 min. (lo que sin duda es posible, ya b i " ) , la lnea trabajara con un ciclo de: que 10.49 es la suma de los "
C7
= 10.49 min. = 0.477 min.
22
iy su eficiencia sera obviamente de 100%! En base a lo- descrito anteriormente, podemos afirmar que el mtodo por concentracin del trabajo es superior e inclusive permite que la lnea funcione con una eficiencia de 100%. Esto es correcto desde el punto de vista terico e incorrecto desde el punto de vista prctico. En la vida real, en la mayora absoluta de los casos, no es posible concentrar todo el trabajo en una sola estacin, por las siguientes razones principales: a) La concentracin del trabajo resulta siempre antieconmica si cada operacin requiere un nmero diferente de trabajadores (''ni") para su realizacin. b) Por las restricciones tecnolgicas, algunas operaciones no pueden realizarse en el mismo lugar que las dems. c) La concentracin del trabajo conduce a una duplicidad innecesaria de equipos, cuando las operaciones no son totalmente manuales. Por ejemplo, imagnese que en la operacin 5 se requiere un taladro elctrico. Sin la concentracin del trabajo se requieren 2 puestos para esta operacin y por lo tanto 2 taladros (vase el Cuadro 6.2). Con la concentracin del trabajo se requeriran 22 taladros! d) La variedad excesiva de trabajo asignado a los obreros puede reducir la productividad de la mano de obra (aunque conduce a la ampliacin o enriquecimiento del trabajo, lo cual en la actualidad se considera sumamente importante como estrategias para el incremento de productividad y10 realizacin personal de los obreros).
227
Como las restricciones tecnolgicas en muchos casos tampoco permiten una divisin total del trabajo (es decir, una operacin en cada estacin), la solucin ptima de los problemas de balanceo de lneas casi siempre resulta ser una solucin intermedia, en la que se concentran algunas operaciones en determinadas estaciones (para aprovechar las ventajas de concentracin del trabajo) y se mantienen separadas en otras estaciones aquellas operaciones que requieren equipos especiales o necesitan por alguna razn estar aisladas de las dems, o simplemente para aumentar la productividad de la mano de obra (si la divisin del trabajo realmente conduce a esto).
Supongamos que, por algn tipo de restriccin, tuviramos que realizar las operaciones 1, 2 y 3 (vase el Cuadro 6.3) en una misma estacin. Consideremos adems que, como las operaciones 4 y 6 requieren 2 trabajadores para su realizacin (vase el Cuadro 6.3), tambin debern mantenerse juntas. Volver la balancear la lnea para estas condiciones y determinar la eficiencia correspondiente.
Solucin:
En estas condiciones puede resumirse el problema como en el Cuadro 6.4 a continuacin.

CUADRO 6.4 Problema con c<teicon concentracin del trabajo, "ni" variable y con restricciones tecnolgicas
OPERACION (0 1,2,3 5 496 7 8
ESTACION
(i)
C &i
3.60 0.67 3.55 1.87 0.80
OBREROS
( k j )
1 1 2 1 1
1 11 111 IV V
Obsrvese que para definir las estaciones se tiene que considerar la secuencia de las operaciones (vase la Figura 6.2). No podramos, por ejemplo, asignar las operaciones 4 y 6 a la estacin 2 y la operacin 5 a la estacin 3, ya que la 6 depende de la terminacin de 4 y 5. Por otro lado, el Cuadro 6.4 puede ser transformado en el Cuadro 6.5, por lo que el mtodo de solucin del problema es idntico a los descritos anteriormente.
CUADRO 6.5 Cuadro 6.4 moditlcado
OPERACION (i) A B C D E
ESTACION
(i)
C &i
3.60 0.67 3.55 1 .S7 0.80
1 11 111 IV V
OBREROS (kj) 1 1 2 1 1
228
Captulo Vi: Balanceo de Lneas
La solucin de este problema se presenta en el Cuadro 6.6 (seguimos suponiendo que se requiere un ciclo de 0.480 min.): CUADRO 6.6 Solucin al problema del Cuadro 6.5
En el Cuadro 6.6, el nmero de puestos "pj" de cada estacin fue determinado en base al ciclo c=0.480 min.. Como todos los "pj" fueron redondeados para ms, la lnea podr trabajar con un ciclo ligeramente menor que el original. Como se indica en la penltima columna del Cuadro 6.6, el nuevo ciclo sigue siendo c'=0.468 min. (ciclo de la estacin IV). Los "t'," se obtuvieron multiplicndose el nmero real de puestos por el nuevo ciclo c'=0.468 min.. La eficiencia de la lnea para este ciclo de 0.468 min. ser entonces:
Obsrvese que, para el mismo ciclo de 0.468 min., esta eficiencia es mayor que la anterior de 90.82%. Esto se debe a que, con la concentracin del trabajo, el nmero de puestos se redujo de 25 a 24 (vanse los Cuadros 6.2 y 6.6). La posibilidad de la reduccin del nmero de puestos es una de las principales ventajas de la concentracin del trabajo. 6.5 TERCER &TODO: Ejemplo numrico 6.5: Supongamos el ejemplo del Cuadro 6.7 (y Figura 6.4), en el cual tenemos 12 operaciones que requieren un solo obrero. Balancear la lnea para un ciclo de 0.90 minutos y determinar la eficiencia correspondiente. Solucin: Como podemos ver, el ciclo c=0.90min. es mayor que todos los tiempos estndares. Si resolvemos este problema como en los casos anteriores, asignando una sola operacin a cada estacin, tendremos como "solucin" una lnea con 12 estaciones y una eficiencia bajsirna. Para el ciclo de 0.90 min. la eficiencia sera: C>T, CON DIVISIN DEL TRABAJO
y para un ciclo de 0.55 min. (ciclo de la operacin lo),
CUADRO 6.7 Problema con c>teicon divisin de trabajo
FIGURA 6.4 Red de precedencias del Cuadro 6.7
sta sera la solucin con divisin (total) del trabajo, sin embargo, como se coment anteriormente y se demostr ahora, la eficiencia obtenida es inaceptable. Obsrvese que si todos los "h:' fueran menores que el ciclo, pero muy cercanos a l, la eficiencia sera aceptable. sta sera la hita excepcin.
Como consecuencia, el analista tiene que adoptar alguna concentracin del trabajo, de tal manera que el ciclo de cada estacin sea igual o menor que el deseado (en este caso 0.90 min.). Por lo tanto, el ttulo ms adecuado para este inciso fuera quizs "balanceo de lnea con c>hi y con una concentracin mnima de trabajo", ya que la divisin total del trabajo resulta inaceptable. La solucin del problema consiste entonces en buscar combinaciones de operaciones cuyos "ti" sumen 0.90 min. menos. La misma Figura 6.4 presenta una solucin con tres combinaciones que se repiten en el Cuadro 6.8:
CUADRO 6.8 Combinaciones posibles para el problema del Cuadro 6.7
OBREROS COMBINACIONES OPERACIONES C tei tei 1 0.30+0.40+0.10+0.05 0.85 1,2,3, 5 11 4,6,7,8,10 0.08+0.12+0.10+0.05+0.55 0.90 111 9, 11, 12 0.50+0.12+0.13 0.75
(kj)
1 1 1
Las combinaciones pueden ser cualesquiera. Sin embargo, cualquier operacin solamente puede pertenecer a una combinacin dada, si todas sus precedencias estn ubicadas en cualquiera de las combinaciones anteriores. Cada una de las combinaciones ser entonces asignada a una estacin y tendremos la solucin del Cuadro 6.9.
CUADRO 6.9 Solucin al problema del Cuadro 6.7
ESTACIONES
(i>
OPERACIONES
(9
1,2,3,5 4,6,7, 8, 10 9, 11, 12
C hi
0.85 0.90 0.75
OBREROS
(4)
1 1 1
1 11 111
taj 0.90 0.90 0.90
Obsrvese que en slo una estacin se logr que el ciclo fuera exactamente 0.90 min.. Toda la lnea funcionar entonces con este ciclo y la eficiencia ser:
El lector debe observar que, para efectos de clculo de la eficiencia, las combinaciones se consideran como una sola operacin, cuyo "te? es la suma de los "h:' de sus operaciones. Obviamente, la solucin presentada en el Cuadro 6.9 no es nica y tampoco es ptima. La gran diferencia que hay entre el menor ciclo (0.75 min. de la estacin 111) y el mayor ciclo (0.90 min. de la estacin 11) no es conveniente porque disminuye la eficiencia de la lnea. Otras combinaciones ms convenientes se muestran en el Cuadro 6.10 y Figura 6.5: A estas alturas queremos resaltar que, cualquiera que sea el ciclo, el nmero terico de combinaciones (estaciones) ser:
Para el ciclo c=0.90 rnin., por ejemplo, tenemos:
,,& ,
= 2.50 min.10.90
min. = 2.8 = 3 estaciones.
CUADRO 6.10 Solucin alternativa al problema del Cuadro 6.7 ESTACIONES

(i)
OPERACIONES
(i>
C &i
0.85 0.85 0.80
OBREROS
(kj)
1 11 111
1,2,3,5 4,6,7,8,9 10, 11, 12
1 1 1
FIGURA 6.5 Red de precedencias y combinaciones del Cuadro 6.10
Debido a las restricciones tecnolgicas y de secuencia, sin embargo, no hay garantas de que se pueda lograr el balance con el nmero terico de estaciones, lo que s se logr en los casos de los Cuadros 6.9 y 6.10. Pero volvamos a la nueva lnea del Cuadro 6.10. La eficiencia de esta nueva lnea con el mismo ciclo de 0.90 min. sera otra vez de 92.59%, sin embargo, con el nuevo ciclo c'=0.85 min. (de las estaciones 1 y 11), la eficiencia sera:
Resumiendo, podemos decir entonces que la metodologa para resolver problemas de este tipo es determinar combinaciones de operaciones buscando simultneamente lo siguiente: a) La suma de los ''&y de cada combinacin deber ser igual o menor que el ciclo. b) Una operacin slo puede ser ubicada en una combinacin si todas sus precedencias ya heron ubicadas en alguna combinacin anterior. c) Las C Gi de cada combinacin no deben ser muy diferentes (lo ideal sera la igualdad).
232
Una vez encontradas las combinaciones, cada una de ellas ser asignada a una estacin y habr un solo puesto en cada estacin.
6.6 CUARTO MTODO: C>TeiCON CONCENTRACI~N DEL TRABAJO Ejemplo numrico 6.6:
Volver a resolver el problema del inciso 6.5 utilizando la concentracin del trabajo y determinar la eficiencia correspondiente. Debe recordarse que en el inciso 6.5 ya se utiliz el grado mnimo de concentracin del trabajo. En este ejemplo numrico debe utilizarse un grado de concentracin superior a este grado mnimo.
Solucin:
Utilicemos inicialmente el grado mximo de concentracin, es decir, asignar todas las operaciones a una sola estacin. Como la suma de todos los ' ' G ? es 2.50 min. y el ciclo es de 0.90 min., necesitamos el siguiente nmero de puestos (como en el caso del nmero terico de estaciones): 2.50min. p J. = p1 = 2.8 = 3 puestos 0.90min. Es decir, tendramos una "lnea" con una sola estacin de 3 puestos de trabajo, en cada uno de los cuales se realizaran todas las doce operaciones. Para el ciclo de 0.90 min., la eficiencia sera:
Sin embargo, esta "lnea" puede trabajar con un ciclo igual a (2.50 min.)/3=0.83 min., y para este ciclo la eficiencia sera obviamente de 100%. Como dijimos anteriormente, en la prctica la concentracin total del trabajo puede ser imposible o por lo menos inconveniente. Una concentracin intermedia, sin embargo, puede conducir a resultados superiores a los obtenidos con la concentracin mnima. Como ejemplo, podemos proponer las siguientes combinaciones (Cuadro 6.11):
CUADRO 6.11 Solucin al problema del Cuadro 6.7 con concentracin del trabajo
COMBINACIONES 1 11
OPERACIONES
(i)
t i
PUESTOS
OBREROS
CICLO
(c)
( P , )
1 2
(4)
1 1
1,2,3,5 4,6,7,8,9,10,11,12
0.85 1.65
0.85 0.825
La eficiencia de esta lnea para el ciclo de 0.90 min. sera otra vez de 92.59%, es decir:
Y para el ciclo de 0.85 min. (ciclo de la estacin 1), tendramos:
Observamos que esta eficiencia es idntica a la lograda anteriormente con 3 estaciones y ciclo de 0.85 min. (Cuadro 6.9). Esto se debe a que, a pesar de la concentracin del trabajo y que tenemos en el Cuadro 6.11 una lnea diferente, el ciclo y el nmero de puestos son los mismos (c=0.85 min. y P=3), lo que conduce a una misma eficiencia. Si la concentracin del trabajo hubiera logrado una reduccin del ciclo y10 nmero de puestos, la eficiencia hubiera aumentado.
Considerando el problema de la Figura 6.6 y un ciclo de 0.40 minutos, ilustrar como la concentracin del trabajo puede aumentar la eficiencia de la lnea.
Solucin:
La Figura 6.6 muestra la red de actividades y la primera solucin, con una concentracin mnima del trabajo. Esta lnea consta de 6 estaciones que se indican en la propia Figura 6.6 y en el Cuadro 6.12, y tiene una eficiencia igual a:
FIGURA 6.6 Ejemplo ilustrativo de las ventajas de la concentracin del trabajo: la solucin
234
CUADRO 6.12 Cuadro correspondiente a la Figura 6.6
ESTACION 1 11 111 IV V VI TOTAL
OPERACIONES
(0
1,3 2 6,7,1O 43 8,9 11
C tei
0.32 0.30 0.38 0.40 0.32 0.28 2.00
PUESTOS
(~i>
OBREROS
(kj)
1 1 1 1 1 1 6
1 1 1 1 1 1 6
La Figura 6.7 muestra la segunda solucin, en la que se utiliza cierto grado de concentracin del trabajo y consta de 3 estaciones que se indican en la propia Figura 6.7 y en el Cuadro 6.13 a continuacin. Su eficiencia es de:
FIGURA 6.7 Ejemplo ilustrativo de las ventajas de la concentracin del trabajo: 2" solucin
En el caso de la 2" solucin, la eficiencia aument a 100% debido a que la concentracin del trabajo logr disminuir el nmero total de puestos de la lnea (y consecuentemente el nmero de obreros). Como comentamos anteriormente, sta es una importante ventaja de la concentracin del trabajo.

ESTACI~N (i)
OPERACIONES
(9
1,2,3,6 4,5 7,8,9,10,11
C tei
0.80 0.40 0.80
PUESTOS
(~i)
1 1 1 1 1 1 TOTAL
2 1 2
OBREROSIPUESTO (kj> 1 1 1 5 (*
(*) Entindase como el total de obreros de la lnea.
Veamos ahora el caso en que algunas de las operaciones requieren ms de un obrero y sigamos con la misma red y el mismo ciclo del problema anterior. Supongamos, por ejemplo, que las operaciones 3 y 6 requieren 2 obreros y que por ello sera conveniente que estuvieran juntas en la misma estacin. Volver a balancear la lnea y determinar la eficiencia correspondiente.
Solucin:
En este caso la solucin podra ser la de la Figura 6.8 y Cuadro 6.14 a continuacin. Si mantenemos el ciclo de 0.40 rnin., la eficiencia sera:
FIGURA 6.8 Problema con c>teicon concentracin del trabajo y ''Q"variable
236
ESTACION
(i)
1 11 111 IV V TOTAL,
OPERACIONES (9 1,2,5 3,6 7,9 4,8,10 11

m
C ki
0.72 0.33 0.30 0.37 0.28 2.00
PUESTOS (~i) 2 1 1 1 1 6
OBREROS
(kj)
1 2 1 1 1 7(*)
Para un ciclo de 0.37 rnin. (ciclo de la estacin IV), la eficiencia sera:
6.7 PROBLEMAS MIXTOS
Con este ttulo denominados aquellos problemas en los cuales algunos "bi)' son mayores que el ciclo y otros son menores que el ciclo.
Para el caso de la Figura 6.9 balancear una lnea con un ciclo igual a 0.45 minutos y determinar la eficiencia correspondiente.
Solucin:
En el ejemplo de la Figura 6.9, todos los "&y son menores que el ciclo a excepcin de la operacin 10 con un b,80.80 rnin.>c=0.45 min.. Es fcil entender que, de hecho, no hay ninguna diferencia entre ste y los problemas del inciso anterior con concentracin del trabajo. Una solucin posible sera la que se muestra en la propia Figura 6.9 y en el Cuadro 6.15 a continuacin.
CUADRO 6.15 Solucin al problema mixto de la Figura 6.9
ESTACION
(i)
1 1 1 111 IV TOTAL
OPERACIONES (9 125 3,6,7 4,8,9 1O

m
C ki
0.44 0.43 0.45 0.80 2.12
PUESTOS
(~i)
OBREROS/PUESTO
(kj)
1 1 1 2 5
1 1 1 1
5 (*)
Para el ciclo de 0.45 rnin., la eficiencia sera:
FIGURA 6.9 Problema mixto
Como ltima alternativa, veamos el caso en que slo algunas operaciones de una estacin dada requieren ms de un obrero, es decir los "ni" de las operaciones no son iguales.
Supongamos en el ejemplo del Cuadro 6.15 que n5=2,es decir, la operacin 5 requiere 2 obreros para realizarse. Cmo se modificara la solucin?
Solucin:
En este caso tendremos forzosamente que asignar 2 obreros al puesto de la estacin 1, los que realizaran las operaciones 1, 2 y 5, a pesar de que las dos primeras no requieren 2 obreros. La solucin correspondiente a este problema se encuentra en el Cuadro 6.16 a continuacin. La eficiencia de la mano de obra sera:
E=
[(0.25)(1) + (O. 12)(1)+ (0.07)(2)] + (0.43)(1) + (0.45)(1) + (0.80)(1) + (0.45)(1) + (0.45)(1) + (0.90)(1) (0-45)(2)
La disminucin en la eficiencia, respecto a la solucin anterior del Cuadro 6.15, se debe obviamente a que 1 de los 2 obreros de la estacin 1 estar siempre inactivo mientras el
238
otro realiza las operaciones 1 y 2. Como ilustracin, presentamos en la Figura 6.10 el croquis de cmo sera realmente esta lnea, indicndose en ella las estaciones, los puestos y los obreros.
CUADRO 6.16 Solucin al problema mixto con ' i n ' estacin
ESTACION (i) OPERACIONES
variable en una misma

PUESTOS
@j)
(9
1,2,5 3,67 4,8,9 10
OBRE./OPER. (ni>
1,1,2 1,1,1 1,1,1 1
C bi
0.44 0.43 0.45 0.80 2.00
OBREROSI PUESTO (kj)
1 11 111 IV TOTAL
1 1 1 2 5
2 1 1 1 6
FIGURA 6.10 Croquis de la solucin del Cuadro 6.16
0
OP. 1 o
6.8 MTODOS HEURSTICOS DE BALANCEO DE LNEAS 6.8.1 Introduccin
Como pudimos apreciar en los incisos anteriores, el procedimiento de balanceo utilizado cuando el ciclo es mayor que los ''by de las operaciones, fue el de buscar combinaciones tales que la suma de los tiempos de las operaciones fuera igual o menor que el ciclo, respetndose una serie de condiciones. De hecho, se utiliz el mtodo de ensayo y error. Obviamente, el objetivo principal a lograr en los problemas de balanceo de lneas deber ser siempre la eficiencia mrcirna, la que ser 100% en los casos de balance perfecto (vase el Cuadro 6.13 o la Figura 6.7) o muy cercana a este valor cuando la diferencia entre los ciclos de las distintas estaciones sea muy pequea. Lograr esto por ensayo y error puede resultar sumamente difcil en los problemas reales de balanceo que tengan redes grandes y complejas. Por esta razn, se han propuesto una serie de mtodos heursticos, que nos ayudan a buscar el balance perfecto o por lo menos una alta eficiencia. De los mtodos heursticos, slo analizaremos tres: a) Mtodo de Kilbridge y Wester. b) Mtodo de los pesos posicionales. c) Mtodo de Arcus.
6.8.2 Mtodo de Kilbridge y Wester Ejemplo numrico 6.10:
El mtodo de Kilbridge y Wester se describir mejor mediante el ejemplo que ellos mismos publicaron en 1961 [24], el cual tambin aparece en [5], y que consiste en lograr un balance perfecto con 3 estaciones para el problema que se define en la red de precedencias de la Figura 6.11.
Solucin:
La red de la Figura 6.11 est dividida en 14 columnas. En la Columna 1 se anotan todas las operaciones que no tienen precedencias; en la columna 11 se incluyen las operaciones con una o ms precedencias en la columna 1; y as sucesivamente. Por lo tanto, en la Figura 6.11 las operaciones estn ubicadas lo ms posible hacia la izquierda. sta es una caractersticas muy importante del mtodo de Kilbridge y Wester. El ciclo deseado es de 184 segundos. Como la suma de todos los tiempos estndares es 552 segundos, al menos tericamente puede obtenerse un balance perfecto con 5521184=3 estaciones. Describiremos el procedimiento suponiendo que el objetivo es balancear la lneape~fectamentecon 3 estaciones y un ciclo de 184 segundos. El Cuadro 6.17 presenta en forma tabular la informacin de la Figura 6.11. La columna (C) del Cuadro 6.17 indica qu tanta flexibilidad tenemos para cambiar las operaciones de una columna a otra de la red de precedencias. Por ejemplo, para el caso de la operacin 39, la observacin "11, ..., XI" significa que sta podra moverse a la derecha, a cualquiera de las columnas de la red de precedencias hasta la columna XI, sin violar las precedencias. Esta flexibilidad para mover las operaciones verticalmente en el Cuadro 6.17 y horizontalmente en la Figura 6.11 es quizs la parte ms importante del algoritmo de Kilbridge y Wester. Algunas operaciones aparecen en la columna (B) del Cuadro 6.17 con alguna notacin. Por ejemplo, la operacin 3 aparece con la notacin (c. 5,9). Esto quiere decir que la operacin en cuestin puede moverse horizontalmente por la red de precedencias, slo si las operaciones entre parntesis se mueven delante de ella. Por lo tanto, la operacin 3 se puede mover a la derecha solamente si las operaciones 5 y 9 se mueven delante de ella. Otros datos importantes del Cuadro 6.17 son las duraciones de las operaciones por columnas de la red de precedencias original, lo cual aparece en la columna (E), y las sumas de tiempos acumulados que aparecen en la columna (F). Dada toda esta informacin, procedemos como sigue:
Paso l.Como c=184 segundos, buscamos entre los valores de la columna (F) del Cuadro 6.17 la suma acumulada ms cercana a 184. Encontramos el valor 173 en la columna 111. Esto significa que si asignamos a la estacin 1 todas las operaciones de las columnas 1,II y 111, la sumatoria de los tiempos sera 173 segundos. sta no cumple con lo que queremos por 184-173=11 segundos.
Paso 2. Como la estacin 1hasta el momento incluye las columnas 1,II y 111y nos faltan 11 segundos para completarla, buscamos en la columna IV una combinacin de operaciones cuya suma de tiempos sea exactamente 11 segundos. Encontramos las siguientes combinaciones: 19,29 y 32 (X=1 l), 29 y 3 1(Z=1l), y 31 y 32(X=11).
241
Paso 3. Seleccionemos la combinacin 31 y 32. Movemos entonces estas operaciones a la parte superior de la columna IV y hacemos un corte inmediatamente despus de ellas para que queden asignadas a la estacin 1 (vase el Cuadro 6.18). La estacin 1 queda entonces con todas las operaciones de las columnas 1,II y 111, ms las operaciones 31 y 32 de la columna IV. Paso 4. Buscamos ahora en la columna (F) del Cuadro 6.18 la suma acumulada ms cercana a (2)(184)=368 y encontramos el valor 371 en la columna VI. ste rebasa el total deseado en 371-368=3. Paso 5. De las operaciones no asignadas de las columnas V y VI y parte de la columna IV, identificamos aqullas que se pueden mover horizontalmente hasta la columna VI o a cualquier otra ms all de sta (consideramos adems todas las operaciones de la columna VI). Son las operaciones 9, 10, 29, 30, 25(c. 26), 23,24,26, 18 y 27. Como no hay ninguna combinacin de operaciones cuyos tiempos totalicen 3, realizamos el siguiente paso. Paso 6. Aumentamos el nmero de la columna del paso 4 y repetimos el procedimiento. La siguiente suma acumulada es 441 y corresponde a la columna VII. sta rebasa el total deseado en 441-368=73. Paso 7. De las operaciones no asignadas de las columnas V, VI y VI1 y parte de la columna IV, identificamos aqullas que se pueden mover horizontalmente hasta la columna VI1 o a cualquier otra ms all de sta (incluyendo todas las operaciones de la columna VII). Son las operaciones 9, 10, 29, 30, 25 (c. 26), 26, 33(c. 35, 36, 38) y 21. Como no hay ninguna combinacin de operaciones cuyos tiempos totalicen 73, realizarnos el siguiente paso. Paso 8. Aumentamos el nmero de columna del paso 6 y repetimos el procedimiento. La siguiente suma acumulada es 474 y corresponde a la columna VIII. sta rebasa el total deseado en 474-368= 106. Paso 9. De las operaciones no asignadas de las columnas V, VI, VII, VI11 y parte de la columna IV, identificamos aqullas que se pueden mover horizontalmente hasta la columna VI11 o a cualquier otra ms all de sta (incluyendo todas las operaciones de la columna VIII). Son las operaciones 9, 10, 29,30,25(c. 26), 26,33(c. 35,36,38), 35, 36, 38 y 22. Paso 10. Buscamos una combinacin de operaciones movibles que totalice 106 para sacarla de la estacin 11. O la inversa, dado que el tiempo total de las operaciones del conjunto movible es 129, buscamos una combinacin que totalice 129-106=23 y que pueda mantenerse en la estacin 11. Los tiempos de las operaciones 22, 29 y 30 son 14+4+5=23, por lo que los tiempos del resto de las operaciones movibles tienen que sumar 106. Paso 11. Movemos las operaciones 9, 10, 25(c. 26) y 33(c. 35, 36, 38) ms all de la columna VIII. La estacin 11 se compone ahora de las operaciones de las columnas IV (sin incluir 31 y 32), V, VI y VII, y de la operacin 22 de la columna VIII. Los tiempos de estas operaciones sumarn exactamente 184 segundos. Obviamente, la estacin 111 estar compuesta de las dems operaciones (no asignadas) y sus tiempos tambin sumarn 184 segundos. La solucin final se presenta en el Cuadro 6.19 y Figura 6.12.
242
CUADRO 6.17 Representacin tabular de la red de la Figura 6.11

(B) (A) Nmero de Nmero de columna de identificacin de la operacin la red
1 1 2 11 12 39 3 (c. 5,9) 7 4 (c. 6,lO) 8 13 37 (c. 43) 5 (c. 9) 6 (c. 10) 14 15 43 9 1o 29 30 31 32 25 (c. 26) 16 19 23 24 17 20 26 27 18 21 33(c. 35,36,38) 22 35 36 38 28 34 40 41 42 44 45
(C)
Observaciones
Duracin De las operaciones

9 9 1o 11 5 1o 13 10 13 6 4 17 17 22 11 6 20 20 4 5 7 4 26 19 3 27 29 12 7 6 5 4 55 15 14 7 9 3 24 7 4 21 12 5 5
@)
(E) Suma de las duraciones
(F)
Suma acumulada
11, ..., XI 111, ..., IX 111, ..., M 111, ..., XIII IV, ..., X IV, ..., X IV, ..., XIV v, ..., XI v, ..., XI V, ..., XI V, ..., XI v, ..., XI V, ..., XI V, ..., VIII
44
44
11
56
0 1O
111
73
173
IV
V VI VI1 VI11
v7VI v, VI
VII, ..., M
164 19 15 70
337 356 371 441
VI11 M, x M M
I X
X XI XII XIII XIV
33 24 7 4 21 12 10
474 498 505 509 530 542 552
243
CUADRO 6.18 Cuadro 6.17 modificado despus de la asignacin de las operaciones a la estacin 1 nicamente
(A) Nmero de columna de la red. 1 Nmero de identificacin de la operacin 1 2 11 12 39 3 7 4 8 13 37 5 6 14 15 43 31 32 9 10 29 30 25 (c. 26) 16 19 23 24 17 20 26 27 18 21 33(c. 35,36,38) 22 35 36 38 28 34 40 41 42 44 45
@)
(C> Observaciones
Duracin de las operaciones 9 9 10 11 5 1o 13 10 13 6 4 17 17 22 11 6 7 4 20 20 4 5 26 19 3 27 29 12 7 6 5 4 55 15 14 7 9 3 24 7 4 21 12 5 5
@>
(E) Suma De las duraciones
(F>
Suma acumulada
11 .
I
Estacin 1
111
IV
I V
v , ..., XI v , ..., XI V7...,XI V, ..., XI V, ..., VIII
184
184
V VI VI1 VI11
v, VI v7VI
VII, ..., M
153 19 15 70
337 356 371 441
VIII
M, X
M IX
M X XI XII XIII XIV
33 24 7 4 21 12 1O
474 498 505 509 530 542 552
244
CUADRO 6.19 Cuadro 6.18 modificado despus de la asignacin de las operaciones a las tres estaciones
(A) Nmero de columna de la red.
1 (B) Nmero de identificacin de la operacin
1 2 11 12 39 3 7 4 8 13 37 5 6 14 15 43 31 32 29 30 16 19 23 24 17 20 27 18 21 22 9 10 25 33 28 26 35 36 38 34 40 41 42 44 45
(C) Observaciones
Duracin de las operaciones

9 9 10 11 5 1o 13 10 13 6 4 17 17 22 11 6 7 4 4 5 19 3 27 29 12 7 5 4 55 14 20 20 26 15 24 6 7 9 3 7 4 21 12 5 5
@>
(E) Suma De las duraciones
(F)
Suma acumulada
11
Estacin 1
1
W
111
N
IV
184
184
Estacin 2
T
V
VI
VI1 VI11 VI11
184
368
I X
X XI XII XIII XIV
Estacin 3
184
552
246
El procedimiento anterior de 11 pasos corresponde a este ejemplo de Kilbridge y Wester. En otros problemas podemos tener ms o menos pasos. Las siguientes observaciones y sugerencias son tiles en la aplicacin de este mtodo heurstica: a) Se utiliza la permutabilidad entre columnas para facilitar la seleccin de operaciones que totalicen el ciclo o quede muy cerca de ste. b) En la aplicacin del mtodo es frecuente que encontremos ms de una combinacin de operaciones que cumpla con el total deseado. Se debe elegir una y anotar las otras, por si acaso la elegida no permite lograr los resultados deseados ms adelante en el procedimiento. c) Las operaciones asignadas a una estacin se pueden permutar dentro de la misma columna de la red. Esto da al supervisor de la lnea cierta flexibilidad para alterar la secuencia de las operaciones, sin afectar el balance ptimo. d) Si es posible, hay que asignar primero las operaciones ms largas para tener ms flexibilidad a la medida que avanza el procedimiento de balanceo. Por ejemplo, si podemos escoger entre una combinacin 8+5+10+7 y una combinacin 15+15, seleccionamos la segunda. Esta estrategia coincide con la del mtodo de pesos posicionales que se presenta a continuacin.
6.8.3 Mtodo de los pesos posicionales
Este mtodo utiliza el "peso posicional" de las operaciones como gua para la asignacin de stas a las estaciones. El peso posicional consiste en la suma del tiempo propio de la operacin ms los tiempos de todas las operaciones que dependen de ella. De acuerdo a este mtodo, las operaciones de mayor peso posicional se asignan primero a las estaciones.
Considerando la red del inciso 6.6 (Figura 6.6) aplicar el mtodo de los pesos posicionales.
Solucin:
Si calculamos los pesos posicionales de cada operacin de la Figura 6.6, obtenemos los resultados de la Figura 6.13, en donde el nmero de arriba del nodo es la duracin de la operacin y el de abajo el peso posicional. Ordenando las operaciones segn sus pesos posicionales, tenemos el Cuadro 6.20. Siguiendo el orden de los pesos posicionales y considerando el mismo ciclo de 0.40 min., las operaciones seran asignadas a las estaciones de la siguiente manera: ESTACION 1: 1,3; ESTACION 11: 2,7; ESTACION IV: 5, 8;
tei= 0.32 min. tei= 0.40 mili. tei= 0.37 min.
ESTACION 111: 4,6; C t e i= 0.33 min.
ESTACION V: 9, 10; ESTACION VI: 11 ; t
tei = 0.30 min.
,= 0.28 min.
0.15
FIGURA 6.13 Ejemplo de red de precedencias con pesos posicionales
0.48
0.38
CUADRO 6.20 Operaciones de la Figura 6.13 ordenadas segn su peso posicional
Es importante sealar que las operaciones fueron asignadas a las estaciones siempre de acuerdo al orden del Cuadro 6.20, a no ser cuando se rebasaba el total de 0.40 min. o se violaba alguna precedencia, cuando entonces se saltaba la operacin y se probaba con las siguientes cuyas precedencias ya haban sido asignadas.
248
FIGURA 6.14 Solucin del mtodo de pesos posicionales al problema de la Figura 6.13
FIGURA 6.15 Solucin alternativa al problema de la Figura 6.13
249
Esto pas, por ejemplo, en la estacin 1: se asign la operacin 1 y en seguida la 2; como bi+k2=0.47 min.>ciclo=0.40 min., entonces se salt la operacin 2 y se asign la 3; como hi+k3=0.32 min. (menor que el ciclo), se probaron todas las operaciones cuyas precedencias ya haban sido asignadas que eran la 6 y la 7; como en ambos casos se rebasaba el ciclo, se cerr la estacin 1. Se regres entonces a la operacin que haba quedado, es decir, la 2, se asign la misma a la estacin 11 y se repiti el procedimiento. La solucin obtenida con este mtodo tambin se presenta en la Figura 6.14 y debe observarse que es diferente de la que se obtuvo en el inciso 6.6 (vase la Figura 6.6). La eficiencia de esta nueva solucin para un ciclo de 0.40 min. es igual a la calculada para la solucin de la Figura 6.6. La idea del mtodo de los pesos posicionales es asignar primero aquellas operaciones que "liberan" el mayor nmero posible de operaciones, ya que as se tendrn siempre mayores posibilidades de encontrar las combinaciones deseadas. En muchos casos, la solucin obtenida no es mejor que la obtenida por ensayo y error, y si tenemos mala suerte hasta puede ser peor. Como ilustracin, presentamos en la Figura 6.15 una solucin mejor que las 2 anteriores (Figuras 6.6 y 6.14) y cuya eficiencia E' es:
6.8.4 Mtodo de Arcus

En 1966 Arcus [2] public un algoritmo de apoyo en la solucin de problemas de balanceo de lneas con C>&i (vase tambin [5]). El algoritmo incluye la elaboracin de tres tablas y una serie de pasos muy sencillos que explicaremos a continuacin. La primera tabla, que llamaremos "A", consiste simplemente de una lista de todas las operaciones y su nmero de precedencias inmediatas. Por ejemplo: Tabla "A" a O b o C 1 d o e 2 f 1 La segunda tabla, que llamaremos "B", es un sub-conjunto de la tabla "A" e incluye nicamente las operaciones con cero precedencias. En nuestro ejemplo, la tabla "B" sera: Tabla "B" a 0.12 b 0.05 d 0.07 donde 0.12 min., 0.05 min. y 0.07 min. seran las duraciones de "a", "b" y "P. La tercera tabla, que llamaremos "C", es un sub-conjunto de la tabla "B" e incluye aquellas operaciones de " B que pueden ser asignadas a la estacin considerando el ciclo y las operaciones ya asignadas. Por ejemplo, supongamos que el ciclo es 0.20 min., ya
250
Captulo VI:Balanceo de Lneas
fueron asignadas algunas operaciones a la estacin 1 y quedan 0.10 min. por asignar; como "a" dura 0.12 min., "b"dura 0.05 min. y "d" dura 0.07 min., "a" ya no cabe y slo "b"y "d" pasaran a la tabla "C" que quedara as: Tabla "C" b 0.05 d 0.7 Una vez construidas estas tres tablas el algoritmo funciona as:
Paso l . Se abre la estacin 1. Paso 2. Se escoge al azar una operacin de la tabla "Cmy se asigna a la estacin 1. Paso 3. Se elimina la operacin asignada de todas las tablas. Paso 4. En la tabla "A", al nmero de precedencias de las operaciones que dependen de la operacin asignada, se le resta uno. Por ejemplo, la tabla "A" arriba podra quedar as:
Tabla "A" a O b o C 1-1= O d o e 21 =1
Paso 5. Se vuelve a elaborar la tabla "B" a partir de la tabla "A" actualizada. Paso 6. Se vuelve a elaborar la tabla "C" a partir del tiempo por asignar en la estacin 1 y de la tabla " B actualizada. Paso 7. Se escoge al azar una operacin de la tabla "C"; y as sucesivamente.
Aplicar el algoritmo de Arcus al problema de la Figura 6.13, recordando que el ciclo es 0.40 minutos.
Solucin:
Apliquemos, como ilustracin, slo el inicio del algoritmo. Si desea, el lector puede concluir el ejercicio. En la primera iteracin tenemos: Tabla "A" 1 O 2 1 3 1 4 1 5 1 6 1 7 1 8 2 9 1 10 1 11 3 Tabla "B" 1 0.17 Tabla "C" 1 0.17
25 1
Como la operacin 1 es la nica de la tabla "C", se asigna a la estacin 1 y en sta quedan por asignar 0.40-0.17=0.23 min.. Se actualizan las tablas: Tabla "A" 2 1-1=0 1-1=0 3 4 1 5 1 6 1 7 1 8 2 9 1 10 1 11 3 Tabla "B" 2 0.30 3 0.15 Tabla "C" 3 0.15
Obsrvese que la operacin 2 pertenece a la tabla "B" pero no a la "C" ya que su duracin de 0.30 min. supera los 0.23 min. restantes en la estacin 1. Como la operacin 3 es la nica de la tabla "C", se asigna a la estacin 1 y sta quedara con 0.40-0.170.15=0.08 min. por asignar. Obsrvese que en la siguiente iteracin la tabla "C" quedara vaca porque ninguna operacin dura 0.08 min. o menos. Se abrira entonces la estacin 11 y se repetira el procedimiento.
PROBLEMAS TIPO 6.1 U trmite gubernamental requiere 5 operaciones secuenciales cuyas caractersticas se presentan en el cuadro. Deben atenderse 2,500 personas en un turno de 450 minutos. OPERACION DURACI~N OBREROS 1 1 0.65 min. 2 1 0.30 min. 3 1 0.50 min. 4 1 0.32 min. 5 0.25 min. 1 a) Determinar el ciclo deseado. b) Balancear una lnea con divisin del trabajo que permita atender a las 2,500 personas por turno. c) Calcular la eficiencia de la lnea al ciclo original. d) Calcular el ciclo.de la lnea a su produccin mxima. e) Calcular la eficiencia de la lneaa su produccin mxima.
Resp.:a) c=0.18 minutos. b) Est. 1: 4 puestos; est. 11: 2 puestos; est. 111: 3 puestos; est. IV: 2 puestos; est. V: 2 puestos. c) E=86.32%. d) cY=0.1667 minutos. e) E'=93.22%.
6.2 El volumen de produccin requerido para un determinado producto es de 3,000 unid. por turno de 480 minutos. Teniendo en cuenta la informacin del cuadro a continuacin: a) Balancear una lnea con divisin del trabajo para lograr la produccin deseada. b) Calcular la eficiencia de la lnea al ciclo original. c) Calcular la eficiencia de la lnea a su produccin mxima. DURACION OPERACIN PRECEDENCIA (minutos) OBREROS 1 0.21 1 2 1 1.O4 1 3 1 0.46 1 4 1 1 0.53 5 1 0.70 2,3,4 5 6 1 0.61
Resp.:a) Est. 1: 2 puestos; est. 11: 7 puestos; est. 111: 3 puestos; est. IV: 4 puestos; est. V: 5 puestos; est. VI: 4 puestos. b) E=88.75%. C) E'=92.63%.
6.3 El volumen de produccin requerido para un determinado producto es de 3,000 unid. por turno de 480 minutos. Teniendo en cuenta la informacin del cuadro a continuacin: a) Balancear una lnea con divisin del trabajo para lograr la produccin deseada. b) Calcular la eficiencia de la lnea del inciso "a" al ciclo original.
253
c) Calcular la eficiencia de la lnea del inciso "a" a su produccin mxima. d) Balancear una nueva lnea poniendo las operaciones 4 y 5 en una misma estacin. e) Calcular la eficiencia de la lnea del inciso "d" al ciclo original. f) Calcular la eficiencia de la lnea del inciso "d" a su produccin mxima. OPERACIN PRECEDENCIA 1 1 2 3 1 2 4 5 4 76 6 3 7 6 8 5, 7 DURACION OBREROS (minutos) 1 0.51 0.40 1 1 0.25 0.32 1 2 0.20 0.37 1 1 0.70 1 0.90
Resp.: a) Est. 1: 4 puestos; est. 11: 3 puestos; est. 111: 2 puestos; est. IV: 2 puestos; est. V: 2 puestos; est. VI: 3 puestos; est. VII: 5 puestos: est. VIII: 6 puestos. b) E=82.97%. C) E'=E=82.97%. d) Est. 1: 4 puestos; est. 11: 3 puestos; est. 111: 2 puestos; est IV (operaciones 4 y 5): 4 puestos; est. V: 3 puestos; est. VI: 5 puestos; est. VII: 6 puestos. e) E=77.62%. f) E'=82.80%.
6.4 El ensamble de un determinado producto requiere las siguientes operaciones:

OPERACIN PRECEDENCIA --1 1 2 1 3 1 4 5 293 6 3,4 4 7 8 5, 6 7 9 1O 8,9 DURACIN (minutos) OBREROS 1 0.12 1 0.14 1 O. 15 0.06 1 1 0.10 0.05 1 1 0.05 0.17 2 0.04 1 2 0.07
a) Balancear una lnea con divisin del trabajo que permita producir 1,920 unidades en un turno de 480 minutos, ubicando las operaciones 8 y 10 en una misma estacin. b) Calcular la eficiencia de la lnea al ciclo original. c) Calcular la eficiencia de la lnea a su produccin mxima.
Resp.: a) Est. 1: 1,4, 7; est. 11: 3,6,9; est. 111: 2, 5; est IV: 8, 10. b) E=95.20%. c) E'=99.17%.
6.5 Una determinada empresa tiene que ensamblar 24 unidades por turno de 480 minutos de un producto que requiere las siguientes operaciones:
DURACION (minutos) OBREROS OPERACIN PRECEDENCIA 2 1 1 --12 2 1 --11 3 1 4 1 1 3 8 5 1 2,3 2 1 6 3 17 7 1 4,5 1O 8 1 6 9 3 1 798 1 1O 8 5
--m
a) Balancear una lnea con divisin del trabajo para que se logre la produccin deseada, manteniendo separadas las operaciones 7 y 9. b) Determinar la eficiencia de la lnea del inciso "a" al ciclo original. c) Determinar la eficiencia de la lnea del inciso "a" a su produccin mxima. d) Supongamos ahora que las operaciones 7 y 9 requieren 2 obreros cada una de ellas. Sin cambiar la solucin obtenida en el inciso "a", volver a calcular la eficiencia al ciclo original. e) Supongamos ahora que se cambia la solucin y se asignan las operaciones 7 y 9 a una misma estacin (ambas siguen requiriendo 2 obreros). Cul sera la nueva eficiencia al ciclo original? f) Cual sera la eficiencia de la lnea del inciso "e" a su produccin mxima?
Resp.: a) Est. 1: 1,2,4; est. 11: 3,5;est. 111: 6,7; est. IV: 8,9, 10. b) E=91.25%. c) E'=96.05%. d) E=77.50%. e) Est. 1: 1,2,4; est. 11: 3,5; est. 111: 6,8, 10; est. IV: 7,9; E=93.00%. f )E'=E=93.00%.
6.6 Para un determinado ensamble se requieren las siguientes operaciones:
OPERACIN PRECEDENCIA --1 1 2 2 3 4 2 2 5 6 3,4 7 5 8 5 9 6,7 1O 8,9
DURACIN OBREROS (minutos) 1 0.25 1 0.18 1 O. 15 1 0.12 2 1.10 0.27 1 1 0.20 1 0.23 0.25 1 0.07 1
a) Balancear una lnea que produzca 800 unidades por turno de 480 minutos. b) Determinar la eficiencia de la lnea al ciclo original. c) Determinar la eficiencia de la lnea a su produccin mxima.
255
Resp.: a)Est. 1: 1,2,3, con un puesto; est. 11: 5, con 2 puestos; est. 111: 4,7, 8, con un puesto; est. IV: 6,9, 10, con un puesto. b) E=93.33%. C)E'=94.92%.
6.7 Para el ensamble de un producto grande y pesado se requiere la realizacin de las siguientes operaciones: OPERACIN PRECEDENCIA --1 1 2 1 3 1 4 5 2 73 6 3, 4 3 7 8 5, 6, 7 8 9 9 1o DURACION (minutos) OBREROS 3 1 8 1 1 1 2 2 7 1 1 9 1 1 1 3 2 3 1o 1
a) Balancear una lnea con divisin del trabajo para lograr la produccin de 68 unidades en un turno de 480 minutos. b) Determinar la eficiencia de la lnea del inciso "a" al ciclo original. c) Determinar la eficiencia de la lnea del inciso "a" a su velocidad mxima. d) Balancear 2 lneas idnticas en paralelo con divisin del trabajo que produzcan en total (entre las dos) por lo menos lo mismo que la lnea del inciso "a". Intentar el mejor balance posible! e) Determinar la eficiencia de las lneas del inciso "d" al volumen mximo de produccin. f) A cunto cambiara la eficiencia de las lneas del inciso "d" si a travs de un estudio de mtodos se lograra que todas las operaciones requirieran un solo obrero? g) Qu ventajas hay cuando se utilizan lneas en paralelo que en total producen lo mismo que una sola lnea?
Resp.: a) c=7 min.; est. 1: 1,3,4 con un puesto; est. 11: 2 con 2 puestos; est. iII: 5 con un puesto; esta. IV: con 2 puestos; est. V: 7,8,9 con un puesto; est. VI: 10 con 2 puestos. b) E=67.53%. C)E'=67.53%. d) 1 ~ 1min.; 4 est. 1: 1,2,3; est. 11: 4,6; est. 111: 5,7, 8; est. IV: 9, 10; todas las estaciones con un puesto. e) E'=66.67%. E7=90.38%. g) Por lo menos dos: los obreros hacen una mayor parte del producto lo que puede darles ms satisfaccin; habiendo dos lneas, si una se descompone ila otra sigue produciendo!
6.8 Deben ensamblase 50 unidades por turno de 450 minutos de determinado producto que requiere las operaciones que se presentan a continuacin. a) Balancear una lnea con divisin del trabajo y 4 estaciones para lograr la produccin deseada. b) Determinar la eficiencia de la lnea al ciclo original. c) Determinar la eficiencia de la lnea a su produccin mxima.
d) Supongamos ahora que cada una de las operaciones 9 y 10 requiere 2 obreros y que sus tiempos ahora son 4 y 6, respectivamente. Sin cambiar la solucin del inciso "a", calcular la eficiencia al ciclo original. e) Supongamos ahora que el producto es grande (por ejemplo un coche) y podemos trabajar en l al mismo tiempo en ambos lados (derecho y izquierdo). Si las operaciones de las estaciones 1 y 11 del inciso "a" se realizan simultneamente (supongamos que las precedencias lo permiten) en distintos lados, al igual que las operaciones de las estaciones 111 y IV, indicar que pasara con los siguientes aspectos:
* Ciclo de la lnea. * Tiempo de permanencia en la lnea.
* Eficiencia de la lnea.
OPERACIN PRECEDENCIA 1 2 1 3 2 4 2 5 2 6 1 7 3,495
8 9 1o
7 8
679
DURACION (minutos) OBREROS 4 1 4 1 1 5 4 1 1 1 2 1 1 1 3 1 5 1 7 1
Resp.:a) c=9 min.; est. 1: 1,2, 5; est. 11: 3,4; est. 111: 7, 8,9; est. IV: 6, 10. b) E=l00%. c) E'=E=100%. d) E=81.48%. e) El ciclo permanece igual; el tiempo de permanencia se reduce; la eficiencia permanece igual.
Captulo VII: Administracin del Mantenimiento
ADMINISTRACI~N DEL MANTENIMIENTO
7.1 INTRODUCCI~N 7.1.1 Generalidades 7.1.2 Objetivos, elementos y tipos de mantenimiento 7.1.3 Ventajas de la Administracin del Mantenimiento 7.2 MANTENIMIENTO PREVENTIVO 7.2.1 Introduccin 7.2.2 Requisitos para la implantacin del
7.3 CONTROL DE COSTOS 7.4 CONTROL DEL NIVEL DE MANTENIMIENTO 7.5 UN EJEMPLO REAL DE MP: CALZADO, S.A. (CALSA) 7.6 MANTENIMIENTO PRODUCTIVO TOTAL
MP
7.2.3 Etapas para la implantacin del MP.
7.1.1 Generalidades
La Administracin del Mantenimiento incluye varios aspectos o reas, de las cuales queremos mencionar los principales: a) Organizacin del mantenimiento. b) Planeacin del mantenimiento. c) Presupuesto del mantenimiento. d) Medicin del trabajo de mantenimiento. e) Programacin del mantenimiento. f) Mantenimiento preventivo. g) Control del mantenimiento. * Control de costos. * Control del nivel. * Control del desempeo. h) Incentivos. En este captulo estudiaremos algunos aspectos de control y profundizaremos en el rea de mantenimiento preventivo.
7.1.2 Objetivos, elementos y tipos de mantenimiento
Podemos decir que el objetivo de la funcin de mantenimiento es "conservar en buen estado, de la forma ms econmica posible, el equipo, herramientas e instalaciones de la empresa, de tal manera que stos se mantengan funcionando y generando productos o servicios con la calidad deseada". Es importante resaltar que el objetivo de la funcin de mantenimiento incluye 3 aspectos que obligatoriamente tenemos que lograr para "tener el derecho" de afimiar que estamos administrando el mantenimiento:
Primero. Tenemos que mantener el equipo funcionando. Segundo. El equipo tiene que funcionar de tal forma que se cumplan las especificaciones de calidad. Tercero. Tenemos que lograr lo anterior de la forma ms econmica.
La Administracin del Mantenimiento intenta lograr estos 3 objetivos a travs del uso ptimo de los siguientes elementos: a) Personal (mecnicos, electricistas, soldadores, etc.). b) Equipo y herramientas (tomos, fi-esadoras, llaves, instrumentos de medicin, etc.). c) Refacciones y materiales. Para resaltar la importancia de la administracin, debemos recordar que la abundancia y calidad de estos elementos no necesariamente conducen a buenos resultados. Por ejemplo, la abundancia de refacciones puede conducir a una irresponsable y prematura sustitucin de piezas, con el consecuente incremento de los costos de mantenimiento; as
259
mismo, la abundancia de personal y equipo puede conducir a la inactividad de los mismos y consecuentemente el mantenimiento ya no estara realizndose de la forma ms econmica. Por ltimo, en este inciso, queremos hacer una clasificacin preliminar de los trabajos de mantenimiento, la que ser ampliada ms adelante: a) Mantenimiento correctivo (MC): incluye todos aquellos trabajos de mantenimiento dirigidos a recuperar la capacidad productiva del equipo, cuando sta haya sido mermada por una descompostura aleatoria. Por lo tanto, por definicin, la necesidad de un trabajo de mantenimiento correctivo se origina de una descompostura del equipo y nunca por decisin del Departamento de Mantenimiento. b) Mantenimiento preventivo (MP): incluye todos aquellos trabajos programados por el Departamento de Mantenimiento dirigidos a mantener el equipo funcionando a plena capacidad y con las especificaciones requeridas. Por lo tanto, todos los trabajos de mantenimiento preventivo se realizan por decisin del Departamento de Mantenimiento y no por haber ocurrido una descompostura. El mantenimiento predictivo es un tipo especial de mantenimiento preventivo, y consiste en tomar acciones de mantenimiento a partir de la medicin de variables como el ruido, la temperatura, la vibracin, etc..
7.1.3 Ventajas de la Administracin del Mantenimiento
Una eficiente Administracin del Mantenimiento conduce a un sinnmero de ventajas como son: a) Reduce los paros imprevistos o descomposturas del equipo, es decir, reduce el nmero de paros no programados por el Departamento de Mantenimiento. b) Reduce las horas totales de paro del equipo, es decir, reduce el tiempo total durante el cual el equipo no est funcionando por estar siendo objeto de cualquier tipo de trabajo de mantenimiento o simplemente por estar descompuesto. c) Mantiene las especificaciones tcnicas de funcionamiento del equipo, es decir, precisin, velocidad, consumo de combustible o energa, etc.. d) Alarga la vida til del equipo, es decir, mantiene el equipo funcionando con las especificaciones requeridas durante un nmero mayor de aos. e) Racionaliza el uso de la mano de obra de mantenimiento, esto se logra principalmente por la reduccin de los paros imprevistos, lo que permite que una gran proporcin de los trabajos de mantenimiento sean programados.
f) Racionaliza el uso de refacciones, tambin por las razones expuestas en "e".
g) Reduce los costos totales de mantenimiento, esto se logra al reducirse las horas totales de paro y al utilizarse ms racionalmente la mano de obra y las refacciones.
h) Reduce el inventario de productos en proceso, esto se logra al reducirse las horas de paro y consecuentemente al reducirse las esperas y el ciclo de fabricacin de los productos.
'
260
i) Reduce el desperdicio de materia prima, al mantenerse las especificaciones tcnicas y al eliminarse la prdida de materiales que a veces ocurre como consecuencia de una descompostura o un mal funcionamiento. j) Mejora la calidad de los productos, ya que se mantiene el equipo funcionando con las especificaciones tcnicas requeridas.
k) Reduce los costos de produccin, esto se logra al reducirse el ciclo de fabricacin, los desperdicios y los rechazos por mala calidad.
1) Eleva y hace ms predecible el volumen de produccin, esto es consecuencia directa de la reduccin de las horas totales de paro y de las horas de paro imprevistas. m) Disminuye, en gran parte, la posibilidad de que la descompostura de una pieza o subsistema eche a perder otras piezas o sub-sistemas, lo que reduce indudablemente el costo de las reparaciones. n) Reduce el nmero de accidentes de trabajo, ya que con frecuencia los accidentes ocurren debido al mal estado de los equipos. Vale la pena aclarar que la mayora de estas ventajas frecuentemente se atribuye nicamente al mantenimiento preventivo (MP), lo que puede rechazarse fcilmente con las siguientes observaciones:
* Un mantenimiento correctivo (MC) hecho con esmero y responsabilidad tambin puede

alargar la vida til del equipo, reducir paros, mantener las especificaciones tcnicas, etc..
* Como consecuencia de lo anterior, se podr reducir el inventario en proceso, mejorar la

calidad de los productos, reducir el nmero de accidentes, reducir el desperdicio de materia prima, etc..
* Un MP mal programado y demasiado frecuente puede incrementar las horas de paro en

vez de disminuirlas. Adems, si no se hace con responsabilidad, puede descomponer el equipo que s estaba funcionando bien.
Lo que realmente nos permite obtener todas las ventajas enlistadas arriba, es la combinacin inteligente del MC y MP y la calidad de los trabajos realizados, sean stos correctivos o preventivos.
7.2 MANTENIMIENTO PREVENTIVO 7.2.1 Introduccin
El mantenimiento preventivo (MP) ya fue definido anteriormente en el inciso 7.1, en el cual tambin enlistamos las ventajas de la Administracin del Mantenimiento y comentamos que stas comnmente se atribuyen al MP. Si bien es cierto que estas ventajas no corresponden nicamente al MP, sino que se logran mediante una combinacin de MC y MP, tambin es cierto que la combinacin 100% correctivo y 0% preventivo es psima y que con la introduccin de un sistema de MP se mejorar la combinacin y se podrn lograr muchas de estas ventajas. Sin
26 1
embargo, hay que considerar que si introducimos un sistema de MP y seguimos aumentado la cantidad de ste, llegar un punto en que empezaremos a perder todo lo que se haba logrado, es decir, volvern a aumentar las horas totales de paro, aumentarn los costos de mano de obra y refacciones, etc.. La implantacin del MP implica, por lo tanto, un control riguroso del mismo que nos permita establecer su nivel o cantidad "ptima". 7.2.2 Requisitos para la implantacin del MP Para la implantacin de un sistema de MP debern tomarse algunas precauciones y garantizar algunos requisitos como son:
a) Disear un sistema de recopilacin de informacin o revisar el ya existente

En la mayora de las empresas industriales existe algn sistema de recopilacin de informacin sobre el trabajo de mantenimiento. ste consta generalmente de las rdenes de trabajo, solicitudes y devoluciones de material y algunos otros formatos para reportes peridicos. En estos casos, la implantacin del MP no necesariamente requiere el diseo de otro sistema, sino la revisin del actual para determinar si cumple con todos los requisitos indispensables a la implantacin del MP. El sistema de recopilacin deber proporcionar, por lo menos, la siguiente informacin para cada trabajo de mantenimiento realizado:
* Horas de paro del equipo. * Mano de obra utilizada (horas-hombre). * Materiales y refacciones utilizados (internos y externos a la empresa).
El sistema de recopilacin de informacin (diseado o revisado) tiene que empezar a funcionar varios meses antes de la implantacin del MP, para que el Departamento de Mantenimiento disponga de informacin amplia y representativa de las condiciones del mantenimiento antes de la implantacin del MP. Si no tenemos informacin acerca de la situacin anterior a la implantacin del MP, jnunca vamos a poder medir realmente los beneficios de ste! Como consecuencia, no vamos a tener argumentos cuantitativos fuertes a favor del sistema. b) Revisar el estado de las mquinas Sera locura implantar un sistema de MP de la noche a la maana a todas las mquinas de una empresa sin un previo anlisis de las condiciones de las mismas. No se deben incluir en un sistema de MP aquellas mquinas que estn en mal estado, por lo que, previo a la implantacin del MP, cada mquina deber ser revisada cuidadosamente y renovada si es necesario.
c) Hacer una revisin del estado actual y futuro del inventario de refacciones
El objetivo principal del MP es anticiparse a las descomposturas y mantener el equipo funcionando en buen estado. Esto puede implicar, en un momento dado, la sustitucin de una o varias piezas del equipo en las inspecciones de MP, por lo que la disponibilidad de refacciones ser siempre vital. Los modelos de inventarios probabilsticos pueden ayudar mucho a controlar la disponibilidad de refacciones.
262
d) Garantizar la mano de obra y los equipos del MP

La implantacin del MP puede conducir a un incremento de la carga de trabajo de mantenimiento en los primeros meses de funcionamiento. Si los obreros ya estn sobrecargados antes del MP, en el momento que tengan que hacer inspecciones preventivas, protestarn con razn y las dejarn a un lado "hasta que tengan tiempo". Esto conducir a que los trabajos de MP no se realicen puntualmente o que simplemente no se realicen. La consecuencia final ser, naturalmente, el fracaso. De la misma manera, debern garantizarse todos los equipos que se utilizarn en las inspecciones preventivas.
e) Garantizar los recursos financieros

De la misma manera que la mano de obra de mantenimiento podr incrementarse en los primeros meses de implantacin del MP, los costos totales de mantenimiento tambin podrn elevarse. La empresa deber estar preparada para ello.
fl Obtener u organizar la informacin tcnica sobre el equipo

Los catlogos de los fabricantes generalmente ofrecen informacin muy valiosa para la implantacin del MP, aunque no debe ser la ltima palabra en cuanto a qu hacer y con qu frecuencia. Las propias estadsticas del Departamento de Mantenimiento debern ser analizadas y utilizadas.
g) Revisar o elaborar los instructivos de operacin y reparacin de los equipos
Sera una lstima implantar un sistema de MP con vistas a reducir costos y horas de paro, mientras los obreros de produccin siguen descomponiendo las mquinas debido al uso inadecuado de las mismas. Anlogamente, tambin sera una lstima que, por la inexistencia de instructivos de reparacin, los obreros del MC realicen trabajos de mala calidad o los obreros del MP descompongan el equipo. Es obvio que ambos instructivos deberan existir con o sin MP, sin embargo creemos que es ms absurda su inexistencia cuando se est haciendo un esfuerzo adicional para aumentar la eficiencia de la funcin de mantenimiento.
7.2.3 Etapas para la implantacin del MP
La implantacin propiamente dicha de un sistema de MP debe ser muy cuidadosa, ya que es una tarea muy conflictiva. Generalmente, todos estn de acuerdo con el MP en teora, sin embargo en la prctica el personal de produccin suele oponerse a que paren una mquina "que no est descompuesta". Recomendamos, por lo tanto, que se sigan rigurosamente las siguientes etapas para la implantacin del MP:
a) Obtener la autorizacin y compromiso de la Gerencia General

El responsable de mantenimiento deber exponer brevemente al Gerente General de la empresa las caractersticas, alcance, beneficios y limitaciones del MP y solicitar una autorizacin por escrito para su implantacin. Todas las personas involucradas directa o indirectamente en el mantenimiento, debern tener conocimiento de la autorizacin de la Gerencia General.
Capitulo VII: Administracindel Mantenimiento
263
b) Organizar una reunin explicativa con el personal de mantenimiento y produccin

Es obvio que las personas que estn ms directamente relacionadas con el MP son los trabajadores de mantenimiento y produccin. Los primeros realizarn los trabajos de MP y los segundos obtendrn los beneficios del MP, pero a costa del compromiso de no crear problemas cuando aqullos quieran parar e inspeccionar un equipo. En una reunin con el personal de mantenimiento y produccin, el Gerente de Mantenimiento deber:
* Explicar la necesidad del MP.
* Dejar claro que los beneficios del MP no necesariamente son inmediatos. * Resaltar la importancia del cumplimiento estricto del programa de MP.
trabajadores en su diseo e implantacin.
* Explicar detalladamente cmo funcionar el MP y cul ser la participacin de los

c) Seleccionar los equipos que se incluirn en el MP
Como dijimos anteriormente, las mquinas en malas condiciones debern ser excluidas del MP. Por otro lado, no conviene implantar el MP de "golpe y porrazo" a toda la planta, sino por partes, sumando las mquinas o secciones gradualmente al sistema hasta que toda la planta est incluida. Los primeros equipos a ser incluidos en el MP debern ser los siguientes:
* Equipos que representan un gran inversin. * Equipos cuya descompostura afecta gravemente la produccin. * Equipos cuya descompostura presenta riesgo de cualquier tipo para los obreros. * Equipos que no tienen sustituto.
* Equipos cuyos costos de inspeccin son muy inferiores a los costos de las
descomposturas.
d) Disear losformatos
Un sistema eficiente de MP requerir los siguientes formatos:
* Ficha tcnica: "carnet"
de identificacin del equipo con nombre, cdigo, pas y ao de fabricacin, capacidad, etc.. MP). La hoja de inspeccin es el nico formato exclusivo del MP.
* Hoja de inspeccin: que establece por escrito qu deber realizarse en cada tipo de * Orden de trabajo: que autoriza la realizacin de un trabajo de MC o MP y recopila por
lo menos horas de paro del equipo, horas-hombre utilizadas y materiales y servicios utilizados, internos o externos.
* Bpediente del equipo: registro de todos los trabajos de MC o MP realizados en el

equipo, indicando por lo menos la fecha y los costos de las horas de paro, horashombre y materiales y servicios).
* Requisicin y devolucin de materiaL * Reportes peridicos.
264
En una empresa bien organizada todos estos formatos, a excepcin de la hoja de inspeccin, ya deberan de existir antes del MP. Si ste no es el caso, habr que disearlos.
e) Determinar los elementos tecnolgicos de cada equipo

Los elementos tecnolgicos son todos aquellos sistemas, sub-sistemas, piezas, partes o puntos de lubricacin que deben ser revisados en cada inspeccin del MP. Cualquiera que sea el equipo, los elementos tecnolgicos no requieren la misma frecuencia de inspeccin. Adems, los mismos elementos tecnolgicos pueden ser revisados de forma superficial o exhaustiva, dependiendo del tipo de revisin que se est realizando. Esto sin embargo, ya es parte de la siguiente etapa.
j ) Determinar la frecuencia de inspeccin de cada elemento tecnolgico Una vez hecha la lista de los elementos tecnolgicos, se establecer su frecuencia de inspeccin. Para esto, debern utilizarse 3 hentes principales de informacin:
* Los catlogos de los fabricantes.
* Los registros histricos del Departamento de Mantenimiento.

* La experiencia del personal de mantenimiento.
g) Determinar los tipos y frecuencias del MP y ubicar los elementos tecnolgicos
Los tipos y frecuencias del MP no son fijos y deben adecuarse, en lo posible, a las frecuencias de inspeccin de los elementos tecnolgicos. As, por ejemplo, podemos tener los siguientes tipos y frecuencias del MP: TIPOS MP1 MP2 MP3 FRECUENCIAS Diario Cada 7 das Cada mes TIPOS MP4 MP5 MP6 FRECUENCIAS Cada 6 meses Cada ao Cada 3 aos
Los elementos tecnolgicos sern entonces ubicados en cada tipo de MP de acuerdo a su frecuencia de inspeccin.
h) Determinar el tiempo de realizacin de cada tipo de MP

Una vez ubicados todos los elementos tecnolgicos en los distintos tipos de MP, el siguiente paso ser la estimacin del tiempo necesario para su realizacin, siendo esta informacin indispensable para la programacin del MP (vase la etapa "j" a continuacin).
i) Llenar las hojas de inspeccin de cada tipo de MP
Utilizando las hojas de inspeccin previamente diseadas, se preparan las hojas correspondientes a cada equipo y a cada tipo de MP, enlistando en ellas los elementos tecnolgicos correspondientes y qu hay que hacer en cada uno de ellos (por ejemplo, verificar simplemente o sustituir).
j) Programar las inspecciones del MP
El siguiente paso es la elaboracin del programa anual del MP, como el de la Figura 7.1 a continuacin. Como puede observarse en este ejemplo, el programa anual del MP establece por mquina el da de realizacin de cada tipo de MP, codificados en este caso por medio de las letras "Y (revisin), "P" (mantenimiento pequeo), " M (mantenimiento mediano) y "G" (mantenimiento general).
k) Perodo de prueba
El primer programa anual del MP deber incluir un perodo de prueba, principalmente para poner a prueba los formatos y especficamente las hojas de inspeccin. Al final del perodo de prueba, se harn las modificaciones necesarias a los formatos y se empezar entonces con la implantacin definitiva del sistema.
I ) Implantacin definitiva del MP

La implantacin definitiva del sistema se har inmediatamente despus del perodo de prueba, de preferencia sin interrumpir su funcionamiento ni un solo da. Es recomendable dejar que el sistema se estabilice durante un perodo de 6 a 12 meses antes de hacerle cualquier tipo de ajuste. Esto, sin embargo, ya pertenecera a la etapa de control.
m) Control del MP En el momento de su implantacin definitiva, seguramente el MP todava no estar funcionando a su nivel ptimo y puede ser necesario, entre otras cosas, aumentar o disminuir la frecuencia de inspeccin o redistribuir los elementos tecnolgicos entre los distintos tipos de MP. Estas decisiones se tomarn con base en los parmetros que miden la bondad del MP, que son fundamentalmente los costos y las horas de paro. Esto se analizar en los prximos incisos.
7.3 CONTROL DE COSTOS El clculo de costos indica no slo la bondad del sistema global de mantenimiento, sino tambin si el MP est funcionando a su nivel ptimo. Para esto, es indispensable separar los costos del mantenimiento correctivo (CMC) de los costos del mantenimiento preventivo (CMP). Ambos costos (CMC y CMP) tienen en comn lo siguiente:
* Costo de mano de obra.
* Costo de materiales y servicios (internos y externos).

* Costo de las horas de paro.
* Costo de los desperdicios de materias primas.

El costo de mano de obra de un determinado trabajo (MC o MP) se obtiene simplemente multiplicndose el nmero total de horas-hombre (HH) empleadas, por el salario horario del obrero. Si ms de un obrero intervinieron en el trabajo y stos reciben salarios diferentes, el clculo deber hacerse separadamente para cada uno de ellos.
Captulo VII: Administracin del Mantenimiento .
267
Resulta obvio, por lo tanto, que la orden de trabajo tiene que registrar todas y cada una de las HH empleadas en cada tipo de trabajo de mantenimiento. Para el clculo del costo de materiales y servicios, tenemos que enlistar todos los materiales y servicios correspondientes al trabajo de mantenimiento (MC o MP) y calcular su valor en pesos ($). Esta informacin, como mencionamos anteriormente, tambin debe quedar registrada en la orden de trabajo. Una forma de estimar el costo de las horas deparo es a travs de la determinacin de las utilidades perdidas como consecuencia del paro. stas pueden calcularse de la siguiente manera: UTILIDADES PERDIDAS = VENTAS PERDIDAS - COSTOS VARTABLES recordando que nicamente debemos restar de las ventas perdidas aquellos costos variables que desaparecen cuando ocurre el paro, como son, materias primas y materiales, energa elctrica, costos de distribucin, comisiones y, en ocasiones, la mano de obra (cuando sea pagada a destajo). Cuando estemos seguros de que no hay ventas perdidas como consecuencia del paro, el costo de ste corresponder a los costos de reprogramacin de la produccin, y10 tiempo extra, y10 depreciacin horaria del equipo. El costo del desperdicio de materias primas corresponde a lo que se echa a perder cuando el equipo se para (por descompostura o por MP). Finalmente, queremos mencionar que una descompostura, eventualmente, puede provocar daos al obrero y10 al equipo. Si este ocurre, los costos correspondientes tambin deben incluirse en el clculo del costo del trabajo de MC. Normalmente, el MP no provoca accidentes, por lo que el costo de los daos no fue incluido en la lista anterior de costos comunes al MC y MP. Podra considerarse un costo ms para el MC: el costo de la disminucin de la vida til del equipo. Esto se justifica porque se supone que cada vez que ocurre una descompostura por falta de atencin al equipo, sta de alguna manera daa el equipo y acorta su vida til. Como puede imaginarse, este costo es extremadamente difcil de calcular, por lo que no propondremos su clculo, sino solamente que recordemos siempre que el MP, por reducir descomposturas, est al mismo tiempo alargando la vida til de los equipos. En otras palabras, esto quiere decir que, si con la implantacin del MP los costos totales de mantenimiento (CMC-i-CMP) no presentan una reduccin significativa, por lo menos estaremos alargando la vida til de los equipos! En cuanto a costos, el reto de la implantacin del MP es sencillo de definir y difcil de lograr. En resumen, puede expresarse as: antes del MP existe un costo total de mantenimiento (CTM) igual al costo del mantenimiento correctivo (CMC). Pongamos a stos el sub-ndice "o" para indicar que corresponden a un nivel cero de MP:
Cuando se implanta el MP, se agrega al lado derecho un costo que no exista (CMP) y los costos totales y de MC se transforman en CTMpy CMCp, donde el sub-ndice "p" indica la presencia del preventivo: CTMp = CMCp + CMP
268
Si el MP es exitoso, entonces iCTMp<CTM,! En otras palabras, CMC, tiene que disminuir tanto que compense la aparicin del CMP. Un cuidadoso registro de costos debe ser capaz de demostrar esto para que est justificado el MP.
7.4 CONTROL DEL NJYEL DE MANTENIMIENTO

Supongamos que antes de la implantacin del MP el costo del mantenimiento correctivo tuviera un valor CMC,, como se muestra en la Figura 7.2: FIGURA 7.2 Relacin entre CMC y CMP
CTM
CMC,
Supongamos tambin que, a partir de determinada fecha, se implanta una determinada cantidad de MP que llamaremos "Xl" (Figura 7.2). El CMC se reducir un poco y aparecer un CMP que no exista antes, sin embargo el costo total de mantenimiento (CTM=CMC+CMP) se reducir un poco, como tambin lo indica la Figura 7.2. Si ms el CMC se reducir ms, adelante se vuelve a aumentar la cantidad de MP al valor "XT, el CMP aumentar y el CTM volver a reducirse. Llegar un punto "X*" a partir del cual si se sigue aumentando la cantidad de MP (X3, X4, X5, etc.), ya no ser posible reducir CTM. Es cierto que el CMC sigue reducindose, pero el CMP aumenta ms rpidamente y se opone a los ahorros en el CMC. El resultado es que, a partir de "X*", el CTM ser siempre una funcin creciente y que, por lo tanto, i"X*" es ptima! Debe resaltarse que no existe ninguna garanta de que la cantidad ptima de MP (X*) coincida con el cruce de las lneas correspondientes a CMC y CMP, ya que esto depende de la forma de estas dos lneas. Tenemos ahora un problema: cmo medir la "cantidad de MP"? A travs de las HH empleadas en el MP, a travs de las horas de paro preventivas, o a travs de la cantidad de refacciones? Creemos que la forma ms lgica de medir la cantidad de MP es aqulla que engloba absolutamente todos los costos del MP, es decir, CMP. En este caso,
269
el CMP aparecera en ambos ejes de la Figura 7.2 y la lnea correspondiente al mismo sera una lnea recta inclinada 45" respecto a los dos ejes (si se mantiene la misma escala en los ejes). La curva del CMC se mantiene asinttica al eje de las abcisas, saliendo de la interseccin CMCo con el eje de las ordenadas (Figura 7.2). La grfica de la Figura 7.2 jamh podr construirse en ninguna empresa, ya que esto implicara probar diferentes niveles de MP y calcular CMP y CMC para cada uno de ellos. Estos no solamente sera tardado, sino tambin absurdo desde el punto de vista econmico. Entonces, para qu sirve la grfica de la Figura 7.2 si no la podemos construir? Aforiunadamente, el simple hecho de conocer la grfica de la Figura 7.2 y aceptarla como verdadera nos conduce a conclusiones muy importantes. En ella podemos observar que, cuando el CTM es mnimo, CMC y CMP son aproximadamente iguales. Qu significa esto? Significa que en la etapa de control del MP debemos estar constantemente comparando CMC con CMP y si estos costos no son aproximadamente iguales, el sistema podr, quizs, funcionar todava mejor. Si CMP resulta mayor que CMC, esto nos indica que la cantidad de MP es excesiva y que debemos reducir la frecuencia de las inspecciones de MP. Inversamente, si CMP es menor que CMC, esto indica que la cantidad de MP es insuficiente y que debemos aumentar la frecuencia de las inspecciones. Normalmente, en la etapa de control del MP, se calcula mensualmente la relacin CMPICMC y si sta se mantiene alejada del valor 1 se toman las medidas correctivas necesarias. Queremos concluir este inciso haciendo el siguiente resumen: antes del MP slo despus de la implantacin del MP, existe un CMC, y podemos decir que CTMo=CMCo; el CMC, cambia a un valor CMC,, menor que el anterior, y aparece un nuevo costo: el CMP; el costo total pasa a ser CTMp=CMCp+CMP. Para considerar el MP un xito, debemos tener: CTM, < CTM, y CMPICMC = 1 (aproximadamente). tradicional. Todo este anlisis es vlido desde el punto de vista del manteni#nto Actualmente, las empresas estn intentando dar ms y ms manteniniento preventivo sin que el CTM aumente (como lo sugiere la Figura 7.2). Para lograrlo, es indispensable llevar a cabo el MP de una manera diferente, y esto es precisamente lo que se intenta con los programas de Mantenimiento Productivo Total (TPM por su nombre en ingls). Por ejemplo, una parte importante de la filosofia del TPM es aumentar la cantidad del MP pero pasar una parte importante de sta al operario del equipo. As, se aumenta la cantidad del MP pero se frena el incremento del CTM. En el inciso 7.6 a continuacin comentaremos ms sobre el TPM. 7.5 UN EJEMPLO REAL DE MP: CALZADO, S.A. (CALSA) Lo que sigue es un ejemplo real de aplicacin de toda la teora estudiada anteriormente, a una empresa centroamericana de zapatos que, por razones de confidencialidad, ser nombrada Calzado, S.A. (CALSA). El sistema fue diseado e implantado por un alumno mo, bajo mi asesora. Su nombre es Hctor Ibarra y el mrito jes totalmente suyo!
Captulo VII: Administracindel Mantenimiento
En cuanto a los requisitos para la implantacin del MP (inciso 7.2.2), consideramos que la nica falla del sistema de MP en CALSA fue la falta de recopilacin de informacin antes del MP, para que se pudiera evaluar a cabalidad los beneficios del sistema. Volveremos a este punto posteriormente. En cuanto a las etapas de implantacin del MP (inciso 7.2.3), stas se respetaron rigurosamente en CALSA y a mediados de Octubre de 1983 empez el perodo de prueba. Se hicieron muy pocos ajustes al sistema y podemos considerar que a partir de Noviembre de 1983 empez la implantacin definitiva del sistema, de la ,cual se dispone de informacin hasta el mes de Agosto de 1984. A continuacin describiremos brevemente algunas de las etapas de implantacin propuestas en el inciso 7.2.3, tal y como fueron llevadas a cabo en CALSA:
c) Seleccionar los equipos que se incluirn en el MP

Siguiendo lo establecido en esta etapa, Hctor decidi implantar el sistema de MP slo en las Secciones de Montado e Inyeccin de CALSA.
e) y fl Determinar los elementos tecnolgicos de cada equipo y su frecuencia de inspeccin

A continuacin damos como ejemplo los elementos tecnolgicos determinados para la mquina de Pasar Suela, cdigo No 708-141, de la Seccin de ~ o n t a d o ,con sus rekpectivas frecuencias d e inspeccin. stas fueron determinadas por Hctor, conjuntamente con sus obreros de mantenimiento.
'
NOMBRE DEL ELEMENTO
- Lanzadera - Campos y devanado del motor elctrico - Estructura interna - ~esistencia del depsito de cera - Resistencia de mantenencia del carretel - Cniz cardnica - Tiempo de lanzadera - Bujes o balineras del motor elctrico - Tensores de hilo - Amperaje del motor elctrico - Porta aguja - Banda - Barra de aguja - Corona (pin)
- Avance - Piones de transmisin - Coplin de lanzadera - Movimiento de barra
c ! 7 meses c/ 2 aos
- Frsyno-de la solante - Bases y cimientos
c/ 2.5 aos C/20 das C/20 ddas c/ 2 aos C/20 das C/18 das
,, E "
C/ meses C/1.5 meses C/2 meses C/2 meses
g) Determinar los tipos y frecuencias del MP y ubicar los elementos tecnolgicos

En CALSA, Hctor determin 4 tipos de MP con los siguientes rangos de frecuencias dependiendo del equipo:
- Revisin general (R): cada 15 a 23 das. - Mantenimiento pequeo (P): cada 1.5 a 2 meses. - Mantenimiento mediano (M): cada 6 meses. - Mantenimiento ejecutivo (E): cada 2 a 3 aos.
En el caso especial de la mquina de Pasar Suela, la ubicacin de los elementos tecnolgicos en cada tipo de MP qued establecido como sigue:
C -
* Revisin general @: frecuencia = cada 15 das - Lanzadera - Freno de la volante

- Cruz cardnica - Tiempo de lanzadera - Tensores de hilo - Amperaje del motor elctrico - Banda - Barra de aguja - Corona
- Porta aguja
* Mantenimiento pequeo,(P): frecuencia = cada 1.5 meses

- Todo lo de la revisinigederal+ - Avance - Piones de transmisin
/?
- Coplin de lanzadera
- Movimiento de barra
* Mantenimiento mediano (M): frecuencia = cada 6 meses

- Todo lo del mantenim?ento pequeo + - Campos y devanado del motor elctrico - Resistencia del depsito de cera
- Resistencia de mantenencia del carretel
* Mantenimiento ejecutivo-.(E):frecuencia = cada 2 aos - Estructura externa - Bujes o balineras del motor elctrico
- Todo lo del mantenimiento mediano + - Desmontaje total del equipo y revisin de cada elemento
- Bases y cimientos
h) Determinar el tiempo de realizacin de cada tipo de MP
El tiempo para cada tipo de MP, para cada una de las mquinas, fue determinado con la ayuda de los trabajadores de mantenimiento, y se lleg al siguiente resultado:
- Revisin general (R): de 0.5 a 1 .O horas - Mantenimiento pequeo (P): de 2.0 a 4.0 horas - Mantenimiento mediano (M): de 6.0 a 12.0 horas - Mantenimiento ejecutivo (E): de 14.0 a 30 horas
272
.En el caso especfico de la mquina de Pasar Suela, por ejemplo, la duracin establecida para el mantenimiento mediano fue de 10 horas.
k) Periodo de prueba (una parte de Octubre, 1983) I ) Implantacin definitiva del sistema (Noviembre, 1983)
m) Control del sistema

Se calcularon y analizaron mensualmente el costo total de mantenimiento (CTM), el costo del mantenimiento correctivo (CMC), el costo del mantenimiento preventivo (CMP), el cociente entre stos (CMPICMC), las horas de paro correctivas (HC), las horas de paro preventivas (HP) y el total de horas de paro (THP). Para el clculo de los costos Hctor tuvo que estimar el costo de la hora de paro para cada equipo, lo que result ser una de las partes ms complicadas del proyecto. Los beneficios del sistema de MP en CALSA pueden ser observados principalmente en las Figuras 7.3,7.4 y 7.5. Se muestran los datos de Octubre pero no los consideraremos en el anlisis, ya que stos no corresponden al mes completo, ni al perodo de implantacin definitiva del MP. La Figura 7.3 muestra el comportamiento de las horas de paro (HC, HP y THP) desde que se implant el MP. A pesar de que no hay informacin acerca de las horas de paro correctivas antes de la implantacin del MP (lo que ya se coment arriba), puede verse claramente que las horas correctivas disminuyeron radicalmente a partir de Diciembre de 1983 y las horas de paro totales (HC + HP) nunca volvieron a superar las horas correctivas de Noviembre. Desde Diciembre de 1983 hasta Agosto de 1984, las horas de paro correctivas se mantuvieron en un nivel significativamente ms bajo que los niveles registrados en Noviembre, lo que demuestra la eficacia del MP en la reduccin de las horas de paro correctivas. Los datos numricos son bastante impactantes: el promedio de horas de paro correctivas de Diciembre de 1983 a Agosto de 1984 (36 horas) representa slo un 20% de las horas de paro correctivas de Noviembre de 1983 (183 horas). Al mismo tiempo, el promedio del total de horas de paro para el mismo perodo (124 horas), representa un 68% de las horas de paro correctivas de Noviembre (183 horas), y un 47% del total de horas de paro de este mismo mes (264 horas). En cuanto a la Figura 7.4, puede observarse que el costo total de mantenimiento en Diciembre de 1983 y de Febrero a Agosto de 1984, se mantuvo por debajo del costo correctivo de Noviembre. Esto demuestra que, tambin desde el punto de vista del criterio del costo total de mantenimiento (CTM), la implantacin del sistema cambi las condiciones del mantenimiento favorablemente para la empresa. Numricamente, tenemos que el promedio del costo total de Diciembre de 1983 a Agosto de 1984 ($809,000) representa slo el 52% del costo total de Noviembre de 1983 ($1,543,000) y un 85% del costo del MC (jsolamente!) de este mismo mes ($947,000). (Los costos estn en pesos de algn pas centroamericano.)
FIGURA 7.3 Horas de paro correctivas, preventivas y totales
MESES
FIGURA 7.4 Costos totales de mantenimiento en CALSA
MESES
Por ltimo veamos la Figura 7.5. sta muestra las variaciones mensuales y acumuladas del ndice CMPICMC, las cuales indican que al principio el CMP era mayor que el CMC, pero que despus el CMC disminuy tanto que el ndice CMPICMC lleg a valores como 6.4 y 6.2 en Marzo y Mayo de 1984, respectivamente. Estos elevados valores del ndice CMPICMC indican, a su vez, que el sistema de MP no estaba
274
funcionando en condiciones ptimas (CMPICMC=l), y que podran lograrse ahorros todava mayores disminuyendo la frecuencia de inspeccin del MP. Alternativamente, y siguiendo la filosofia del TPM, podra realizarse el MP de otra manera, pasando, por ejemplo, una parte del MP al operario del equipo.
FIGURA 7.5 Relacin entre CMP y CMC en CALSA
Numricamente, tenemos que el mayor valor del ndice CMPICMC ocurri en Marzo de 1984 (6.4) y el menor en Noviembre de 1983 (0.66). El promedio de todo el perodo de Noviembre de 1983 a Agosto de 1984 (ndice acumulado) fue de 1.9 (acumulando los costos) y de 2.95 (simplemente promediando los ndices de cada mes). Teniendo en cuenta todo lo anterior, podr concluirse que los beneficios del sistema de MP en CALSA fueron muy significativos, en lo que se refiere tanto a las horas de paro como a los costos totales de mantenimiento. Por otro lado, tambin qued claro que el trabajo no haba terminado y que el costo del MP tena que reducirse, ya sea disminuyendo su frecuencia y10 realizndolo de otra manera de acuerdo a la filosofa TPM. stas son las buenas noticias. La mala noticia es que la implantacin del MP provoc conflictos entre Hctor Ibarra (que era Gerente de Mantenimiento) y el Gerente de Produccin. El Gerente de Operaciones (jefe de los dos) empez a apoyar al Gerente de Produccin, por lo que Hctor se decepcion y renunci. Resultado: a partir de Septiembre de 1984 el sistema dej de existir, 'razn por la cual ya no disponemos de informacin. Creo que en este caso, tanto Hctor como yo sub-estimamos los conflictos que el sistema de MP podra causar. Consideramos que la pura bondad del sistema sera argumento suficiente y la realidad demostr que estbamos equivocados. La Itima vez que supe de Hctor estaba implantando un sistema de MP en otra empresa ...
7.6 MANTENIMIENTO PRODUCTIVO TOTAL
El punto de partida del TPM es el Mantenimiento Preventivo. El enfoque inicial de ste siempre fue "evitar descomposturas" y era responsabilidad del Departamento de Mantenimiento. Posteriormente, se observ que simplemente "evitar descomposturas" no era suficiente y que el equipo requera un cuidado continuo que retardara su deterioro natural. Este "cuidado" sigui siendo responsabilidad del Departamento de Mantenimiento y sigui siendo parte del "mantenimiento preventivo". Ms tarde, se observ la gran importancia de incluir a las personas de produccin en el diseo, implantacin y realizacin de este mantenimiento preventivo "ampliado", ya que nadie conoce ms el equipo que las personas que lo usan diariamente. Adems, se vio la necesidad de considerar otros aspectos importantes como la seguridad y la contaminacin, y las gentes de mantenimiento solas no podan con el bbpaquete". Con la participacin de las personas de produccin, dicha actividad cambi de nombre y empez a llamarse "Mantenimiento Productivo", por incluir todas las tareas necesarias para que el equipo produjera en condiciones ideales durante mucho tiempo y por integrar a las personas de produccin. Sin embargo, el uso ptimo de los equipos implicaba eventuales reemplazos de los mismos (que requera la intervencin de las gentes de Finanzas e Ingeniera), muchas horas de capacitacin para que las gentes de produccin pudieran llevar a cabo tareas tradicionalmente de las gentes de mantenimiento (lo que requera la intervencin de Recursos Humanos), etc.. La integracin de otros departamentos, adems de Produccin y Mantenimiento, condujo al siguiente nombre: Mantenimiento Productivo Total. Resumiendo, el Mantenimiento Productivo Total (TPM) incluye todas las tareas necesarias para mantener el equipo funcionando, mejorar su diseo y disminuir su tiempo de preparacin (set-up), para garantizar el estricto cumplimiento de las especificaciones de calidad, el incremento continuo de la productividad y la seguridad e higiene ambiental, integrando todos los departamentos de la empresa y ms directamente Mantenimiento, Produccin, Recursos Humanos, Ingeniera y Finanzas. A pesar de que puede variar un poco de una empresa a otra, generalmente los programas de TPM incluyen:
* Seleccin e instalacin del equipo - Los cambios son cada vez ms frecuentes. - Importante evaluar costo de adquisicin x costo de operacin. - Importante considerar calidad-costo-seguridad-higiene-contaminacin. * Operacin del equipo - iInstructivo de operacin!
- Capacitacin para la operacin.
- Evitar paros repetitivos (por ejemplo, material que se atora).
* Mantenimiento diario
- Lubricar. - Limpiar la mquina, los accesorios y el rea alrededor de la mquina. - Cambiar reas dificiles de limpiar a reas fciles de limpiar.
- Evitar fugas de aceite.
- Establecer estndares de limpieza.
* Mantenimiento peridico - Realizarlo con determinada frecuencia.

* Mantenimiento predictivo - Peridico o cuando se necesita.
- Evaluar y corregir cualquier deterioro. - Es el "mantenimiento preventivo" tradicional. - Se miden variables: temperatura, ruido, vibracin, corriente elctrica, etc.. - Identificar claramente la descompostura.
* Mantenimiento de descomposturas - A pesar de todo.. . j ocurren!.
- Identificar claramente las causas.
- Implantar medidas para evitar la repeticin.
- Es el "mantenimiento correctivo" tradicional.
* Mejoramiento al equipo - Importantsima la opinin del operador. - Importantsima la cooperacin entre Produccin y Mantenimiento.
- Mejorar el desempeo del equipo. - Cambios para reduccin del tiempo de preparacin (ha adquirido una
importancia vital con el surgimiento del sistema Justo a Tiempo). - Cambios mayores al equipo.
* Mejoramiento de destrezas/capacidades
- No hay mejoramiento sin capacitacin.
- Entrenar bien a los operadores para el mantenimiento que les corresponde.

* Mejoramiento de seguridad, higiene y condiciones ambientales - Equipos seguros a "prueba de tontos" (fool-proof).
- No hay nada ms caro que un accidente.
- No hay nada ms caro que una enfermedad. - La moral y la motivacin tienen mucho que ver con las condiciones ambientales.
Captulo VIII: Seguridad e Higiene
SEGURIDAD E HIGIENE
8.1 DEFINICIN Y CONCEPTOS 8.2 SEGURIDAD 8.3 CALOR 8.3.1 Generalidades y variables 8.3.2 Determinacin de la sobrecarga calrica 8.3.3 Mtodos de control de la sobrecarga calrica 8.4 RUIDO 8.4.1 Generalidades y conceptos . 8.4.2 Niveles acsticos relativos 8.4.3 Suma de niveles sonoros 8.4.4 Exposicin permisible al ruido 8.4.5 Distribucin espacial del ruido 8.4.6 Control del nivel de ruido 8.4.7 Daos provocados por el ruido
8.5 CONTAMINANTES QUMICOS 8.5.1 Introdccin y clasificacin 8.5.2 Procesos potencialmente peligrosos 8.5.3 Medicin de los contaminantes 8.5.4 Medicin de mezclas de contaminantes. 8.5.5 Mtodos de control de contaminantes 8.6 PROTECCIN PERSONAL
Capitulo VIII: Seguridad e Higiene
8.1 DEFINICIONES Y CONCEPTOS

En este captulo analizaremos los temas de Seguridad e Higiene Industrial. Debemos empezar con las correspondientes definiciones: la Seguridad es un conjunto de procedimientos y acciones dirigidos a eliminar accidentes; mientras que la Higiene es un conjunto de procedimientos y acciones dirigidos a evitar las enfermedades profesionales. Estas definiciones nos llevan a la necesidad de definir los conceptos de accidente y de enfermedad. Accidente es un evento instantneo no deseado que interrumpe la actividad que se est realizando y que puede provocar dao a las personas involucradas. La palabra bbpuede" en esta definicin es muy importante, porque an cuando no haya dao el evento debe considerarse como un accidente. Por otro lado, enfermedad profesional es el deterioro (normalmente progresivo) de la salud de las personas involucradas en determinada actividad (por ejemplo la sordera). Como los accidentes ocurren tanto en las empresas como en los hogares y lugares pblicos, y como lo que analizaremos es vlido para cualquier lugar o situacin, es preferible hablar de "seguridad" en vez de "seguridad industrial". Lo mismo pasa con la Higiene. Tomando como ejemplo la sordera, sta puede darse en una planta industrial o en una discoteca. Consecuentemente, tambin es preferible hablar de "higiene" en vez de "higiene industrial". Empezaremos con la Seguridad y despus estudiaremos los temas de Calor, Ruido, Contaminantes Qumicos y Proteccin Personal. Sobre seguridad, vase tambin [3] y sobre higiene vase tambin [401
8.2 SEGURIDAD
Existen dos causas principales para que un accidente ocurra: a) Condicin insegura. b) Acto inseguro. La condicin insegura es una caracterstica del medio ambiente que pone en riesgo a la persona. Podemos mencionar varios ejemplos: una zanja abierta, un piso resbaladizo, partes en movimiento descubiertas en una mquina, una puerta demasiado baja, material mal almacenado que se pueda caer en cualquier momento, una carretera sin camelln que permite que tanto personas como vehculos se crucen, una escalera con escalones de diferentes alturas, etc.. La nica manera de cambiar o eliminar la condicin insegura es, por lo tanto, modificando el ambiente. Esto no implica modificar ninguna de las conductas de las personas. El acto inseguro es una conducta indeseada de la(s) persona(s) que pone en riesgo a las personas involucradas en la actividad. Ejemplos: jugar con objetos cortantes, manejar despus de haber tomado, no respetar los lmites de velocidad, no seguir las instrucciones de operacin de una mquina, etc.. Hay un tercer aspecto importante que debemos considerar pero que no afecta la probabilidad de ocurrencia del accidente: es la proteccin personal. sta protege a la persona reduciendo el dao cuando el accidente ocurra pero no evita el accidente. Estamos hablando de casco, guantes, lentes de seguridad, cinturn de seguridad, etc.. Obviamente, un programa de seguridad basado nicamente en la proteccin de la persona tiende al fracaso porque los accidentes seguirn ocurriendo.
279
Una pregunta muy polmica sobre la cual normalmente nunca nos ponemos de acuerdo es la siguiente: En general, qu provoca el accidente, las condiciones inseguras o los actos inseguros? Mucha gente a nivel mundial ha sacado y estudiado estadsticas para contestar esta pregunta y los resultados de los diferentes estudios no son concluyentes o son contradictorios. En parte, los resultados contradictorios se deben al hecho de que los accidentes pueden interpretarse de diferentes maneras. Por ejemplo, supongamos que una persona caminando rpido se resbala y se rompe un brazo. Si este accidente queda registrado como "debido al piso resbaladizo Pedro se resbal y se rompi un brazo", seguramente se sumar a los accidentes provocados por las condiciones inseguras. Sin embargo, si este mismo accidente queda registrado como "por caminar rpido Pedro se resbal y se rompi un brazo", seguramente se sumar a los accidentes causados por los actos inseguros. Por lo tanto, las interpretaciones distorsionan mucho la clasificacin de los accidentes y esto es lo que provoca ambigedades y contradicciones en los estudios. Mi posicin es radical y al mismo tiempo muy sencilla. En vez de andar discutiendo qu es lo que con ms frecuencia provoca los accidentes y andar peleando porque los resultados se contradicen, mejor construyamos ambientes que, dentro de lo posible, sean a prueba de los accidentes o, si el lector lo prefiere, a prueba de las personas. Obviamente, para lograr esto tenemos que trabajar sobre las condiciones inseguras. Por lo tanto, mi recomendacin, en pocas palabras, es: identifiquemos todas las condiciones riesgosas del ambiente y eliminmoslas, sin dejar opcin a las personas de que puedan provocar un accidente. Por ejemplo, si se protegen las partes en movimiento de una mquina, las personas ya no tienen la opcin de tocarlas y daarse; si el metro de la Ciudad de Mxico no manca con las puertas abiertas, las personas ya no tienen la opcin de subirse con el metro en movimiento; si ponemos un tope de suficiente altura en la entrada de un pueblo, los conductores ya no tienen la opcin de entrar al pueblo a exceso de velocidad (a no ser que quieran destruir la suspensin de su coche). Obsrvese que estas tres medidas son radicalmente diferentes a slo poner un aviso "cuidado, partes en movimiento", o "no subirse con el metro en movimiento" o "pueblo cercano, velocidad mxima 30 Krn./hora". Ahora bien, como en muchas situaciones eliminar totalmente las condicionas inseguras no resulta posible, tambin tenemos que concientizar a la gente para que evite actos inseguros. Y, jmucho ms importante!, tenemos que concientizar a la gente para que no destruya las condiciones seguras. Yo personalmente he visto gentes que "destruyen topes", "quitan seguros a las mquinas" o "rompen la malla del camelln del perifrico de la Ciudad de Mxico". Sin embargo, en todo momento las acciones deben realizarse en este orden: primero hacemos nuestro mejor trabajo en la eliminacin de condiciones inseguras y si an as quedan riesgos, orientamos y capacitamos a las personas para que eviten actos que, en combinacin con las condiciones inseguras que quedaron, puedan provocar un accidente. Esta ltima fiase sugiere una de las grandes verdades de la seguridad: an cuando parece obvio que fue un acto inseguro lo que provoc el accidente, de hecho la causa del accidente fue una combinacin de ste con un condicin insegura existente. Si trabajando sobre las condiciones inseguras y sobre los actos inseguros todava queda la posibilidad del accidente, entonces hay que proteger a la persona, por lo que la proteccin personal tambin tiene su importancia (vase el inciso 8.5).
Como ejercicio sugerimos que los lectores analicen cada una de las medidas que se mencionan a continuacin y pongan una "C" si est dirigida a eliminar condiciones inseguras, una "A" si est dirigida a eliminar actos inseguros y una "P" si est dirigida a proteger a la persona (la solucin se encuentra al final del captulo):
( ) Reducir el nivel de ruido de una planta. ( ) Poner alrededor de una mquina peligrosa un piso especial que cuando detecta la ( ( ( ( ( ( ( ( ( ( (
(
presencia de personas desconecta automticamente la mquina. ) Cambiar paredes y escalones de las escaleras de una universidad. ) Explicar a los nios que las medicinas no se tocan. ) Poner letreros de no fumar en las gasolineras. ) Poner topes en las reas de circulacin de un condominio. ) Cambiar los pisos por otros menos resbaladizos. ) Usar el cinturn de seguridad al manejar. ) Poner un camelln en la carretera libre de Quertaro a Celaya. ) Poner una red a los trapecistas de un circo. ) Aislar tuberas calientes. ) Hacer una campaa por radio y televisin para evitar el exceso de velocidad durante la semana santa. ) Establecer sanciones disciplinarias para los empleados que sufran o provoquen accidentes. ) Poner los objetos cortantes fuera del alcance de los nios. ) Obligar a los obreros a usar casco y guantes.
Por ltimo queremos mencionar que existen teoras sobre seguridad que nos ayudan a comprender el problema de los accidentes. stas son:
a) Teora del azar

Esta teora dice que, "si existe un riesgo y muchas personas se estn exponiendo a dicho riesgo, el accidente va a ocurrir; cundo y a quin le va a tocar es un problema de azar". El riesgo aqu puede ser una condicin insegura o un acto inseguro, por lo tanto lo que afirma esta teora es que si queda una condicin insegura y muchas personas se estn exponiendo a dicha condicin, el accidente va a ocurrir en "algn" momento y la vctima va a ser "alguien". De ah viene nuestra insistencia de que eliminemos las condiciones inseguras. Pero la teora tambin afirma que si alguien consistentemente comete un acto inseguro sufiir en "algn" momento el accidente. Esto ltimo es un mensaje directo a las personas que con fi-ecuencia manejan despus de haber tomado: en algn momento sufiirn un accidente; cundo?, jel azar lo determinar!
b) Teorh de la propensin desigual

Esta teora dice que, "algunas personas, por sus caractersticas fsicas y10 psquicas, son ms propensas a los accidentes". Obviamente, esta teora sugiere que, si dichas personas son identificadas, no debern jams trabajar en lugares riesgosos.
c) Teora de la susceptibilidad
Esta teora dice que, "si una persona sufie un accidente su conducta cambiar: se volver ms propensa a los accidentes debido al nerviosismo o menos propensa debido a la precaucin". La preferencia de algunos bancos por contratar personas que ya hayan
281
sufrido un asalto bancario o de algunas empresas de transporte por choferes que ya hayan sufrido un accidente, se basa directamente en esta teora. Como conclusin queremos agregar lo siguiente: el accidente es lo ms caro que puede ocurrir en cualquier ambiente, sea en una fbrica, en el hogar o en la va pblica. Obviamente, el costo humano es el ms elevado pero tambin existen costos econmicos muy significativos. El salario del trabajador accidentado puede ser cubierto en un 100% por el Seguro Social, pero hay muchos otros costos indirectos no cubiertos. Algunos estudios sugieren que los costos indirectos pueden ser de hasta 4 veces los costos directos. En una planta industrial, por ejemplo, los costos indirectos pueden ser:
* Tiempo perdido por el trabajador accidentado, los compaeros que llegan a ayudarlo, el * Tiempo dedicado a la investigacin sobre el accidente.
supervisor, etc..
* Produccin perdida debido al accidente.
* Costo de los primeros auxilios proporcionados por la empresa.
* Dao provocado a la mquina y10 prdidas de materias primas.
* Capacitacin del trabajador sustituto y prdida de productividad durante el proceso de

aprendizaje. * Prdida de productividad debido a la disminucin de la moral. * Aumento de cuotas al Seguro Social por mayor nivel de riesgo. * Etc.. Nunca crean que el accidente "fue inventado para los dems, a m no me toca". Respeten mucho la teora del azar, sta nunca falla! No hay error ms fatal que exponerse repetidamente a un determinado riesgo. Y como, a pesar de las excelentes carreteras y de la esmerada precaucin al manejar, los accidentes todava pueden ocurrir, pongan el cinturn de seguridad al manejar! 8.3 CALOR 8.3.1 Generalidades y variables El ser humano es homeotermo, es decir, mantiene su temperatura interna en un valor aproximadamente constante. La temperatura del cuerpo vara segn la parte del mismo, siendo 37C en partes internas del cuerpo y de 33C en las extremidades. En casos de calor excesivo, la temperatura interna del cuerpo puede llegar a 40C y de las extremidades a 36C. En casos de extremo fiio, la temperatura de las extremidades puede llegar a 20C. Desafortunadamente, gran parte de la literatura sobre calor industrial utiliza unidades de medida inglesas, por lo que en este captulo utilizaremos el "F para medir la temperatura, el BTU (British Thermal Unit) para medir el calor, pieslmin. para medir velocidades, etc.. En los estudios de calor industrial trabajamos con diferentes tipos de variables que son: a) Temperatura de bulbo seco (T,): es la temperatura comn y corriente del aire, medida con un termmetro estndar del tipo que todos conocemos.
282
b) Temperatura de bulbo hmedo (Th): es la temperatura obtenida cuando envolvemos el bulbo del termmetro con una "camisa" mojada y la velocidad del aire es de 700 pieslmin.. Obviamente, la temperatura de bulbo hmedo es inferior a la temperatura de bulbo seco, ya que la evaporacin del agua roba calor del bulbo del termmetro provocando as una disminucin de temperatura. c) Humedad: es la cantidad de vapor de agua en el aire. Cuanto mayor sea la humedad, menor ser la diferencia entre "T," y "Th')'. La humedad puede ser absoluta (por ejemplo, gramos de agua por kilogramo de aire seco (Ha)), puede medirse a travs de la presin parcial del vapor del agua (P,), o puede ser relativa (relacin entre la presin parcial "P," y la presin de saturacin del vapor del agua "P," (Pa/P,)). d) Temperatura de globo (Td: es la temperatura de un termmetro corriente cuyo bulbo est envuelto en un globo que se comporta como un cuerpo negro. Cuando hay radiacin, el cuerpo negro la absorbe y la temperatura del bulbo se eleva. Si no hay radiacin, la temperatura de globo es igual a la temperatura de bulbo seco. e) Velocidad del aire (V): es la velocidad relativa del aire respecto al objeto en estudio, es decir, el ser humano. Esta velocidad se mide con un instrumento llamado anemmetro.
8.3.2 Determinacin de la sobrecarga calrica

El ser humano puede ganar o perder calor a travs de los siguientes fenmenos: a) Por conduccin: es decir, a travs del contacto directo con la fuente de calor. b) Por conveccin: es decir, a travs de la circulacin de las molculas de aire caliente. c) Por radiacin: es decir, a travs de la recepcin de ondas calricas electromagnticas. d) Por evaporacin: es decir, a travs de la evaporacin del sudor. e) Por la respiracin: es decir, el ser humano gana o pierde calor por la introduccin de aire caliente o Fo al cuerpo a travs de la respiracin. Por el metabolismo: es decir, el ser humano tambin gana calor a travs de su propio metabolismo, ya que cualquier esfuerzo genera calor a travs del metabolismo del cuerpo. Obviamente, la cantidad de calor generada por el metabolismo depende directamente de la actividad desempeada por el trabajador y est dada en tablas. Cuando el ser humano est totalmente en reposo, el metabolismo corresponde a 240 BTUIhora y ste se llama metabolismo basal. Si despreciamos las cantidades de calor ganadas o perdidas a travs de la conduccin y la respiracin, llamamos "C" y "R" a las cantidades de calor ganadas o perdidas a travs de la conveccin y la radiacin, respectivamente, y llamamos " M a la cantidad de calor generada por el metabolismo del cuerpo, podemos entonces escribir la siguiente ecuacin: M+R+C=E,, donde " E,," seria la cantidad total de calor que se requiere que el trabajador pierda a travs de la evaporacin del sudor para que la temperatura de su cuerpo no se eleve.
283
Obsrvese que en esta ecuacin "M" ser siempre positivo, mientras que los dems trminos podrn ser positivos o negativos. Los valores de "C" y "R" se calculan mediante frmulas empricas y dependen de las variables definidas anteriormente. As tenemos: donde: C = Cantidad de calor ganada o perdida por conveccin en BTUIhora. V = Velocidad del aire en pieslminuto. Ts= Temperatura de bulbo seco en "F. 95F = Temperatura media de la piel. donde: R = Cantidad de calor ganada o perdida por radiacin en BTUJhora. Tw= Temperatura media radiante en O F dada por: Tw= T, + (O.13)(V)0.5(~g-~s). donde: Tg= Temperatura de globo en "F. V = Velocidad del aire en pieslminuto. Ts = Temperatura de bulbo seco en "F. Como dijimos anteriormente, "Ere," es la cantidad de calor que se requiere que el trabajador pierda para que la temperatura de su cuerpo no se eleve. Pero, cunto calor puede perder el trabajador a travs de la evaporacin del sudor? Esto tambin est dado por frmulas empricas:
= Mxima cantidad de calor que el trabajador puede perder por donde: Lk evaporacin del sudor en BTUIhora. V = Velocidad del aire en pieslminuto. Pa= Presin parcial del vapor del agua, calculada en funcin de "T," y 'Th)' obtenida de una carta psicromtrica.
SU comparacin determinar si existe o no una Una vez calculados "&(' y "&Sy<)'7 sobrecarga calrica para el trabajador. Si "Ere," es mayor que "Lk'," existe una sobrecarga calrica y la permanencia prolongada del trabajador en este ambiente puede daar su salud o provocarle una convulsin; si "Ere(' es menor que "E,iur", no existe sobrecarga calrica (obsrvese que esto no significa que no "sentimos" calor). El cociente E$eq&, se llama ndice de sobrecarga calrica (ISC) y podemos decir que:
* Si ISC = O (lo que implica Ereq =O ) no existe tensin trmica y no hace falta que el
trabajador pierda calor por evaporacin.
* Si ISC = 1.O7 estamos en el lmite y cualquier deterioro en cualquiera de las variables

del ambiente provocar una sobrecarga calrica.
* Si ISC < 1.O, esto indica que el trabajador es capaz de perder, a travs de la evaporacin
del sudor, todo el calor que est absorbiendo, y no existe sobrecarga calrica.
* Si ISC > 1.O, existe sobrecarga calrica.
284
Cuando existe sobrecarga calrica, tenemos que calcular el tiempo mximo de exposicin (TME), que est dado por: TME = 250 BTU E, -E* Este ndice se basa en el hecho de que un incremento mayor que 2OF es peligroso para la y "Emk" salud, y esto ocurre precisamente con la ganancia de 250 BTU. Como "be," estn dados en BTUhora, el cociente 250BTU/(Ereq-Lk) nos dar el tiempo en horas para que el obrero absorba 250 BTU, es decir, para que su temperatura se eleve en 2F. En lo que se refiere al tiempo mximo de exposicin, debemos observar lo siguiente:
* Si
el TME ser positivo y nos dar el tiempo mximo de permanencia del trabajador en el ambiente. en el ambiente durante toda la jornada de trabajo (repetimos que esto no quiere decir que el obrero no sienta calor).
* Si E,eq=Emh,el TME=m, lo que indica que el obrero puede permanecer sin problemas
* Si ERq<Emk, la frmula de TME no se aplica.
Por ltimo, queremos resaltar que, por indicaciones mdicas, se debe evitar que el trabajador pierda, a travs de la evaporacin, ms de 2,400 BTUhora, por lo que cuando "&aD(" resulta mayor que este valor, debemos usar hk=2,400 BTUhora en el clculo de "ISC" y "TME".
Uno de los puestos de trabajo de una fundidora industrial hipottica presenta las siguientes caractersticas:
Metabolismo de la actividad en cada hora (incluyendo el metabolismo basal): ACTIVIDAD Sentado Transportando material en carretilla Trabajando en mquina Trabajo ligero parado TIEMPO 0.167 horas 0.332 horas 0.166 horas 0.335horas METABOLISMO 636 BTUhora 1,189 BTUhora 968 BTUhora 886BTUhora
Determinar si hay problemas de sobrecarga calrica.

Solucin:
Para el clculo de "C", "R" y " M , tenemos:
R = (15)(Tw-95F) Tw= Tg+ (0.1 ~)(V)'.~(T -Ts) Tw= 123 + (0.13)(300)~'(123-103) = 168OF R = (15)(168-95) = 1,095 BTUhora
La carga calrica total ser entonces: E E q = M + C + R = 9 5 7 + 159+ 1,095 E,, = 2,211 BTUhora Por otro lado tenemos:
= (2.4)(~)~.~(42-~,) = 20 r n r n de H (de la carta psicromtrica) Emh= (2.4)(300) .6(42-20) Emh= 1,618 BTUhora
P,
El ndice de sobrecarga calrica ser: ISC = 2,211 BTUhora = 1.37 = 137% 1,618 BTUhora
Y finalmente, el tiempo mximo de exposicin sera TME =

250 BTU = 0.42 horas = 25 minutos. 2,211 BTUhora -1,618 BTUhora
Conclusin: s hay problemas de sobrecarga calrica y el tiempo mximo de permanencia en estas condiciones es de 25 minutos.
8.3.3 Mtodos de control de la sobrecarga calrica

Aqu, como en todas las otras reas de la Seguridad e Higiene, los mtodos de control del calor debern aplicarse en el siguiente orden: a) Aplicarse a la fuente. b) Aplicarse al medio. c) Aplicarse al trabajador. Por lo tanto, debemos empezar atacando lafuente del problema y para esto podemos:
* Aislar las fuentes radiantes y10 calricas con materiales absorbente y10 aislantes.
* Reducir la produccin metablica de calor, cambiando los mtodos de trabajo o
automatizando.
En seguida, atacamos el medio y podemos:
* Instalar barreras protectoras contra la radiacin. * Mejorar la ventilacin (aumentar simplemente la velocidad del aire o inyectar masas de * Reducir la humedad.
Por ltimo, si no logramos resolver el problema con las medidas anteriores, entonces protegemos al obrero: aire fro).
* Metalizando el tejido de su vestimenta (por ejemplo aluminio).

* Proporcionndole ropa de algodn holgada y de color claro. * Organizacin del trabajo (descansos, rotacin de obreros, etc.).
Adicionalmente, queremos hacer las siguientes observaciones: a) Si la temperatura de bulbo seco es superior a la temperatura media de la piel (95"F), la simple ventilacin puede deteriorar el ambiente, ya que aumenta la cantidad de calor absorbido por conveccin (vanse las frmulas de conveccin). En este caso, sera ms conveniente inyectar masas de aire fko del exterior. b) La velocidad del aire no resuelve el problema de la radiacin, ya que las ondas radiactivas son electromagnticas y se propagan en el vaco. c) Las barreras protectoras contra la radiacin pueden ser:
* De reflexin: aluminio o acero inoxidable (reflejan rt 95%).

flujo de agua.
* De absorcin: material plano y negro, normalmente enfriadas por conveccin o por
d) Es problemtico el uso de las frmulas de calor cuando no hay ventilacin y la velocidad del aire es cero, ya que "V" es una de las variables de las frmulas. Por lo tanto, primero se tiene que resolver el problema de ventilacin, medir la velocidad "V" del aire y entonces aplicar las frmulas.
8.4 RUIDO 8.4.1 Generalidades y conceptos
En los incisos anteriores de este captulo analizamos los temas de Seguridad y de Calor. En este inciso expondremos algunos conceptos bsicos de ruido. El ruido puede ser definido como cualquier sonido desagradable o daino al aparato auditivo del ser humano. El sonido, a su vez, es el resultado de una onda mecnica de presin que se propaga en un medio lquido, gaseoso o slido. Nos interesa en particular la propagacin de esta onda en el aire, la cual se realiza a una velocidad de aproximadamente 345 mis (en el agua las ondas sonoras se propagan a la velocidad de 1,435 mls). Las ondas de presin constan de variaciones por arriba y por abajo de la presin atmosfrica normal, y pueden representarse como en la Figura 8.1. Es muy ilustrativo suponer que las ondas sonoras son como las ondas mecnicas que se forman en el agua,
287
ya que esto nos ayuda a comprender mejor sus caractersticas y la definicin de sus parmetros: a) Velocidad de la onda sonora (V): es la velocidad con que se desplaza cualquier punto de la onda, por ejemplo su punto mximo o mnimo, como se indica en la Figura 8.1. La velocidad de la onda sonora en el aire, como mencionamos anteriormente, es de 345 m/s. b) Frecuencia de la onda sonora (f): es el nmero de ondas que pasan por un punto dado en un segundo. Supongamos, por ejemplo, que nos ubicamos en el origen de la grfica de la Figura 8.1 y contamos cuantos puntos mximos (picos) de la onda pasan por ah en un segundo, este valor ser la frecuencia. La frecuencia suele medirse en Hertz (Hz) o ciclos por segundo (cps). Altas frecuencias producen sonidos agudos, bajas frecuencias producen sonidos graves. c) Longitud de onda (A): es la distancia entre dos puntos idnticos adyacentes de la onda, o en otras palabras, entre dos puntos adyacentes que tienen la misma fase. Por ejemplo, en la Figura 8.1 se muestra que la longitud de onda es la distancia entre dos puntos mximos adyacentes (o consecutivos). d) Periodo (T): es el tiempo necesario para completar un ciclo. Es obvio que T=l/f. e) Amplitud (A): es la variacin mxima de presin que se observa, por arriba o por abajo de la presin atmosfrica. Por ejemplo, la Figura 8.1 muestra que en un momento dado la variacin de presin es "pl" unidades ms que la presin atmosfrica; en otro momento es "p? unidades menos que la presin atmosfrica; etc.. En su punto mximo (o mnimo) la presin es "A" unidades ms (o menos) que la presin atmosfrica. La amplitud se mide en unidades de presin, la cual puede ser, por ~ amplitud . est directamente relacionada con el volumen del sonido. ejemplo, ~ / mLa
FIGURA 8.1 Parmetros de la onda sonora
Debe aclararse que el ser humano no escucha cualquier onda sonora. sta debe tener ciertas caractersticas para que sea realmente audible, como son:
* Frecuencia entre 20 Hz y 20,000 Hz. * Amplitud entre 2x1 N/m2 y 28 N/m2.

Las ondas sonoras de frecuencias menores que 20Hz se llaman infrasonidos y las de frecuencias mayores que 20,000Hz se llaman ultrasonidos. El ser humano no puede escuchar los idrasonidos ni los ultrasonidos. 8.4.2 Niveles acsticos relativos Como dijimos arriba, el ser humano escucha ondas sonoras cuyas variaciones de presin N/m2 y 28 N/m2. Podemos disear y construir aparatos que fueran estn entre 2 x l 0 - ~ capaces de medir con precisin variaciones de presin tan pe ueas como 2x1 ~ / ym al mismo tiempo medir valores tan grandes como 28 Nlm ? Es posible que s, pero definitivamente sta no sera la forma ms inteligente de trabajar. Para resolver este problema se definen valores de referencia y lo que medimos entonces es cuntas veces la variable en cuestin es mayor que dicho valor de referencia. Para el caso de la presin sonora, se fija el valor de referencia en p,= 2 x l 0 - Nlm2 ~ y se define el nivel relativo de presin sonora (SPL) as:
P2 SPL =lOlog-Po
donde:
p2 = presin media cuadrtica que queremos medir en N/m2.
Podemos ver que si el numerador es 10 veces mayor que el denominador, el valor de "SPL" ser 10; si el numerador es 100 veces mayor que el denominador, entonces "SPL" ser 20; y as sucesivamente. Conociendo "SPL" sabemos cuntas veces la presin cuadrtica que estamos midiendo es mayor que la presin cuadrtica de referencia. Cuando medimos la presin acstica a travs del valor de "SPL", decimos que la presin est expresada en "decibeles", en homenaje al cientfico Bell, quien fue precisamente el inventor de esta forma de medicin. Obsrvese, sin embargo, que en realidad "SPL" es adirnensional. Los aparatos comerciales de medicin de los niveles acsticos se llaman "decibelmetros" o "sonmetros" y miden directamente "SPL". Si recordamos que la presin audible puede estar entre 2x1 ~ l y m 28 N/m2, ~ dichos aparatos deben entonces tener un rango de: SPL 2~10-~)~ , , , , , , = 1O log (( ~ = o dB XIO )2 -~
SPL
, , , = 10 10g (28)2 =123dB (2~10-~)~
Es decir, las cartulas de los decibelmetros deben tener, por lo menos, rangos de O a 123 dB.
8.4.3 Suma de niveles sonoros
En este inciso veremos cmo podemos sumar niveles sonoros que estn dados en decibeles. Supongamos que tenemos 2 fuentes sonoras, como se muestra en la Figura 8.2. La suma de los niveles sonoros ser: SPL = 10 log (1oSPLlIlO + loSPLdlo) donde: SPL = Suma de los niveles relativos de presin sonora en dB. SPLl = Nivel sonoro de la fuente 1 en dB. SPL;, = Nivel sonoro de la fuente 2 en dB.
Consideremos la Figura 8.2 y supongamos que cuando slo la fuente #1 est activa, un decibelmetro ubicado donde est el receptor marca 50dB, y que cuando slo la fuente #2 est activa, el mismo decibelmetro marca 55dB. Cuando las dos fuentes estn activas, cunto marcar el decibelmetro?
FIGURA 8.2 Suma de niveles sonoros
Solucin:
La suma de los niveles relativos de presin sonora es: SPL = 10 log (1 o
~+~ ' = ~ 56dB ~
8.4.4 Exposicin permisible al ruido
Qued expresado en el inciso 8.4.2 que el ser humano escucha ondas sonoras cuyas presiones relativas varan desde SPL=O hasta SPL=123dB. Sin embargo, a partir de determinado valor de "SPL", la exposicin prolongada del trabajador al ruido puede daar su sistema auditivo. Cul es este valor crtico de "SPL" a partir del cual hay peligro para el sistema auditivo? No existe realmente un valor de "SPL", ya que ste depende de la frecuencia de onda, es decir, el sistema auditivo es ms resistente a unos niveles de frecuencia que a otros. De una forma aproximada, sin embargo, podemos decir que a los siguientes niveles de "SPL" la permanencia mxima del trabajador en el ambiente sera (Cuadro 8.1):
290
CUADRO 8.1 Exposicin permisible al ruido (dB) NIVEL DE RUIDO Hasta 90 dB 92 dB 95 dB 97 dB 100 dB 102 dB 105 dB 110 dB 2 115 dB PERMANENCIA MXIMA 8 horas 6 horas 4 horas 3 horas 2 horas 1.5 horas 1.0 horas 0.5 horas 5 0.25 horas
El Cuadro 8.1 indica que, si el nivel de ruido es mayor que 90dB y se requiere de una permanencia continua de 8 horas en dicho ambiente, el trabajador deber utilizar algn tipo de proteccin (tapones, orejeras, etc.). 8.4.5 Distribucin espacial del ruido Cuando una onda sonora choca con un obstculo (por ejemplo, una pared), ocurren varios fenmenos que son: a) Absorcin: es decir, una parte de la energa sonora es absorbida por la pared. b) Reflexin: es decir, las ondas sonoras chocan con la pared, se reflejan y siguen su camino en otra direccin. c) Transmisin: es decir, las ondas sonoras se propagan a travs del material de la pared y siguen propagndose del otro lado del obstculo. Grficamente, podemos expresarlas como se indica en la Figura 8.3. Desde el punto de vista del ruido, lo nico deseable es la absorcin, ya que la transmisin impide el total aislamiento de las fuentes ruidosas y la reflexin provoca el fenmeno de la reverberacin, el cual consta de la llegada indirecta al odo del receptor de ondas sonoras que chocaron contra obstculos y fueron reflejadas. Teniendo en cuenta este fenmeno de la reverberacin, es fcil concluir que el simple hecho de reducir la reflexin, hace que llegue al odo del receptor una menor cantidad de ondas sonoras, lo que a su vez reduce el nivel de presin sonora. Para que una pared no refleje las ondas sonoras, tendr que transmitirlas y10 absorberlas. La capacidad de absorcin de un determinado obstculo se mide a travs de la constante de absorcin"a" definida como:
Energa absorbida Energa incidente
Para que el lector tenga una idea sobre los valores de "a" para distintos materiales, queremos agregar que el alfa del concreto es 0.03 y el alfa del corcho es 0.80.
FIGURA 8.3 Absorcin, reflexin y transmisin
La absorcin se mide en la unidad "sabino", que se define como la cantidad de energa sonora absorbida por una superficie de un pie cuadrado con a=1.0. De acuerdo a esta definicin, una superficie "S" de 100 pies cuadrados y a=0.80, tendr una absorcin de A=(S)(a)=(100)(0.80)=80 sabinos. La capacidad total de absorcin de un local que tiene superficies "S? y alfas "a? es:
Es comn en las situaciones problemticas de ruido que una o ms superficies (paredes, piso o techo) sean recubiertas con materiales absorbentes, con vistas a reducir la reverberacin y por ende el nivel relativo de presin sonora "SPL". Cuando hacemos esto, tendremos dos niveles diferentes de absorcin del local, "Ai" y "A2", antes y despus de la instalacin del material absorbente, respectivamente. La reduccin en el valor de "SPL" cuando la absorcin total de un local aumenta de "Ai" a "A2" est dada por la siguiente frmula: A ASPL = SPLi - SPLL= 1O log -2 (dB) Al El uso de materiales absorbentes en las paredes de los cines y salas de concierto responde precisamente a la necesidad de reducir la reverberacin. 8.4.6 Control del nivel de ruido Como en el caso de la seguridad y del calor, el problema del ruido tiene que ser atacado en el siguiente orden: a) En la fuente.
U
b) En el medio.
U
c) En el receptor (el trabajador). En lafuente las alternativas son las siguientes:
292
* Cambio del diseo de las mquinas o de la-tecnologa.

* Mejor mantenimiento a las mquinas.
En el medio las alternativas son:
* Aumento de la absorcin del local.
* Encapsulamiento de la fuente ruidosa. * Barreras acsticas entre la fuente ruidosa y el receptor.

En el receptor, las alternativas son:
* Cabinas acsticas para el receptor (como en los estudios de grabacin). * Tapones para los odos.
* Orejeras.
* Organizacin del trabajo (rotacin, tiempo de exposicin limitado, etc.).

Como el aumento de la absorcin de paredes, piso o techo del local es probablemente la solucin ms prctica y fcil para resolver problemas de ruido, veremos a continuacin un ejemplo numrico. El lector debe tener en mente, sin embargo, que sta no es la nica alternativa disponible.
Supongamos que un determinado local (planta) tiene las siguientes caractersticas para una frecuencia de 500Hz (para otras frecuencias los valores de "a" cambiaran ligeramente):
* Medidas: 12.20m x 6.10m x 3.05m (esta ltima es la altura). * Paredes de azulejo (a=0.01). * Techo y piso de concreto (a=0.03). * rea superficial de tuberas de vapor (a=0.50): 16.75 m2. * rea superficial de maquinaria (a=0.02): 16.75 m2.
Como el nivel actual del ruido es de 95dB, se decide recubrir el techo con un material absorbente cuyo valor de "a" es 0.80. Cul ser la reduccin en el nivel relativo de presin sonora? Cul ser el nuevo nivel relativo de presin sonora?
Solucin:
Inicialmente calculamos la absorcin actual total en sabinos (Al), recordando que para que la respuesta est en sabinos hay que convertir metros cuadrados a pies cuadrados:
1 2 . 2 m ) ( . l r n ) ( 0 . 0 3 ) ( 3 . 2 8 pies/m)2 = 24 sabinos. Techo: ( ( 1 2 . 2 m ) ( 3 . 0 5 ) ( 2 ) + ( 6 . 1 m ) ( 3 . 0 5 ) ( 2 ) ) ( 0 . 0 1 ) ( 3 . 2 8 pieslm)2= 12 sabinos. Paredes: ( 24 sabinos. Piso: (12.2m)(6.lm)(0.03)(3.28 pieslm Tuberas: (16.75m)(0.50)(3.28 pieslm) = 90 sabinos. Maquinaria: (16.75m)(0.02)(3.28 pies/m)2= 4 sabinos. Entonces la absorcin total es de:
2'=
Al = 154 sabinos.
Ahora bien, con el material absorbente, la nueva absorcin del techo sera
( 1 2 . 2 m ) ( 6 . 1 m ) ( 0 . 8 0 ) ( 3 . 2 8 pieslm)2= 641 sabinos.

El incremento de absorcin ser entonces de: AA = 641 - 24 = 617 sabinos. Lo que conduce a la nueva absorcin total: A2=A1+AA= 154 + 617 = 771 sabinos. La reduccin obtenida ser entonces: ASPL = SPLl - SPL2= 10 log A21Ai = 10 log 7711154 = 7.00 dB. El nuevo nivel relativo de presin sonora ser 95dB-7dB=88dB, por lo cual se elimina el problema de ruido.
8.4.7 Daos provocados por el ruido
El ruido provoca daos fsicos y psquicos. Entre stos podemos mencionar los siguientes: a) Sordera instantnea temporal: sta ocurre cuando el nivel del ruido es elevado y su duracin es corta. Momentneamente la persona se siente sorda pero recupera lentamente su capacidad auditiva (por ejemplo, una explosin). b) Sordera instantnea permanente: sta ocurre cuando el ruido de poca duracin es tan intenso que daa para siempre el aparato auditivo (una explosin demasiado fuerte puede provocar una sordera permanente). c) Sordera progresiva: como su nombre lo indica, este tipo de sordera se va dando lentamente cuando el trabajador se expone continuamente a niveles de ruido por encima de los 90 decibeles. Es muy peligrosa, precisamente porque provoca un crculo vicioso: cuanto ms sordo menos le molesta el ruido al trabajador y ms se expone; cuanto ms se expone, ms sordo se vuelve; y as sucesivamente. La sordera progresiva es irreversible. d) Molestia: es la alteracin del sistema nervioso del trabajador y desafortunadamente esto puede ocurrir por debajo de los 90 decibeles. Es decir, an cuando el ruido no provoca dao fsico, puede alterar el sistema nervioso. e) Bajo desempeo por: + Enmascaramiento del sonido de la mquina. + Falta de concentracin. + Ms esfuerzo, lo que termina por provocar fatiga.
f) Accidentes: muchos accidentes ocurren porque el ruido oculta sonidos importantes que alertaran al trabajador.
8.5 CONTAMINANTES QUMICOS 8.5.1 Introduccin y clasificacin
De una forma general, los contaminantes pueden clasificarse como sigue: a) Contaminantesfisicos, como por ejemplo el ruido, el calor, etc.. b) Contaminantes biolgicos, como las bacterias, los hongos, etc.. c) Contaminantes qumicos, que son aquellas sustancias en estado slido, lquido o gaseoso que, estando en suspencin en el aire y siendo respiradas por los trabajadores, pueden daar su salud. En este inciso estudiaremos los contaminantes qumicos, los cuales, a su vez, pueden clasificarse en: a) Contaminantes gaseosos * Gases. * Vapores. b) Aerosoles * Polvos. * Humos. * Nieblas. * Rocos. Los contaminantes gaseosos son productos qumicos que se encuentran en el estado gaseoso a la temperatura y presin normales. Como se mencion arriba, stos pueden ser gases, como el monxido de carbono, el amoniaco, los cidos sulfhdrico, cianhdrico y fluorhdrico, etc., o vapores, que son los productos voltiles de ciertas sustancias como el bemol, la acetona, el alcohol, la gasolina, etc.. Los aerosoles son partculas slidas o lquidas en suspensin en el aire y su clasificacin en polvos, humos, nieblas y rocos se basa principalmente en el mtodo de formacin de las partculas.
8.5.2 Procesos potencialmente peligrosos
Hay una variedad increble de procesos en la industria manufacturera y de servicios. En el hogar el peligro ms obvio es el gas butano que afortunadamente puede ser detectado fcilmente por el olor (debido a la presencia del propano). De todas maneras una regla elemental de seguridad es instalar todos los calentadores y tanques de gas en el exterior de la casa. Volviendo a la industria, hay procesos potencialmente peligrosos, algunos de los cuales se mencionan a continuacin. Sin embargo, es importante resaltar que, en general, todas las operaciones en caliente son potencialmente peligrosas.
* Desengrasado con vapor: genera vapor contaminado.
* Chorro abrasivo: genera polvos del material procesado y material abrasivo.
* Galvanoplasta: posible desprendimiento de nieblas o gases.
* Hornos de secado: generan gases o vapores.
* Maquinado abrasivo: siempre genera polvos del material procesado y del material
abrasivo. * Fundicin de metales: genera gases o humos de los metales que se funden (por ejemplo, el plomo de las fbricas de batera). * Metalizado (recubrimiento de partes con metales fundidos): genera gases y humos. * Forjado (deformacin del metal en caliente): genera humos y nieblas. * Soldadura (elctrica y autgena): genera gases (dixido de nitrgeno u ozono) o humos. * Trituracin y molienda: generan polvos o nieblas. * Operaciones no aisladas que incluyen reacciones qumicas: generan gases, vapores, humos o nieblas (por ejemplo, la activacin de las placas de las bateras). * Pulverizacin: genera nieblas (entre stas, las ms peligrosas son las operaciones de fumigacin). * Etc.. 8.5.3 Medicin de los contaminantes La concentracin de los contaminantes qumicos en el aire se mide en "ppm" (partes por milln) o en mg/m3 (miligramos por metro cbico). Para cada contaminante se han determinado dos niveles importantes de concentracin que son: a) Valor umbral limite (TLV): que es la concentracin de una determinada sustancia en el aire a la cual casi todos los trabajadores pueden estar expuestos, repetitivamente, da tras da, sin sufrir efectos adversos. b) Valor inmediatamente peligroso (IPVS): es la concentracin mxima de la que en un plazo de 30 minutos un sujeto puede escapar sin sntomas graves ni efectos irreversibles para la salud. Tanto el "TLV" como el "IPVS" estn en tablas y, como ejemplo, podemos mencionar que para el plomo TLW0.05 mg/m3 y para el plomo tetraetilo TLV=0.075 mg/m3 e IPVS=40 mg/m3. Es obvio que ninguna empresa podr operar con niveles de contaminacin cercanos al "IPVS", por lo que para efectos de medicin y control slo se utiliza el "TLV". La medicin y control constarn entonces de la determinacin de la concentracin de los contaminantes y de la comparacin de stos con los "TLV" proporcionados por las tablas. Normalmente, una sola medicin del nivel de contaminacin no es suficiente, por lo que se toman varias muestras del aire. Para la realizacin del muestre0 debemos contestar las siguientes preguntas:
a) Con qu?
Se utilizan bombas de succin especiales con capacidades de succin entre 50 y 250 d m i n . . Para las partculas slidas (polvos y humos) se usan filtros que son pesados antes y despus de las tomas de muestras. Los gases y vapores se analizan en cromatgrafos y los lquidos en suspensin pueden ser absorbidos en sustancias especiales y analizados posteriormente en el laboratorio.
Las muestras deben tomarse tan cerca como sea posible de los trabajadores ms expuestos. Tambin deben tomarse muestras cerca de la fuente para fines de control o determinacin del peligro potencial.
c) 2Qu duracin?
Con esta pregunta nos referimos al vohmen de aire que se tomar como muestra. Esto depender de:
* Precisin del aparato o del procedimiento.
* Contenido estimado del contaminante. * Peligrosidad de la sustancia.

* Precisin deseada.
d) 2Cuntas muestras?
* "TLV" del contaminante.
No existe un criterio estndar o nico para contestar esta pregunta, sin embargo, como se mencion anteriormente, nunca debe tomarse una sola muestra. Los mtodos estadsticos pueden ayudar en la determinacin del nmero de muestras a tomar para que la media de las muestras no contenga un error mayor que "E" con un nivel de confianza (1-a). Para esto, debemos tomar inicialmente " N muestras y utilizar el mismo procedimiento propuesto para el cronometraje (vase el inciso 3.3):
donde: N' = nmero de muestras que deben tomarse. t,= parmetro de la distribucin 'Y' de student para (N-1) grados de libertad y nivel de co anza ( l a ) . c = concentracin media del contaminante para las ''N" muestras. S, = desviacin estndar de las concentraciones de las " N muestras.
Supongamos que se toman 6 muestras de aire contaminado por plomo (TLV=0.05 mg/m3),y se determinan los siguientes niveles de contaminacin para cada una de ellas: MUESTRA # c (mg/m3) 1 0.039
2 0.038
3 0.039
4 0.037
5 0.040
6 0.041
Determinar cuntas muestras debern tomarse para un N.C.=95% y un E=5%.

Solucin:
Tenemos: 5=0.039 mg/m3 S,= 0.0014 mg/m3 Para un nivel de confianza de 95% y un E=5%, tenemos:
Si el nmero de muestras N' hubiera salido mayor que N=6, tendramos que tomar las que faltaran y volver a calcular N'. El proceso termina cuando la N' calculada es menor o igual al nmero de muestras tomadas.
e) Cundo? Las muestras a tomarse deben distribuirse durante toda la jornada de trabajo. Adems, deben hacerse estudios durante el verano y el invierno, ya que la contaminacin tiende a aumentar en el invierno cuando se cierran algunas ventanas y10 puertas.
8.5.4 Medicin de mezclas de contaminantes Para la medicin del nivel de contaminacin de mezclas pueden utilizarse los siguientes mtodos: a) Clculo individual del nivel de contaminacin: es decir, se calcula separadamente el nivel "c" de contaminacin de cada componente de la mezcla (en mg/m3o ppm) y se compara con el "TLV" correspondiente. b) Clculo del efecto combinado: este mtodo es ms exigente que el anterior, ya que, adems de comparar el nivel "c" de contaminacin de cada componente con el "TLV" correspondiente, verifica el efecto combinado de la siguiente manera:
+"2
+...+-
"n
r1
TLV,
TLV,
TLVn
es decir, si la suma de las relaciones ci/TLVi rebasa la unidad, se considera la mezcla como peligrosa para la salud, ya que se considera ms bien el efecto combinado de los contaminantes, antes que su efecto por separado. Ejemplo numrico 8.5: Suponiendo que hemos medido los siguientes contaminantes, evaluar la peligrosidad del medio ambiente. ci (acetona) = 400 ppm, TLVl = 1,000 ppm. c2 (acetato de sec-butilo) = 150 ppm, TLV2= 200 ppm. cg (butonona) = 100 ppm, TLV3 = 200 ppm. Solucin: De acuerdo al primer mtodo la mezcla no es peligrosa, ya que ningn "c? supera el "TLV? correspondiente. De acuerdo al segundo mtodo, sin embargo, tenemos:
por lo que la mezcla debe ser considerada como peligrosa.
298
Ahora bien, cuando una mezcla de sustancias-se evapora y se mantiene en el aire con la misma composicin, el "TLV" de la mezcla se calcula as: TLV =
f1
1 TLV,
f2 + --+...+-
fn
TLV2
TLV,
donde 'f? es el porcentaje correspondiente a la concentracin de la sustancia "i". Ejemplo numrico 8.6: Supongamos que tenemos la siguiente mezcla: fi (heptano) = 50%, TLVi = 1,600 mhlm3 fi (metil-cloroformo)= 30%, TLVz = 1,900 mg/m3 f3 (percloroetileno) = 20%, TLV3 = 670 mg/m3 Determinar el TLV de la mezcla evaporada. Solucin: De acuerdo a la frmula, el "TLV" de la mezcla evaporada en el aire ser: TLV = 0.50
.
1 0.30
0.20
= 1,300 mg/m
es decir, cuando tengamos 1,300 mg/m3 de la mezcla en el aire, el ambiente ser considerado peligroso para la salud, a pesar de que a este nivel tendramos los siguientes niveles de contaminacin de cada sustancia: Heptano: (1,300)(0.50) = 650 mg/m3 Metilcloroformo: (1,300)(0.30) = 390 mg/m3 Percloroetileno: (1,300)(0.20) = 260 mg/m3 8.5.5 Mtodos de control de contaminantes Como en los casos de calor y ruido, las medidas de control deben tomarse en el siguiente orden: a) En la fuente.
u b) En el medio. u
*
Mejorar o cambiar el proceso (ejemplo clsico: usar brochas en vez de pistolas de pintura). Slo activarlo cuando haya menos trabajadores expuestos. * Darle mejor mantenimiento al equipo (por ejemplo, eliminando fugas).
c) En el receptor (el trabajador). En lafuente podemos hacer lo siguiente:
Captulo WI: Seguridad e Higiene
299
* Sustituir materiales txicos por otros (por ejemplo, la sustitucin del radio por el tritio
como material fosforescente en las cartulas de relojes e instrumentos). En el ambiente podemos:
* Mejorar la ventilacin (por la extraccin de aire en el lugar de origen y j j jno por simple * * *
ventilacin!!!). Aislar la parte contaminante del proceso (reduciendo el nmero de trabajadores expuestos (ejemplo clsico: cabinas de pintura). Utilizar procedimientos hmedos (por ejemplo, para el control de los humos de plomo en las fbricas de bateras, los pisos deben mantenerse siempre hmedos). Limpiando constantemente los locales (principalmente para la eliminacin de polvos y humos).
En el trabajador podemos:
* Utilizar mascarillas. * Utilizar vestimenta apropiada. * Organizacin del trabajo (rotacin de trabajadores, etc.).
* Etc..
8.6 PROTECCIN PERSONAL
A pesar de que en el transcurso del captulo hemos mencionado en varias ocasiones los equipos de proteccin que puede utilizar el trabajador, consideramos conveniente proporcionar aqu una lista ms completa de stos. Para ms informacin, el lector deber consultar los catlogos de los fabricantes. a) Proteccin de los ojos: hay lentes que protegen los ojos de partculas slidas, radiaciones y contaminantes qumicos en general (gases, vapores, polvos, humos, nieblas y rocos). b) Proteccin de la face: hay pantallas que pueden proteger los ojos, cara, orejas y cuello. c) Proteccih de la cabeza: hay cascos que protegen tanto de golpes como de altos voltajes (hasta 15,000 voltios durante un minuto). d) Proteccin de dedos, manos y brazos: existen dediles, guantes y manguitos. e) Proteccin de pies y piernas: existen botas, guardas y polainas. f) Proteccin del odo: existen tapones de hule, plstico, o esponja, orejeras y cascos con equipo de proteccin del odo integrado. g) Proteccin del sistema respiratorio: * Respiradores de cartucho qumico (para vapores de solventes). * Mscaras de gas. * Respiradores con filtro mecnico (para polvos y humos). * Respiradores autocontenidos (con oxgeno). * Mscaras con manguera y soplador. h) Cinturones de seguridad.
300
i) Proteccin del cuerpo: vestimentas completas para todo el cuerpo, como en el caso de los bomberos.
Solucin al ejercicio de Seguridad:
(C) Reducir el nivel de ruido de una planta. (C) Poner alrededor de una mquina peligrosa un piso especial que cuando detecte la presencia de personas desconecte automticamente la mquina. (C) Cambiar paredes y escalones de las escaleras de una universidad. (A) Explicar a los nios que las medicinas no se tocan. (A) Poner letreros de no fumar en las gasolineras. (C) Poner topes en las reas de circulacin de un condominio. (C) Cambiar los pisos por otros menos resbaladizos. (P) Usar el cinturn de seguridad al manejar. (C) Poner un camelln en la carretera libre a Celaya. (P) Poner una red a los trapecistas de un circo. (C) Aislar tuberas calientes. (A) Hacer una campaia por radio y televisin para evitar el exceso de velocidad durante la semana santa. (A) Establecer sanciones disciplinarias para los empleados que sufian o provoquen accidentes. (C) Poner los objetos cortantes fuera del alcance de los nios. (P) Obligar a los obreros a usar casco y guantes.
PROBLEMAS TIPO
8.1 En una determinada empresa existe un puesto con condiciones calricas muy extremas que se desea analizar. Para mejorar las condiciones se ha instalado un ventilador y con ste prendido se han hecho las siguientes mediciones:
* Temperatura de bulbo seco: 93F.
* Temperatura de bulbo hmedo: 78F. * Velocidad del aire: 150 pieslmin..

BTUfhora. Determinar:
* Temperatura de globo: 118F.
* Produccin metablica del trabajo (incluyendo el metabolismo basal): 974
a) Si existe un problema de sobrecarga calrica en este puesto, especificando los valores de "C", "R", " E,," y "Emh". b) El ndice de sobrecarga calrica (si existe sobrecarga calrica). c) El tiempo mximo de exposicin (si existe sobrecarga calrica).
Resp.: a) (2-26 BTUh, &942 BTUh, E+1,890 BTU/h; -1,019 calrica. b) ISC=lSS%. c) TME=0.287 horas~17 minutos.
BTUh, s existe un problema de sobrecarga
8.2 Un lugar de trabajo est expuesto a dos fuentes de ruido, cuyos niveles medidos separadamente son 80dB y 85dB. Si las dos fuentes estn activas al mismo tiempo, cul sera la suma de los niveles sonoros?
Resp.: 86.2dB.
8.3 Un local presenta las siguientes caractersticas:
* Medidas: 15m x 10m x 4m (esta ltima es la altura).

* Paredes, piso y techo de concreto: a=0.03.
Como el nivel actual del ruido es de 100dB, se decide recubrir una de las paredes de 15m x 4m con material absorbente cuyo valor de"a" es 0.90. Determinar: a) b) c) d) La capacidad de absorcin "Alw. La capacidad de absorcin "A2". La reduccin del nivel relativo de presin sonora. El nuevo nivel relativo de presin sonora.
Resp.: a) AI=161.4 sabinos; b) Ap722.9 sabinos; c) ASPL=6.5dB; d) SPL2=93.5dB.
8.4 Se tomaron 5 muestras de aire contaminado por plomo (TLV=0.05 mg/m3) y se determinaron los siguientes niveles de contaminacin: MUESTRA # MEDICION 1 0.029 2 0.028 3 0.031 4 0.030 5 0.027
Determinar cuntas muestras debern tomarse para un nivel de confianza del 95% y un error de 3%.

Resp.:N'=26 muestras; hay que tomar 21 muestras ms y volver a calcular N'.
8.5 Un ambiente est contaminado por una mezcla de 3 sustancias cuyos "TLV" son 1,000 ppm, 300 pprn y 400 ppm, respectivamente. Si las mediciones individuales de los contaminantes son 300 ppm, 200 pprn y 150 ppm, respectivamente, es esta mezcla peligrosa?
a) Considerando los contaminantes por separado. b) Considerando el efecto combinado de los contaminantes.
Resp.: a) No, ya que ci<TLVi. b) Si, ya que Zc,/TLVi=1.34>1.
Captulo IX: Justo-a-Tiempo
9. i 9.2 9.3 9.4
INTRODUCCION CONCEPTO DE DESPERDICIO REDUCCIN DE INVENTARIOS PROGRAMACION Y CONTROL DE LA PRODUCCION 9.5 DISTRIBICION DE PLANTA 9.6 AUTOMATIZACI~N 9.7 SEGURIDAD, HIGIENE, SEALES VISUALES, ORDEN Y LIMPIEZA 9.8 CALIDAD 9.9 MANTENIMIENTO 9.10 ASPECTOS HUMANOS 9.10.1 Cambio de mentalidad 9.10.2 Motivacin 9.10.3 Participacin, sentido de propiedad, y compromiso 9.10.4 Trabajo en grupo y crculos de calidad 9.10.5 Retroalimentacin, ingresos y promocin 9.10.6 Capacitacin, rotacin en el trabajo, ampliacin del trabajo y enriquecimiento del trabajo 9.10.7 Satisfaccin en el trabajo 9.11 JUSTO-A-TIEMPO Y CALIDAD DE VIDA: UN ESTUDIO EXPLORATORIO
9.11.1 9.11.2 9.11.3 9.11.4
Introduccin Qu es calidad de vida laboral? Qu es justo-a-tiempo? Mejora de calidad de vida laboral debido al JIT 9.11.5 Metodologa 9.11.6 Resultados 9.11.7 Discusin 9.12 KANBAN: COMO IMPLANTARLO EN 15 SEMANAS 9.12.1 Introduccin 9.12.2 Induccin 9.12.3 Recopilacin de informacin 9.12.4 Organizacin y anlisis de la informacin 9.12.5 Tamao y nmero de contenedores 9.12.6 Diseo del kanban 9.12.7 Implantacin 9.12.8 Evaluacin de la implantacin 9.12.9 Kanban de producto terminado y reportes del almacn 9.12.10 Elaboracin del reporte final 9.13 JUSTO-A-TIEMPO EN LOS SERVICIOS
Un poco despus de la 11 Guerra Mundial, la Toyota empez a disear, usar y perfeccionar un nuevo sistema de manufactura que fue llamado "Sistema Toyota de Produccin" (STP). Una vez que el sistema se internacionaliz, empez a llamarse Justin-Time (JIT), principalmente en Estados Unidos. A pesar de que el STP es un sistema integral de produccin que abarca muchos aspectos y no slo el aspecto de fabricar y entregar las cosas b'justo-a-tiempo", el nombre JIT empez a utilizarse ampliamente por lo que lo adoptaremos en este libro. En Septiembre de 1981, un grupo de alumnos de la UNAM cuya tesis profesional yo supervisaba, organiz un viaje a Japn para estudiar el sistema JIT. Como supervisor de la tesis me un al grupo y estuvimos en Japn como huspedes de la Toyota durante todo el mes de Septiembre. Tanto la Toyota como sus proveedores nos recibieron y trataron como "huspedes distinguidos" y nos mostraron y ensearon todos los aspectos del JIT. Regresando a Mxico, segu muy interesado en el tema e impart y tom seminarios sobre JIT. En 1993 termin haciendo mi tesis doctoral sobre los aspectos humanos del JIT [17]. ltimamente, particip en la implantacin de un sistema kanban en una empresa mexicana. El objetivo de este captulo es compartir con el lector toda esta experiencia sobre JIT, adquirida durante los ltimos 20 aos. De una forma muy sinttica, pudiramos definir competitividad como la "capacidad de una empresa de ganarle mercado a la competencia". Esta capacidad la logramos a travs de muchosfactores de competitividad, cuyos principales son:
* Precio.
* Calidad.
* Tiempo de entrega.
* Servicio.
* Diferenciacin.
Los cuatro primeros son relativamente obvios, por lo que haremos comentarios slo sobre el ltimo. La diferenciacin consiste en encontrar un producto o servicio suficientemente original o nico como para conquistar las preferencias de los clientes. Algunos de nosotros recordamos aquella poca en que los japoneses no tenan productos baratos ni de alta calidad, ipero los hacan chiquitos! Normalmente, la importancia relativa de los factores de competitividad cambia de un producto a otro y para un producto especfico puede cambiar con el tiempo. El factor de competitividad ms importante que permite a la empresa ganar al cliente ha sido llamado por Terry Hill [15] el "order winner" (utilizaremos el trmino en ingls por no haber una traduccin adecuada). Los dems factores, que para un producto dado tambin son importantes, se llaman "qualifiers". Los "qualifiers" son como el boleto de entrada al juego, sin el cual no es posible siquiera estar en el mercado. Normalmente, todos los competidores ofrecen los "qualifiers". La empresa que ofrece ms del "order winner" tiene ms posibilidades de ganar el juego. Veamos un ejemplo: supongamos que para las videocassetteras los "qualifiers" son acabado, durabilidad y servicio, y que el "order winner" sea precio. La empresa que ofrezca todos los "qualifiers" y un precio ms bajo (order winner) ganar el cliente.
Captulo IX:Justo-a-Tiempo
305
Identificar el "order winner" no es una tarea fcil. En ocasiones puede haber ms de uno, sin embargo es sospechoso que identifiquemos ms de dos, ya que esto puede indicar que no estamos siendo capaces de identificar el "order winner". Adems, el "order winner", como mencionamos arriba, puede cambiar con el tiempo. Por ejemplo, durante cierto tiempo el revelado de rollos fotogrficos en una hora fue el "order winner". Hoy en da prcticamente todas las tiendas lo ofrecen, por lo que ste ya se transform en "qualifier". La empresa que identifica el "order winner" antes de sus competidores tiene una ventaja competitiva impresionante, siempre y cuando pueda ofrecer ms de l. No ser por la perfecta identificacin del "order winner" que las empresas japonesas conquistaron casi el 100% de los mercados de cmaras fotogrficas y grabadoras de cassette? Ahora bien, para lograr los factores de competitividad (qualifiers y order winner), las empresas disponen bsicamente de tres tipos de tecnologa:
* Tecnologa dura.
* Tecnologa semi-dura. * Tecnologa blanda.
La tecnologa dura consiste en el proceso mismo, las mquinas, las herramientas, los elementos que realizan las transformaciones fsicas o qumicas del producto. Por lo tanto, un cambio de tecnologa dura implica el cambio del proceso mismo, como por ejemplo el cambio del tren de molinos de un ingenio azucarero por difusores, o el cambio de la tecnologa del disco de acetato por la tecnologa del disco compacto. La tecnologa semi-dura incluye todos aquellos ajustes a la tecnologa dura para lograr mayores niveles de aprovechamiento de la misma, como por ejemplo "jugar" con las variables de velocidad, temperatura, tiempo, cantidad y tipo de aditivos para obtener una mayor cantidad de azcar por tonelada de caa molida; o cambiar la rotacin, tipo de aguja y movimiento del brazo del sistema de reproduccin del disco de acetato para la obtencin de ms msica y mejor calidad; o instalar una resbaladilla con el objeto de eliminar algunos movimientos del obrero. La tecnologa blanda abarca todos las tcnicas de la Administracin que se usan principalmente para el incremento de la calidad y10 productividad, como por ejemplo, el estudio del trabajo, los modelos de inventarios, el control estadstico de calidad, las tcnicas de distribucin de planta, la programacin y control de la produccin, etc.. Los japoneses criticaron mucho a los gerentes de los pases occidentales por buscar siempre el incremento de productividad y10 calidad a travs del cambio de tecnologa dura y de olvidar total o parcialmente la gran potencialidad de las tecnologas semi-dura y blanda. Los sistemas de calidad total, que tanto han revolucionado las empresas a nivel mundial, json casi en su totalidad tecnologa blanda! El sistema JIT, que ha conducido a incrementos de productividad y reducciones de inventarios difciles de creer, jes casi en su totalidad tecnologa semi-dura y blanda! Probablemente, durante los ltimos 30 aos los japoneses han sido los lderes mundiales de tecnologa semi-dura y blanda. Los cambios de tecnologa dura normalmente estn relacionados con cambios de gran magnitud, mientras que los cambios de tecnologa semi-dura y blanda jestn relacionados con la mejora continua!
Obsrvese que de ninguna manera estamos proponiendo el abandono de los cambios de tecnologa dura, sino que utilicemos todo el potencial de la tecnologa semidura y blanda antes de pensar en cambios ms radicales de tecnologa dura. Los tres tipos de tecnologa deben dirigirse al logro de los "qualifiers" importantes y en particular al logro del "order winner". De esto depender la ventaja competitiva de la empresa. El sistema JIT es una combinacin de tecnologa semi-dura y blanda dirigida principalmente a reducir inventarios, elevar la calidad, reducir tiempos de entrega, mejorar la calidad de vida de los trabajadores, etc., aspectos muy relacionados tanto con los "order winners" como con los "qualifiers" del mundo industrial moderno.
9.2 CONCEPTO DE DESPERDICIO
Una de las estrategias del sistema JIT es la reduccin implacable de todo tipo de desperdicio, entendindose este ltimo como "toda actividad que no agrega valor al producto/servicio o que agrega un valor no deseado por el cliente". Para ilustrar el problema del desperdicio, consideremos una planta manufacturera cualquiera y sea "c" el ciclo total de fabricacin de uno de sus productos, desde que la materia prima entra al almacn hasta que se entrega el producto terminado al cliente (vase la Figura 9.1).
FIGURA 9.1 Ciclo de fabricacin de un producto

y ciclo .........................................................................................................
>.
90%? inventarios + esperas + transportes + inspecciones
I 1O%? 1 tiempo de
proceso
Ser el tiempo real de proceso (transformacin propiamente dicha del material) acaso un 10% del ciclo total? El resto del tiempo, dedicado al almacenamiento, distintos tipos de esperas, transportes e inspecciones, no ser un 90%? Es obvio que estos porcentajes varan muchsimo de una empresa a otra, pero no habr muchas con un tiempo de proceso mucho menor que 10% del ciclo total de fabricacin? Las condiciones de la industria del servicio no son muy diferentes. Por ejemplo, el trmite de una credencial de elector en Mxico tarda aproximadamente 3 meses. De este tiempo, durante qu porcentaje alguien realmente est haciendo algo a la credencial? En 1999 choqu y la reparacin de mi carro tard 90 das. Durante cunto tiempo alguien realmente estuvo haciendo algo a mi carro? Volveremos a los servicios en el inciso 9.13. Segn la filosofia del sistema JIT todo lo que no agrega valor al producto o servicio es desperdicio y por lo tanto as debemos clasificar los inventarios, cualquier tipo de espera, los transportes y cualquier tipo de inspeccin, sea sta de calidad o de cantidad. Otros textos proponen una clasificacin ms detallada de los desperdicios. Para nosotros, la clasificacin en inventarios, esperas, transportes e inspecciones ser suficiente. Siguiendo su filosofa, el sistema JIT reduce los inventarios a su mnima expresin a travs de la reduccin de los tiempos de preparacin (set-up) de los equipos, entre otras cosas; reduce las esperas y los costos de programacin y control de la produccin a travs
307
del sistema "kanban"; reduce los transportes a travs de la celda de manufactura; y reduce las inspecciones (o por lo menos su costo) a travs del aseguramiento de la calidad. Cada uno de estos aspectos ser discutido en un inciso aparte. Para que el proyecto de reduccin de desperdicios realmente tenga xito es indispensable la participacin de todos los niveles jerrquicos. La Figura 9.2 a continuacin muestra que los niveles directivos deben dedicar un porcentaje mayor de su tiempo al mejoramiento del sistema (reduccin de desperdicios), pero que todos deben dedicar algn tiempo a esta tarea. Tambin es importante recordar que, en la mayora de los casos, es el sistema y no las personas el que genera los desperdicios.
FIGURA 9.2 Participacin de los niveles jerrquicos en la reduccin del desperdicio
DIRECTORES MEJORAR GERENTES SUPERVISORES OPERADORES
MANTENER
Adelantndonos un poco, queremos mencionar en este inciso que los resultados de la aplicacin del sistema JIT han sido sorprendentes en distintos pases del mundo, incluyendo a Mxico. Se ha logrado entre otras cosas:
* Reducir el tiempo de preparacin del equipo. * Reducir los inventarias.
* Aumentar la capacidad productiva de la planta. * Reducir el ciclo de fabricacin. * Reducir el espacio fsico requerido para produccin. * Responder ms rpidamente a las fluctuaciones de la demanda.
* Reducir los productos defectuosos.
* Simplificar o eliminar las actividades de programacin y control de la produccin.

* Incrementar los niveles de participacin, moral y motivacin del personal.
En otras palabras, el JIT mejora, por lo menos, los factores de competitividad "precio", "calidad" y "tiempo de entrega", que con frecuencia son "order winners". En una investigacin que hice en 1993 [17], encontr los siguientes resultados medios para una muestra de empresas de Estados unidos y Canad (Cuadro 9.1):
CUADRO 9.1 Muestra de resultados del JIT en EEUU y Canad
1
RESULTADO Reduccin de inventario Reduccin de espacio Reduccin del ciclo de fabricacin Reduccin de roduccin defectuosa
% MEDIO
66% 47% 72% 61%
Captulo l X : Justo-a-Tiempo
9.3 REDUCCIN DE INVENTARIOS
La filosofia de inventarios del sistema JIT se basa principalmente en lo que se muestra en la Figura 9.3, es decir, en la reduccin del costo de preparacin. El origen de esta filosofa es, por increfble que parezca, las frmulas de cantidades ptimas de los modelos clsicos de materias primas y productos terminados, respectivamente:
que indican claramente que la nica manera de reducir "Q," econmicamente, es reduciendo el costo de preparacin "CP'. Consideremos inicialmente los productos terminados. En la Figura 9.3 la lnea correspondiente a "CPA" indica el comportamiento, en trminos anuales, de los costos de preparacin, es decir, de aqullos que son fijos independientemente del lote fabricado. Es obvio, pues, que a la medida que se incrementa el tamao del lote, se fabricarn menos lotes al ao y el "CPA" disminuir. La Figura 9.3 muestra cinco lneas para diferentes valores de los costos de preparacin. La lnea correspondiente a "CMA" indica el comportamiento, tambin en trminos anuales, de los costos relacionados con el mantenimiento de los inventarios, los cuales se consideran proporcionales al tamao del lote. La lnea correspondiente a "CTA" indica la suma de las dos anteriores, es decir, CPA+CMA. Como sabemos, en el modelo clsico el mnimo de "CTA" coincide con el cruce de "CMA" y "CPA", por lo que dicho cruce indica cul es el lote ptimo "Q," a producir. Q," como el costo total La Figura 9.3 muestra tambin que tanto el lote ptimo " anual mnimo " C T G pueden reducirse simultneamente mediante la reduccin de los costos de preparacin, es decir, a la medida que "CPA" se reduce, "Q," se mueve hacia la izquierda y el "CTA" mnimo se reduce. sta es precisamente la estrategia del JIT!
FIGURA 9.3 Efecto de la reduccin del costo de preparacin
COSTOS
LOTE
309
El costo de preparacin de productos terminados fue discutido ampliamente en el Captulo IV de Control de Inventarias. Para facilitar el anlisis repetimos aqu sus principales rubros: a) Decisin de qu cantidad fabricar. b) Elaboracin de la orden de produccin. c) Programacin de la produccin. d) Mano de obra y materiales de las actividades de preparacin (set-up). e) Produccin perdida como consecuencia de la preparacin. f) Control de produccin. g) Inspeccin de los lotes. h) Recepcin en el almacn. i) Actualizacin de registros (en el almacn). j) Etc.. Siguiendo la filosofa del JIT, atacar slo una parte de estos elementos no es suficiente. La minimizacin de los costos de preparacin requiere la reduccin (o eliminacin) de todos los elementos. En las aplicaciones ms exitosas del JIT esto se ha logrado de la siguiente manera:
* Los incisos "a", "b","c"
y "f" se reducen a su mnima expresin a travs del sistema "kanban" que ser estudiado ms adelante. * Los incisos "d" y "e" se reducen a travs de la reduccin del tiempo de preparacin, lo que se detallar a continuacin. * El inciso "g" se reduce a travs de los programas de aseguramiento de calidad. * Finalmente, los incisos "h" e "i" desaparecen cuando se eliminan los almacenes de productos terminados, lo que, por increble que parezca, s ocurre en los casos ms exitosos de aplicacin del JIT.
Pasemos ahora a profundizar en uno de los aspectos ms importantes de la reduccin del costo de preparacin de productos terminados: la reduccin del tiempo de preparacin. En la industria es comn observar variaciones desde minutos hasta turnos completos. Es obvio que con un tiempo de preparacin de varias horas no es econmica la reduccin de los lotes. La simple reduccin del tiempo de preparacin conduce a los siguientes resultados inmediatos:
* Reduce econmicamente el tamao de los lotes (Q,). * Reduce el costo total de la poltica de inventarios (CTA).
* Reduce el nivel del inventario.
* Aumenta la capacidad productiva.

* Reduce los tiempos de entrega.
* Reduce el espacio fisico requerido para produccin.
* Aumenta la flexibilidad de la planta. * Mejora el servicio al cliente.
* Permite responder ms rpidamente a las fluctuaciones de la demanda.
A pesar de que la creatividad y el anlisis meticuloso son lo ms importante para la reduccin del tiempo de preparacin, la Toyota hace recomendaciones y propone una
310
metodologa. El lector observar que tanto las recomendaciones como la metodologa son muy generales.
Recomendaciones:
a) Separar el tiempo de preparacin interno del externo: * Tiempo interno: "Contiene las actividades que exigen que la mquina est parada". * Tiempo externo: "Contiene actividades que pueden ser realizadas con la mquina funcionando". b) Realizar las actividades externas realmente con la mquina funcionando. c) Reducir, en lo posible, el tiempo interno cambindolo a externo. d) Reducir el tiempo interno por medio de: * Topes, guas, equipos de manejo, etc.. * Sujetadores rpidos tipo palancas, levas, cunas, etc.. * Herramientas rpidas (neumticas, elctricas, etc.).
Metodologa:
a) Explicar a los niveles superiores, al sindicato y a los trabajadores la importancia y finalidad del proyecto. b) Filmar el mtodo actual (jcon el operario ms diestro!). c) Analizar en grupo la operacin filmada. d) Proponer un mtodo mejor. e) Practicar e implantar el nuevo mtodo. f) Filmar el nuevo mtodo. g) Analizar la filmacin para evaluar resultados e identificar nuevas oportunidades. h) Estandarizar el nuevo mtodo. Algunos comentarios sobre la metodologa:
* Cuando la preparacin dura horas seguramente se realizar con muy poca frecuencia.
* Practicar el mtodo es vital para sacar provecho de la curva de aprendizaje. * La estandarizacin no permite que se utilice un mtodo diferente al autorizado.
Cuando estuvimos en Japn, conocimos estadsticas muy interesantes sobre la reduccin de los tiempos de preparacin en una muestra de la poblacin de industrias en dos aos diferentes: 1976 y 1981 (vase el Cuadro 9.2).
CUADRO 9.2 Estadsticas de tiempo de preparacin en Japn
La filmacin permite que se observe la preparacin cuantas veces queramos.
DURACION > 60 rnin. 30 - 60 min. 20 - 30 min. 10 - 20 min. 5 - 10 rnin. 100 seg. - 5 min. 4 0 0 seg.
1976 20% 19% 26% 20% 5% 0% 0%
1981 0% 0% 3% 7% 12% 16% 62%
Captulo Ly: Justo-a-Tiempo
311
Por otro lado, para que el proveedor pueda entregar cantidades pequeas con mucha frecuencia, debemos reducir los costos de preparacin de los pedidos. Como qued definido en el Captulo IV de Control de inventarios, stos incluyen: a) Decisin de qu cantidad comprar. b) Anlisis de cotizaciones. c) Elaboracin del pedido. d) Autorizacin del pedido. e) Seguimiento del pedido. f) Transporte. g) Trmites aduanales. h) Inspeccin de recepcin. i) Actualizacin de registros (en el almacn de la empresa). k) Etc.. Algunas alternativas para reducir dichos costos son:
* Reduccin de distancias, es decir, que el proveedor se ubique lo ms cerca posible del
* Simplificacin de trmites y uso de la informtica, fax, etc.: esto puede reducir * Entregas compartidas, es decir, un solo camin entrega pedidos de varios proveedores al mismo tiempo: esto tambin reduce "f '. * Eliminacin de las inspecciones de recepcin: esto se logra a travs del aseguramiento
* Entregas en el punto de uso, es decir, que el proveedor entregue el material en el lugar donde va a ser consumido y no en un almacn: esto tambin reduce "f '.
de calidad en la planta del proveedor y obviamente elimina "h" drsticamente "i".
cliente: esto reduce "f" y elimina "g" si ste existe.
* Utilizacin del sistema "kanban": como veremos ms adelante, esto elimina "a", "b",
bb
c , d y "e" y jfacilita todo lo dems!

77
bb
9,
9.4 PROGRAMACINY CONTROL DE LA PRODUCCIN
La programacin y control de la produccin tradicional empieza con la informacin sobre pedidos y10 pronsticos y10 inventarios correspondientes a los productos y termina con el control de produccin, de acuerdo al siguiente procedimiento: a) Pedidos de los clientes + pronsticos + inventarios. b) Determinacin de los lotes de fabricacin. c) Elaboracin de las rdenes de produccin. d) Programacin de las rdenes de acuerdo a la disponibilidad de los equipos y criterios preestablecidos (por ejemplo, "first in, frst out"). e) Envo de las rdenes a la planta. f) Inicio de la produccin: los lotes van siendo "empujados" de una etapa productiva a la siguiente. g) Control de produccin (de acuerdo a la programacin).
312
Captulo M: Justo-a-Tiempo
Por la etapa " f ' ste ha sido nombrado sistema productivo de empujar, contrastando con el del JIT que ha sido nombrado sistema productivo de jalar. El procedimiento del sistema de "jalar" es el siguiente: a) De una cadena empresa - proveedor - proveedor del proveedor - etc. slo se programa el ltimo proceso de la empresa. Es muy importante que se adopte la poltica de produccin mezclada, es decir, que la empresa se comprometa a fabricar pequeas cantidades de cada producto cambiando de un producto a otro con frecuencia. La produccin mezclada conduce a un consumo ms o menos uniforme de todas las partes utilizadas por los distintos productos. b) Se establecen los inventarios entre dos procesos consecutivos (nmero de piezas, contenedores, etc.). c) Los procesos proveedores slo producen si el proceso siguiente lo requiere; si el proceso siguiente no requiere material o partes, jel proceso anterior tiene que parar! d) Se compra, fabrica y entrega en lotes pequeos. e) Se utiliza el "kanban" como orden de produccin y orden de transportacin (de una etapa del proceso a la siguiente). El sistema kanban se describe en la Figura 9.4 (adaptada de [26]). En la Figura 9.4 se representan dos etapas consecutivas del proceso productivo de una empresa dada. Los crculos representan contenedores de unidades fisicas del producto o pieza, siendo procesadas en las etapas productivas o esperando procesamiento entre dichas etapas (hay 10 contenedores en total). Los contenedores esperando procesamiento se dividen en dos partes: el inventario en proceso al final de la primera etapa (2) y el inventario antes de la etapa posterior (1). Como veremos ms adelante, estos dos inventarios pueden fundirse en uno solo, sin embargo, en este ejemplo, sigamos analizando la situacin tal y como est descrita en la Figura 9.4.
FIGURA 9.4 Sistema kanban
0 0 o0
Kanban de Kanbans de transportacin y contenedores
'
O 0 0
Proceso posterior
Kanban de transportacin
Buzdn de kanbans de transportacin
313
El obrero de la etapa posterior toma un contenedor de productos del inventario (1) que est a su lado y los empieza a procesar. Para eso, retir del contenedor el kanban de transportacin y lo puso en el buzn (3). El kanban no es nada ms que una simple tarjeta plastificada que indica las caractersticas principales del producto o pieza y la cantidad de cada contenedor. Adems, el kanban de transportacin indica la etapa anterior (origen) y la etapa posterior (destino). El simple hecho de que exista un kanban de transportacin en el buzn (3), autoriza a que las personas encargadas del manejo de materiales (surtidores) vayan a la etapa anterior, retiren un contenedor del inventario (2), pongan el kanban de transportacin adentro y lo transporten al inventario (1) de la etapa posterior. Esta simple operacin garantiza que cualquier contenedor procesado en la etapa posterior ser automticamente repuesto por otro idntico trado de la etapa anterior, sin que nadie tenga que tomar ninguna decisin al respecto. Las decisiones importantes ya se tomaron antes y una sola vez: cuntos contenedores tendremos en cada uno de los inventarios (1) y (2) y de qu tamao ser cada contenedor. Cuando los surtidores retiran un contenedor de la etapa anterior (inventario (2)), separan de ste el kanban de produccin de la etapa anterior y lo ponen en el buzn (4) (el kanban de produccin contiene las caractersticas del producto o pieza y la informacin necesaria para identificar a qu proceso corresponde). El simple hecho de que exista un kanban de produccin en el buzn (4) autoriza al obrero de la etapa anterior a reponer el contenedor retirado del inventario (2), juna vez ms sin que nadie tenga que "programar" esta fabricacin! Puede verse claramente que con estos procedimientos sencillos el mismo sistema de produccin se reabastece solo y, para que se desencadene la produccin en todas las etapas del proceso, es suficiente que el cliente de la empresa retire un contenedor de productos o piezas al final de la ltima etapa del proceso. Si no hay demanda en la ltima etapa del proceso, entonces se para toda la cadena y no hay produccin (por lo menos de ese producto). Por esta razn se dice que el sistema jala, mientras que el tradicional empuja. El arreglo de la Figura 9.4 es ideal cuando las etapas anterior y posterior estn alejadas fsicamente. Cundo stas estn cerca los dos inventarios pueden unirse en uno solo y desaparece el kanban de produccin. El mismo kanban de transportacin cumple con las dos funciones. Obsrvese que nada impide que la etapa anterior sea la ltima del proveedor y la etapa posterior la primera del cliente. De esta manera la empresa se enlaza al proveedor a travs del sistema kanban. Resumiendo, los principales beneficios del sistema kanban son los siguientes:
* No permite jams la acumulacin de inventario en proceso ms all del calculado. * Elimina la necesidad de las actividades de programacin y control, stas se realizan * Elimina casi en su totalidad el papeleo (los kanbans se hacen una sola vez y duran * Se fabrica nicamente lo que el cliente (etapa posterior) demanda (jala).
mucho si son debidamente plastificados). automticamente.
* Permite enlazar el cliente al proceso de produccin del proveedor. Esto normalmente

elimina la necesidad del almacn de productos terminados del proveedor y del almacn de partes del cliente.
314
El mismo kanban puede servir para la facturacin, principalmente si contiene algn cdigo de barras. * Reduce drsticamente tanto el costo de preparacin de pedidos como de lotes.
Queremos mencionar tambin que los kanbans pueden ser sustituidos por los mismos contenedores (cajas, ganchos, etc.). En estos casos el papeleo se elimina totalmente y un gancho vaco, por ejemplo, es suficiente autorizacin para que un obrero dado vuelva a llenarlo de productos o piezas. Las empresas ms avanzadas en la aplicacin del JIT emplean dos trminos diferentes para distinguir dos situaciones diferentes: a) Reabastecimiento: este trmino se utiliza para describir la situacin de la Figura 9.4. b) Jmto-a-tiempo: ste se utiliza para una situacin mucho ms "avanzada". El inventario en la planta del cliente se elimina totalmente y se establece una comunicacin fluida (fax, electrnica, etc.) entre ste y el proveedor. Cuando el cliente va a necesitar una pieza o parte enva una seal al proveedor y ste la fabrica y entrega o simplemente la entrega, exactamente en el momento que la parte o pieza va a ser necesitada. Por ejemplo, supongamos que el coche "X" de la Volkswagen est en la lnea de ensamble y en una hora requerir el tablero "Y". La Volkswagen enva una seal con tiempo al proveedor y ste la entrega en un plazo de una hora o menos. Por ltimo, veamos cmo podemos determinar la cantidad de contenedores (kanbans) que tenemos que mantener entre dos etapas productivas consecutivas. De hecho la frmula es bastante sencilla y responde al sentido comn:
donde: X = cantidad de unidades de cada contenedor (la Toyota sugiere que sea menor que 10% de la demanda diaria). N = nmero de kanbans = nmero de contenedores. D = demanda media esperada (piezasltiempo). T = tiempo de respuesta del proceso anterior para fabricar un contenedor. W = factor de seguridad (la Toyota sugiere que sea menor que 10% de D.T.)
Supongamos que la demanda media esperada de una determinada pieza es 150 unid./hora. Qu inventario debemos mantener entre dos etapas consecutivas que procesan dicha pieza si la anterior tarda 4 horas en reponer un contenedor?
Solucin:
La demanda diaria es (150 unid./hora)(S horas)=1,200 unid.. El tamao del contenedor debe ser (0.10)(1,200)=120 unid.. El nmero de kanbans (contenedores) sera N = [(150>(4)l(l-l0> = 5.5 120
6 kanbans (contenedores)
315
El 1.10 del numerador corresponde a la recomendacin de agregar un 10% a D.T. Obsrvese que 6 contenedores es una cantidad suficiente para satisfacer la demanda mientras se espera la reposicin (con un 10% de proteccin). Esta forma de trabajar implica que se debe iniciar el proceso de reabastecimiento cuando se empieza a usar un contenedor y no cuando se acaba el contenedor. Obviamente, si queremos trabajar de la segunda manera necesitaramos 7 contenedores. Al final de este captulo reportamos una interesante experiencia real de implantacin del sistema kanban en una empresa mexicana.
9.5 DISTRIBUCIN DE PLANTA
Como sabemos, siempre han existido 3 tipos bsicos de distribucin de planta: a) Distribucin por proceso: aqulla en la cual los equipos estn ubicados segn su tipo, es decir, todos los tornos en un rea, todas las fresadoras en otra rea, todos los taladros en otra rea, etc.. Los productos comparten los equipos. b) Distribucin en lnea o por producto: aqulla en la cual los equipos son exclusivos de un producto y se ubican en lnea (no necesariamente recta), de acuerdo a la secuencia de realizacin de las operaciones que requiere el producto. c) Distribucin por productofijo: aqulla en la cual el producto es fijo, debido a su gran tamao y10 peso, y las personas y equipos se mueven alrededor de l. Es el caso de los grandes barcos y de los edificios, por ejemplo. Si comparamos los dos primeros tipos de distribucin, podemos afirmar que la distribucin por proceso tiene importantes ventajas: mayor flexibilidad, menor inversin en maquinaria, menor interdependencia entre etapas consecutivas del proceso, etc.. Sin embargo, la distribucin en lnea presenta muchas ms ventajas: programacin y control de la produccin ms sencillo, mayores posibilidades de automatizacin, menores distancias recorridas por los productos, menores inventarios en proceso, costos unitarios de produccin ms bajos, ciclos de fabricacin mucho ms cortos, mano de obra menos especializada y ms barata, etc.. Por lo tanto, podemos decir que, en general, la distribucin en lnea es ms ventajosa que la distribucin por proceso, lo que conduce entonces a la siguiente pregunta: por qu no adoptar siempre la distribucin en lnea? Desafortunadamente, la demanda de los productos constituye el principal obstculo para que esto fuera posible: productos muy variados con volmenes bajos de produccin, conducen necesariamente a una distribucin por proceso; productos estandarizados con altos volmenes de produccin, conducen a distribuciones en lnea. El gran reto del sistema JIT es entonces: cmo sacar provecho de las ventajas de la distribucin en lnea, an cuando la estandarizacin y los grandes volmenes no existan? La respuesta est en el cuarto tipo de distribucin: la distribucin celular, tambin llamada distribucin por celdas, por grupos o por familias. Con frecuencia, tambin se utiliza el trmino "tecnologa de grupos". La idea de la distribucin celular es clasificar los distintos productos de la empresa en grupos con caractersticas similares y posteriormente disear "lneas" (de preferencia autosuficientes) para la fabricacin de cada uno de ellos. Por lo tanto, podemos decir que
316
Captulo TX: Justo-a-Tiempo
la distribucin celular es una solucin intermedia entre la distribucin por proceso y la distribucin en lnea. Los principales criterios para la formacin de grupos son:
* Forma. * Tamao. * Proceso.

Para ilustrar los dos primeros criterios podemos utilizar como ejemplo la fabricacin de muebles de acero: el criterio de forma clasificara los productos en libreros, archivos y escritorios. El criterio de tamao clasificara los productos en grandes y pequeos, por lo que al final podramos tener escritorios grandes, escritorios pequeos, libreros grandes, etc.. Lo fundamental de todo esto es llegar a grupos o familias de productos que sean muy similares y que, por lo tanto, puedan ser fabricados en una sola "celda" autosujiciente. Para ilustrar el ltimo criterio, o sea, el criterio de proceso, utilizaremos la Figura 9.5 a continuacin:
FIGURA 9.5 El proceso como criterio de clasificacin

(a) Productos desordenados
TO=Torno; FH=Fresadora horizontal; FV=Fresadora vertical; TA=Taladro; ES=Esmeril.
(b) Productos clasificados
En la Figura 9.5(a) podemos observar que se fabrican 20 productos o partes en las mquinas "TO" (torno), " F H (fresadora horizontal), "FV" (fresadora vertical), "TA" (taladro) y "ES" (esmeril) y que, aparentemente, no existen grupos o familias con caractersticas especiales (las "x" indican qu mquinas se usan en qu productos o partes). Un reordenamiento de estos mismos productos (Figura 9.5(b)) muestra
3 17
claramente la existencia de 3 familias: la primera (productos 1, 2, 5, 7, 9, 11, 14 y 20) requiere nicamente las mquinas " TO, " FH, "TA" y "ES, por lo que podemos instalar una celda de manufactura para la fabricacin de estos 8 productos; la segunda (productos 4, 8, 12, 15, 17, 18 y 19) requiere nicamente las mquinas " TO, "FV", "TA" y "ES", lo que justificara otra celda slo con estas mquinas para la fabricacin de dichos productos; y la tercera (productos 3, 6, 10, 13 y 16) conducira a una celda ms con las mquinas "FH", "FV", "TA" y "ES". Entre otras cosas, la manufactura celular nos permite: a) Lograr las ventajas de la distribucin en lnea: menores recorridos, ciclos de fabricacin ms cortos, menores inventarias en proceso, mano de obra menos especializada y ms barata, etc.. b) Reducir drsticamente los tiempos de preparacin, ya que los productos de una misma celda son similares. c) Identificar a los obreros con los productos, en vez de identificarlos con los procesos. Esto, generalmente, representa un elemento motivaciondms en el trabajo. d) Crear un "ambiente de empresa pequea", donde las relaciones humanas son ms intensas, ya que con frecuencia varias personas trabajan en una misma celda. e) Debido a "c" y "d", lograr que los trabajadores se sientan ms responsables de la produccin y calidad de sus productos. Supongamos que una determinada celda requiere los siguientes elementos: un depsito de materia prima (MP), una cortadora (C), un torno (T), una fresadora horizontal (FH), una fresadora vertical (FV), un esmeril (E), una mesa de control de calidad (Q) y un depsito de producto terminado (PT). Estos elementos pueden ser distribuidos de las siguientes formas (vase la Figura 9.6): a) En lnea. b) En lneas paralelas. c) En forma de jaula. d) En forma de "U". La distribucin en lnea (Figura 9.6(a)) es adecuada cuando cada mquina es operada por un obrero diferente, pero no ofrece mucha flexibilidad y provoca recorridos innecesarios cuando un obrero opera 2 ms mquinas. La distribucin en lneas paralelas (Figura 9.6(c)) es superior en cuanto a flexibilidad y recorridos, pero conduce a una pequea prdida de espacio por las 2 aperturas. La distribucin en lneas paralelas es ideal cuando existe la intencin de unir celdas. Queremos pedir al lector que imagine una celda idntica al lado de la celda de la Figura 9.6(c) y que un obrero haga todo el recorrido operando todas las mquinas de ambas celdas. Esta estrategia no es nada comn en la industria pero s la observamos en algunos proveedores de la Toyota. La distribucin en forma de jaula (Figura 9.6(b)) aprovecha al mximo el espacio pero no permite una rpida evacuacin en casos de siniestros. La distribucin en "U" (Figura 9.6(d)) probablemente ofrece la mayor cantidad de ventajas, a pesar de que slo puede unirse a otra celda por uno de los lados y ofrece una sola salida en casos de emergencia. Definitivamente es la distribucin ms ampliamente adoptada a nivel internacional.
318
FIGURA 9.6 Formas de las celdas de manufactura
(a) Lnea
(b) Jaula
(c) En lneas paralelas
(d) En forma de "U"
Captulo E : Justo-a-Tiempo
319
Si concentramos nuestra atencin en la celda en "U" (Figura 9.7) y suponemos que los obreros estn en capacidad de operar cualesquiera de las mquinas y el control de calidad, sta puede ser operada por cualquier nmero de obreros de 1 a 6. La Figura 9.7(a) muestra la celda siendo operada por un obrero. La Figura 9.7(b) muestra la celda siendo operada por dos obreros al estilo del paradigma que sobrevivi durante muchas dcadas, es decir, el obrero 1 opera los elementos 1 y 2 y el obrero 2 opera los elementos 3, 4, 5 y 6. La Toyota rompi con este paradigma y empez a asignar las mquinas en cualquier orden siempre y cuando se evitaran los cruces. La Figura 9.7(c) muestra una asignacin con el obrero 1 operando los elementos 1 y 6 y el obrero 2 operando los elementos 2, 3, 4 y 5. Obsrvese la flexibilidad de asignacin que la forma en "U" nos permite! Lo ms frecuente es que la celda de manufactura funcione como una unidad, por lo que hay un kanban nico para ella. Es decir, si hay kanban de produccin ste ser nico para toda la celda, y los kanbans de transportacin enlazan la celda completa con las etapas anteriores y posteriores. Para sacar el mayor provecho posible de las celdas de manufactura es indispensable considerar lo siguiente: a) La mano de obra debe ser flexible y capaz de operar todas las mquinas de la celda. En aplicaciones ms avanzadas la mano de obra debe ser capaz de operar mquinas de otras celdas. b) Las mquinas deben tener cierto nivel de automatizacin para que sigan operando mientras el obrero atiende otras mquinas (vase tambin el inciso a continuacin). c) Adems de la produccin, los obreros de la celda deben ser responsables por la calidad, el orden y la limpieza, la preparacin de las mquinas (set-up) y las tareas sencillas de mantenimiento. d) Los obreros deben ser invitados a participar en el mejoramiento continuo de su celda, concentrando la atencin en los aspectos de calidad, productividad (reduccin de desperdicios), tiempo de preparacin, seguridad e higiene. e) De preferencia, los incentivos monetarios deben ser grupales y no individuales. f) De ser posible, el producto debera terminarse totalmente en la celda, para que los obreros vean claramente el h t o de su trabajo
A continuacin presentamos un ejemplo real de mejoramiento de una celda de manufactura de uno de los proveedores de pistones de la Toyota (vase la Figura 9.8; para ms informacin, vase [26]). Dicha celda nos fue asignada a 2 alumnos y a m como "proyecto final" de nuestra estancia en Japn. iTenamos que proponer mejoras dignas de implantarse! Para que el lector tenga una idea de los niveles de productividad de esta empresa, queremos agregar que la ltima mejora implantada en la celda ihaba logrado una reduccin del recorrido del obrero de 15 cm! La celda fabricaba una familia de pistones desde la materia prima en bruto (pistones de aluminio fundido) hasta el producto totalmente terminado, e inclua 7 operaciones de maquinado (desbaste) en las mquinas LS-41, LS-515, ..., B 0124. En la Figura 9.8, "MP", "CC" y "PT" significan "materia prima", "control de calidad" y "producto terminado", respectivamente. ste es un ejemplo de una celda no totalmente autosuficiente porque no era posible ni conveniente descentralizar la operacin de fundicin.
320
FIGURA 9.7 Flexibilidad de asignacin de mano de obra en la celda

(a) Un solo obrero
(b) Dos obreros en el orden de las mquinas
(c) Dos obreros rompiendo el paradigma
FIGURA 9.8 Ejemplo de mejoramiento de una celda (a) Celda original
(b) Celda mejorada
322
Captulo I X : Justo-a-Tiempo
El obrero circulaba en el sentido horario cargando y descargando manualmente las mquinas, las cuales, a su vez, operaban automticamente. Dos mquinas de la celda eran especiales: la DR-1731 se descargaba sola y expulsaba el pistn hacia una resbaladilla que lo ubicaba exactamente frente a la puerta de la MI-348; la LS-109 se cargaba y descargaba automticamente, de modo que el obrero slo colocaba el nuevo pistn en una resbaladilla y recoga el pistn anterior procesado en otra resbaladilla (las resbaladillas estaban sobrepuestas, por lo que se ve una sola en la Figura 9.8). En "CC" los pistones se inspeccionaban al 100% de dos en dos, por lo que el ciclo completo corresponda a 2 vueltas del obrero: 30m y 1.5min., aproximadamente (para 2 pistones). Obsrvese que la celda tena forma de jaula, era sper compacta y slo permita la entrada por donde se indica con la flecha. Estuvimos observando al obrero trabajando durante mucho tiempo y registramos a detalle el mtodo original (tiempos y movimientos). NOse nos ocurra ninguna mejora! La celda pareca un ejemplo de perfeccin hasta que.. . El obrero nos capacit e invit a operar la celda. Fue entonces, y slo entonces, cuando empezamos a observar las deficiencias de la celda. Nos dimos cuenta que haba un recorrido evitable desde "MP" hasta la puerta de la LS-41 que se ubicaba a la derecha. Con vistas a eliminar este recorrido innecesario y la forma de jaula que no nos convenca, giramos las mquinas de la celda en el sentido contrario de las manecillas del reloj y llegamos a la celda de la Figura 9.8(b). El recorrido se redujo en 1.5m por vuelta del obrero (i10 veces mayor que la ltima reduccin de recorrido!) y la celda qued en forma de "U", la que es superior desde el punto de vista de seguridad. Tambin propusimos cambios al diseo de las resbaladillas y otras mejoras menores que no reportamos aqu. Este ejemplo nos ensea dos grandes lecciones: a) La mejora continua, como su nombre lo indica, nunca termina. Por ms perfecto que parezca un mtodo de trabajo, con dedicacin y creatividad siempre es posible mejorarlo. b) Las personas ms idneas para identificar las deficiencias de un centro de trabajo son los operadores mismos. Nosotros slo pudimos identificar las deficiencias de la celda cuando nos pusimos la cachucha de obrero!
Como se mencion en el inciso anterior, las mquinas de una celda de manufactura deben tener algn nivel de automatizacin. Los niveles de automatizacin posibles son: NIVEL O: La mquina es cargada, operada y descargada por el obrero o requiere atencin continua de ste. NIVEL 1: La mquina es cargada y descargada manualmente por el obrero pero funciona automticamente mientras l realiza otras actividades. NIVEL 2: El trabajador slo realiza las actividades de colocar y retirar la pieza y oprimir el botn de arranque; el funcionamiento y el regreso a la posicin original de la mquina son automticos. NIVEL 3: El trabajador slo realiza las actividades de colocar la pieza y oprimir el botn de arranque. El funcionamiento de la mquina y la expulsin de la pieza son automticos.
NIVEL 4: El trabajador no realiza ninguna actividad, ya que la mquina se alimenta, opera y expulsa las piezas automticamente. En el ejemplo de la Figura 9.8 encontramos los niveles de automatizacin 2, 3 y 4. Las mquinas LS-41, LS-515, MI-348, LS-743 y BO-124 tena el nivel 2; la mquina DR-1731 tena el nivel 3; y la mquina LS-109 tena el nivel 4.
9.7 SEGURIDAD, HIGIENE, SEALES VISUALES, ORDEN Y LIMPIEZA
En el captulo anterior comentamos que cualquier programa de seguridad e higiene debe concentrar sus esfuerzos en la eliminacin de las condiciones inseguras, es decir, en lo posible hacer la planta a prueba de accidentes. Los seguidores del JIT se dieron cuenta de esto hace mucho tiempo y sera muy extrao encontrar una condicin insegura en una de sus plantas. Y si ste fuera el caso, utilizaran seales visuales muy claras para advertir tanto a obreros como a visitantes. Coment en el inciso anterior que tuve la oportunidad de operar una celda de manufactura de una planta de pistones proveedora de la Toyota. Por qu me permitieron operar dicha celda? Por un lado porque las mquinas eran extremadamente fciles de operar y por otro lado porque los responsables de esta parte del proceso estaban perfectamente seguros de que yo no podra jams daarme o provocar dao a la maquinaria. En otras palabras, la celda estaba diseada a prueba de profesores universitarios.. . Otro aspecto importante del JIT son las seales visuales. stas hacen el lugar de trabajo ms amigable, ms agradable y ms seguro. Algunos ejemplos de seales visuales son: a) Indicar que una sugerencia ha sido aceptada e implantada; esto normalmente se hace a travs de diagramas de proceso que se instalan en el lugar de trabajo (por ejemplo, al lado de la celda de manufactura), de tal manera que la coleccin de diagramas de proceso sucesivos permite conocer visualmente la "historia" de cada puesto de trabajo. b) Ilustrar con muchos ejemplos los errores que deben evitarse. c) Indicar el estado de los productos ya inspeccionados. Por ejemplo, color rojo = desperdicio, color amarillo = productos a ser reprocesados o en cuarentena y color verde = productos de calidad. d) Indicar, a travs de una seal en su bata (o el color mismo de la bata), el nivel de capacitacin de los trabajadores. Por ejemplo, "trabajador que requiere supervisin continua", "trabajador plenamente capacitado", etc.. e) Indicar el nivel de peligrosidad de los equipos, si sta no ha podido ser eliminada totalmente. f) Indicar que el inventario de la siguiente etapa del proceso productivo lleg a un nivel peligroso. g) Indicar la manera correcta de ensamblar dos o ms piezas. Como tal, las seales visuales nos permiten:
* Evitar errores. * Evitar accidentes.
* Reducir la fatiga y la tensin.
324
* Evitar desperdicios de cualquier tipo. * Crear un ambiente de trabajo ms agradable.

* Y, finalmente, motivar a los trabajadores.
La falta de orden y limpieza no solamente conduce a desperdicios de tiempo, sino a un ambiente desagradable que puede afectar gravemente la moral de los trabajadores. El orden y la limpieza son aspectos importantes del JIT y existen plantas con niveles avanzados en donde dichos aspectos son verdaderamente impresionantes. Yo, personalmente, tuve que quitarme los zapatos para poder visitar una planta japonesa en mi viaje a Japn en 1981. Es importante comentar tambin que el simple hecho de reducir los inventarias a su mnima expresin conduce a una sensacin de orden y limpieza, y promueve mis orden y limpieza.
* Hacer el sistema ms confiable.
* Reconocer la participacin de los trabajadores en el mejoramiento del sistema.
9.8 CALIDAD
Seremos muy sintticos en este inciso debido a que los programas de Calidad Total son muy conocidos y muy amplios. Las filosofas de JIT y de Calidad Total nacieron ms o menos al mismo tiempo y algunos autores consideran JIT como una parte de Calidad Total y otros consideran Calidad Total como una parte importante del JIT. No vamos a dedicar tiempo y espacio a esta discusin y simplemente afirmaremos que hay muchos aspectos de Calidad Total que son indispensables para el xito del JIT. A continuacin contrastamos el enfoque tradicional con el enfoque moderno de Calidad Total y JIT:
Enfoque tradicional:
* Responsabilidad por la calidad: Depto. de Control de Calidad (CC).

* Especializacin en CC: slo el personal del Depto. de CC. * Enfoque: cumplir normas (internas, nacionales o internacionales). * Funciones principales del Depto. de CC:
+ No dejar entrar lotes malos a la planta. + No dejar llegar productos defectuosos al cliente.
calidad.
* Enfoque: aumentar inspecciones para reducir costos por entradas y10 salidas de mala * Determinacin de nivel "aceptables" de productos defectuosos. * Determinacin de niveles "reales" de productos defectuosos para fines de comparacin
con los niveles "aceptables" y evaluacin.
Enfoque moderno:
* Utilizacin de quejas de los clientes.
* Todos son responsables de la calidad, principalmente:

+ Personal de compras. + Personal de produccin. + Personal de CC. + Personal de comercializacin.
* Capacitacin a todos los niveles en tcnicas y procedimientos de CC.

existe.)
+ Personal de ingeniera. + Personal de mantenimiento.
* Enfoque: cumplir estrictamente y continuamente con los requerimientos del cliente. * Descentralizacin de las funciones llevadas a cabo por el Depto. de CC. * Enfoque: iproducir calidad, no inspeccionarla! (La inspeccin ideal es aqulla que no * Calidad en la fuente: la calidad de una pieza o producto se evala en el lugar mismo de * Niveles de excelencia = cero defectos.
su produccin.
* Clculo de costos del incumplimiento para fmes de evaluacin:
* Enfoque preventivo: aumentar costos de prevencin para reducir inspecciones y fallas.

* Todos son proveedores y clientes de alguien (el proceso proveedor debe satisfacer los
+ Costos de inspeccin. + Costos de fallas internas (cuando el defecto se detecta todava en la planta). + Costos de fallas externas (cuando el cliente ya tiene el producto)
requerimientos del proceso cliente).
* Desarrollo del proveedor si el cliente tiene un nivel superior de desarrollo en calidad;

desarrollo del cliente si el proveedor tiene un nivel superior. "Desarrollo" implica capacitacin e intercambio de informacin, experiencia y tecnologa. * Crculos de calidad: grupos de trabajo que se dedican a la mejora continua. * El ser humano es bueno por naturaleza y no necesariamente debe ser controlado [20]. El ejemplo a continuacin ilustra el enfoque de prevencin para anticiparse a los productos defectuosos [26]: Se tiene un ampermetro conectado al motor que mueve el cabezal de la mquina herramienta. Conforme la herramienta se desgasta el motor realiza un mayor esfuerzo, reflejndose ste en un mayor consumo de corriente elctrica. Cuando la variacin detectada por el ampermetro llega a un nivel previamente fijado, la mquina se para automticamente para que se realice el cambio de herramienta. "Cero defectos" parece un sueo imposible para muchas empresas. Realmente es una tarea dificil pero no un sueo imposible. Recientemente, tanto una empresa de autopartes del Grupo Condumex, como la empresa TRW, ambas con gerentes y empleados mexicanos, han recibido reconocimientos y premios internacionales por cero defectos por milln y cero accidentes de trabajo por ao, respectivamente. 9.9 MANTENIMIENTO Cuando un sistema productivo opera con niveles muy bajos de inventarios se vuelve muy sensible a paros inesperados de la maquinaria. Por lo tanto, los programas de mantenimiento preventivo, mantenimiento predictivo y mantenimiento productivo total
326
(TPM) han sido, son y sern muy importantes para la exitosa implantacin del JIT. Ya dedicamos un captulo entero a este tema, por lo que no volveremos a abordarlo. 9.10 ASPECTOS HUMANOS Los mritos tcnicos del sistema JIT son conocidos e incuestionables. Sin embargo, cmo se siente la gente en un ambiente JIT? Cul es su nivel de satisfaccin? Es importante que la gente est satisfecha? En el presente inciso intentaremos contestar estas preguntas. Empecemos con la ltima: es importante que la gente est satisfecha? Contestaremos esta pregunta con una lista de acciones que las personas insatisfechas pueden llevar a cabo en contra de su empresa. La lista es tan impactante que esperamos convencer al lector de la importancia de la satisfaccin laboral sin la necesidad de cualquier otro argumento:
* Evito la responsabilidad en el trabajo. * Hago otras cosas ms interesantes en el trabajo.
* Pido transferencias.
* Me reporto enfermo an cuando no lo estoy.
* Bebo o tomo drogas en el trabajo. * No cumplo con fechas de entrega a propsito. * Demando a la empresa en la justicia. * Hago o promuevo huelgas. * Me llevo cosas de la empresa. * Hago mal mi trabajo a propsito. * No comparto informacin.
* Me accidento a propsito.
* Me niego a hacer cualquier trabajo extra. * Me enfurezco con otras personas en el trabajo.
* Hablo mal de la empresa delante de los clientes. * Evito el contacto con mis compaeros.
Una vez demostrada la importancia de la satisfaccin laboral, veamos ahora como el sistema JIT puede afectarla. Los principales aspectos que analizaremos a continuacin son:
* Cambio de mentalidad. * Motivacin.
* Participacin, sentido de propiedad y compromiso.

* Trabajo en grupo y crculos de calidad.
trabajo.
* Capacitacin, enriquecimiento del trabajo, ampliacin del trabajo y rotacin en el * Seguridad, higiene, orden, limpieza y seales visuales. * Satisfaccin en el trabajo.
* Retroalimentacin, ingresos y oportunidades de promocin.
9.10.1 Cambio de mentalidad
Para una implantacin exitosa del sistema JIT se requiere un cambio radical de mentalidad. Este cambio implica, entre otras cosas, lo siguiente: a) alcanzar la excelencia; b) retener nicamente las actividades que agregan valor al producto; c) mejoramiento continuo; y d) considerar al ser humano como el recurso ms valioso de la organizacin. En lo que se refiere al primer aspecto, es decir, alcanzar la excelencia, debe sealarse que el JIT requiere programas extremadamente estrictos de calidad total que conduzcan a la eliminacin total de productos defectuosos y, al mismo tiempo, a la satisfaccin total del consumidor. Es muy fcil entender que un sistema de manufactura que funciona prcticamente sin inventarias no pueda tolerar la produccin de lotes defectuosos. Muchas actividades agregan costos a los productos pero no agregan valor, de las cuales queremos repetir aqu las siguientes: inspeccionar calidad o cantidad, transportar, inventariar, esperar, buscar, etc.. El JIT, como segundo cambio importante de mentalidad, exige la eliminacin o reduccin significativa de todas estas actividades que no agregan valor. Tanto la excelencia en cuanto a calidad como la eliminacin/reduccin de las actividades que no agregan valor, no se logran de la noche a la maana, sino que requieren una lucha lenta y constante. El mejoramiento continuo es, pues, una parte fundamental del JIT. Consideramos que todos estos cambios de mentalidad impactan positivamente en la satisfaccin de las personas, ya que stas se sienten ms eficientes, tiles, orgullosas y valoradas.
9.10.2 Motivacin
Debemos considerar que la participacin de todos los empleados y obreros para el mejoramiento continuo es indispensable y que esta misma participacin puede considerarse como una de las etapas de un proceso ms amplio que engloba lo siguiente:
Motivacin
* Participacin * Sentido de propiedad 3 Compromiso
Es decir, las personas debidamente motivadas participan ms intensamente en todas las actividades de la empresa, incluyendo, claro est, las de mejoramiento continuo; esta misma participacin conduce a un sentido de propiedad del empleado hacia los mtodos y objetos de trabajo, y finalmente, esto ltimo conduce a un mayor compromiso. Ahora bien, cmo podemos motivar a las personas para que se inicie todo este proceso? Es muy til estudiar el tema de motivacin a travs del anlisis de todos aquellos obstculos que tienden a impedir la motivacin. Entre stos podemos mencionar los siguientes: a) No se les da a los empleados y obreros la verdadera oportunidad de participacin y, en muchos casos, sus sugerencias no son realmente tomadas en consideracin e implantadas, an siendo muy buenas. Nos atreveramos a decir que no hay nada ms motivador para una persona que ver una sugerencia suya implantada y rindiendo frutos. Aqu, de hecho, estamos hablando de un crculo "virtuoso", ya que la motivacin conduce a participacin; dicha participacin conduce a propuestas de mejoramiento
328
continuo de parte de los empleados y obreros; y la implantacin de estas propuestas conduce a una mayor motivacin para participar; y as sucesivamente. b) Falta de la "necesidad de cambio". Es comn que la mayora de las personas slo busque el cambio en aquellos momentos dificiles o de crisis. El gran reto de los ejecutivos y supervisores modernos es cambiar totalmente esta forma de actuar y generar un deseo continuo de superacin (a veces llamado "desbalance") en sus subordinados. Es obvio que "cambio slo cuando hay crisis" y "mejoramiento continuo" son dos cosas totalmente incompatibles. c) Ejecutivos y supervisores no debidamente capacitados para cambiar su papel tradicional de dirigir y dar rdenes, por su nuevo papel de facilitar y promover la participacin. d) Incentivos inadecuados que permanecen relacionados principalmente con cantidad, en vez de relacionarse con el mejoramiento continuo y premiar logros como la reduccin del ciclo de fabricacin, del nivel de inventarios, del tiempo de preparacin de las mquinas, de la cantidad de defectuosos y del desperdicio en general. e) Falta de comprensin y10 conocimientos, de parte de los ejecutivos y supervisores, de todas las alternativas motivacionales que tienen a su disposicin. Adems de los distintos beneficios econmicos (como son los salarios, prestaciones, participacin en utilidades, etc.) los ejecutivos y supervisores deberan estar conscientes de que hay muchas otras formas para motivar a la gente, como por ejemplo, retroalimentacin rpida y adecuada, reconocimiento al trabajo bien hecho, ms autoridad y responsabilidad en la realizacin de su trabajo, oportunidades atractivas de capacitacin, ambiente de trabajo sano, seguro y agradable, etc.. Si los ejecutivos y supervisores logran superar todos estos obstculos habrn recorrido la mayor parte del camino hacia la motivacin de los empleados y obreros de la organizacin. Curiosamente, las organizaciones que adoptan el JIT han estado luchando contra estos obstculos y, por lo tanto, no es nada extrao que hayan logrado niveles motivacionales muy elevados. 9.10.3 Participacin, sentido de propiedad y compromiso La participacin es uno de los principales elementos del JIT. Esto se justifica por el hecho de que los empleados y obreros, por estar continuamente en contacto directo con las actividades operacionales de la organizacin, se consideran las personas ms idneas para sugerir mejoras al sistema. Sin embargo, los programas de sugerencias no son fciles de manejar, porque si los obreros y empleados estn realmente motivados, la cantidad de sugerencias podr ser sumamente elevada; y no hay nada "mejor" para destruir toda la motivacin lograda que la incapacidad directiva para analizar, seleccionar e implantar las mejores sugerencias. Se ha reportado en la literatura sobre JIT que el grupo Toyota recibe ms de 2 millones de sugerencias al ao y que un 95% se implanta. Como dijimos anteriormente, la participacin desarrolla en las personas un sentido de propiedad y stas empiezan a hablar de "mi celda de manufactura", "el mtodo de trabajo que yo desarroll", "la reduccin de inventarios que yo logr", etc.. Este sentido
329
de propiedad, claro est, vuelve a generar ms participacin y, al mismo tiempo, conduce a mayores niveles de compromiso. El compromiso tambin es un elemento bsico en cualquier organizacin, pero es muy difcil lograrlo verdaderamente sin participacin y sentido de propiedad. Una persona comprometida acta a nombre de la organizacin y toma decisiones que estn dirigidas a lograr los objetivos generales y especficos de la organizacin. En general, debido a la motivacin, hay mucha participacin de las personas en las organizaciones que adoptan el JIT. Como consecuencia, se da el sentido de propiedad y el compromiso. Debido a los niveles extremadamente bajos de inventarios y a la descentralizacin de la responsabilidad por la calidad, la ausencia de un compromiso real de todas las personas involucradas hara del JIT un sistema de produccin altamente vulnerable.
9.10.4 Trabajo en grupo y crculos de calidad

En el inciso anterior mencionamos la importancia de la participacin y compromiso de todos los empleados y obreros de la organizacin y cmo el JIT los lograba. La participacin puede darse en forma individual o travs de "grupos de trabajo". La participacin a travs de grupos de trabajo es mucho ms provechosa y esto se debe principalmente a: a) Participacin: se considera que con la formacin de grupos la participacin de los obreros/empleados ocurre mucho ms fcil e intensamente. Hasta la persona ms retrada tender a participar si se forman grupos de trabajo. b) Ms ideas: los grupos de trabajo siempre generan ms ideas que los individuos trabajando separadamente. c) Mejores ideas: debido a las discusiones que siempre se dan en los grupos de trabajo, las ideas que fmalmente resultan de estos grupos son de mejor calidad. d) Mayor disposicin al riesgo: la participacin siempre implica cierto grado de riesgo, como por ejemplo el riesgo de fracaso. Los grupos estn siempre ms dispuestos a enfrentar los riesgos que los individuos actuando separadamente. e) Poder e influencia: el poder e influencia para implantar una solucin se ven siempre afectados por el nmero de personas que la apoyan. Obviamente, no es lo mismo contar con el apoyo y compromiso de un grupo de personas que contar con el apoyo y compromiso de un solo individuo, por ms capaz que sea ste de "vender" sus ideas.
f) Ambiente de trabajo ms agradable: La simple existencia de los grupos de trabajo permite una relacin ms intensa y frecuente con los dems compaeros de trabajo, y esto conduce a un ambiente laboral ms sano y menos conflictivo.
La integracin de grupos de trabajo siempre fue una parte importante del JIT, y stos adoptaron, por lo menos inicialmente, el nombre de "crculos de calidad". El nombre no es el ms adecuado, ya que los crculos de calidad son grupos de obreros/empleados que se renen peridicamente para discutir cualquier aspecto relacionado con su trabajo y10 con el desempeo general y especfico de la empresa. Son temas tpicos de los crculos de calidad los siguientes: a) reduccin de cualquier tipo de desperdicio (inventarios, esperas,
330
Captulo E: Justo-a-Tiempo
transportes, inspecciones, etc.); b) s e g ~ i d a de higiene industrial; c) reduccin de variaciones del proceso productivo; d) incentivos econmicos y no econmicos; etc.. Precisamente porque los crculos de calidad no se restringen nicamente a temas de calidad, la tendencia actual en las organizaciones es nombrarlos de otras formas. La integracin de los grupos de trabajo no es muy compleja, sin embargo tampoco es inmediata y sencilla. Normalmente, los grupos de trabajo pasan por distintas etapas, de las cuales podemos mencionar las siguientes: Formacin: en esta etapa los miembros son seleccionados y capacitados en lo que se refiere a: a) qu se pretende lograr con los grupos de trabajo; b) cules son los objetivos generales y especficos de la empresa; c) qu tcnicas pueden usarse para la solucin de problemas (como por ejemplo, histograrnas, grficas de Pareto, diagramas de causa-efecto, grficas de control, etc.); d) qu distingue una buena solucin de una mala solucin; etc.. En esta etapa tambin se definen los roles de cada uno de los participantes y se elige el "facilitador" o lder del grupo. b) Tormenta: la mayora de los grupos de trabajo pasa por esta etapa de tormenta. Esto se debe principalmente a la falta de costumbre en cuanto a correr riesgos, cuestionar el status quo y discutir y aceptar ideas ajenas. En esta etapa (y por qu no en las posteriores?) debe esperarse discusiones fuertes hasta que los distintos miembros conozcan y acepten el carcter de los dems compaeros. c) Normacin: en esta etapa los miembros aprenden a compartir informacin e ideas, y a encontrar soluciones que son aceptables por lo menos para la mayora de los miembros. En esta etapa las "reglas del grupo" se establecen con mayor precisin. d) Desempeo: sta constituye la etapa en la que los grupos muestran realmente su capacidad para identificar y resolver problemas, la principal razn de su existencia. El grupo pasa a ser una forma natural de trabajo. Por otro lado, las principales funciones del facilitador o lder deben ser las siguientes: a) ser tambin un miembro; b) alentar la participacin de los dems miembros; c) saber escuchar; d) dirigir los esfuerzos de los miembros hacia los objetivos del grupo y de la empresa; e) formular preguntas que 'hagan reflexionar a los dems miembros; y f) ayudar a conseguir toda la informacin que sea necesaria para que el grupo pueda desempearse efectivamente.
9.10.5 Retroalimentacin, ingresos y promocin

La retroalimentacin puede ser una herramienta motivacional muy importante, pero nicamente si la empresa elige la ms adecuada. En otras palabras, una retroalimentacin inadecuada que refleje una mentalidad incompatible con los objetivos de la empresa puede representar un serio obstculo. En general, la retroalimentacin debe:
* Ser especfica, de preferencia cuantitativa. * Ser recibida lo ms rpido posible. * Estar directamente relacionada con los objetivos de la empresa.
Capitulo I X :Justo-a-Tiempo
331
Tomando como ejemplo el sistema JIT, el punto "c" arriba debera de abarcar los siguientes aspectos:
* Calidad en vez de cantidad.
* Niveles de los inventarios.

* Ciclo de fabricacin. * Nmero de sugerencias.
* Entregas a tiempo.
* Tiempo de preparacin (set-up).
* Accidentes. * Reduccin de espacio. * Rotacin, ausentismo y retrasos.
* Tiempo de paro de las mquinas.
Las empresas que usan el JIT, en general, cuidan mucho los aspectos de retroalimentacin. Inclusive, la retroalimentacin del JIT hasta podra incluir algn tipo de informacin financiera. Debe destacarse que, en cuanto a produccin y calidad, la retroalimentacin del JIT es extremadamente rpida debido a los pequeos lotes de produccin y al rpido flujo de materiales de una etapa del proceso productivo a la siguiente. Obviamente, los ingresos son una importante parte del sistema global de retroalimentacin y, tambin stos, deben ser perfectamente compatibles con los objetivos generales de la empresa. Regresando al ejemplo del JIT, los ingresos debern estar relacionados con los aspectos arriba mencionados y adems con:
* Capacitacin en distintas operaciones productivas (flexibilidad de la mano de obra). * Participacin en el trabajo en grupo.
* Antigedad.
Es importante resaltar que en gran medida el comportamiento de los obreros y empleados de una empresa est controlado por los sistemas de retroalimentacin (incluyendo cualquier tipo de ingreso), es decir, la gente hace lo que se premia y evita lo que se castiga. Intentar implantar un sistema JIT sin cambiar el sistema de retroalimentacin es, definitivamente, una utopa. En lo que se refiere a promociones, se ha propuesto que la participacin en los grupos de trabajo es una poderosa herramienta de desarrollo personal y que, por lo tanto, los miembros de dichos grupos tienen una mayor probabilidad de ser promovidos. Los crculos de calidad del JIT cumplen una triple funcin: generan buenas sugerencias, capacitan a sus miembros y abren nuevas posibilidades de promocin. 9.10.6 Capacitacin, rotacin en el trabajo, ampliacin del trabajo y enriquecimiento del trabajo A pesar de que si hay excepciones, el ser humano en general desea capacitarse y desarrollarse. El JIT considera al ser humano como el recurso ms valioso de la empresa y sus estrategias son de capacitar, flexibilizar y retener a su gente. La capacitacin no es un costo, sino una inversin. El desarrollo de la gente tambin se da con la rotacin en el trabajo, la ampliacin del trabajo y el enriquecimiento del trabajo. A continuacin definimos estos conceptos y analizamos el impacto positivo del JIT. La rotacin en el trabajo (job rotation), que es la oportunidad para el obrero de cambiar peridicamente de un tipo de trabajo a otro, se logra porque en el sistema JIT es muy comn que el obrero cambie de una celda a otra para resolver problemas causados
332
por fluctuaciones de la demanda, paros de mquinas, ausentismo o retrasos. De hecho, generalmente los obreros deben estar capacitados para, en cualquier momento, poder operar ms de una celda de manufactura. Por lo tanto, esta misma rotacin conduce a mayores niveles de capacitacin, ya que el obrero se capacita para la realizacin de distintos tipos de trabajo. La ampliacin del trabajo Cjob enlargement), que es la oportunidad para el obrero de realizar un trabajo ms variado, se logra porque en el sistema JIT el obrero no slo opera las mquinas de su celda, sino que es responsable tambin de su mantenimiento preventivo, de su preparacin cada vez que cambia de un producto a otro, de la limpieza del lugar de trabajo y de las inspecciones de calidad. Adems, tenemos que reconocer que la rotacin en el trabajo tambin hace el trabajo ms variado y que, por lo tanto, tambin contribuye a la ampliacin del trabajo. Por ltimo, debe resaltarse que la ampliacin del trabajo es una herramienta poderosa para reducir los problemas de monotona y fatiga fsica y mental provocados por la alta repetitividad de muchas de las actividades del mundo industrial moderno. El enriquecimiento del trabajo (job enrichrnent), que es la oportunidad para el obrero de realizar trabajos ms importantes, de tomar decisiones y de tener ms responsabilidad y autoridad, se logra porque en el sistema JIT se espera que el obrero sea realmente responsable por la calidad de los productos de su celda, haga su propio programa de produccin de acuerdo a los kanbans recibidos de las siguientes etapas del proceso productivo, sea responsable del buen funcionamiento de las mquinas y aplique tcnicas sencillas de solucin de problemas como histogramas, diagramas de causaefecto, diagramas de Paretc, grficas de control y "tormenta de ideas". 9.10.7 Satisfaccin en el trabajo Ahora bien, supongamos que los ejecutivos y supervisores de una empresa dada han logrado el cambio de mentalidad indispensable para la implantacin exitosa del JIT; que los trabajadores se sienten debidamente motivados para participar en el mejoramiento del sistema; que se ha desarrollado en los trabajadores el sentido de propiedad; que los trabajadores se sienten comprometidos; que los trabajadores frecuentemente trabajan en crculos de calidad y que lo disfrutan; que la retroalimentacin adecuada es dada a cada trabajador "justo a tiempo"; que los incentivos monetarios y no monetarios estn directamente relacionados con los logros del JIT; que los trabajadores han tenido la oportunidad de capacitarse en distintas operaciones del proceso productivo; que ellos sienten que su trabajo es importante y que ha sido enriquecido; que las condiciones de trabajo son seguras, sanas, limpias y ordenadas; y que, finalmente, la rentabilidad y el prestigio de la organizacin han mejorado significativamente. Cmo se sentiran estos trabajadores? La respuesta lgica es: ALTAMENTE SATISFECHOS! Sin embargo, por increble que parezca, hay mucha controversia respecto a esta "alta satisfaccin". Hay, inclusive, algunos investigadores que reportan "aumento de estrs", "prdida de libertad y autonoma" e "insatisfaccin" en empresas que han adoptado el JIT. A pesar de estas controversias, yo personalmente sigo creyendo que el sistema JIT tiene el potencial para mejorar la satisfaccin de los empleados, por lo que en 1993, como tesis doctoral, realic un estudio en 25 empresas de Mxico para evaluar el impacto del JIT en la calidad de
Captulo N: Justo-a-Tiempo
333
vida laboral. Un resumen del estudio se presenta a continuacin (vase el estudio completo en [17] [l S].
9.11 JUSTO-A-TIEMPO Y CALIDAD DE VIDA LABORAL: UN ESTUDIO EXPLORATORIO 9.11.1 Introduccin
Como comentamos arriba, la mayora de las empresas que decidieron implantar el JIT han reportado mejoras increbles en lo que se refiere a tiempo de entrega, tiempo de preparacin (set-up), rotacin de inventarios, espacio requerido para produccin, etc.. Sin embargo, existen medidas de desempeo "duras" y "blandas". Las mencionadas arriba son todas medidas de desempeo duras, mientras aspectos como satisfaccin en el trabajo, satisfaccin con el salario, bajos niveles de estrs, etc. seran medidas blandas de desempeo. Estoy de acuerdo que la mayora de las empresas est preocupada principalmente con las medidas duras de desempeo, sin embargo las medidas blandas son tambin muy importantes, ya que mejoran todava ms las medidas duras de desempeo y contribuyen al bienestar de los trabajadores. Los trabajadores insatisfechos pueden decidir adoptar, entre otros, los siguientes comportamientos "separatistas" (withdrawal behaviors) como medidas para adaptarse a una situacin de trabajo insatisfactoria: retraso, ausentismo, rotacin, largos descansos y salida temprana. Por otro lado, pueden presentar comportamientos negativos muy peligrosos para la empresa, como los que mencion anteBrmente y que repito aqu debido a su importancia:
* Evito la responsabilidad en el trabajo. * Hago cosas ms interesantes en el trabajo.
* Pido transferencias. * Me reporto enfermo aUn cuando no lo estoy.
* Consumo alcohol o drogas en el trabajo. * No cumplo con fechas de entrega a propsito. * Me niego a hacer cualquier trabajo extra. * Me enfurezco con otras personas en el trabajo. * Demando a la empresa en la justicia. * Hago o promuevo huelgas. * Me llevo qosas de la empresa. * Hago mal mi trabajo a propsito. * Evito el contacto con mis compaeros.
* No comparto informacin importante.
* Hablo mal de la empresa delante de los clientes.
El impacto negativo de estos comportamientos en las medidas duras de desempeo no deben ser ignoradas, an cuando tengamos que aceptar que la insatisfaccin no siempre conduce a estos comportamientos. Tambin deseo mencionar que las enfermedades crnicas han reemplazado las enfermedades contagiosas como la principal causa de mortalidad. Enfermedades de coronarias, ataques al corazn, hipertensin, problemas gastrointestinales, alcoholismo,
334
drogas, depresin y suicidios se han transformado en un problema serio para la humanidad y la relacin entre stas y los factores organizacionales ya ha sido reconocida. Todas estas afirmaciones demuestran lo importante que es preocuparse por las medidas blandas de desempeo, adems de las medidas duras. Todava sabemos muy poco sobre el impacto del JIT en las medidas blandas de desempeo. Los defensores del JIT afirman que ste mejora tanto las medidas duras como las medidas blandas de desempeo. Existe mucha evidencia de lo primero, mientras que los estudios sobre lo segundo no presentan conclusiones claras. Considerando todas las medidas blandas de desempeo como parte del concepto ms global de calidad de vida laboral (QWL), lo cual se defmir a continuacin, este estudio intenta llenar este vaco y evaluar la relacin entre la implantacin del JIT y la QWL de los obreros. Si este estudio logra demostrar la hiptesis de que los sistemas JIT realmente mejoran la QWL de los trabajadores, esto ser un resultado verdaderamente notable, ya que significar que las reducciones de inventarias, tiempo de entrega, espacio requerido para produccin, etc., que siempre acompaan la implantacin del JIT, pueden lograrse sin ningn deterioro de la QWL jo mejorndola! Por ltimo, tambin quiero mencionar que las universidades y las empresas industriales de Mxico no estn acostumbradas a trabajar conjuntamente en proyectos de investigacin. Este estudio ayud a reducir muchas de las barreras, a aumentar la confianza entre las partes y a mostrar que el compartir informacin puede conducir a resultados extremadamente tiles tanto para acadmicos como para industriales.
9.11.2 Qu es calidad de vida laboral?

No existe realmente un consenso en relacin al concepto de Q m . Para algunos, el trmino se refiere a democracia industrial y mayor participacin de los trabajadores en el proceso formal de toma de decisiones. Para otros, el trmino implica algunos de los diferentes esfuerzos dirigidos a aumentar la productividad a travs de cambios en los recursos humanos del sistema, ms que en los recursos financieros o tecnolgicos. Finalmente, otros consideran que QWL significa condiciones de trabajo ms sanas y seguras, mayor equidad en relacin a la reparticin de los recursos e ingresos de la empresa, mayor seguridad en el trabajo y mayor satisfaccin. En esta investigacin, utilizar el trmino QWL en su sentido ms amplio, por lo tanto ste abarcara
* Compensaciones adecuadas y justas (salarios, prestaciones, reparto de utilidades).

* Condiciones de trabajo sanas, seguras y agradables. * Oportunidades de promocin.
* Oportunidades para usar y desarrollar las capacidades humanas. * Integracin social. * Oportunidades para tomar de decisiones. * Oportunidades de capacitacin. * Equidad.
* Reconocimiento por el trabajo bien hecho. * Ausencia (o bajos niveles) de estrs.
335
Ausencia (o bajos niveles) de estrs, a su vez, est relacionado con la eliminacin o reduccin de los siguientes aspectos "estresantes":
* Horario de trabajo inadecuado.

* Carga de trabajo (excesiva). * Presin de tiempo.
* Incongruencia entre los intereses del trabajador y los intereses de la empresa.

* Falta de capacitacin para la realizacin del trabajo. * Ambigedad. * Papeleo.
* Inseguridad en el trabajo.
Si definimos QWL de esta manera, un programa efectivo de mejoramiento de QWL deber conducir a los siguientes efectos de primer orden:
* Menor nmero de accidentes y de problemas de salud. * Niveles superiores de motivacin y moral. * Niveles superiores de participacin, sentido de propiedad y compromiso.
* Mejor calidad de vida laboral.
* Reduccin del estrs.
Los cuales, a su vez, debern conducir a los siguientes efectos de segundo orden:
* Menor ausentismo y rotacin de personal. * Mejor desempeo laboral en general.

etc..
* Reduccin de los problemas de llegar tarde, tomar largos descansos, salir temprano,
Si el sistema JIT realmente mejora la QWL, deberamos de encontrar mejoras en los efectos de primer orden o en los efectos de segundo orden. En este estudio, evaluar el impacto del JIT slo en algunos efectos de primer orden, como son QWL y estrs.
9.11.3 Qu es justo-a-tiempo?
Tradicionalmente, JIT ha sido definido como un sistema de manufactura que consiste en comprar/producir solamente la cantidad exacta de materias primas/productos, en el momento exacto que se necesitan, con el objeto de reducir el tiempo de entrega y todos los tipos de inventarios. Sin embargo, esta definicin no es suficientemente clara, ya que el JIT es una coleccin de tcnicas, procedimientos y actitudes, los cuales en este estudio se resumieron de la siguiente manera:
* Orientacin hacia la satisfaccin de los requerimientos del cliente.

plazo, etc.). * Reduccin drstica de los tiempos de preparacin (set-up). * Sistema de produccin de "jalar". * Distribucin de planta celular. * Mantenimiento preventivo. * Orden y limpieza impecables.
* Relacin diferente con los proveedores (apoyo, intercambio de conocimientos, largo
* Constante lucha contra todo tipo de desperdicio (inventarias, esperas, inspecciones,

transportes, etc.). * Mano de obra flexible. * Mejora continua. * Calidad-en-la-fuente. * Control estadstico del proceso. * Las personas son el recurso ms importante de la empresa. * Compensaciones compatibles con la filosofa JIT.
* Seguridad e higiene impecables.
9.11.4 Mejora de la calidad de vida laboral debido al JIT

Se espera que el JIT haga el trabajo ms interesante debido a su rotacin en el trabajo (es comn que los trabajadores cambien de un puesto de trabajo a otro), ampliacin del trabajo (se les asignan a los trabajadores nuevas actividades tales como mantenimiento y control de calidad) y enriquecimiento del trabajo (los trabajadores participan en el mejoramiento del sistema, toman decisiones sencillas y tienen ms responsabilidad, principalmente con relacin a calidad y programacin de la produccin). En el largo plazo, la implantacin del JIT tiende a elevar la rentabilidad y competitividad de la empresa y puede, por lo tanto, mejorar las compensaciones de los trabajadores. Al mismo tiempo, en un sistema JIT los trabajadores reciben una mejor capacitacin y sta se incrementa todava ms a travs de la participacin en grupos de mejora continua. Como consecuencia, las percepciones de los trabajadores sobre sus compensaciones y sobre las oportunidades de promocin deben mejorar. Las condiciones de trabajo, es decir, seguridad, higiene, orden y limpieza, son aspectos vitales del JIT. Puesto que las percepciones de los trabajadores sobre estos aspectos tienden a ser menos subjetivas, la magnitud del efecto positivo del JIT en ellas debe ser mayor que todas las dems. Las percepciones de los trabajadores sobre su supervisin tambin tienden a mejorar, ya que se supone que los supervisores deben cambiar su papel tradicional de dirigir y dar rdenes por un nuevo papel de facilitar, orientar y propiciar la participacin. La participacin, a su vez, conduce a una relacin ms intensiva entre los trabajadores, lo que podr mejorar las percepciones de stos sobre sus compaeros. Finalmente, la implantacin del JIT tiende a aumentar el estrs provocado por la carga de trabajo y la presin de tiempo, y a disminuir todos los dems tipos de estrs (debido principalmente a la incertidumbre e incompatibilidad de intereses). Al mismo tiempo, mejores percepciones acerca de los dems aspectos de QWL (por ejemplo, supervisin, compensacin, promocin, etc.) tienden a reducir todos los tipos de estrs. Por lo tanto, la reduccin del estrs provocado por la incertidumbre y la incompatibilidad de intereses deber ser mucho mayor que la reduccin del estrs provocado por la carga de trabajo y presin de tiempo. El estrs provocado por la carga de trabajo y la presin de tiempo hasta podra aumentar como mencionamos al inicio de este prrafo. Las principales hiptesis de este estudio son:
H1: La implantacin del JIT mejora las percepciones de los trabajadores sobre la mayora de los distintos aspectos de la calidad de vida laboral. H2: La implantacin del JIT aumenta ciertos tipos de estrs y reduce otros.
Captulo DC: Justo-a-Tiempo
9.11.5 Metodologa
Se realiz un experimento de campo y 2 cuestionarios se disearon para medir QWL e implantacin del JIT, respectivamente. La informacin fue recopilada en 25 empresas de 9 sectores industriales diferentes. Las compaas se ubicaban en las ciudades de Mxico, Toluca, Tlaxcala, Quertaro y Celaya. En cada empresa, solicit una muestra aleatoria de 20 obreros para que contestaran el cuestionario sobre QWL y una muestra de por lo menos 2 ejecutivos de produccin o calidad para que contestaran el cuestionario sobre implantacin del JIT. Posteriormente se realizaron distintos anlisis estadsticos con QWL como variable dependiente e implantacin del JIT como variable independiente. Se incluyeron varias variables adicionales para controlar el efecto de las caractersticas demogrficas de los obreros y de algunas condiciones especficas de las empresas (las que se detallarn a continuacin). Una fortaleza importante de este estudio es la posibilidad de incluir diferentes empresas, de diferentes sectores industriales, y una muestra grande con suficiente variabilidad de la variable independiente (nivel de implantacin el JIT). Esto ha eliminado las limitaciones de estudios previos, que se centraron en una sola empresa, manejaron muestras pequeas y consideraron slo algunos aspectos del JIT (generalmente la implantacin de crculos de calidad). Para que el lector tenga una idea sobre las dificultades para la realizacin de un estudio de este tipo (particularmente en Mxico), quiero agregar que necesit aproximadamente 100 citas y viaj casi 7,000 Km. En promedio, tuve que pedir 3 citas a cada empresa que acept participar en el estudio. La secuencia tpica de eventos fue la siguiente: Un primer contacto se realiz por telfono con una persona conocida (normalmente un alumno o un profesor del ITESM), con el Gerente de Recursos Humanos o con el Gerente General de la Empresa. En esta primera llamada expliqu que el ITESM estaba realizando un estudio sobre el impacto del JIT en la calidad de vida laboral y ped una cita para proporcionar informacin ms detallada. En la primera cita expliqu verbalmente y por escrito el objetivo y la importancia del estudio, la confidencialidad de la informacin recolectada, el nmero de obreros y ejecutivos a ser entrevistados y cmo stos seran entrevistados. En esta primera visita tambin ofrec un primer reporte con los resultados de la aplicacin de los cuestionarios de QWL y una copia de la tesis. Con la excepcin de un Gerente General que me invit a aplicar los cuestionarios en la primera visita, todas las dems personas me pidieron que esperara una respuesta despus de un par de das o de semanas hasta que se tomara una decisin. Normalmente, la decisin de que la empresa estaba dispuesta a participar en el estudio me fue comunicada por telfono y se concert una nueva cita. En la segunda cita intent aplicar todos los cuestionarios, sin embargo en algunos casos esto no fue posible y slo el cuestionario sobre QWL fue aplicado. En la tercera cita, entregu los resultados de los cuestionarios sobre QWL y apliqu el cuestionario sobre implantacin del JIT a los ejecutivos que no pudieron ser entrevistados en la segunda cita. A la medida que los cuestionarios iban siendo aplicados, se realizaba su captura en el paquete SPSS. Esto permita, por ejemplo, que en la tercera cita ya pudiera entregar los resultados de la aplicacin del cuestionario sobre QWL.
9.11.5.1 Instrumentos de medicin
Se dise un cuestionario con 37 reactivos para medir las distintas dimensiones de QWL. Inicialmente, consider todos los aspectos descritos en el inciso 9.11.2 (excluyendo el estrs) y los clasifiqu de acuerdo a los siguientes aspectos: trabajo propiamente dicho, compensacin, promocin, supervisin y compaeros de trabajo. Luego, los siguientes reactivos de estrs fueron incluidos: horario de trabajo, incompatibilidad de intereses, ambigedad, papeleo, carga de trabajo, presin de tiempo, capacitacin requerida por el puesto e inseguridad en el trabajo. Para controlar los efectos de la vida personal, que supuestamente afectan las percepciones sobre la calidad de vida laboral, 3 reactivos fueron incluidos al principio del cuestionario, refirindose a la relacin con la pareja, relacin con los hijos y la casa o departamento, respectivamente. Finalmente, para controlar el efecto de las caractersticas demogrficas de los obreros (sexo, estado civil, edad, nivel educacional, etc.) algunas preguntas se agregaron al final del cuestionario, ya que muchos estudios han demostrado que stas tambin pueden afectar las percepciones de los trabajadores sobre su QWL. Aprovechando el hecho de que en Mxico es relativamente comn la expresin "mucho muy" satisfactorio, la escala para todas las preguntas iba de l=mucho muy satisfactorio hasta 7=mucho muy insatisfactorio. Luego despus de terminado, el cuestionario sobre QWL fue probado en una industria manufacturera de 50 trabajadores, y todos los problemas encontrados fueron corregidos. El cuestionario de implantacin del JIT tena 26 preguntas que incluan todos los aspectos enlistados en la seccin 9.11.3. En cada pregunta de este cuestionario el ejecutivo de la empresa tena que indicar el nivel de implantacin (avance) de aquel aspecto especfico del JIT en una escala de O a 1 .O ( de O a 100%). Adems de los cuestionarios sobre QWL y sobre JIT, un tercer cuestionario, muy sencillo y corto, fue utilizado para recopilar informacin acerca de condiciones especficas de las empresas que pudieran afectar las percepciones de los obreros, como por ejemplo, aos de implantacin del JIT, estabilidad (si la empresa estaba o no en expansin), conflictos laborales (si existan o no conflictos laborales serios), tamao, nivel de automatizacin, transnacionalidad (si la empresa era nacional o tena plantas por todo el mundo), etc..
9.11.5.2 Aplicacin de los instrumentos de medicin
Todas las empresas con las cuales el ITESM tena algn contacto a travs de alumnos y10 profesores fueron invitadas a participar en el estudio. Inicialmente, todas las empresas contactadas por m y dispuestas a participar fueron aceptadas. Posteriormente, con el objeto de obtener una muestra ms balanceada, slo aqullas con cierto nivel de avance del JIT fueron aceptadas. Finalmente, como se ha mencionado antes, 25 empresas de 5 ciudades diferentes y 9 sectores industriales fueron incluidas en el estudio (vase el Cuadro 9.3). A pesar de que en cada una de las 25 empresas yo solicit una muestra aleatoria de 20 trabajadores que contestaran el cuestionario sobre QWL, realmente dicha cantidad vari de 10 a 27 obreros debido a restricciones de produccin. Un total de 502 obreros respondieron a este cuestionario. Esta informacin tambin se presenta en el Cuadro 9.3.
Captulo l X :Justo-a-Tiempo
339
Para contestar el cuestionario sobre QWL los trabajadores se ubicaron en una sala de capacitacin y yo personalmente les proporcion una breve explicacin sobre el objetivo del estudio y la confidencialidad de sus respuestas. En promedio, los trabajadores tardaron 30 minutos para responder al cuestionario.
CUADRO 9.3 Empresas incluidas en el estudio

CODIGO DE LA EMPRESA O 1 02 03 04 05 06 07 08 09 1O 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 TOTAL CIUDAD Ciudad de Mxico Quertaro Quertaro Ciudad de Mxico Ciudad de Mxico Toluca Ciudad de Mxico Ciudad de Mxico Ciudad de Mxico Quertaro Ciudad de Mxico Tlaxcala Tlaxcala Quertaro Quertaro Ciudad de Mxico Ciudad de Mxico Toluca Ciudad de Mxico Quertaro Ciudad de Mxico Quertaro Ciudad de Mxico Celaya Quertaro SECTOR INDUSTRIAL Veladoras Electrodomsticos Electrodomsticos Alimentos Partes automotrices Qumica Equipos de oficina Farmacutico Alimentos Partes automotrices Metalmecnico Partes automotrices Partes automotrices Partes automotrices Partes automotrices Partes automotrices Cosmticos Partes automotrices Partes automotrices Electrodomsticos Discos y cassettes Cables Equipos de oficina Partes automotrices Partes automotrices OBREROS ENCUESTADOS 20 20 21 20 20 18 20 21 21 27 22 18 20 1O 22 20 24 19 20 19 21 21 20 21 17 502
Por otro lado, un total de 72 ejecutivos (casi 3 por empresa en promedio) contestaron el cuestionario sobre implantacin del JIT y slo en 5 ocasiones yo no estuve presente. Consider mi presencia necesaria porque muchos ejecutivos no estaban familiarizados con ciertos trminos del JIT, como por ejemplo, sistema de jalar, kanban, celda de manufactura, calidad-en-la-fuente, apoyos visuales, etc.. El Cuadro 9.4 presenta el nmero de ejecutivos entrevistados en cada empresa y sus respectivos puestos. En resumen, el estudio incluy la opinin de los siguientes ejecutivos: gerentes de produccin/manufactura~operaciones: 24 (33%); gerentes generales: 9 (12%); gerentes tcnicos corporativos: 6 (8%); ingenieros industriales corporativos: 5 (7%); gerentes de planta: 5 (7%); gerentes de control de calidad: 4 (6%); gerentes de materiales: 2 (3%); gerentes de mantenimiento: 2 (3%); otros ejecutivos: 15 (21%). Debo informar que el porcentaje de gerentes tcnicos corporativos realmente corresponde a una sola persona que evalu 6 empresas. La misma observacin es vlida para el porcentaje correspondiente a ingenieros industriales corporativos.
340
Captulo I X :Justo-a-Tiempo
CUADRO 9.4 Ejecutivos que contestaron el cuestionario JIT

CDIGO DE LA EMPRESA O1
02 03 04 05
06
07 O 8 09 10
11
12
13
14
MRO DE POSICION ORGANIZACIONAL EJECUTIVOS Gerente Administrativo 2 Gerente General Gerente de Produccin y de Relaciones Industriales 3 Gerente de Servicios Tcnicos Gerente de Planta Gerente de Produccin 2 Gerente de Operaciones Gerente de Produccin 3 Gerente de Control de Calidad Gerente General Gerente de Aseguramiento de Calidad 5 Gerente de Produccin Gerente de Planeacin e Inventarios Gerente de Ingeniera del Producto . Gerente de Compras Gerente de Tecnologa 4 Gerente Comercial Contralor Gerente General Gerente de Relaciones Industriales 2 Gerente de Recursos humanos Gerente de Operaciones Tcnicas 2 Gerente de Manufactura Gerente de Planta 2 Gerente General Gerente Tcnico Corporativo 4 Ingeniero Industrial Corporativo Gerente de Manufactura Gerente General Gerente de Produccin Lnea 1 3 Gerente de Produccin Lnea 2 Gerente de Control de Produccin Gerente tcnico corporativo 5 Ingeniero Industrial Corporativo Gerente de Planta Gerente de Manufactura Gerente de Materiales Gerente Tcnico Corporativo 5 Ingeniero Industrial Corporativo Gerente de Planta Gerente de Mantenimiento Gerente de Produccin Gerente Tcnico Corporativo 5 Ingeniero Industrial Corporativo Gerente de Manufactura Gerente General Gerente de Produccin
CUADRO 9.4 (Continuacin)

POSICION ORGANIZACIONAL Gerente Tcnico Corporativo Ingeniero Industrial Corporativo 1 Gerente de Manufactura Gerente General 2 Gerente de Aseguramiento de Calidad 16 Gerente de Produccin Exportacin Gerente de Operaciones 3 17 Gerente de Produccin Lnea 1 Gerente de Produccin Lnea 2 2 18 Gerente de Materiales Gerente de Ingeniera de Manufactura 1 Gerente de Produccin y Mantenimiento 19 2 Gerente de Produccin 20 Gerente de Ingeniera Industrial Gerente de Aseguramiento de Calidad 2 21 Gerente General Gerente Tcnico Corporativo 2 22 Gerente de Planta Gerente de Produccin 2 23 Vice-Director Tcnico Gerente de Produccin 24 3 Gerente de Ensamble Gerente General 2 Gerente de Produccin 25 Gerente de Mantenimiento 72 TOTAL
CODIGO DE LA EMPRESA 15
NUMERO DE EJECUTIVOS 4
9.11.5.3 Anlisis estadstico

Las dimensiones (o secciones) de los cuestionarios originales sobre QWL e implantacin del JIT fueron dimensiones a priori. Por lo tanto, despus de la aplicacin de los cuestionarios se corrieron anlisis de factores (factor analysis) con el objeto de confirmar dichas dimensiones y10 identificar nuevas dimensiones a posteriori. Se utiliz el mtodo de extraccin PAF (Principal Axis Factoring) y el mtodo de rotacin oblicua, ya que consider que tanto las dimensiones de QWL como las dimensiones de implantacin del JIT estaran correlacionadas entre s. Aquellos reactivos (preguntas) que no pudieron ser claramente interpretadas fueron eliminadas en todos los anlisis posteriores. Despus de que las dimensiones a posteriori de QWL fueron identificadas, sus valores del alfa de Cronbach fueron determinados, con el objeto de evaluar la confiabilidad del instrumento. ndices totales fueron determinados para cada dimensin de QWL y para el total del cuestionario (ndice global de QWL). Estos ndices se calcularon promediando las respuestas a las preguntas correspondientes (excluyendo las ya eliminadas). Anlogamente, despus de eliminar algunas variables a travs del anlisis de factores y10 clculo del nivel de consenso, los valores del alfa de Cronbach y los ndices globales fueron determinados para cada dimensin a posteriori de implantacin del JIT.
342
Un ndice global de JIT tambin fue determinado como la suma de las respuestas a todas las preguntas del cuestionario (excluyendo las que ya haban sido eliminadas). Finalmente, el nivel de consenso fue determinado para cada dimensin del JIT y para todo el cuestionario (sin incluir las preguntas eliminadas). Para evaluar la relacin entre QWL e implantacin del JIT, 3 tipos de anlisis se llevaron a cabo: anlisis de regresin, anlisis de ruta (path analysis) y anlisis cannico. En el anlisis de regresin la variable dependiente fue el ndice global de QWL y las variables independientes fueron el ndice global de implantacin del JIT y las variables de control (caractersticas demogrficas de los obreros y caractersticas especficas de las empresas, como se mencionaron con anterioridad). En el anlisis de ruta, yo mantuve el ndice global de implantacin del JIT pero divid QWL en dimensiones y subdimensiones. Efectos directos e indirectos de implantacin del JIT pudieron entonces ser evaluados. En el anlisis cannico se evalu la relacin entre las dimensiones de QWL y las dimensiones del JIT. Este anlisis mostr qu dimensiones de implantacin del JIT afectaban ms a qu dimensiones de QWL.
9.11.6 Resultados 9.11.6.1 Dimensiones y confiabilidad
El ndice global de la dimensin de satisfaccin personal, que se calcul como la media de las respuestas a las 3 primeras preguntas del cuestionario de QWL, vari de 1.00 a 6.00 para los 502 obreros. El valor del alfa de Cronbach fue de 0.646. El anlisis de factores del cuestionario de QWL elimin 4 variables (preguntas), debido a que stas presentaron correlaciones con los factores (factor loadings) inadecuadas y no pudieron ser bien interpretadas. Despus de eliminar estas variables, las dimensiones de QWL y sus respectivos valores del alfa de Cronbach fueron los que se muestran en el Cuadro 9.5. El peor valor de alfa fue de 0.684 y la mediana fue 0.795. El ndice global de calidad de vida laboral (QWLlOO), que se calcul como la media de las respuestas a todas las preguntas, vari de 1.11 a 4.78 para los 502 trabajadores.
CUADRO 9.5 Dimensiones y confiabilidad de QWL
Para realizar un anlisis ms detallado, tambin decid dividir la dimensin de supervisin en 2 sub-dimensiones: "soporte de supervisin", SUP1, (3 preguntas) y "capacidad de supervisin", SUP2, (2 preguntas). Anlogamente, la dimensin de compaeros de trabajo tambin fue dividida en las siguientes sub-dimensiones: "soporte
343
de compaeros de trabajo", CWO1, (3 preguntas) y "capacidad de compaeros de trabajo", CW02, (3 preguntas). Los valores del alfa de Cronbach para estas subdimensiones fueron 0.825,0.785,0.823 y 0.765, respectivamente. Finalmente, la dimensin de estrs tambin fue dividida, ya que, como mencion antes, la implantacin del JIT tiende a aumentar ciertos tipos de estrs y a disminuir otros. Estas sub-dimensiones se llamaron "incertidumbre & incongruencia", STR1, (3 preguntas) y "carga de trabajo & presin de tiempo", STR2, (2 preguntas) y sus valores del alfa de Cronbach fueron 0.611 y 0.481. Por otro lado, el anlisis de factores y del nivel de consenso entre los ejecutivos redujo el nmero de preguntas del cuestionario de implantacin el JIT de 26 a 20. El Cuadro 9.6 muestra las dimensiones finales del JIT y sus correspondientes valores del alfa de Cronbach y del nivel de consenso. Se puede observar que el peor nivel de consenso fue de 0.677 y el peor alfa fue de 0.685. Las medianas del nivel de consenso y del alfa fueron de 0.764 y 0.810, respectivamente.
CUADRO 9.6 Dimensiones y confiabilidad de implantacin del JIT
DIMENSION DEL JIT Cliente Proveedor JIT propiamente dicho Planta en buenas condiciones Aspectos humanos
ALFA 0.685 0.827 0.945 0.810 0.793
NIVEL DE CONSENSO 0.803 0.677 0.911 0.727 0.764
El ndice global de implantacin del JIT (JITlOO), que se calcul como la suma de las medias de las respuestas de los ejecutivos de cada empresa, vari de 5.35 a 16.70 (despus de la eliminacin de las preguntas).
9.11.6.2 Anlisis de regresin
La relacin entre QWL e implantacin del JIT se evalu, inicialmente, a travs de una regresin "stepwise" al nivel de individuo, es decir, para los 502 casos, utilizando los ndices globales QWLlOO (variable dependiente) y JITlOO y las variables de control (variables independientes). Los resultados se muestran en el Cuadro 9.7 y sern analizados en la seccin 9.11.7.
CUADRO 9.7 Regresin entre QWL y JIT utilizando variables de control
VARIABLES INDEPENDIENTES NOMBRE EN EL SPSS B BETA ESTANDARIZADO SIGNIFICANCIA DE "T"
Satisfaccin personal Implantacin del JIT Conflictos laborales Estabilidad Estado civil Transnacionalidad
PERS JITlOO GIF5 GIF4 DQWL48 DGIF10
O. 17594 -0.05057 0.22503 -0.1 0622 0.13444 0.10483
0.26507 -0.26327 O. 18568 -0.16278 0.11157 0.08856
0.0000 0.0000 0.0000 0.0003 0.0137 0.0473
9.11.6.3 Anlisis de ruta
Con el objeto de proporcionar ms detalles acerca de la relacin entre implantacin del JIT y las distintas dimensiones de QWL, se construy el diagrama de ruta de la Figura 9.9. En esta figura se indican las variables (preguntas) de cada dimensin o subdimensin de QWL. Por ejemplo, la dimensin "trabajo propiamente dicho" (que aparece en forma abreviada como "trabajo") incluye las preguntas 4, 5, 6, 7, 9 y 11 del cuestionario de QWL. Por otro lado, las lneas punteadas corresponden a relaciones que no fueron evaluadas en este estudio. Para todas las dems rutas se determinaron los betas estandarizados (path coefficients), que no se incluyen en este resumen. Las lneas ms gruesas muestran el efecto directo del JIT en las sub-dimensiones de estrs. De hecho, entre cada una de las dimensiones y sub-dimensiones de QWL y estrs hay dos lneas: una que llega a STRl y otra que llega a STR2. Por simplicidad, el diagrama presenta una lnea nica, pero se determinaron betas estandarizados (path coeficients) para cada una de ellas. En este modelo esperamos lo siguiente: el efecto directo de la implantacin del JIT es el de mejorar todas las dimensiones de QWL, reducir el estrs correspondiente a incertidumbre & incongruencia (STRl) y aumentar el estrs correspondiente a carga de trabajo & presin de tiempo (STR2). Al mismo tiempo, satisfaccin personal (PERS) tambin mejora directamente todas las dimensiones de QWL. Cualquier mejora de las dimensiones de QWL tiende a reducir directamente todos los tipos de estrs, lo que sera el efecto indirecto del JIT. Cualquier aumento del estrs tiende a deteriorar la salud, lo que, a su vez, conduce a una mayor rotacin de personal, a un mayor ausentismo y a un menor desempeo. El modelo tambin considera que el trabajo propiamente dicho, posibilidad de un desempeo bueno y seguro y compensacin & intereses comunes reducen la rotacin de personal y el ausentismo. En las regresiones entre las dimensiones de QWL y JIT para determinar los betas estandarizados (path coefficients), yo inclu las variables de control ms importantes que ya haban resultado significativas en la regresin anterior entre los ndices globales de QWL y JIT, es decir: satisfaccin personal, conflictos laborales, estabilidad, estado civil y transnacionalidad. Considerando que las variables de control afectan las sub-dimensiones de estrs por medio del efecto en las dems dimensiones de QWL, decid no incluir las variables de control en las regresiones entre las sub-dimensiones de estrs y JIT (efecto directo) y entre las sub-dimensiones de estrs y las dimensiones de QWL (efectos directos). Finalmente, los coeficientes entre estrs y salud son iguales a los betas estandarizados de la regresin entre salud y STRl y STR2. En general, los coeficientes de la Figura 9.9 confirman todas mis hiptesis, lo que ser discutido en la seccin 9.11.7 a continuacin (como mencion, los coeficientes no se incluyen en este resumen).
9.11.6.4 Relacin entre las dimensiones de QWL y las dimensiones de JIT: anlisis cannico
Ya que tanto QWL como implantacin del JIT consisten de muchas dimensiones, el anlisis cannico es la tcnica apropiada para evaluar las relaciones entre estos dos conjuntos de dimensiones.
FIGURA 9.9 Anlisis de ruta

TRABAJO
Qrn4,QWL%Q-6, QWL7,QWL9,QWLll
h..
................... ................................................................................................... ......................................:

i;
(RESULTADOESPERADO)
346
El Cuadro 9.8 muestra una solucin cannica que incluye todas las dimensiones y subdimensiones de QWL, y todas las dimensiones del JIT. El paquete SPSS extrajo 4 funciones cannicas significativas, que explican aproximadamente el 42% de la varianza de estos conjuntos de variables, con correlaciones cuadradas que varan de 0.221 a 0.032. Los valores de Eigen varan de 0.283 para la primera raz (root) a 0.034 para la cuarta.
CUADRO 9.8 Anlisis cannico entre las dimensiones de QWL y JIT
FUNCIONES
-.
CORRELACIONES ENTRE VARIABLES CAN~NICAS Y DEPENDIENTES Trabajo 0.325 0.229 -0.244 -0.527 Desempeo bueno y seguro -0.399 0.849 0.134 0.034 Compensacin e intereses comunes 0.201. -0.672 -0.532 0.245 Promocin 0.352 -0.110 -0.171 -0.351 Apoyo de supervisin -0.284 0.600 -0.688 0.038 Capacidad de supervisin -0.251 0.538 0.063 -0.348 Apoyo de compaeros 0.068 -0.631 -0.612 -0.201 Capacidad de compaeros -0.226 -0.464 -0.199 0.210 Incertidumbre & incongruencia 0.417 -0.441 -0.360 0.071 Carga de trabajo & presin de tiempo -0.141 -0.274 -0.214 0.173 CORRELACIONES ENTRE VARIABLES CANONICAS E INDEPENDIENTES 0.078 -0.340 Cliente 0.187 0.369 Proveedores 0.270 0.862 0.278 0.259 JIT propiamente dicho -0.727 -0.174 0.158 0.599 Aspectos humanos -0.701 -0.457 0.487 0.202 Planta en buenas condiciones -0.800 0.537 0.114 0.053
9.11.7 Discusin En relacin al anlkis de regresin entre el ndice global de QWL (QWL100) y el ndice global de JIT (JIT100) y las variables de control (vase el Cuadro 9.7), las siguientes observaciones son importantes. El nivel de implantacin del JIT (JIT100) fue, de hecho, la primera variable que entr a la ecuacin y es altamente significativa (p<0.0001). La "R" cuadrada fue de 0.22. Esto apoya la hiptesis H1. Cada incremento de 10 puntos en la variable JITlOO (cuyo rango va de O a 20) mejora el valor de QWLlOO en 0.5 puntos (vase el valor de "B" de la variable JITlOO en el Cuadro 9.7 y recurdese que QWLlOO vara de 1 a 7). Dicho de otra manera, la implantacin del JIT realmente mejora la calidad de vida laboral y su efecto es relativamente fuerte. Adems, los valores de Beta del Cuadro 9.7 muestran que implantacin del JIT y satisfaccin personal tienen un efecto mayor sobre QWL que cualquier otra de las variables. Como informacin adicional a este anlisis, presento en la Figura 9.10 la lnea de regresin determinada por el paquete SPSS para los 502 casos (la grfica est editada, mostrndose slo la lnea recta y no cada uno de los 502 puntos). Dicha Figura 9.10
347
muestra una pendiente negativa que significa que a la medida que aumentan los valores de la variable JIT100, disminuyen los valores de la variable QWL100, es decir, mejora la calidad de vida laboral. FIGURA 9.10 lnea de regresin de QWL como funcin de JIT
PLOT OF QWLlOO WITH JiTlOO
JIT GLOBAL SCORE
Por otro lado, las variables de control significativas del Cuadro 9.7 indican que: a) Satisfccin personal, como se esperaba, presenta una relacin directa con calidad de vida laboral. Es decir, cuanto ms satisfechos estn los obreros con su vida personal, ms satisfaccin reportan en relacin a su trabajo. b) Para la variable conflictos laborales, 1 (uno) significaba "ausencia de conflictos" y 4 (cuatro) significaba "conflictos muy serios". Por lo tanto, el signo positivo de esta variable indica que la existencia de conflictos deteriora la calidad de vida laboral reportada. ste tambin es un resultado esperado. c) En relacin a la variable estabilidad, lo indicado por a regresin tambin es lgico: los obreros de empresas en expansin reportan mejor calidad de vida laboral. d) Para la variable estado civil, O (cero) significaba "soltero" y 1 (uno) significaba "casado". Por lo tanto, el signo positivo de la regresin indica que los trabajadores solteros reportan una calidad de vida laboral superior. Una posible explicacin para este resultado es la siguiente:
* Los solteros son ms jvenes y las personas jvenes tienden a tener ms ilusiones
respecto a la implantacin de un nuevo sistema.
* Los casados normalmente tienen que mantener otras personas, por lo que ellos o
ellas no cambian fcilmente de trabajo an cuando estn insatisfechos.
348
Estado civil est muy relacionado 'con antigedad y las personas con mayor antigedad pueden volverse ms crticas respecto a la empresa. Esta ltima afirmacin fue confirmada por el hecho de que, cuando estado civil se elimin de la regresin, antigedad se volvi significativa.
e) La variable transnacionalidad tambin result significativa en la ecuacin de regresin. El signo de esta variable indica que los obreros de empresas nacionales (mexicanas) reportan, en general, mejor calidad de vida que sus homlogos de las transnacionales. De hecho, la QWL media de las nacionales fue de 3.15, mientras que la QWL media de las transnacionales fue de 3.26 (recurdese que 1 es excelente y 7 es psimo). Resulta interesante analizar el efecto de la implantacin del JIT separadamente en las empresas nacionales y transnacionales. Considerando que la variable JITlOO vari de 5.35 para la empresa 01 a 16.70 para la empresa 22, las 25 empresas fueron clasificadas en 3 grupos:
* Grupo 1 (principiantes): 5 < JITl O0 I 10. * Grupo 2 (avanzados): 10 < JITl O0 115.
* Grupo 3 (muy avanzados): 15 < JITlOO 120.

La QWL media de estos 3 grupos para las empresas nacionales y transnacionales fue la siguiente (O=nacional y l=transnacional): TRANSNACIONALIDAD a
O
1
JIT
Principiantes Avanzados Muy avanzados 3.32 3.13 2.79 3.36 3.21 3.13
Esta informacin muestra claramente que para las empresas principiantes, la transnacionalidad no es una variable muy importante (3.32 comparado a 3.36). Sin embargo, el efecto de la implantacin del JIT en la QWL es ms fuerte en las empresas nacionales que en las empresas transnacionales. Esto explica porque la QWL media de las nacionales es menor que la QWL media de las transnacionales y sugiere que las empresas nacionales son ms hbiles en la adaptacin del JIT a la idiosincrasia mexicana. Considerando ahora el anlisis de ruta de la Figura 9.9, todos los coeficientes entre el ndice global de JIT y las dimensiones de QWL resultaron negativos, lo que otra vez confirma la hiptesis H1 (recurdese una vez ms que para QWL l=excelente y 7=psimo). En relacin a las rutas del ndice global de JIT y de las dimensiones de QWL a las sub-dimensiones de estrs, es decir, incertidumbre & incongruencia (STRl) y carga de trabajo & presin de tiempo (STR2), debe resaltarse que algunos coeficientes no fueron significativos al nivel de 0.05. La dimensin trabajo propiamente dicho present un efecto directo particularmente fuerte sobre ambos tipos de estrs (-0.32 y -0.15), seguido por el efecto directo producido por las variables capacidad de compaeros (-0.21 y -0.14) y compensacin & intereses comunes (-0.17 y -0.13).
349
El efecto directo de JIT sobre STRl fue de -0.08 y puede considerarse significante (p=0.0521). Este coeficiente indica que la implantacin del JIT directamente reduce el estrs causado por incertidumbre & incongruencia. Existi, adems, un efecto indirecto de -0.12 a travs de todas las dimensiones de QWL.El efecto total (o neto), por lo tanto, fue igual a (-0.08)+(-0.12)= -0.20. Como puede verse, ambos efectos (directo e indirecto) actan en la misma direccin y el efecto total fue una reduccin del estrs causado por incertidumbre & incongruencia. Por otro lado, el efecto directo del JIT sobre carga de trabajo & presin de tiempo (STR2) fue de 0.03 e insignificante. Es importante resaltar, sin embargo, que ste es positivo, lo que realmente significa un aumento de este tipo de estrs. Ya que este resultado no es estadsticamente significativo, slo puede afirmarse que la implantacin del JIT no es capaz de directamente reducir el estrs causado por carga de trabajo & presin de tiempo (STR2). El efecto indirecto, sin embargo, fue de -0.11, por lo que el efecto total (neto) fue igual a (0.03)+(-0.11)= -0.08. En este caso, los efectos directo e indirecto actan en direcciones opuestas, pero el efecto total es negativo, lo que significa que la implantacin del JIT tambin reduce el estrs causado por carga de trabajo & presin de tiempo. Sin embargo, esto es una consecuencia de los efectos indirectos y no del efecto directo. Resumiendo, estos resultados indican que la implantacin del JIT reduce todos los tipos de estrs. En algunos casos la reduccin se debe a los efectos directos e indirectos y en otros se debe nicamente a los efectos indirectos. Por lo tanto, la hiptesis H2 no puede ser aceptada, a pesar de que el signo positivo del coeficiente entre JIT y carga de trabajo & presin de tiempo (STR2) debe considerarse como un indicio de que el JIT puede eventualmente aumentar este tipo de estrs. En relacin al anlisis cannico, deseo hacer los siguientes comentarios (vase el Cuadro 9.8): a) Considerando todas las correlaciones mayores que 0.3, la funcin cannica #1 muestra que las dimensiones de JIT (excluyendo proveedores) tienden a mejorar las dimensiones de QWL (excluyendo compensacin & intereses comunes, compaeros de trabajo y carga de trabajo & presin de tiempo). Recordando que la implantacin del JIT afecta la compensacin slo en el largo plazo y que los efectos directo e indirecto sobre carga de trabajo & presin de tiempo tienden a cancelase, este resultado no es inesperado. Por otro lado, la relacin entre JIT y compaeros de trabajo fue captada por las funciones cannicas #2 y #3. b) Considerando ahora slo las mayores correlaciones (20.5), la funcin cannica #1 muestra tambin que las dimensiones de JIT propiamente dicho, aspectos hwnanos y planta en buenas condiciones (que deben considerarse como los aspectos ms importantes del JIT en lo que se refiere a obreros) presentan un efecto ms fuerte en las dimensiones de desempeo bueno y seguro, apoyo de supervisin y capacidad de supervisin. Esto demuestra que la preocupacin del JIT en relacin a seguridad, higiene, orden y limpieza y al cambio del role del supervisor es sumamente importante. c) La segunda funcin cannica es mucho ms difcil de interpretar. Considerando slo las correlaciones mayores que 0.5, dicha funcin sugiere que planta en buenas condiciones tiene un efecto ms fuerte sobre la variable apoyo de compaeros. Una
350
posible explicacin podra ser que w i ambiente seguro, sano, "a prueba de tontos", ordenado y limpio permite que los trabajadores estn menos tensos y dispongan de ms tiempo, lo que, a su vez, puede conducir a una mejorar relacin entre ellos y un mayor apoyo. d) Considerando una vez ms slo las correlaciones mayores que 0.5, la funcin cannica #3 sugiere algo muy interesante: buenas relaciones con los proveedores conducen a una mayor satisfaccin en relacin a compensacin y a una de las sub-dimensiones de compaeros de trabajo. Si consideramos que los obreros son proveedores de mano de obra, la cual se paga mediante la compensacin, y que cada obrero es un proveedor de material del obrero en la siguiente etapa del proceso productivo, iste es, sin duda, un resultado interesante! e) Finalmente, las mayores correlaciones de la funcin cannica #4 (20.5) captan la relacin entre JIT propiamente dicho y trabajo propiamente dicho, sugiere que JIT propiamente dicho tambin mejora las percepciones sobre compensacin & intereses comunes y refuerza la importancia de la influencia de JIT propiamente dicho sobre apoyo de supervisin. En general, los resultados del anlisis cannico proporcionan soporte a la hiptesis H1 y, adems, muestran que algunos aspectos de la implantacin del JIT tienen efectos ms importantes que otros. A pesar de que "relaciones con los clientes" ha sido mencionado como un aspecto importante de enriquecimiento del trabajo, la dimensin cliente no produjo ningn efecto importante en las dimensiones de QWL. Al mismo tiempo, ninguna de las correlaciones entre las funciones cannicas y las dimensiones de estrs es mayor que 0.5, lo que significa que el efecto de la implantacin del JIT sobre el estrs no es fuerte. Sin embargo, la reduccin del estrs causado por incertidumbre & incongruencia es siempre mayor que la reduccin del estrs causado por carga de trabajo & presin de tiempo (vanse las funciones cannicas #1, #3 y #4). Este resultado es perfectamente compatible con los resultados del anlisis de ruta.
9.12 KANBAN: COMO IMPLANTARLO EN 15 SEMANAS 9.12.1 Introduccin

A continuacin compartir con los lectores la interesante experiencia que tuve al implantar el sistema kanban en una empresa Mexicana. Por razones obvias de confidencialidad no mencionar el nombre de la empresa ni sus productos. Slo dir que es una empresa Mexicana del sector automotriz. La implantacin del sistema kanban dur exactamente 15 semanas, empezando en Agosto y terminando en Noviembre del ao 2000. Se contrataron 4 estudiantes del ITESM y yo fung como asesor de los estudiantes y de la empresa. Tres de los estudiantes dedicaban un promedio de 8 horas a la semana al proyecto y estaban directamente relacionados con la implantacin del sistema en la planta. El cuarto dedicaba en promedio 20 horas a la semana y se ocupaba principalmente de la parte informtica. Yo visitaba la empresa y platicaba con los alumnos siempre que era necesario y en promedio dedicaba unas 6 horas a la semana al proyecto.
Captulo I X :Justo-a-Tiempo
351
El contacto inicial se hizo a travs del Gerente de Operaciones quien fue el "autor intelectual" del proyecto. ste nombr al Gerente de Control de Produccin como "lder del proyecto". Para manejar el proyecto se formaron bsicamente 2 grupos de trabajo. Uno pequeo que se reuna todos los viernes de 10:OO A.M. a 11:OO A.M. en el cual participaba el lder del proyecto de parte de la empresa, yo y uno que otro invitado que se requera para alguna aclaracin (de aqu en adelante llamar a este grupo pequeo "comit"). Y otro grupo grande que se reuna los martes, cada 2 semanas, en el cual haba aproximadamente 20 personas. Dichas personas representaban las reas directa o indirectamente relacionadas con el proyecto kanban, por lo que haba personas de Control de Produccin, Ingeniera, Calidad, Almacn, etc., as como supervisores de lneas, analistas, programadores, etc. (de aqu en adelante llamar a este grupo "panel"). Ya que la planta tena 60 lneas de produccin, una de las decisiones ms importantes que tom el panel fue empezar con slo 3 lneas: una pequea (pocas versiones del producto final y pocos componentes), una grande (muchas versiones del producto final y muchos componentes) y una mediana. Al mismo tiempo, se decidi que el sistema kanban enlazara las 3 lneas slo al almacn de componentes (materias primas). Es decir, los componentes que se fabricaban internamente en la planta seran enviados al almacn y de ah a las lneas. En esta primera etapa tampoco se enlazara el almacn de componentes con los proveedores o las lneas con el cliente. Esto se hara posteriormente como una segunda etapa del proyecto. El comit, con unos 3 invitados de diferentes reas, estableci en la semana 1 el plan para la realizacin del proyecto y lo plasm en una grfica de Gantt. Dicha grfica empezaba con la induccin a los estudiantes y a m en la semana 1, hasta la liberacin de las 3 lneas en la semana 14 y el reporte final de parte de los estudiantes en la semana 15. Sintticamente, el plan era el siguiente: SEMANA #1: Induccin a los estudiantes y a m. SEMANAS #2 y #3: Recopilacin de informacin por parte de los estudiantes. SEMANA #4: Organizacin y anlisis de la informacin. SEMANA #5: Determinacin del tamao y nmero de los contenedores. SEMANA #6: Diseo del kanban y layout del inventario de componentes de las lneas. SEMANA #7: Evaluacin de las propuestas de las semanas #5 y #6. SEMANAS #8, #9, #10 y #11: Implantacin. SEMANA #12: Evaluacin de la implantacin. SEMANA #13: Ajustes finales. SEMANA #14: Liberacin de las 3 lneas. SEMANA #15: Reporte final de parte de los alumnos.
9.12.2 Induccin (semana #1)

Durante la induccin los estudiantes y yo conocimos la planta, sus productos y sus componentes. Adems, conocimos el sistema de codificacin de los componentes, que consista de 14 dgitos. En el fin de semana anterior a la induccin, la empresa contrat un curso sobre kanban, para capacitar y concientizar a su gente. Se intent que todas las personas del panel asistieran al curso y tambin los estudiantes fueron invitados.
9.12.3 Recopilacin de la informacin (semanas #2 y #3)
Obviamente, para poder disear el sistema kanban necesitbamos mucha informacin sobre las 3 lneas de produccin seleccionadas. No vale la pena enlistar toda la informacin que se recopil, pero quiero mencionar la siguiente:
* Cdigo de los productos y de sus componentes; estructura del producto.

o de un proveedor extranjero). inventario resultante despus de la implantacin del kanban).
* Origen de cada pieza (haba 3 opciones: de la misma planta, de un proveedor de Mxico * Inventario actual promedio de cada componente (para fines de comparacin con el * Contenedores actualmente en uso.
* Clasificacin A/B/C de cada componente. * Etc..
* Tasa de produccin del producto terminado (por versin).
9.12.4 Organizacin y anlisis de la informacin (semana #4)
Una vez que toda la informacin fue recopilada, sta fue organizada en diferentes archivos (por ejemplo, de Excel) y analizada para verificar si era exacta y completa. En esta semana se recopil la informacin que faltaba y se verific la informacin dudosa. Todo estaba listo para el inicio del diseo del sistema kanban! En esta semana se reuni el panel y tom una decisin muy importante: en cunto tiempo poda el Almacn reabastecer un contenedor vaco de un componente? Por increble que parezca, el dato inicial fue de 3 minutos y el dato final fue de 5 horas. Empezamos por concluir que el tiempo de 3 minutos era ideal, corresponda a un contenedor nico e inclua slo el tiempo para bajar el material de los anaqueles. La realidad sera bien diferente: habra una "fila de contenedores" esperando abastecimiento, probablemente el material sera cambiado de un contenedor a otro y faltaba el tiempo de transporte al almacn y de ste a la lnea. Adems, ihaba otras 59 lneas que abastecer! Con estas consideraciones y con la idea de protegernos contra posibles paros por falta de material, se decidi aumentar el tiempo de 3 minutos a 2 horas. Despus, nos dimos cuenta que las surtidoras de material pasaran por las lneas recogiendo contenedores vacos con una frecuencia no mayor a una vez cada 2 horas, por lo que el tiempo aument a 4 horas. Finalmente, decidimos agregar una hora como "inventario de seguridad". En esta misma semana el panel decidi "compartir" con los obreros todo lo que haba aprendido en el curso de kanban. Se dise un curso ms sencillo y empez a impartirse a todos los obreros (la mayora son mujeres). Fueron muchas horas de capacitacin para poder abarcar a toda la planta, de modo que dicha capacitacin slo termin en la semana #9, cuando el sistema ya estaba implantado en una de las lneas.
9.12.5 Tamao y nmero de contenedores (semana #5)
El tamao y nmero de los contenedores se determinaron con la frmula que ya conocemos:
353
donde: X = tamao del contenedor (la Toyota sugiere 10% de la demanda de un turno). D = tasa de consumo del componente. T = tiempo de reabastecimiento (en este caso 4+1 = 5 horas). W = inventario de seguridad (en nuestro caso "W" fue de 1h y ya estaba incluido en "T", es decir, fue de % = 0.25 = 25% para todos los componentes). N = nmero de contenedores recomendado. Estbamos conscientes de que 5 horas era probablemente una exageracin, pero preferimos empezar sobre inventariados y reducir paulatinamente el nmero de kanbans que provocar paros al inicio de la implantacin del sistema. Con relacin al tamao de los contenedores, el panel decidi trabajar con los tamaos existentes en la planta, es decir, no se compraran contenedores del tamao "X" para cada componente. Esto condujo a una serie de ajustes. Como ilustracin, consideremos la decisin hipottica de tener 7 contenedores de 100 piezas y que los contenedores existentes eran o demasiado grandes o demasiado pequeos. La decisin se tuvo que cambiar, por ejemplo, a 5 contenedores de 150 piezas. De hecho hubo muchos ajustes de este tipo.
9.12.6 Diseo del kanban (semanas #6 y #7)
Haba muchas alternativas para el kanban: poda ser una tarjeta, poda ser el mismo contenedor, poda ser electrnico, etc.. El panel decidi que el kanban sera una tarjeta por ser sencilla y visual. Los estudiantes disearon la tarjeta kanban despus de entrevistar a las personas de produccin y del almacn de componentes, y averiguar qu informacin ellos consideraban importante. Posteriormente el panel la analiz y propuso algunos cambios. El diseo final fue el siguiente (los datos del ejemplo son ficticios):
FIGURA 9.11 Kanban de materia prima

EMPRESA
KANBAN
12345678900000 No. de Parte AAAA AAAAAAA AAAAA Descripcin 150 Cantidad W 127 Tipo de contenedor AAAAAAA BB CCCCCCC Lnea Pedro Velzquez Persona responsable de la parte 115 No. de tarjeta CODIGO DE BARRAS
Obsrvese que la tarjeta contempla la posibilidad de la inclusin de un futuro cdigo de barras para que las personas del almacn no tengan que capturar el cdigo de la pieza (14 dgitos). Como parte del diseo, el kanban sera plastificado y estara dentro de una mica que, a su vez, estara pegada al contenedor. El kanban poda ser fcilmente introducido y retirado de la mica.
En un principio se escogi el color verde para la parte de adelante y el color rojo para la parte de atrs, con la idea de voltear la tarjeta cuando el contenedor se vaciara. Las surtidoras de material identificaran fcilmente los contenedores vacos. El color rojo fue rechazado por el jefe del Almacn por significar "material rechazado". Se adopt entonces el color azul. 9.12.7 Implantacin (semanas #S, #9, #10 y #11) El panel decidi implantar el sistema kanban en una lnea a la vez. La lnea ms sencilla (pequea y menos compleja) fue seleccionada. En el sbado anterior a la semana #S se retir todo el material de la lnea y se colocaron los contenedores que ya haban sido calculados por los estudiantes. El lunes a las 7 de la maana la lnea arranc con el sistema kanban: todos los contenedores tenan su tarjeta y las cantidades de los mismos eran suficientes para mantener la lnea funcionando durante 5 horas. La actividad de solicitar al almacn los componentes para el programa de produccin de la lnea fue totalmente eliminada. Pero.. . empezaron a surgir los problemas: a) Las tarjetas empezaron a perderse. La tarjeta kanban de un contenedor vaco se volteaba mostrando su color azul. Esto era la seal para que alguna surtidora llevara la tarjeta (y el contenedor respectivo) al almacn de componentes. El contenedor quedaba en el almacn con su tarjeta durante un tiempo hasta que el capturista la procesaba. Como no era prctico mover la tarjeta con todo y contenedor al rea de captura, la tarjeta viajaba sola y se separaba de "su" contenedor. Al terminar el procesamiento de la tarjeta sta muchas veces no regresaba a "su" contenedor y quedaba "botada" en el rea de captura y, al mismo tiempo, "su" contenedor se utilizaba para otro componente. Se hizo clara la necesidad de un buzn en el rea de captura y se concluy que la correspondencia "biunvoca" entre contenedor y tarjeta no era muy adecuado (vase tambin el inciso "b" a continuacin). b) La mica pegada al contenedor donde se insertaba la tarjeta kanban result poco prctica. Por un lado, slo los contenedores del sistema kanban tenan la mica pegada, lo que impeda que contenedor cualquiera del mismo tamao fuera utilizado. Por otro lado, se decidi que la tarjeta kanban no tena que "viajar" al almacn insertada en la mica del contenedor, sino que era ms conveniente que "viajara" sola y que los contenedores se movieran aparte. Tres decisiones se tomaron entonces: primera, las tarjetas eran recogidas solas por las surtidoras de material y no estaban "casadas" con ningn contenedor; segunda, se instal un buzn al lado de la lnea donde se pondran las tarjetas correspondientes a los contenedores vacos; tercera, se elimin el color azul del reverso, ya que la "seal" de que se requera reabastecimiento era el simple hecho de que existieran kanbans en el buzn. Despus de todas las consideraciones y decisiones mencionadas en los incisos "a" y "b", se elabor un diagrama de flujo que estableca claramente todo el recorrido de las tarjetas y las personas que las tocaban (vase el diagrama de la Figura 9.12). Con todo esto, las tarjetas ya no se perdieron.. . c) No haba existencias de algunos componentes. Se puso en evidencia un problema del cual los ejecutivos de la empresa ya tenan conocimiento. Simplemente, jel sistema kanban lo hizo ms obvio! La empresa fabricaba algunos componentes y no estaba
355
pudiendo mantener inventarios adecuados de stos en el almacn por 3 razones principales: primera, la calidad de los moldes.no era excelente y muchos componentes tenan que ser "rebabeados" despus de producidos en las mquinas; segunda, esta misma falta de calidad de los moldes impeda que las mquinas produjeran a su mxima capacidad; tercera, los tiempos de preparacin (set-up) eran demasiado largos y variaban de 2 a 6 horas, lo que impeda una respuesta rpida en caso de desabastecimiento y al mismo tiempo reduca la capacidad productiva del rea. Con el sistema kanban se hizo evidente que urgan 2 proyectos: uno de "cambios rpidos" y otro de rehabilitacin o sustitucin de los moldes. En el corto plazo tenamos que hacer "algo" que facilitara la implantacin del sistema kanban. Este "algo" ser discutido ms adelante. FIGURA 9.12 Flujo de la tarjeta kanban
SURTIDORA DE MATERIALES (lleva kanban al almacn)
DEPTO. DE SURTIMIENTO (aimackn)
BUZON DE SOLICITUDES KANBAN (para capturistaen almacn)
(almacn) DEmODEsUR-O
I I
CONTENEDOR LLENO (con el kanban)
l I
SURTIDORA DE MATERIALES (ileva contenedor + kanban a lnea)
d) El sindicato protest porque consideraba que no tena informacin sujiciente sobre el sistema kanban. Nos dimos cuenta de que habamos tenido el cuidado de informar y10 capacitar a ejecutivos y obreros, pero que no haba habido una comunicacin clara y explcita con el sindicato. Inmediatamente se solicit al Depto. de Recursos Humanos que corrigiera el error y ya no tuvimos problemas. e) El personal del almacn de componentes empez a quejarse de que no tenan la capacidad necesaria para surtir "tantas tarjetas kanban". A pesar de que se
356
consider que ste era ms bien un problema de resistencia al cambio, s se consider que, cuando el sistema kanban se generalizara a toda la planta, habra problemas de capacidad en el almacn de componentes (probablemente se necesitaran ms capturistas y equipos de manejo de materiales). Tambin, dentro de lo razonable, se aumentaron los tamaos de los contenedores de los componentes "C" (de la clasificacin ABC) para reducir la fitecuencia con que stos llegaban al almacn para ser reabastecidos. f) El Depto. de Ingeniera cambiaba con frecuencia el cdigo de algunos componentes debido a modijkaciones de diseo. Esto obligaba a que se volvieran a imprimir las tarjetas cada vez que ocurra un cambio de cdigo. Como Ingeniera cambiaba slo los dgitos en las posiciones 12 y 13 (de los 14 dgitos del cdigo) y dichos nmeros variaban de 00 a 20, se decidi poner en las posiciones 12 y 13 las letras "XX" y poner en el rengln del cdigo de barras del kanban los nmeros 00, 01, 02, ... 20. En el momento de emitir una tarjeta, se perforan ahora todos los nmeros anteriores al que es vlido lo que hace que stos no se vean. El primer nmero que se ve es el nmero vlido. Por ejemplo, si se perforan los nmeros 00,01,02,03 y 04, el nmero vlido es 05. Por lo tanto, el capturista captura 05 en las posiciones de "XX" del cdigo que aparece en la parte superior del kanban (vase la tarjeta a continuacin). Si hay un cambio en las posiciones 12 y 13 simplemente se perfora el siguiente nmero (por ejemplo el 05 y el vlido pasa a ser el 06). En el futuro, si se decide utilizar el cdigo de barras, se agregara nuevamente dicho rengln. Esta solucin elimin la necesidad de reimpresin de tarjetas.
FIGURA 9.13 Kanban de materia prima modificado EMPRESA
KANBAN
123456789OOXXO No. de Parte AAAA AAAAAAA AAAAA Descripcin 150 Cantidad Tipo de contenedor W 127 AAAAAAA BB CCCCCCC Lnea Pedro Velzquez Persona responsable del componente 115 No. de tarjeta O 0 O 1 02 03 04 05 06 07 O 8 09 10 11 12 13 14 15 16 17 18 19 20
9.12.8 Evaluacin de la implantacin (semana #12)
Debido a los serios problemas de abastecimiento de los componentes fabricados en la propia empresa (que fue discutido arriba en el inciso "c"), el panel decidi suspender hasta nuevo aviso la implantacin del sistema kanban en las otras 2 lneas, es decir, en la lnea de "mediana" complejidad y en la lnea de "mucha" complejidad. En su lugar, el panel decidi llevar a cabo 2 "proyectos" que realmente no haban sido previstos en el diagrama de Gantt original:
357
a) Para la lnea pequea de "poca" complejidad que ya estaba trabajando bajo el sistema kanban, extender ste hasta el almacn de productos terminados. Es decir, enlazar la lnea de produccin con el almacn de productos terminados. b) Mejorar el "sistema de informacin" entre el almacn de componentes y el departamento de la propia planta que fabricaba los componentes"in house". El primer proyecto result relativamente sencillo. Como primer paso se decidi tener un inventario de productos terminados equivalente a 3 das de demanda para cada versin. ste se dividi entre el tamao del contenedor, que estaba fijado por el cliente en 40 unidades, y se obtuvo el nmero de contenedores. A cada contenedor se asign un kanban muy similar al de componentes que contena el nombre y cdigo del producto, el nombre del cliente, el tipo de contenedor, el nmero de tarjeta, etc. (vase muestra a continuacin).
FIGURA 9.14 Kanban de producto terminado

EMPRESA
KANBAN
12345678 No. de Parte AAAA AAAAAAA (TOYOTA) Descripcin 40 Cantidad Tipo de contenedor Y 200 AAAAAAA BB CCCCCCC Lnea Karla Lpez Persona responsable del producto 115 No. de tarjeta CODIGO DE BARRAS
Una vez que los contenedores correspondientes a los 3 das de inventario de cada versin estaban listos con su kanban adentro, empez el funcionamiento del sistema. Diariamente (normalmente en la noche) el cliente llegaba al almacn de productos terminados y encontraba un "buffet" de versiones. Llevaba una cierta cantidad de contenedores de cada versin y pona los kanbans correspondientes en un buzn. Al da siguiente en la maana alguien de Control de Produccin recoga los kanbans y los entregaba al supervisor de la lnea. ste se dispona a producir lo correspondiente a los kanbans, colocaba stos en los contenedores y devolva los contenedores llenos al almacn de productos terminados. Esta sencilla operacin elimin totalmente la necesidad de programar la produccin de la lnea. El segundo proyecto result un poco ms laborioso y se describe a continuacin. En primer lugar se registraron los tiempos de preparacin de las mquinas que variaron de 2 a 6 horas, aproximadamente. Despus se hizo la consideracin que el proceso productivo consista bsicamente de 2 partes: (a) fabricacin propiamente dicha y (b) rebabeo. Y se decidi que, independientemente del tamao del lote, la cantidad producida en un da (=9 horas) sera pasada a rebabeo y que la cantidad rebabeada en un da pasara al almacn de componentes. Esto implicaba que despus de 2 das (=18 horas) las primeras piezas llegaran al almacn (jno necesariamente el lote completo!). Por otro lado, se consider que almacn emitira un reporte cada 12 horas, por lo que en el caso ms pesimista habra
358
que aadir estas 12 horas al tiempo de respuesta. Para el caso de la mquina que se preparaba en 6 horas, el tiempo de respuesta qued as: 1 da de produccin (9 horas) + 1 da de rebabeo (9 horas) + 12 horas + 6 horas = 36 horas. Por ltimo, se acord que para todos los componente se adoptara un tiempo de respuesta de 36 horas, que era el ms pesimista. El tiempo de respuesta se utiliz para la determinacin del punto de reorden de cada componente en el almacn. A continuacin se tom la decisin de tener 1 semana de inventario de seguridad y de utilizar la frmula del modelo clsico de inventarios para determinar el lote econmico, la cual requera el conocimiento de la tasa de demanda del componente, la tasa de produccin, el costo de preparacin de mquina y el costo de mantener. Todo esto fue calculado y los lotes econmicos obtenidos. Concluyendo: para cada componente se determin su inventario de seguridad, su punto de reorden (cantidad consumida durante el tiempo de respuesta + inventario de seguridad) y su lote econmico. La propuesta fue entonces que cada 12 horas el almacn pasara a produccin una lista de todos los componentes cuyos inventarios estaban en o por debajo del punto de reorden y que produccin los empezara a entregar 24 horas despus (36 horas - 12 horas). Obsrvese que, a pesar de que se utilizaron tcnicas convencionales de control de inventario, stas evitaban que Produccin "empujara" la produccin hacia el almacn, sino que conducan a que el almacn "jalara" lo que necesitaba. La propuesta segua la filosofa del sistema kanban.
9.12.9 Kanban de producto terminado y reportes del almacn (semanas #13 y #14)
Segn el plan original, en estas semanas se haran los ajustes finales y se liberaran las 3 lneas ya con el sistema kanban implantado. Como los planes cambiaron, en estas 2 semanas se dio seguimiento al sistema kanban entre la lnea pequea y el almacn de producto terminado y al "sistema de informacin" del almacn que jalaba componentes del Depto. de Produccin. En primer lugar se observ un interesante caso de resistencia al cambio: a pesar de que era totalmente innecesario, Control de Produccin segua programando la lnea con base en los kanbans que se liberaban en el almacn de producto terminado. El Gerente de Control de Produccin tuvo que dar rdenes explcitas prohibiendo la programacin de la produccin y que el supervisor de la lnea se guiara exclusivamente por los kanbans de producto terminado que le fueran entregados. En cuanto al sistema de informacin, el paquete computacional existente no permita la elaboracin automtica del reporte cada 12 horas. Quedaron las personas del Depto. de Sistemas de resolver este problema.
9.12.10 Elaboracin del reporte final (semana #15)
En la semana #15 se elabor y se entreg a la empresa un reporte fmal con todos los clculos que haban sido realizados por los estudiantes y nuestras conclusiones y recomendaciones. Quedara a cargo de la empresa la generalizacin del sistema kanban a todas las dems 59 lneas, utilizando el procedimiento documentado en el reporte final y con la opcin de volver a utilizar el apoyo de estudiantes del ITESM.
Captulo TX: Justo-a-Tiempo
9.13 JUSTO-A-TIEMPO EN LOS SERVICIOS

En este inciso haremos comentarios sobre algunas empresas de servicios y cmo stas estn o no estn aplicando la filosofa del justo-a-tiempo. Inicialmente nos referiremos a Arnerican Express. Cuando estuve en Londres, precisamente escribiendo este libro, usamos la tarjeta de mi esposa y la pagamos en una agencia autorizada de American Express. Para nuestra sorpresa nos dimos cuenta despus que las compras estaban registradas en Mxico y los pagos no. Nos explicaron que los pagos tardaban un poco en ser aplicados y que deberamos comunicarnos en Mxico con el Depto. de Pagos No Aplicados. No estarn oficializando una deficiencia agregando, adems, el costo de todo un departamento? No seria mejor utilizar el presupuesto de este departamento para que no existieran pagos no aplicados? Es decir, no sera mejor que el propio departamento programara su desaparicin? La generacin de pagos no aplicados y la instalacin de un departamento para manejarlos, jes un excelente ejemplo de la generacin de desperdicios! El segundo ejemplo se refiere a estas nuevas empresas areas tipo Go, Easyjet o Iberia.com. Yo personalmente utilic los servicios de Go para viajar de Londres a Praga. La reservacin y el pago los hice por Internet, y recog el pase de abordar directamente en el aeropuerto un poco antes de viajar. La empresa no tiene oficinas para vender boletos. No est permitido el cambio de fecha, lo que elimina incertidumbre y evita el serio problema de vuelos sobre vendidos o la sub-utilizacin de los espacios. No hay televisin en el avin y la comida no est incluida en el precio, aunque s existe la opcin de comprarla. Slo algunas personas compraron comida, lo que demuestra que muchos de nosotros comemos porque la comida est disponible y es gratis, y no porque realmente tenemos hambre. Mucha de la comida ofrecida gratuitamente en los aviones realmente se "desperdicia". Como poca gente come, hay menos sobrecargos y una reduccin de los costos correspondientes. En resumen, estas empresas ofiecen un servicio ms delgado, con menos desperdicios, pero con lo principal e indispensable para un determinado sector del mercado. (Hasta el refresco es delgado: 150 ml en vez del tamao normal de 330 d . ) El resultado final es impactante: boletos que llegan a ser hasta un 75% ms baratos que los boletos normales. El tercero ejemplo se refiere a la cadena de Hoteles Ibis, la cual, a su vez, pertenece a una cadena ms grande. Una vez ms observamos un servicio delgado: en el hotel no hay tiendas, ni farmacias, ni albercas, ni desayunos a la carta (lo que reduce drsticamente la necesidad de meseros). Slo lo principal e indispensable, es decir, lo que realmente esperamos de un hotel: reservaciones por Internet, cuarto pequeo pero agradable y con televisin, cambio de moneda y una excelente atencin. Como consecuencia, el precio es bastante razonable.
PROBLEMAS TIPO 9.1 Para una materia prima dada D=15,000 unid./ao y Cm$lO/unid.ao. Determinar el tamao ptimo de pedido para los siguientes valores de "C,": $100, $50, $25, $12, $5, $2y $1.
Resp.: QOE548,387, 274,190, 122,77 y 55 unid., respectivamente.
9.2 Una etapa del proceso productivo consume 300 unidadeslhora de un determinado artculo y el tiempo de respuesta del proceso anterior es de 3 horas. Considerando que un da es igual a 8 horas, determinar: a) El tamao recomendado de contenedor. b) El nmero recomendado de kanbans.
Resp.:a) X=240 unid. b) N=5 si se procesa el kanban cuando se empieza a utilizar el contenedor; N=6 si se procesa el kanban cuando el contenedor se vaca totalmente.
Captulo X: Aplicaciones de Programacin Lineal
APLICACIONES DE PROGRAMACION LINEAL
i o. i INTRODUCCI~N 10.2 ADMINISTRACIN DE PROYECTOS 10.2.1 Determinacin de la ruta ms largalcorta de una red * Aplicacin 10.1 10.2.2 Compresin de proyectos * Aplicacin 10.2
10.3 PLANEACIN DE CAPACIDAD * Aplicacin 10.3 * Aplicacin 10.4 * Aplicacin 10.5 10.4 PROGRAMACIN DE LA PRODUCCION * Aplicacin 10.6 * Aplicacin 10.7
362
La programacin lineal (PL) es, sin duda, el modelo de investigacin de operaciones que ms ha sido aplicado a la administracin de operaciones. En este captulo nos ocuparemos de dar ejemplos sencillos de aplicacin de la PL a la administracin de operaciones, con vistas a convencer al lector de que en muchos casos una solucin "buena" no es suticiente, hay que optimizar! Las aplicaciones estn clasificadas de acuerdo a las siguientes tres reas: a) Administracin de proyectos. b) Planeacin de capacidad. c) Programacin de la produccin.
10.2 ADMINISTRACINDE PROYECTOS 10.2.1 Determinacin de la ruta ms largalcorta de una red
La ruta ms larga de una red de actividades indica la ruta critica de un proyecto, es decir, el tiempo mnimo para la terminacin del mismo. A pesar de que existen muchos paquetes especficos para la determinacin de la ruta crtica, sta tambin puede ser determinada por medio de la PL.
Aplicacin 10.1:
Un proyecto requiere las actividades del cuadro a continuacin. Determinar la ruta crtica del proyecto. ACTIVIDAD PRECEDENCIA DURACION --3 A --4 B C A 3 B 2 D E C 2 F 1 E, D
Solucin:
Lo primero que tenemos que hacer es construir la red de actividades, la cual se presenta en la Figura 10.1. A cada arco (flecha) se asocia . la duracin de la actividad correspondiente. Se define entonces una variable "X," que toma el valor 1 (uno) si se selecciona el arco (flecha) que va de "i" a '3" y O (cero) si no se selecciona ste. La PL u t a y que sta sea debe entonces seleccionar los arcos de tal manera que se forme una r mxima. La funcin objetivo ser entonces:
MAX 3X12+4X13+3X24+2X35+2X45+1X56
Y las restricciones sern:
FIGURA 10.1 Red de actividades de un proyecto
En el planteamiento matemtico, el lector debe verificar lo siguiente:
* La primera restriccin obliga a que la ruta o pase por 12 (A) o pase por 13 (B). * La ltima restriccin obliga a que la ruta pase por 56 (F). * Las cuatro restricciones intermedias impiden que no se forme una ruta. Por ejemplo,
sera imposible que la PL seleccionara 12,35 y 56. La corrida de LINDO de este problema se encuentra en la Figura 10.2. En ella vemos que X12=X24=%5=X56=1, lo que indica que la ruta crtica es ACEF con una duracin total de 9 unidades de tiempo. (Informacin sobre cmo correr LINDO en [36].) En algunos problemas (por ejemplo, reemplazo de equipo) los arcos representan decisiones y tienen costos asociados a ellos. Lo que se requiere entonces es la cadena ptima de decisiones que minimiza el costo total, es decir, la ruta ms corta. Para la obtencin de la ruta ms corta el nico cambio necesario sera la sustitucin en la funcin objetivo del MAX por el MIN. La PL encontrara la ruta ms corta.
10.2.2 Compresin de proyectos
Con mucha frecuencia determinamos la duracin mnima (ruta crtica) de un proyecto y sta no es aceptable. La solucin es entonces comprimir el proyecto hasta que su duracin mnima sea aceptable. Es obvio que slo podemos comprimir el proyecto a travs de la compresin de sus actividades y en general queremos hacerlo de la forma ms barata. La PL identifica las actividades que deben comprimirse para el logro de la duracin deseada y, al mismo tiempo, minimiza el costo total de la compresin Alternativamente, la PL tambin encuentra la duracin que corresponde a la mxima compresin. Veamos la aplicacin.
364
FIGURA 10.2 Corrida de LINDO para el problema de ruta crtica

OBJECTIVE FUNCTION VALUE VARIABLE
X12 X13 X2 4 X35 X4 5 X5 6 X3 4
VALUE
1.000000 .000000 1.000000
REDUCED COST
.oooooo
2.000000
.oooooo
1.000000 1.000000
.oooooo
.000000
.oooooo .oooooo .oooooo .oooooo .oooooo
ROW
2) 3 4 5) 6) 7)
SLACK OR SURPLUS
DUAL PRICES
6.000000 - 3.000000
.oooooo .oooooo .oooooo .oooooo

.000000
.oooooo .oooooo
2.000000 3.000000
Aplicacin 10.2:
La duracin m'nima de 9 unidades de tiempo para el proyecto de la aplicacin 10.1 no es aceptable y disponemos de la siguiente informacin:
~CTIVIDAD IWZCEDENCIA DURACION NORMAL
COSTO NORMAL
DURACION URGENCIA
COSTO URGENCIA
A B C D E F TOTAL
--m
--m
A B C E 7D
---
---
3 4 3 2 2 1
$20 $40 $35 $25 $20 $5 $145
2 2 1 1 1 1
$50 $80 $65 $50 $30 $5
---
El cuadro muestra el costo normal de cada actividad, su tiempo mnimo y el nuevo costo despus de haber sido comprimida. Por ejemplo, el costo de realizacin de "A" en 3 unidades de tiempo es $20; si se comprime a 2 unidades de tiempo su costo sube a $50. Comprimir el proyecto para que pueda terminarse en 6 unidades de tiempo minimizando el costo total de la compresin.
Solucin:
Para plantear y resolver un problema de este tipo tambin necesitamos la red de actividades de la Figura 10.1. Adems, necesitamos determinar el costo por da de reduccin para cada actividad, el cual vamos a suponer que es constante para cualquier cantidad de das. Por ejemplo, reducir "B" en un da nos cuesta $20 (vase cuadro a continuacin); volver a reducir " B en un da tambin nos cuesta $20; y as sucesivamente.
ACTIVIDAD REDUCCION MXIMA 1 A 2 B C 2 D 1 E 1 F o
COSTO POR DA DE REDUCCIN $30 $20 $15 $25 $10
---
Se definen entonces las siguientes variables:
Xi = fecha correspondiente al nodo "i" (i=l, 2, ..., 6). Yj = reduccin realizada en la actividad ''j" @A, B, ..., F).
La funcin objetivo debe minimizar el costo total de todas las reducciones, por lo que queda as (obsrvese que "F" no puede reducirse):
3 oYA+20YB+ 15Yc+25YD+1OYE
Por otro lado, cada nodo conduce a una o ms restricciones, por lo que es muy importante escribirlas nodo por nodo. Si consideramos que el proyecto empieza en el tiempo T=O, tenemos:
Nodo 1:
xi=o
donde "Xlm es la fecha de ocurrencia del nodo 1.
Nodo 2:
donde: TNA= tiempo normal de la actividad "A". TNA-YA= tiempo de la actividad "A" despus de la reduccin. X2= fecha de ocurrencia del nodo 2. Sustituyendo, tenemos:
Siguiendo el mismo procedimiento obtenemos:

Nodo 3: x3+YB>4 Nodo 4: -X2+x4+Yc23
El nodo 5 requiere dos restricciones:

Nodo 5:
366
El nodo 6 tambin requiere dos restricciones, la segunda de las cuales garantiza que el proyecto termina en 6 unidades de tiempo: Nodo 6:
Adems, tenemos que agregar las restricciones que impiden que las reducciones rebasen sus valores mximos, es decir: YA 5 1; YB5 2; Yc L 2; YDI 1; YE 5 1; YFI O Por lo tanto, el planteamiento completo queda as: 3oYA+20YB+1 5Yc+25YD+1 OYE S.T. X1=0 x 2 + YA>3 x 3 + YB2 4 -X2+&+Yc23 -&+ x 5 + YE22 -x3+ x 5 + YD22 -x5+ x 6 + YF2 1 x6<6 YA<1 YB52 Yc<2 YD<1 Y E I1 Y F lO Xi, Yj 2 O La solucin de LINDO a este problema se encuentra en la Figura 10.3 e indica que tenemos que reducir "B" en 1, "C" en 2 y "E" en 1, lo que provocara un costo total de reduccin de $60. Como el costo normal del proyecto es $145, el costo de urgencia del proyecto sera $145+$60=$205 y la duracin correspondiente sera de 6 unidades de tiempo. Si quisiramos saber hasta donde este proyecto podra comprimirse, eliminaramos la restriccin X656 y cambiaramos la funcin objetivo a MIN &. Sugerimos que el lector realice la corrida.
Aplicacin 10.3:
En el ejemplo numrico 2.5 del Captulo 11 evaluamos los programas de produccin 1 y 11 cuyos costos resultaron ser $32,625 y $29,625, respectivamente (sin incluir el costo de la
367
produccin normal). A continuacin encontraremos la solucin ptima a este problema utilizando la PL. Es importante que el lector revise las caractersticas de este problema, ya que el planteamiento de PL es vlido slo si se mantienen dichas caractersticas. FIGURA 10.3 Corrida de LINDO para el problema de compresin
OBJECTIVE FUNCTION VALUE
1) VARIABLE YA YB YC YD YE X1 X2 X3 X4 X5 X6 YF
ROW
21
60.00000
VALUE .000000 1.000000 2.000000 REDUCED COST
1.000000
.oooooo .oooooo
.oooooo .oooooo .oooooo

5.000000 .oooooo .oooooo .000000
3.000000 3.000000 4.000000 5.000000 6.000000 .oooooo

SLACK OR SURPLUS
.oooooo
.000000 .000000 .oooooo
.oooooo
DUAL PRICES
.oooooo
.000000
.oooooo
-30.000000 -20.000000 -30.000000 -30.000000 -20.000000 -50.000000 50.000000
3 4) 5)
6)
7)
8) 9)
.oooooo .oooooo .oooooo .oooooo .oooooo .oooooo
10) 11) 121 131 141 15)
1.000000 1.000000 .000000 1.000000
.oooooo
.000000 15.000000 .000000 20.000000 50.000000
.oooooo .oooooo
Solucin:
Utilicemos el siguiente cuadro para la definicin de variables, las cuales se explican por si solas:
DICTEMBRE DEMANDA 1.1. I.F. NORMAL T.E. MAQUILA
-
----m
ENERO
FEBRERO
MARZO
IFO
--m
--m
---
400 11i IFl NO1 TE1 MAi IMl
600 1 1 2 IF2 NO2 TE2

m 2
550 113 IF3 NO3 TE3

m 3
ABRIL 1,000 114 IF4 N04 TE4
IM2
IM3
Mfu 1m
368
Estamos considerando "IF," e "IF4" como variables slo por comodidad, ya que tienen valores conocidos de O y 50, respectivamente. Una vez definidas las variables podemos escribir la funcin objetivo y las restricciones. Empecemos con las restricciones, clasificndolas en los siguientes grupos:
Produccin normal:
NOl I 500; NO2 500; NO3I 500; NO4 500.

Tiempo extra:
TEl I 100; TE2< 100; TE3 100; TE4 1 100.

Inventarios iniciales y finales:
ya que el inventario inicial de cualquier mes "i" es el final del mes anterior ms la maquila del propio mes "i".
Satisfaccin de la demanda:
Como el inventario inicial ya incluye la maquila, sta no aparece en las restricciones. Para acortar la funcin objetivo agregaremos, adems, las siguientes restricciones:
Inventarios medios:
IMi = 0.5111+ 0.51F1; IM2= 0.5112 + 0.51F2; IM3= 0.5113 + 0.51F3; I&= 0.5114 + 0.51F4. ya que el inventario medio es la semi-suma de los inventarios inicial y final.
Tiempo extra total:
TE = TE1+ TE2 + TE3 + TE4.

Maquila total:
MA=MA1+MA2+MA3+m.
Suma de inventarios medios:
IM = IMl + IM2+ IM3 + IM4. Con estos ltimos cuatro tipos de restricciones, la funcin objetivo queda con una forma muy cmoda y sencilla:
MIN 20TE + 50MA + 15IM.
369
Despus de reacomodar las restricciones para que el lado derecho sea numrico, el planteamiento completo queda as:
MIN 20TE + 50MA + 151M S.T. NO1 1 500 N021500 NO31 500 N04 5 500 TEl 1 100 TE22 100 TE3 5 100 TE4 I 100 IIi - IFo- MAl = O 112-IFl -MA2=O 113-IF2-MA3=0 114- IF3- MA4 = O IFo= O I F= ~50 111+ NOl + TE1- IF1= 400 112+ NO2+ TE2 - IF2 = 600 113 + NO3+ TE3- IF3 = 550 114 + NO4+ TE4 - IF4= 1,000 IMl - 0.5111 - 0.51F1 = O IM2- 0.5112 - 0.5IF2 = O IM3- 0.5113 - O.5IF3 = O I m - 0.5114 - 0.5IF4 = O TE - TEl - TE2- TE3 - TE4= O MA-MAl-MA2-MA3-M&=O IM-IMl-IM2-IM3-IM4=0 NOi, TEi, MAi, IIi, IFi, IMi, TE, MA, IM 2 O
Una parte de la solucin de LINDO para este problema se muestra en la Figura 10.4, la cual indica que la estrategia ptima es trabajar tiempo extra al mximo a partir del segundo mes, es decir, a partir de Febrero, y slo maquilar en Abril (300 unidades). En forma de cuadro la solucin ptima es la siguiente:
-
DICIEMBRE DEMANDA 1.1. I.F. NORMAL T.E. MAQUILA
----m
ENERO
FEBRERO
MARZO
ABRIL.
----m --m --m
400 O 100 500

----m
600 0 1O 100 500 100

--m
550 100 150 500 100
---
50
1O 0
125
1,000 150450 50 500 100 300 250
370
FIGURA 10.4 Corrida de LINDO del problema #1 de planeacin de capacidad

OB JECT IVE FUNCTION VALUE
1)
VARIABLE TE MA IM N01 N02 N03 N04 TE1 TE2 TE3 TE4 111 1F O VALUE 300.000000 300.000000 525.000000 500.000000 500.000000 500.000000 500.000000 REDUCED COST .000000
.oooooo .oooooo
.000000
.oooooo
100.000000 100.000000 100.000000 .000000
m 1 112 IF1 MA2 113 1 F2 m 3 114 1 F3 MA4 1 F4 IM1 IM2 IM3 IM4
100.000000 100.000000 100.000000 100.000000
.oooooo .oooooo .oooooo 45.000000 .oooooo .oooooo .oooooo

.000000 30.000000
7.500000

.000000
.oooooo
.000000 15.000000
450.000000 150.000000 300.000000 50.000000 50.000000 100.000000 125.000000 250.000000
.oooooo
.000000 .000000 .000000
.oooooo
El costo total mnimo es de $28,875 (excluyendo el costo de la produccin normal). Debe observarse que el tiempo extra de cada mes pudo ser cualquier nmero entre O y 100, sin embargo lo ptimo es utilizar el tiempo extra al mximo de Febrero a Abril. Queremos insistir una vez ms que el planteamiento presentado y la solucin ptima obtenida slo son vlidos para las condiciones mencionadas. Por ejemplo, si la maquila no llegara el lodel mes y10 el costo del inventario no se aplicara al inventario medio, tanto el planteamiento como la solucin ptima seran diferentes. A continuacin presentamos dos ejemplos ms con condiciones diferentes. Por otro lado, la solucin result entera. Si la solucin fuera fiaccionaria y no fuera aceptable, hubiramos tenido que abandonar la programacin lineal y utilizar la programacin entera. En la siguiente aplicacin, por ejemplo, se usa la programacin entera.
Aplicacin 10.4:
La Compaa Elctrica del Bajo, S.A. de C.V. (COELBA) produce transformadores elctricos grandes que son usados por importantes empresas de electricidad. Estos transformadores los ordenan con varios meses de anticipacin, as que COELBA puede
371
predecir su demanda para 4 5 meses a futuro con un alto grado de certidumbre. Esta demanda se tiene que satisfacer cada mes, es decir, no puede haber demanda insatisfecha. Por otro lado, an cuando el inventario al inicio de un determinado mes sea suficiente para cubrir la demanda correspondiente, COELBA puede decidir fabricar para aumentar, mantener o disminuir dicho inventario. No est permitido el tiempo extra ni la maquila. Las demandas proyectadas para los primeros 4 meses del prximo ao son las siguientes: Enero Febrero Abril Los costos de produccin dependen del tamao del lote que se fabrica en cada mes y se muestran en el cuadro a continuacin: LOTE
1 2 3 4
COSTO $0 $7 $9 $10 $11
Existe un costo de mantener de $1.00 por cada transformador que queda en inventario al final de un determinado mes. La capacidad mxima de produccin de los transformadores durante cualquier mes es de 4 transformadores, debido a la demanda de otros productos de la compaa, y la capacidad mxima del rea de almacenamiento es de 3 transformadores. El inventario al final de Diciembre de este ao ser de 2 transformadores y COELBA ha decidido que el inventario al final de Abril debe ser igual a cero. Determinar el programa mensual de produccin que minimiza el costo total (de produccin + de inventarios). Solucin: Inicialmente, obsrvense las diferencias respecto a la aplicacin anterior, lo que obviamente afectar el planteamiento del problema:
* No est permitido el tiempo extra ni la maquila. * El costo de mantener inventario se aplica al inventario final y ste est limitado.
* No est permitida la produccin de cantidades fiaccionares de transformadores, sino de

lotes completos de 1, 2, 3 4 transformadores. Esta caracterstica nos obliga a utilizar la programacin entera. Definiremos las siguientes variables:
Ii = inventario al final del mes "i" (i = 0, 1,2,3 4).
372
Y,
= 1 autorizacin para producir "j" transformadores en el mes "i".
O no se producen "j" transformadores en el mes "i", sino otra cantidad (i = E para Enero, i = F para Febrero, etc.). Definidas estas variables, la funcin objetivo queda as:
donde: 7YE1 = costo si se produce 1 transformador en Enero. 9YE2= costo si se producen 2 transformadores en Enero.
...
s . .
10YF3 = costo si se producen 3 transformadores en Febrero. 111= costo de los "IlW transformadores que quedan al final de Enero. Escribiremos ahora las restricciones clasificndolas en tres tipos:
que significa: (inv. .inicial) + (produccin de O , 1, 2, 3 4) - (inv. f i n a l ) 2 (demanda). Obviamente, el trmino "OYE$ puede eliminarse. Las restricciones de este tipo para los dems meses son idnticas:
Las "Yu" son mutuamente excluyentes en cada mes:
ya que en Enero se fabrica O , se fabrica 1, se fabrican 2, etc.. Para los dems meses tenemos lo mismo:
Inventarios finales:
Io=2; Il 5 3; I2 5 3; I3 5 3; 14=O. Si no hubiramos definido "10'' e "14" como variables, eliminaramos las restricciones Io=2e 14=0y sustituiramos sus valores en las restricciones de satisfaccin de la demanda. Por lo tanto, el planteamiento completo es el siguiente:
373
Obsrvese que la produccin en un determinado mes puede ser cero, por lo que la presencia de las variables "Yio" en el planteamiento es indispensable. Como el problema es de rninimizacin, podramos omitir la ltima restriccin, es decir, I4= 0. El planteamiento introducido en LINDO y parte de la solucin ptima obtenida, se encuentran en la Figura 10.5, la cual indica que el programa de produccin ptimo es:
MES PRODUCCION OPTIMA INVENTARIO FINAL
ENERO 3 2
FEBRERO 4 2
MARZO O O
ABRIL 3 O
con un costo total mnimo de $35. Obsrvese el comando "INTE 16" de LINDO al final del planteamiento, el cual garantiza que las 16 variables "Yij" sean binarias, es decir, que slo tomen los valores O (cero) 1 (uno).
Aplicacin 10.5:
Supongamos ahora que el problema de planeacin de capacidad posee las siguientes caractersticas. Cmo determinaramos el programa ptimo?
* El volumen de produccin "PT" del perodo "T" se mide en unidade's. * Hay "HT9'horas-hombre disponibles en el perodo "T".
* Existe un costo "Cp" de produccin por unidad que no incluye mano de obra.
* Se pueden programar "ET" horas extras en el perodo "T", pero no hay maquila. * La hora-hombre extra cuesta "CE'.
* El costo de mano de obra en tiempo normal es "CH" por hora-hombre.
* El costo de mantener inventario es "CM" y se aplica al inventario final "IT7'del perodo.
* Se puede contratar ms mano de obra (OT)a un costo de contratacin "Co" por hora. * Se puede hacer una reduccin "RT7'de mano de obra a un costo "CR" por hora.
374
* Se tienen que satisfacer todas las demandas "DT", pero una parte "FT9'(faltante) del
perodo "Y puede ser satisfecha en algn periodo futuro a un costo "CF" por unidad por perodo. * Cada unidad producida consume " K horas-hombre.
FIGURA 10.5 Corrida de LINDO del problema #2 de planeacin de capacidad

MIN 7YE1 + 9YE2 + 10YE3 + 11YE4 + 7YF1 + 9YF2 + 10YF3 11YF4 + 7YM1 + 9YM2 + 10YM3 + llYM4 + 7YA1 + 9YA2 11YA4 + 1 1 + 1 2 + 13 + 1 4 SUBJECT TO 2) YE1 + 2YE2 + 3YE3 + 4YE4 + 1 0 - 1 1 >= 3 3) YF1 + 2YF2 + 3YF3 + 4YF4 + 11 - 1 2 >= 4 Y M 1 + 2YM2 + 3YM3 + 4YM4 + 1 2 - 13 >= 2 4) 3 5) YA1 + 2YA2 + 3YA3 + 4YA4 + 1 3 - 1 4 >= YE1 + YE2 + YE3 + YE4 + YEO = 1 6) 7) YF1 + YF2 + YF3 + YF4 + YFO = 1 8) Y M 1 + YM2 + YM3 + YM4 + YMO = 1 9) YA1 + YA2 + YA3 + YA4 + YA0 = 1 10) 10 = 2 11) 11 <= 3 12) 1 2 <= 3 13) 13 <= 3 END INTE 16
+ +
10YA3

1)
35.00000 VALUE .O00000 .O00000 1.000000 .O00000 .O00000 .O00000 .O00000 1.000000 .O00000 .O00000 .O00000 .O00000 .O00000 .O00000 1.000000 .O00000 2.000000 2.000000 .O00000 .O00000 2.000000 .O00000 .O00000 1.000000 .O00000 REDUCED COST 7.000000 9.000000 10.000000 11.000000 6.000000 7.000000 7.000000 7.000000 5.000000 5.000000 4.000000 3.000000 7.000000 9.000000 10.000000 11.000000
VARIABLE YE1 YE2 YE3 YE4 YF1 YF2 YF3 YF4 YM1 YM2 YM3 YM4 YA1 YA2 YA3 YA4 1 1 12 13 14
1 o

.O00000 .O00000 .O00000 .O00000
3.000000 1.000000
YEO YFO Y M O YA0
Solucin:
Suponiendo que el horizonte tiene " N perodos, la funcin objetivo sera:
Una vez ms podemos plantear las restricciones de acuerdo a su tipo:

Sin faltantes la restriccin sera como las anteriores, es decir: ITV1 + PT- IT= DT Sin embargo, en este caso la demanda no es "DT", sino (DT+FT-1-FT)ya que hay que satisfacer la demanda que qued pendiente de (T-1) y dejar sin satisfacer una parte de la demanda de '"Y. Escribimos entonces la restriccin correcta as: IT-i+PT-IT=DT+FT-l-FT
Horas-hombre disponibles:
(T = 1, ..., N)
HT= HT-i+ OT- RT

Tiempo extra necesario:
(T= 1,
..., N)
ET= K.PT- HT+ ST
(T = 1, ..., N, y "ST" evita que "ET" sea negativo)
Por otro lado, para el horizonte de planeacin anterior tendran que definirse " 1 0 '' (inventario al final del ltimo perodo), 'F; (demanda insatisfecha del ltimo perodo) y "H; (horas disponibles del ltimo perodo). Despus de reacomodar las restricciones, el planteamiento completo quedara as:
ITml +PT-IT-DT-FT-l+FT=O HT-HT-l-O~+R~=O ET-K.PT+HT-ST=O Io= dato del horizonte anterior Fo= dato del horizonte anterior Ho= dato del horizonte anterior. PT, HT,ET, IT,FT, OT,RT2 0.
(T= 1, ...,N) (T= 1, ..., N) (T= 1, ..., N)
Sugerimos que el lector asigne valores a las demandas (por ejemplo, para 5 perodos de tiempo), a los costos, a "K" y a los datos del perodo anterior, y complete el planteamiento. Obsrvese que pueden agregarse, adems, restricciones de inventario final mximo y10 tiempo extra mximo, etc..
376
Aplicacin 10.6:
Arcos, S.A. utiliza una nica mquina y tiene que procesar 3 pedidos. Los tiempos de procesamiento, tiempos de entrega y multas por retraso se muestran a continuacin: TIEMPO DE PROCESAMIENTO (Pi, das) 7 20 25 TIEMPO DE ENTREGA (Ei, das) 33 45 28 MULTA POR RETRASO ($/da) 25 45 15
TRABAJO 1 2 3
Qu secuencia minimiza la multa total?

Solucin:
Inicialmente, definimos las siguientes variables: Xi = inicio del procesamiento del producto "i" (en relacin a T = 0). Habr bsicamente dos tipos de restricciones: a) Dos productos no pueden estar en la mquina al mismo tiempo. b) Tienen que cumplirse los tiempos de entrega (no sabemos si es posible...). Para que los productos "i" y "j" no estn al mismo tiempo en la mquina, tiene que ocurrir: Xi 2 Xj + Pj Xi-Xj2Pj

Xj 2 Xi + Pi Xj-Xi2Pi
Una de las dos restricciones es vlida, pero no las dos simultneamente. Para que las dos restricciones puedan estar presentes en el planteamiento, definimos: Y, Y,
= 1,
si "i" se procesa antes de '7". = O, si "j" se procesa antes de "i".
Si " M es suficientemente grande (por ejemplo, mayor que CPi), escribimos: M(Yi)+ (Xi - Xj) 2 Pj M(l - Y,)
+ (Xj - Xi) 2 Pi
Dependiendo del valor de "Yij", slo una de estas restricciones estar activa en un momento dado. Veamos: Si Y,
=1
e "i" precede "j", tenemos:
M + X i - X j 2 P j Y Xj-Xi2Pi La segunda est activa y la primera es totalmente redundante ya que "M" es muy grande.
Si Y,
=O
y '3" precede "i", tenemos:
La primera ahora est activa y la segunda es totalmente redundante.

1
Para el cumplimiento del tiempo de entrega del producto "i", tenemos: L : ' es negativo, la donde "Li" es el diferencial de entrega (vase el Captulo V). Cuando " fecha de entrega se cumple (hay un adelanto); cuando 'L? es positivo, la fecha de entrega no se cumple y ocurre un retraso. Por lo tanto, "L: ' puede ser positivo o negativo. Como la programacin lineal no acepta variables con valores negativos, tenemos que sustituir 'L? por la resta de dos variables que sean siempre positivas, es decir:
donde "A? es adelanto y "R? es retraso. Por comodidad utilizaremos el ltimo arreglo. Por lo tanto, el planteamiento completo queda as:
Si hacemos M=60 y capturamos el planteamiento en LINDO cuidando que el lado derecho de las restricciones tenga slo valores numricos, obtenemos el planteamiento de la Figura 10.6 Obsrvense los comandos "INTE Y12", "INTE Y13" e "INTE Y23", que garantizan que las variables "Y," sean binarias. La solucin a este problema se encuentra en la parte inferior de la Figura 10.6. La solucin muestra que X1=25, X2=32 y X3=0, lo que indica que la secuencia ptima es 3-1-2. Esto significa que el producto 3 empezara en T=O y terminara en T=25; el producto 1 empezara en T=25 y terminara en T=32; y el producto 2 empezara , y los en T=32 y terminara en T=52. Los retrasos "Rlm, "R2" y "R3" seran 0, 7 y O adelantos "Al", "A2" y "A3" seran 1, O y 3, respectivamente. La multa total mnima sera de $315.
378
FIGURA 10.6 Corrida de LINDO del problema de secuenciacin

MIN 25R1 SUBJECT TO 2) 3) 4) 5) 6) 7) 8) 9) 10) END
45R2
15R3
60Y12 + 60Y12 + 60Y13 + 60Y13 + 60Y23 + 60Y23 + X1 + A l X2+A2 X3+A3
X l - X2 X1 - X2 X1 - X3 X l - X3 X2 - X3 X2 - X3 - R1 = -R2= -R3=
>= <= >= <= >=
<=
26 25 3
20 45 15 45 15 30
INTE
INTE
INTE
Y12 Y13 Y23
VARIABLE Y12 Y13 Y2 3 R1 R2 R3 X1 X2 X3 Al A2 A3 R O W 2) 3) 4) 5) 6) 7)

8)
VALUE 1.000000 .000000 .000000
REDUCED COST 2700.000000 - 2700.000000
.oooooo
7.000000
25.000000 .000000 15.000000
25.000000 32.000000
.oooooo .oooooo
45.000000 45.000000
1.000000 .000000 3.000000 SLACK OR SURPLUS 33.000000
.oooooo
.oooooo
DUAL PRICES
.oooooo .oooooo
.oooooo
28.000000 7.000000 8.000000 .O00000
45.000000 - 45.000000 .000000
91 10)
.oooooo .oooooo
45.000000
Obsrvese que si queremos minimizar el total de das de retraso, la funcin objetivo sera simplemente:
MIN R1+R2+R3
y si queremos minimizar el tiempo de fabricacin medio (que es lo mismo que minimizar CFi), la funcin objetivo sera (el resultado tendra que coincidir con el de la secuencia TPC, vase el Captulo V): MIN x i + x 2 + x g
379
El planteamiento presentado aqu puede generalizarse para "i" productos que requieren '3" operaciones en "k" mquinas. Obviamente, la definicin de variables se complica. Por ejemplo: Pik= tiempo de procesamiento del producto "i" en la mquina "k". Rijk= 1 si la operacin '3" del producto "i" se realiza en la mquina "k", = O en caso contrario.
Xik= inicio del procesamiento del producto "i" en la mquina "k".

Adems, habr restricciones que garanticen la correcta secuencia de realizacin de las operaciones. Este planteamiento conduce a un gran nmero de variables y restricciones, lo que ha restringido mucho su uso. Por ejemplo, para 10 productos y 4 mquinas tendramos 220 variables y 390 restricciones [7].
Aplicacin 10.7:
Una aplicacin muy especial de PL a la programacin de la produccin es aqulla en la que "n" actividades deben ser asignadas a "n" personas o mquinas cuyos niveles de eficiencia varan de una actividad a otra. Veamos el caso en que 4 actividades deben ser asignadas a 4 personas quienes las realizan en los siguientes tiempos (das): PERSONAS Gmez Vzquez Prez Velzquez
Solucin:
1 12 11 7 6
ACTIVIDADES 2 3 18 10 21 6 4 17 16 3
4 20 27 19 18
El planteamiento gr
Gmez
co de este problema es el siguiente:
Vzquez
Prez
Velzquez
donde las flechas significan asignaciones de personas a actividades.
380
Definimos entonces las siguientes variables:
X,
=1
si la persona "i" es asignada a la actividad '3". O si la persona "i" no es asignada a la actividad "j".
En otras palabras, de cada "persona" sale un flujo tamao 1 (uno) que puede seguir cualquiera de los cuatro caminos posibles, pero slo uno de ellos. Con estas variables, la siguiente funcin objetivo minimiza la suma de los tiempos de las actividades despus de que cada una de ellas fue asignada a una persona:
Como cada persona tiene que ser asignada a una sola actividad, la suma de los valores de todos los flujos (variables) que salen del nodo de cada persona debe ser igual a uno, es decir:
Por otro lado, como cada "actividad" puede asignarse una sola vez, la suma de los flujos que llegan al nodo de cada actividad tambin debe ser igual a uno:
En el primer conjunto de restricciones (o en el segundo) podemos cambiar el signo de igualdad por el de desigualdad (S) sin afectar la solucin ptima del problema (esto ser muy til en los casos especiales que analizaremos a continuacin). Por ejemplo, el planteamiento completo de este problema puede ser:
MIN 12Xl1+18Xl2+10X13+20X14+11X21+21X22+6X23+27X24+7X31+17X32 +4X33+19x34+ 6&1+ 16&2+ 3&3+ 18x44
S.T. Xll + X12+ x 1 3+ x 1 4 I1 X21+ X22 + X 2 3 +X 2 451 x31 +x32+x33 + x 3 4 S1

&1+&2+&3+&451
xll + x 2 1 + x 3 1 + & 1 =
x12+x22+x32+;Y42= x13+x23+x33+&3= X14+x24+x34+&=
X, 2 o
1 1 1 1
381
La solucin ptima obtenida en LINDO se muestra en la Figura 10.7, la cual indica que X12=l,X23=1,X31=1 y &=l. Esto quiere decir que Gmez debe realizar la actividad 2, Vzquez la 3, Prez la 1 y Velzquez la 4. El tiempo total mnimo que corresponde a esta asignacin es de 49 das. Este problema se llama equilibrado, ya que se asigna una sola persona a cada una de las actividades. A continuacin analizaremos casos especiales.
FIGURA 10.7 Corrida de LINDO del problema original de asignacin

OBJECTIVE FUNCTION VALUE VARIABLE X11 X12 X13 X14 X21 X22 X23 X24 X31 X32 X33 X34 X41 X42 X43 X44 ROW 21 31 41 51 6 71
8
VALUE .000000 1.000000 .000000 .000000
.oooooo
.000000 1.000000
.oooooo
1.000000 .000000 .000000
REDUCED COST 4.000000 .000000 5.000000 .oooooo 2.000000 2.000000 .oooooo 6.000000 .000000

1.000000
SLACK OR SURPLUS
.oooooo .oooooo
.000000

.000000
DUAL PRICES 1.000000 .000000 2.000000 3.000000 -9.000000 -19.000000 -6.000000 -21.000000

.000000 .000000
91
.oooooo .000000 .oooooo
Caso especial #1: "Hay ms personas que actividades" Solucin:
Cuando esto oc-me el problema es desequilibrado y una de las personas quedar sin actividad. Si eliminamos una de las actividades del problema original el planteamiento grfico queda como se muestra en la figura de la siguiente pgina. El planteamiento matemtico correspondiente es el siguiente:
MIN
12X11+18X12+10X13+11X21+21X22+6X23+7X31+17X32+4X33 +6&i+ 16&2+3&3
S.T. Xll + X12 + x l 3I 1 X21+ x 2 2+ x 2 3I 1
Grnez
Vzquez
Como puede verse, las ltimas tres restricciones garantizan que todas las actividades se van a realizar y las cuatro primeras garantizan que cada persona slo hace una actividad. La solucin de LINDO de este caso especial se muestra en la Figura 10.8.
FIGURA 10.8 Solucin de LINDO del caso especial #1 de asignacin

VARIABLE
VALUE
REDUCED COST
X11 X12 X13 X21 X2 2 X2 3 X31 X32 X33 X41 X4 2 X4 3

ROW
.000000 1.000000 .000000 .000000
.oooooo
3.000000 .000000 4.000000 2.000000 3.000000
.000000 1.000000 .000000
.oooooo .oooooo
.oooooo .oooooo
1.000000
1.000000
1.000000
SLACK OR SURPLUS
.oooooo
21 31 41 51 61 71 81
.oooooo
DUAL P R I C E S
1.000000 .000000 .000000
.oooooo .oooooo
2.000000 3.000000 - 9.000000 - 18.000000 - 6.000000
Caso especial #2: "Hay ms actividades que personas" Solucin:
En este caso tenemos dos soluciones posibles: (a) una o ms actividades quedan sin realizarse; (b) algunas de las personas realizan ms de una actividad. Supongamos el caso del planteamiento grfico a continuacin.
Gmez
Vzquez
Prez
Si queremos que una de las actividades quede sin realizarse, el planteamiento matemtico sera el siguiente:
Planteamiento para la alternativa (a)
La solucin de LINDO se muestra en la Figura 10.9, la cual indica que Xi2=l, X23=1 y X31=l. Esto significa que Gmez hace la actividad 2, Vzquez la 3 y Prez la 1. La actividad 4 queda sin realizarse y el tiempo total mnimo es de 31 das. Es importante recordar que no podemos poner el signo de igual en las cuatro ltimas restricciones porque el planteamiento se volvera inconsistente, es decir, sera imposible asignar cuatro actividades a tres personas. La misma observacin es vlida para el caso especial #1, es decir, sera imposible asignar cuatro personas a tres actividades. Si aceptamos que una de las personas realice 2 actividades (supongamos que sea Prez porque es ms rpido que los dems) el planteamiento matemtico cambiara al siguiente: MIN 12X11+18X12+1OX13+20X14+11X21+21X22+6X23+27X24+7X31+17x32
Planteamiento para la alternativa (b)
FIGURA 10.9 Solucin de LINDO del caso especial #2 de asignacin con una actividad sin realizarse
VARIABLE
VALUE
REDUCED COST
X11 X12 X13 X14 X21 X22 X23 X24 X31 X32 x33 X34
ROW
.oooooo 1.000000 .000000
.oooooo
.oooooo
.oooooo
.oooooo
1.000000 .oooooo 1.000000
.000000 1.000000 2.000000 2.000000 6.000000
.oooooo
12.000000

SLACK OR SURPLUS
.oooooo
4.000000 .000000 6.000000
DUAL P R I C E S
2) 3) 4 51 61 7
8)
.000000 .000000 .000000
.oooooo .000000 .oooooo

1.000000
-18.000000 -15.000000 -13.000000 6.000000
.oooooo
9.000000 .000000
La solucin de LINDO se encuentra en la Figura 10.10. En ella observamos que X12=l, X23=l, X31=l y X34=1.Esto significa que Gmez realiza la actividad 2, Vzquez realiza la actividad 3 y Prez realiza las actividades 1 y 4. Resumiendo: con esta metodologa puede resolverse cualquier problema desequilibrado. Sin embargo, tenemos que ser cautelosos en el uso del igual (=) y del menor o igual (5). Cuando una actividad queda sin realizarse, las restricciones de actividad tienen que tener el menor o igual para permitir que la suma de los flujos que llegan a una de ellas sea cero; al mismo tiempo, las restricciones de personas tienen que tener el signo de igual para garantizar que todas realizan una actividad (vase el planteamiento de la alternativa (a) arriba). Obviamente, no podemos poner menor o igual en todas las restricciones del problema, porque la programacin lineal jno asignara nada
385
a nadie! Tampoco podemos poner igual en todas las restricciones porque el problema sera inconsistente (imposible de resolver, LINDO enviara el mensaje "infeasible solution"). Por otro lado, cuando todas las actividades tienen que realizarse porque alguien va a realizar ms de una de ellas, los signos de las restricciones de actividades vuelven a ser de iguaC; al mismo tiempo, el signo de menor o igual se usa en las restricciones de personas (vase el planteamiento de la alternativa (b) arriba). Es interesante observar que cuando hay ms actividades que personas y aceptamos que stas realicen ms de una actividad para que todas las actividades sean realizadas, estamos "equilibrando" el problema. En los problemas equilibrados (o equilibrados por nosotros.. .) podemos utilizar el signo de igual en todas las restricciones. Sin embargo, no es recomendable hacerlo, principalmente en los problemas grandes, porque esto incrementara el tiempo requerido por la computadora para encontrar la solucin ptima. Por las caractersticas de los problemas de asignacin, la solucin ser siempre entera, por lo que el uso de la programacin entera no es necesario.
FIGURA 10.10 Corrida de LINDO para el caso especial #2 de asignacin con una persona realizando ms de una actividad
OBJECTIVE FUNCTION VALUE VARIABLE X11 X12 X13 X14 X21 X22 X23 X24 X31 X32 x33 X34 ROW 2) 3) 41 51 61 71
8)
VALUE
.oooooo 1.000000 .oooooo .oooooo .000000 .oooooo 1.000000 .oooooo

1.000000 .000000
REDUCED COST 4.000000
.oooooo
5.000000
.oooooo
2.000000 2.000000
.oooooo
6.000000 .000000 .000000
.oooooo
1.000000
SLACK OR SURPLUS
.oooooo
.000000
DUAL PRICES 1.000000 .000000 2.000000 -9.000000 -19.000000 -6.000000 -21.000000
.oooooo .oooooo
.000000
.oooooo
.O00000
.oooooo
.O00000
3 86
PROBLEMS TIPO 10.1 Consideremos el siguiente proyecto:

ACTIVIDAD A B C D E PRECEDENCIA DURACION --3 --1 5 A 4 A, E3 5 D
a) Formular un modelo de programacin lineal que permita determinar la ruta crtica. b) Correr el programa e identificar la nita crtica.
Resp.: a) Numerando los nodos de izquierda a derecha y de arriba hacia abajo: MAX 3X12+1X13+5X25+4X34+2X45 S.T. X12+X13=1 X12-X23-X254 X13+X23-X34=0 X34-x454 X25+X45=1 b) Solucin: X12=X23=X34=X45=1; X13=X25=0; ruta crtica: A-ficticia-D-E.
10.2 El cuadro que se muestra a continuacin proporciona informacin sobre un proyecto cuyas actividades pueden comprimirse. "Duracin de urgencia" es hasta qu tiempo la actividad puede comprimirse y "costo de urgencia" es el costo de la actividad despus de la compresin mxima.
a) Determinar el tiempo y costo normales de terminacin del proyecto. b) Formular un modelo de programacin lineal que permita comprimir el proyecto. c) Correr el programa para comprimir el proyecto a 11 unidades de tiempo, determinando qu actividades deben comprimirse y el costo del proyecto despus de la compresin. d) Correr el programa para comprimir el proyecto a 10 unidades de tiempo. DURACION DURACION COSTO COSTO ACT. PREC. NORMAL URGENCIA NORMAL URGENCIA --2 2 20 20 A B 30 2 1 70 --1 1o 1 1o C 2 50 D 3 1O 0 C 400 6 200 E B 8 F B 3 5 490 150 4 1O 0 4 F 1O 0 G 2 H 4 300 600 A 1 1 5O 50 1 H 4 80 5 90 J E,D 3 2 50 90 K G,I
--m
387
Resp.: a) T i e m p ~ 1 5costo=$1,040. ; b) Numerando los nodos de izquierda a derecha y de arriba hacia abajo, asignando una "X;' a cada nodo (i=l, ..., 9)y una "Y," a la reduccin de cada actividad "j" (i=A, ..., K), tenemos (impresin de LINDO): MIN 40YB+50YD+100YE+170YF+150YH+10YJ+40YK SUBJECT TO 2) X1= o 3) YA+X2>= 2 4) YB+X3>= 2 5) YC+X4>= 1 4 6) - X2 + YH + X5 >= 7) - X3 + YF + X6 >= 5 8) - X3 + YE + X 7 >= 8 9) - X4 + YD + X 7 >= 3 1 10) - X5 + Y1 + X8 >= 11) - X6 + X8 + YG >= 4 12) - X 8 + Y K + X 9 >= 3 13) - X7 + YJ + X9 >= 5 14) X9 <= 11 O 15) YA<= 16) YB<= 1 O 17) YC <= 18) YD <= 1 19) YE <= 2 20) YF <= 2 21) YG<= O 22) YH<= 2 Y1 <= O 23) 24) YJ <= 1 1 25) YK <= c) J, B, K y F se comprimen una unidad; E se comprime 2 unidades; costo=$1,500. d) Imposible.
10.3 La empresa GAMA ha elaborado los siguientes pronsticos para los primeros 4 meses del prximo ao (miles de unidades): MESES DEMANDA ENERO 300 FEBRERO 400 MARZO 450 ABRIL 500
La capacidad normal de produccin es de 300 mil unidadeslmes y con tiempo extra se puede llegar a un mximo de 400 millmes. Las unidades producidas con tiempo extra cuestan $50 ms por unidad. Existe la posibilidad de maquilar parte de la produccin en la empresa DELTA, otra de las empresas de la corporacin. Las unidades maquiladas costarn $70 ms por unidad, sern entregadas los das l o de cada mes y sern pagadas de contado. Es poltica de GAMA mantener un inventario de seguridad de al menos 50 mil unidades, sin embargo la empresa quiere terminar el mes de Abril con un inventario de 100 mil unidades. El inventario al final de Diciembre del presente ao ser tambin de 50 mil unidades. El costo de mantener inventario (aplicable al inventario medio) es de $lOlunid.mes. Encontrar el programa ptimo de produccin utilizando la programacin lineal.
Resp.: Trabajando en miles y nombrado las variables de la siguiente manera: NO,-produccin normal del mes "i"; TEi=tiempo extra del mes " T ' ; MAi=maquiladel mes "i"; la solucin ptima de LINDO es:
OBJECTIVE FUNCTION VALUE 1) 32000 .O0 VARIABLE VALUE TE 350.000000 MA 150.000000 IM 400.000000 N01 300.000000 N02 300.000000 N03 300.000000 N04 300.000000
REDUCED COST
.oooooo .oooooo .oooooo .oooooo .oooooo .oooooo

.oooooo
10.4 Una pequea empresa Mexicana se dedica a la fabricacin de calentadores especiales y es relativamente fcil predecir la demanda futura. Para los primeros 4 meses del prximo ao los pronsticos son los siguientes:
Febrero Marzo Los costos de produccin dependen del tamao del lote que se fabrica en cada mes y se muestran en el cuadro a continuacin (por razones tecnolgicas la empresa nunca fabrica un nmero impar de calentadores):
Existe un costo de mantener de $2 aplicable a cada calentador que queda en inventario al fmal de cada mes. La capacidad mxima de produccin durante cualquier mes es de 8 calentadores y la capacidad mxima de almacenamiento es de 4 calentadores. El inventario al final de Diciembre de este ao ser de 3 calentadores y la empresa ha decidido que el inventario al final de Abril debe ser de por lo menos 4 productos y, como excepcin, puede llegar a 5. a) Formular un modelo de programacin lineal entera que permita determinar el programa ptimo de produccin que minimiza el costo total (de produccin + de inventarios. b) Correr el modelo para obtener el programa ptimo de produccin, los inventarios finales de cada mes y el costo mnimo.

Resp.: a) Definiendo las variables binarias YE2=autorizacin para la produccin de 2 calentadores en Enero, etc. y las variables Ii=inventario al final del mes "i", la formulacin queda as (impresin de LINDO):
MIN 10YE2 + 15YE4 + 25YE6 + 30YE8 + 10YF2 + 15YM4 + 25YM6 + 30YM8 + 10YA2 + 15YA4 213 + 214 SUBJECT TO 2) 2YE2 + 4YE4 + 6YE6 + 8YE8 - 1 1+ 3) 2YF2 + 4YF4 + 6YF6 + 8YF8 + 1 14) 2YM2 + 4YM4 + 6YM6 + 8YM8 + 1 2 2YA2 + 4YA4 + 6YA6 + 8YA8 + 1 3 5) 6) YE2 + YE4 + YE6 + YE8 + YEO = 7) YF2 + YF4 + YF6 + YF8 + YFO = 8) YM2 + YM4 + YM6 + YM8 + Y M O = 9) YA2 + YA4 + YA6 + YA8 + YA0 = 10) 1 0 = 3 11) 1 1 <= 4 12) 1 2 <= 4 13) 13 <= 4 1 4 >= 4 14) 15) I4<= 5 END INTE 16
389
15YF4 + 25YF6 + 30YF8 25YA6 + 30YA8 + 2 1 1

10 >= 1 2 >= 1 3 >= 1 4 >=
+ +
10YM2 212 +
8 10 4 7
1 1 1 1
b) La solucibn de LINDO es la siguiente:

1)
137.0000 VARIABLE YE2 YE4 YE6 YE8 YF2 YF4 YF6 YF8 YM2 YM4 YM6 YM8 YA2 YA4 YA6 YA8 1 1 12 13 14 1O YEO YFO Y M O YA0 VALUE REDUCED COST 1 0 .oooooo 15.000000 25.000000 30.000000 6.000000 7.000000 1 3 .O00000 14.000000 2 .oooooo - 1.000000 1.000000 - 2.000000 6.000000 - 1.000000 - 3.000000 - 10.000000
.oooooo .oooooo
.000000 1.000000
.oooooo .oooooo
.000000 .000000 1.000000 .000000 1.000000
1.000000 3.000000 1.000000 3.000000 4.000000 3.000000

.000000 .000000
.oooooo
.000000 8.000000
10.5 Como parte de una competencia de natacin, se llevar a cabo un relevo mixto combinado en el cual dos hombres y dos mujeres deben nadar los cuatro estilos. Sus tiempos histricos son los siguientes (segundos):
ALEJANDRO NO ANGIE NORA CRAWL 33 31 37 PECHO 40 41 43 42 DORSO 38 37 42 44 MARIPOSA 39 39 40 45
35
Formular y correr modelos de programacin lineal que permitan obtener la asignacin ptima de nadadores a estilos en las siguientes condiciones, presentando tanto el planteamiento matemtico como la solucin ptima.
a) Los 4 nadadores estn disponible y slo pueden nadar un estilo. b) Los 4 nadadores estn disponibles pero uno de ellos puede nadar dos estilos (en este caso sobrara un nadador). c) Angie tiene un compromiso importante y no podr nadar; alguien tiene que nadar 2 estilos. d) Los 4 nadadores estn disponibles y uno de los estilos puede ser nadado dos veces. s y cada uno de ellos tiene que nadar dos e) Slo No y Nora estn disponibles estilos.
Resp.:a) Solucin: X13=X21=X34=X42=1;T=151. MIN 33x11 + 40x12 + 38x13 + 39x14 + 31x21 + 41 X22 + 37x23 + 39x24 + 37x31 + 43x32 + 42x33 + 40x34 + 35 X41 + 42x42 + 44x43 + 45x44 SUBJECT TO 2) X11 + X12 + X13 + X14 <= 1 3) X21 + X22 + X23 + X24 <= 1 4) X31 + X32 + X33 + X34 <= 1 1 5) X41 + X42 + X43 + X44 <= 6) X11 + X21 + X31 + X41 = 1 7) X12+X22+X32+X42= 1 1 8) X13 + X23 + X33 + X43 = 1 9) X14 + X24 + X34 + X44 = b) Probando las cuatro alternativas, la mejor es asignar 2 estilos aNok; solucin: X12=X21=X23=X34=1;T=148 MIN 33x11 + 40x12 + 38x13 + 39x14 + 31x21 + 41x22 + 37x23 + 39x24 + 37x31 + 43x32 + 42x33 + 40x34 + 35x41 + 42x42 + 44x43 + 45x44 SUBJECT TO 2) Xll + X12 + X13 + X14 <= 1 3) X21 + X22 + X23 + X24 <= 2 4) X31 + X32 + X33 + X34 <= 1 1 5) X41 + X42 + X43 + X44 <= 6) X11 + X21 + X31 + X41 = 1 7) X12 + X22 + X32 + X42 = 1 8) X13 + X23 + X33 + X43 = 1 9) X14 + X24 + X34 + X44 = 1 c) La mejor alternativa tambikn es asignar 2 estilos aNok; solucin: X14=X21=X23=X42=1; T=149. MIN 33x11 + 40x12 + 38x13 + 39x14 + 31x21 + 41x22 + 37x23 + 39x24 + 35x41 + 42x42 + 44x43 + 45x44 SUBJECT TO 2) Xll + X12 + X13 + X14 <= 1 3) X21 + X22 + X23 + X24 <= 2 1 4) X41 + X42 + X43 + X44 <= 5) X11 + X21 + X41 = 1 6) X12 + X22 + X42 = 1 7) X13 + X23 + X43 = 1 8) X14 + X24 + X44 = 1 d) Obviamente, lo mhs conveniente es repetir el estilo crawl; solucin: X13=X21=X34=X41=1; T=144. MIN 33x11 + 40x12 + 38x13 + 39x14 + 31x21 + 41x22 + 37x23 + 39x24 + 37x31 + 43x32 + 42x33 + 40x34 + 35x41 + 42x42 + 44x43 + 45x44 SUBJECT TO 2) Xll + X12 + X13 + X14 = 1 3) X21 + X22 + X23 + X24 = 1 4) X31 + X32 + X33 + X34 = 1 5) X41 + X42 + X43 + X44 = 1 Xll + X21 + X31 + X41 <= 2 6) 7) X12 + X22 + X32 + X42 <= 1 1 8) X13 + X23 + X33 + X43 <= 9) X14 + X24 + X34 + X44 <= 1 e) Solucin: X23=X24=X41=X42=1;T=153. MIN 31x21 + 41x22 + 37x23 + 39x24 + 35x41 + 42x42 + 44x43 + 45x44 SUBJECT TO 2) X21 + X22 + X23 + X24 <= 2 3) X41 + X42 + X43 + X44 <= 2 4) x21 + X41 = 1 5) X22 + X42 = 1 1 6) X23 + X43 = 7) X24 + X44 = 1
391
10.6 Los siguientes productos deben ser procesados en la nica mquina de una determinada planta (tiempos en das). Formular y correr un modelo de programacin lineal entera que encuentre la secuencia que minimiza el total de das de retraso, es decir, CRi, presentando: a) Formulacin matemtica con M=100 despus de reacomodar las restricciones. b) Solucin ptima (valores ptimos de las variables). c) Secuencia ptima y CRi correspondiente. TIEMPO DE TIEMPO DE PRODUCTO PROCESAMIENTO ENTREGA 15 a 3O 11 14 b c 7 29 22 d 5 e 13 34
Resp.: a) Formuiacin despu6s de reacomodarlas restricciones(impresin de LINDO):
MIN R 1 + R2 + R3 + R4 + R5 SUBJECT TO 2) 100Y12 + X 1 - X2 3) 100Y12 + X 1 - X2 4) 100Y13 + X l - X3 5) 100Y13 + X 1 - X3 6) 100Y14 + X 1 - X4 7) 100Y14 + X 1 - X4 8) 100Y15 + X 1 - X5 9) 100Y15 + X 1 - X5 10) 1 0 0 Y 2 3 + X2 - X3 11) 1 0 0 Y 2 3 + X2 - X3 12) 100Y24 + X2 - X4 13) 100Y24 + X2 - X4 14) 1 0 0 Y 2 5 + X2 - X5 15) 1 0 0 Y 2 5 + X2 - X5 16) 100Y34 + X 3 - X4 17) 100Y34 + X3 - X4 18) 100Y35 + X3 - X5 19) 100Y35 + X3 - X5 20) 1 0 0 Y 4 5 + X4 - X5 21) lOOY45 + X4 - X 5 22) X1 + A l - R1 = 23) X 2 + A 2 - R 2 = 24) X3 + A3 - R3 = X 4 + A 4 - R 4 = 25) 26) X 5 + A 5 - R 5 = END INTE Y12 INTE Y13 INTE Y14 INTE Y15 INTE Y23 INTE Y24 INTE Y25 INTE Y34 INTE Y35 INTE Y45
>= <= >= <=

>=
<= >= <= >= <=

>= <=
>= <= >= <= >= <= >= <=

15 3
22 17 21
1 1 85 7 85 5 85 13 85 7 89 5 89 13 89 5 93 13 93 13 95
b) Solucin ptima: Y23=Y24=Y25=Y35=Y45=1;las dems Y,=O. c) Secuencia ptima: b-d-c-e-a; ZRi=23 das.
Captulo XI: Caso MALHER
11.1 SET-UP 11.2 GROUP BACKGROUND 11.3 THE HIRING OF PROFESSIONAL MANAGEMENT 11.4 CONSOLIDATION OF THE MALHER GROUP 11.5 DISINTEGRATION OF THE GROUP? 11.5.1 The situation of the group in 1990 11.5.2 Javier's proposal
11.5.3 The situation of Mario' S sub-group 11.5.4 Additional relevant facts a) Human resources b) Clients c) Competition and market d) Investrnent e) Infrastructure 11.6 THE DECISION 11.7 DISCUSSION QUESTIONS
THE MALHER GROUP CASE 11.1 SET-UP

MALHER was a group of companies that manufactured kitchens and different types of fumiture, and it was founded around 1932 in Mexico City by the MALdonado HERmanos (brothers). Around 1974, Javier Maldonado, a member of the third generation of the Maldonado brothers, took control of the whole group. Before and after the arrival of Javier Maldonado, the group created, bought, shut down, and merged many companies related either to kitchen production or to fumiture production. In 1980, Mario Borges was hired by the group as a top manager, stockholder, and externa1 consultant. As of September 1990, Javier decided to divide the group into a "kitchen sub-group" and a "fumiture sub-group". Javier would be in charge of the kitchen sub-group and Mario would be in charge of the other sub-group. Both Javier and Mario were' fully responsible for their sub-groups, the former would have the majority of the stock of the kitchen sub-group and the latter would have the majority of the stock of the fumiture sub-group. Considering that he had more experience in kitchens, Mario then told Javier that he was considering the adaptation of his facilities in order to produce kitchens as well. Javier became furious and told Mario that, if he decided to do that, "the partnership would end and he would destroy Mario and both his kitchen and fumiture businesses". Mario had then to evaluate his strengths and weaknesses and decide: to give up producing kitchens and maintain the partnership, or to go on with the project and face alone al1 market opportunities and threats (including Javier's).
11.2 GROUP BACKGROUND

The MALHER group was founded around 1932 by the Maldonado brothers dgar Maldonado, Roberto Maldonado, and Ral Maldonado. The word MALHER stands for MALdonado HERrnanos (brothers). At the end of the 20's, the three Maldonado brothers worked for a few years in Chicago (U.S.A) and they acquired some experience in the manufacturing of enameled parts, such as automobile plates and road signs. Due to the U.S. recession, the three brothers returned to Mexico and tried to start a small business for the enameling of parts. The first attempt was a tremendous failure due to technical problems related to the enameling oven. However, with a loan of US$5,000 they tried again and this time the business was able to survive. At the beginning they only manufactured road signs. Al1 this happened around 1932, for we can consider the latter as the foundation date of the MALHER group. It is noteworthy that none of the Maldonado brothers had a college education and that, in general, Ral acted as the leader of the group. From the beginning, the group's employees had their own union. Shortly after the oil expropriation in 1938, the Maldonado brothers took advantages of the promotion of the oil stove carried out by PEMEX and launched metal oil stoves into the Mexican market, which were supposed to replace al1 coa1 stoves in the country. PEMEX itself bought part of the oil stove production and distributed it among the population, aiming at changing the population habits. The oil stove business was a tremendous success and by 1940 the MALHER group (including its enameling and oil stove plants) already had 1,500 employees, approxirnately. The three brothers, alone, were in charge of the whole group.
Unfortunately, since the very start of the group some bad operational habits developed, which would affect its efficiency during the next 40 years. The main goal was to produce regardless of the costs involved and, therefbre, with respect to efficiency, the group was a disaster. For instance, incentive plans were implemented without the use of time study and the workers could earn in a couple of hours an amount of money equivalent to a fair day's pay. And many of them actually left the plant after working only a couple of hours! Despite the bad operational habits, however, the group was succeeding. At the beginning of the 407s, the MALHER group introduced the gas stove into the Mexican market, however, for the next few years they went on producing the oil stoves. During that time, Ral, the leader of the group, had 2 sons, one of which was named Alberto Maldonado, and 2 daughters. In 1943, when Gerrnany declared war on Mexico, the MALHER group organized a "worker battalion" and offered it to the Mexican Government. Despite the fact that this battalion was never used, it worked extremely well at promoting the MALHER group. Similarly, in the 50's the group sponsored one of the athletes in the Pan-American race! At the same time, they were quite lucky with respect to the group's name: the word MALHER, despite the fact that it stands for MALdonado HERmanos, sounds like German, and in Mexico '30 be German" means "to be of good quality" (mainly in the 30's and 40's). Since 1950, the group tried to diversi@ its businesses: a new company PLAMEX was created, which, besides road signs, started manufacturing automobile plates and other enarneled parts; at the same time, the stove plant located at Coyoacn road started producing u r n ,were enameled at the PLAMEX plant. On the other hand, the group bath tubs which, in t started buying and distributing home appliances, through a network of independent sales representatives. The latter resulted quite problematic, the lack of control led to an excessively high amount of accounts receivable and, as a consequence, the group began having serious financial problems. Besides, quite ofien the sales representatives disappeared with al1 the money... In the early 60's, the MALHER group introduced the concept of "customized integral kitchen", which consisted of the stove itself and al1 complementary cabinetry, according to the specifications of the customers (see Exhibits I(a) and I(b)). Both the stove and cabinets were made of steel. In order to market the new product, the group had a kind of agreement with a cabinet producer fm called GABIMEX: MALHER bought the cabinets fiom GABIMEX, added the stove and marketed the whole product; similarly, GABIMEX bought the stove fiom MALHER, added the cabinets and marketed the whole product. GABIMEX had its own stores, while MALHER used exclusive distributors (franchises). The agreement with GABIMEX ended in 1969 and, as a consequence, the MALHER group decided to integrate itself vertically, and started producing the required cabinets at the Coyoacn road plant. In t u r n ,GABIMEX started buying the stoves fiom another stove manufacturer. At the end of the 60's the group was still having financia1 problems and decided to stop buying and distributing home appliances. Alberto Maldonado, now the person mostly in charge of the group, was extremely disciplined and carried out many "bureaucratic" controls (e.g. to write down personally the employees' daily production output), however, it seems that he neither examined the data critically aiming at improving the group's operation, nor had a group of middle managers who could do it. Put another way, he had most of the relevant information but was not conscious of the serious efficiency problems. On the other
396
hand, his discipline sometimes was not enough and many activities were not adequately controlled, such as the purchase and distribution of home appliances. At the same time, the workers union tended to support al1 those bad operational habits which were, supposedly, for the benefit of its members. Put another way, due to these operational habits the workers could work less and earn more. In the early 70's, the group acquired a new company (GAMA), which was a manufacturer of metal furniture for laboratories (with some stainless steel parts). GAMA was one of the companies of the RADIO CENTRO group, which managed highly different types of businesses. As of 1974, Alberto Maldonado was seriously sick and his 24 years old son, Javier Maldonado, took on the control of the MALHER group. Javier inherited a group of companies whose debt was higher than its value (total assets); with bad operational habits which made things worse; and with stock in the hands of many members (including himself) of the third generation of the Maldonado family. One of his first decisions was to be uniquely responsible for the group's debt and to concentrate in his hands the great majority of the stock. Only a small amount of stock remained in the hands of his father and his sisters. Despite the fact that Javier took the control of the group, his father remained as the Chairman of the Board of Directors while Javier acted, at least theoretically, as Vice-President. Javier was an economist, a very charismatic person and used to maintain excellent relations with both clients and banks. Using important commercial networks like Sears Mexico and Liverpool (another store chain in Mexico), he achieved increased sales. Besides, continuing with the pattem followed by the group in the past, he introduced the concept of "standard integral kitchen", which would not anymore be manufactured according to the clients' specifications. Instead, the new product would offer a lirnited number of standard sizes and shapes. Unfortunately, Javier created the new product and he himself, unconsciously, destroyed its main advantages by allowing an exceedingly large number of different standard sizes and shapes (the Maldonado brothers were good at differentiating their products, however, in some occasions they exaggerated, and this differentiation led to unnecessary complexities). Javier could not solve the efficiency problems of the group, however he tried to improve the financial situation of the group by adopting a selling system which required an advance payment fiom the client of 50% upon ordering and the balance upon delivery of the products. The 100% devaluation of the Mexican peso in 1976 caught the MALHER group by surprise with a large amount of "devalued cash", which was the result of the advance payment system described above. This event postponed the financial recovery of the group that Javier Maldonado was seeking desperately. As if this last event were not enough, in 1978, by presidential decree, the construction of the Coyoacn fiee way started, which in fact meant a compulsory relocation of the Coyoacn road plant. As a consequence of the relocation, the Coyoacn road plant was transformed into two new plants: plant #1 in BOLVAR road, producing stoves, and plant #2 in QUEVEDO road, producing cabinets. Meanwhile, the other fm PLAMEX remained operating normally and Alberto Maldonado, Javier's father, in much better shape by that time, was in charge of it. As expected, the relocation of the Coyoacn road plant led to additional costs and serious delays in the delivery of the orders, what clearly worsened the financia1 crisis of the group. It is noteworthy, however, that the automobile plate industry was an oligopoly of 5
7
397
companies and, thus, a certain part of the income of PLAMEX was transferred to the other companies of the group, supposedly as loans but, in fact, as "donations". Later on, the GAMA plant was closed and its machines and equipment were moved to the QUEVEDO plant. On the other hand, the group acquired another firm "Muebles y Cocinas, S.A." (MUCOSA), which had excellent wood processing know-how. Up to the late 70's, the MALHER group had hardly been producing wood kitchens. After the purchase of MUCOSA, this part of the business became much more intensive. 11.3 THE HIRING OF PROFESSIONAL MANAGEMENT In 1980, Javier Maldonado invited the Marketing Director of one of his suppliers, Mario Borges, to join the MALHER group. Javier was hoping that Mario, with his graduate studies, extensive experience and managerial talent, could help him solve, definitely, al1 those problems that for many years had avoided the consolidation of the MALHER group. By that time, the group's companies (excluding PLAMEX) were generating total monthly sales between US$1.1 and US$1.2 rnillion and were employing 1,300 people, approximately. Mario Borges got his Mechanical Engineering degree in 1969 in Mexico City when he was 22 and, aftenvards, completed two master courses: the first one in Industrial Engineering in Germany and the second one in Business Administration in Mexico (at the Mexico City campus of Tecnolgico de Monterrey: ITESM-CCM). Also, he took two specialization courses in the ITESM-CCM on Marketing and Finance, a course on Advanced Management for Top Executives at Harvard (U.S.A) and, finally, a course on Advanced Management for Engineers at UCLA (U.S.A). By the end of 1976 he had already finished al1 these courses. Just after getting his Mechanical Engineering degree, Mario was hired by SPICER, where he worked for one year in an executive team in charge of the expansion of the manufacturing plant. SPICER was a manufacturer of automobile parts, such as, shafts, rings, etc.. Later on, he joined the BOSCH company, the world's manufacturing leader of electrical systems for automobiles. In this company Mario worked for 6 years (1970-1975) and acquired experience in the areas of Production Planning & Control, Industrial Engineering, Process Engineering, Quality Control, Cost Control, and Production itself. In this last activity he had to manage about 1,500 workers. In 1976 he joined the Mexican Government and worked in the area of finance. As soon as he returned from Harvard (U.S.A), Mario worked during 3 years (1977-1979) for LEO BURNETTI, a publicity agency, in which he occupied the positions of Director of Media and Director of Services to Consumers, respectively. While in LEO BURNETTI he took another specialization course about media in Chicago (U.S.A). From 1979 on, Mario Borges worked as the Marketing Director of the PONOSA company, which supplied the MALHER group with plastic laminates. However, in 1980 he was already thinking about creating his own business: it could be a wood processing business, a candy business or a consulting firm. Knowing Mario's unrest, Javier offered him the following deal: MALHER would create for Mario a new business and Mario would work as a consultant for the whole group. At first, Mario did not accept the offer but on the 1" of October they agreed on the following: Mario would dedicate 40% of his time to consulting and 60% to the management of the businesses created by MALHER, of which Javier would have 75% of the stock and Mario 25%. The deal included consulting advice to al1 the companies of the group but PLAMEX. By that time, the MALHER group had acquired
398
another firm, FORAC, which was a manufacturer of closets for the construction industry, however Mario knew nothing about it. As a top manager of the MALHER grou Mario noticed irnmediately al1 the operational inefficiencies of its companies. The 3' of October of 1980, he had a meeting with the Operations Manager, evaluated his ideas and capabilities, and asked Javier to fire him. "This should have been done 20 years ago", cornmented Mario Borges. Javier actually fired the Operations Manager and Mario occupied the position, however he was involved in almost al1 activities of the group. At the same time, we could say that Mario concentrated his attention on the areas of operations and marketing, while Javier was more in charge of the administrative activities, f m c e , and public relations (mainly with banks and government). By that time, the group was still having serious financial problems and its debt was equivalent to five times the total assets. The debt consisted of suppliers' credits, bank loans, clients' advance payments, unpaid government taxes, and unpaid Social Security obligations. The group survived during the next three years (1980-1982) and even created its own distributing channels (stores). However, it had to face another peso devaluation in 1982, after which its total debt was US$7.0 million in dollars and another US$7.0 million in Mexican pesos. Its monthly sales reached only US$1.0 million. "The group has no economic feasibility and none of the 'traditional' management techniques can save it; it cannot be sold due to its debt and no more loans can be obtained; we should close it down!", proposed Mario to Javier. Considering the 50-year existence and al1 the endeavor put into it by three generations of the Maldonado brothers, Javier refused to follow Mario's advice and decided to go on with the group's businesses. "The MALHER group can be compared to a dry tree in a desert without any possibility genninating due to lack of shadow, water, and fertile ground; as such, the only hope to of save it is the cultivation of a 'forest of companies' in its surroundings, which would provide shadow and change the climate conditions, thus providing water and fertile ground", used to comrnent Mario by that time. But how could they do that without any resources? It is interesting to observe that shortly after 1980, the group's growth strategy was indeed similar to the creation of this "forest of companies". The forest "trees" performed as "cash cows" and to a great extent cured the financial wounds of the group.
8,
11.4 CONSOLIDATION OF THE MALHER GROUP

Mario was aware of the existence of FORAC when it began to have serious problems and Javier involved him in their solution. FORAC's plant occupied an area of 800 m2 and employed around 20 people. Mario took on entirely the control of the firrn, faced its operational chaos, and repositioned its products offering better quality and service. Within 3 months FORAC was already generating positive cash flow and the f ~ stree t of the "forest of companies" had been planted! As of September 1983, the company "Industrial Mueblera, S.A.", a manufacturer of home canteens, headed for bankruptcy, and Mario was in charge of negotiating its acquisition for US$75,000: US$17,000 as a down payment and the balance in 10 monthly payments of US$5,800 without interest. Since MALHER did not have any financial resources, Mario, using his personal contacts, managed to obtain a loan of US$17,000 for the down payment, hired again the key people, and taking advantage of some backorders, restarted the business with 17 employees and a new company name: "DECORACIN Integral de Mxico, S.A."
399
(hereafter, this frm will be named DECORACIN 1). Selling to important clients like Liverpool and using sales representatives who worked under a commission system, DECORACIN 1 also began generating positive cash flow, with which the monthly installments of US$5,800 were paid and the other companies of the group were financed. The second tree of the "forest of companies" had been planted. It is noteworthy that, as agreed, Mario remained with 25% of the stock of both FORAC and DECORACIN 1. Also in 1983, the MALHER group "bought" one of the companies of the Prez family: it was "Oficinas, S.A." (OFISA) which manufactured office fumiture and offered excellent know-how in wood processing. For its acquisition, the only obligation on the part of MALHER was to be responsible for the employees' severance pay. However, since MALHER retained al1 employees, in fact no money had to be disbursed for the OFISA acquisition. OFISA operated as a subcontractor (maquiladora) for the other companies of the group and made a significant contribution towards the improvement of the wood kitchens. Immediately after the OFISA acquisition, the MALHER group started a joint venture with the Prez family (50%-50%) for the operation of MADEMEX, a irm which belonged solely to them, produced different types of drawers for the fumiture industry and was striving to survive. As a consequence of the joint venture, a company from the Jalisco State was bought, its assets were moved to MADEMEX and the product lines were diversified to include different types of home furniture (e.g. bookcases). Alfonso Prez remained as the General Manager of MADEMEX. He was a very conservative military man who appreciated very much Mario's managerial skills but, at the same time, had a tremendous resistance to change and seldom adopted Mario's recommendations. His daughter, Aurora Prez, who had got an Industrial Relations degree, occupied the position of General Manager Assistant. Shortly after the MADEMEX joint venture, Estela Prez, also Alfonso Prez's daughter, joined the MALHER group. Estela had just got her degree in Communications, remained as a trainee during 6 months, getting acquainted with the stove and cabinet processes, and in the next 12 months shared her time between MADEMEX and DECORACIN 1. In DECORACIN 1 Estela worked linking the plants with the distributing channels (stores) and took care of al1 customers' complaints, some of which were of a legal nature. Later on, she was put in charge of a project which consisted of the distribution of the SANITN products (local bath fumiture) through the MALHER distributing channels. Unfortunately, the sales volumes were very low and, besides, there were very serious inventory control problems: the inventory records did not agree with the actual inventories. Javier Maldonado considered Estela as partially responsible for the failure, reprimanded her and discontinued the sANITN project. In 1985, FORAC and OFISA were merged and, as a result, a new larger company was created: "Cocinas de Calidad, S.A." (COCASA). It occupied an area of 5,000 m2, employed 150 people, and manufactured standard and luxury wood kitchens. A new luxury kitchen named "kitchen concepts" once more attracted the clients' advance payments which were used to finance COCASA's operations and the other companies of the group as well. Shortly after the start of COCASA, two companies were created for the distribution of its products: ALFA for the distribution of the standard kitchens and BETA for the distribution of luxwy kitchens. COCASA bought the stoves from the BOLVAR road plant and from other stove manufacturers as well (for the luxury kitchens). Also in 1985, the MALHER group acquired "Industrias Gadn, S.A.", which manufactured stainless steel laboratory fumiture and produced some steel bars in its foundry.
400
Since GAMA had been closed, "Industrias Gadn" joined the MALHER group with the name GAMA. The company had gone bankrupt and its facilities remained under the control of the workers and their union, with whom MALHER had to negotiate (Mario had the most important role in these negotiations). Apparently, the acquisition of "Gadn" was a very profitable agreement: a total of US$136,000 was paid for fixed assets worth half a rnillion dollars and stainless steel scrap worth US$390,000! Gadn's (that is, GAMA'S) first order came from the IMSS (Mexican Institute of Social Security), had a total value of US$3,115,000, consisted of different types of laboratory M t u r e , including exarnination tables, and was more than enough to cover the acquisition costs of the new company, as well as to pay a huge debt that MALHER had with the IMSS. In order to manufacture this large order, a part of the raw material was financed by DECORACIN 1. Later on, in 1987, MADEMEX acquired PLASTIMEX, a manufacturer of wood furniture and ironing tables made of particle board and plastic laminates. PLASTIMEX's acquisition was another very profitable agreement because it meant an investment of US$110,000, when in fact the company was worth almost US$325,000. Estela Prez joined PLASTIMEX as a worker during a couple of months and then occupied the position of General Manager. As General Manager of PLASTIMEX, Estela took a 3-week course on Productivity and MTM (Methods Time Measurement) taught by Noris & Elliot, and fiom 1988 to 1990 she got her MBA at the ITESM-CCM (Tecnolgico de Monterrey, Mexico City campus). PLASTIMEX operated smoothly and profitably fi-om 1987 ti11 1988, when its monthly sales reached US$62,000, and this sales volume was more than sufficient to cover the acquisition costs. At the end of 1988, however, the company started having serious labor conflicts and delivery problems due to which its profitability was affected. These problems went on even after the hiring of an industrial engineer, Gustavo Gutirrez, as Production Manager. Its monthly sales which had reached US$62,000 in 1988, dropped to US$34,000 in 1990. During the time period of 1987-1990, both Estela and Mario directed a part of their time to selling the products of MADEMEX, DECORACIN 1, and PLASTIMEX. In 1988, MUCOSA was closed, its employees were transferred to COCASA (both companies had the same labor contract) and its assets were transferred to a new plant of DECORACIN 1, which hereafter will be called DECORACIN 11. New employees were hired to operate DECORACIN 11, which manufactured wood furniture, such as bookcases, entertainment centers, canteens, etc.. We could say that the financial situation of the group by that time was stable. The debt was still large but it was smaller than the group's assets. The infiation rate in Mexico was around 50%/year. Then Javier decided to pay US$175,000 to the banks and, in order to achieve this, he followed once more the strategy of gathering the clients' advance payments. Through a very strong and intensive publicity and promotion, they succeeded in gathering an amount of money equivalent to 12,000 kitchens. The idea was then to pay the banks with this money and manufacture the 12,000 kitchens with the advance payments of the next 12,000. The plan resulted in a disaster (in part due to lack of control) and the group had to face again a financial crisis, mainly due to the absence of working capital. It is noteworthy that Mario was against this plan. In order to return to a sound financial situation, Mario then started thinking about a product with the following characteristics:
* Very easy to produce. * Whose inputs were obtainable even during the financial crisis.
*
The previous requirement meant, in fact, the availability of credit on the part of the suppliers. These three characteristics led to the design of a very simple wood closet that would be produced in DECORACIN 11 (by that time, DECORACIN 11 was, perhaps, the only company of the group which could obtain credit fiom the suppliers). Once the product was designed and the suppliers' credit was obtained, MALHER succeeded in getting an order for US$440,000 fiom Comercial Mexicana (a supermarket chain). With the resources of this first order, they bought the necessary inputs for the production of kitchen cabinetry (without the stove) and sold another huge order of US$1,100,000 to Gigante (also a supermarket chain). Finally, they succeeded in selling to Comercial Mexicana another large order of kitchen cabinetry equivalent to US$1,100,000. Al1 these transactions took place between February and June of 1988 and were sufficient for the group to recover the required working capital and to get out of the fmancial crisis. In fact, MALHER achieved the leadership of the kitchen rnarket and retained it in the following years. 11.5 DISINTEGRATION OF THE GROUP? 11.5.1 The situation of the group in 1990 Summarizing, the situation of the MALHER group in September of 1990, with respect to its companies, was the following: a stove plant, a cabinet plant, a kitchen plant, two kitchen distributors, and four fumiture companies (see also Exhibit 11). The group's monthly sales were US$1.5 million, it employed 800 people and had total assets of US$10 million. Profitability was around 15%-20%, even though a somewhat significant part of it was being used to pay debt. Of the whole kitchen production, 60% were metal kitchens and 40% were wood kitchens. On the other hand, in August of 1990, Mario made a trip to Italy and returned to Mexico with innumerable new ideas with regard to kitchen design. In the next months MALHER was planning to make radical changes in its luxury kitchen designs. MALHER used to change its designs infi-equently and estimated that the new designs could be in the market withh 3 to 4 months. 11.5.2 Javier's proposal Then, suddenly, Javier decided to invite Mario to a "business meeting", in which he proposed the division of the MALHER group in two entirely autonomous sub-groups: he would be in charge of one of the sub-groups and Mario would be in charge of the other. "Any man needs a woman and his own territory", cornrnented Javier during the meeting. Apparently, since the group was quite prosperous, Javier was not willing anymore to share its profits with Mario, mainly because he had two growing suns to share with. Javier's initial proposal was the following:
* Furniture sub-group, assigned to Mario: DECORACIN 1, DECORACIN11,

PLASTIMEX , and MADEMEX.
402
* Kitchen sub-group, assigned to Javier: BOLVAR road plant, QUEVEDO road plant,
COCASA, ALFA, and BETA. Javier would have 75% of the stock of his sub-group and 25% of the stock of Mario's; similarly, Mario would have 75% of the stock of his sub-group and 25% of the stock of Javier's (except the BOLVAR and QUEVEDO plants). In the special cases of PLASTIMEX and MADEMEX, these percentages applied solely to the 50% corresponding to the MALHER group (as mentioned before, the other 50% was owned by the Prez farnily). Mario accepted, at least in principie, Javier's proposal (interestingly, no written agreement was signed, it was a verbal agreement between two trustful gentlemen). Being totally autonomous, Mario then decided to analyze his strengths and weaknesses, and realized that his experience was strongly biased (85%) towards the manufacturing of kitchens. This experience included technical and marketing knowledge. The marketing knowledge was extremely important and, in turn, included aspects such as product design and consurner behavior, which were quite different for each market segment. Mario then told Javier that he was willing to adapt the manufacturing facilities of his sub-group in order to produce an intermediate type of wood kitchen that could compete directly neither with MALHER's standard kitchens, nor with MALHER's luxury kitchens. Javier considered that Mario would become his competitor and said to him: "If you decide to produce kitchens, our partnership will inevitably end and 1 will completely destroy YOU".
11.5.3 The situation of Mario's sub-group

The monthly sales of DECORACIN 1 had reached US$80,000 in 1988 but was decreasing and its leve1 in September of 1990 was only US$44,000; the company employed 60 people and its breakeven point was US$54,000. Its General Manager, Alejandro Barreto, got his Mechanical Engineering degree in 1969 and had been a colleague of Mario Borges at the university. Besides, he had taken 3 specialization courses: the first one was in Marketing and it was taught by Mario himself in the MALHER facilities, but following strictly the methodology and outline of the Marketing course of the ITESM-CCM (Mario was, by that time, a teacher of the ITESM-CCM); the second course was in Operations Management and the third was in Finance, both taken at the ITESM-CCM facilities. On the other hand, Alejandro took severa1 short cowses about "Middle Managers" (IPADE), "Managerial Development", "Quality Circles", MTM (Noris & Elliot), and "Production Planning and Control". Alejandro's experience in the manufacturing of kitchens was null, however he had worked for more than 20 years as either Production Manager or Manufacturing Manager in different Mexican companies. He joined the MALHER group in 1986 when he was 41 and, before becoming the General Manager of DECORACIN 1, he had participated in an unsuccessful project for the production of refrigerators (in MALHER) and worked as the Production Manager of GAMA'S foundry. Alejandro was quite confident that Mario would succeed in the long run if he decided to enter the kitchen business. However, he recognized the great disadvantage of splitting a group of companies which used to help each other, at least fmcially, and of facing the inevitable effects of the learning curve. "Mario is extremely demanding and very conscious with regard to productivity and quality; besides, he is an excellent negotiator", cornmented Alejandro. DECORACIN 11 had monthly sales of US$34,000, breakeven point of US$31 ,OOO/month, and employed 30 people. Its General Manager, Jos Mndez, was a quite
403
brilliant Industrial Engineer that had also taken the 3 specialization courses in Marketing, Operations Management, and Finance mentioned above. Besides, he had got a MBA degree in the IPADE and had al least a 3 year experience in the manufacturing of kitchens. However, if Mario decided to separate himself fiom the rest of the MALHER group, the probability that Jos would follow him was extremely low. He stated very clearly that he would rather stay in some of the companies of Javier's sub-group. MADEMEX was operating at its breakeven point of US$51 ,OOO/month, employed around 40 persons and was completely under the control of Alfonso Prez. Due to his appreciation towards Mario, Alfonso would certainly support him, however his conservatism and resistance to change was a serious obstacle for his support to be real. Aurora Prez was still Alfonso's assistant and she had also taken the 3 specialization courses in Marketing, Operations Management, and Finance. Neither Alfonso nor Aurora had any experience in the manufacturing of kitchens, but Alfonso had a 25 year experience in the furniture industry. He was 54 and Aurora was 27 years old. Finally, PLASTIMEX, which was still in crisis, had monthly sales of US$34,000, a breakeven point of US$42,000 and employed 20 people. Estela Prez was still its General Manager. Besides, Estela was also performing in the Marketing area of PLASTIMEX, as well as MADEMEX and DECORACIN 1. Undoubtfully, she would support Mario Borges, u r n used to say: "Estela has the guts to face anything, m i m e , anywhere; she does who in t not fear anything or anybody". Estela was 29 years old. On the other hand, Gustavo Gutirrez remained as PLASTIMEX's Production Manager. Gustavo had also taken the 3 specialization courses mentioned above and would very probably follow Mario if he decided to go on with his kitchen project. Gustavo had a 3 year experience in the manufacturing of fumiture and had worked for 2 years in COCASA. He was 33 years old. It is important to note, however, that both Mario and Javier were not very much concerned about development and growth of the fumiture businesses of the MALHER group. They had been used mainly as "cash cows", with a short term perspective. Mario could concentrate his marketing and managerial talent on them, reposition them, diversi@ their product lines, redesign their products, and, perhaps, make them highly profitable.
11.5.4 Additional relevant facts

a) Human resources
As mentioned above, Mario counted on the support of the following people for his kitchen project: Estela Prez, Alejandro Barreto, Gustavo Gutirrez, Aurora Prez, and Alfonso Prez. He was quite worried about the lack of kitchen installers, kitchen designers, and adequate sales workforce. On the other hand, COCASA's General Manager, Marco Ramos, had also been Mario's colleague at the university. Marco had worked in SPICER from 1969 to 1980 (where Mario had also worked) in the areas of Quality Control and Product Engineering, and joined the MALHER group in November of 1980 when he was 33. Initially, he worked for MALHER in the Quality Control area (7 months), giving advice to al1 companies of the group, and was then appointed as MUCOSA'S General Manager, where he remained for 6 years. Later on, he was appointed as the General Manager of the BOLVAR road plant (2 years) and, fmally, went to COCASA. He also took the 3 specialization courses in Marketing, Operations Management, and Finance. Marco's intentions were unknown.
Mario also had 6 family members (including his brother in the QUEVEDO road plant) who worked as supervisors in the companies of Javier's sub-group. They would probably help Mario. Last but not least, an excellent woodworker, Alfonso Acosta, who was able not only to make furniture, but also to design it, offered himself to help Mario.
b) Clients
The main buyers of the MALHER products (besides its own distributing companies, that is, ALFA and BETA) were:
* Sears.
* Gigante.
* Comercial Mexicana. * Muebles Dico.

* Viana.
Despite the fact that al1 these firms could buy fiom both Javier and Mario, the following information is relevant: The buyer of Gigante was a very good fiiend of Javier and most probably would not buy fi-om Mario. Gigante used to buy 55% of the output of the companies of Mario's subgroup except MADEMEX (see also exhibit 111). Sears' buyers were quite impartial, but they could prefer to do business with Javier if this meant greater potential profits. At the moment of the decision Sears was not buying the products of Mario's sub-group. The buyer of Comercial Mexicana maintained excellent relations with Mario and would probably continue to buy fiom Mario's companies. As shown in Exhibit 111, Comercial Mexicana was buying 35% of the output of Mario's companies except MADEMEX. Dico's owner was a Jew and very good fi-iend of Mario and the latter had once provided consulting services to Dico fi-ee of charge. At the moment of the decision Dico was buying 70% of the production of MADEMEX and 5% of the production of the other Mario's companies (see also Exhibit 111). Another possible distributing channel were the Viana stores, which were buying 5% of the production of Mario's companies (except MADEMEX, see Exhibit 111). Viana's buyers were not very ethical and most probably would achieve better "deals" with the powerful people. Finally, there was Singer, another chain of stores in Mexico (25 stores in Mexico City, 100 in the whole country), with whom, inexplicably, MALHER was doing no business at all. Mario could try to use this distributing channel. Mario knew that, once he had succeeded in penetrating any or al1 of these distributing channels, his position would have to be retained through good service (to the stores), attractive product design, and competitive prices. Of course, the companies of Javier's sub-group were already using most of these channels. Exhibit IV shows the percentual purchases of each buyer from Mario's and Javier's sub-groups, respectively.
c) Competition and market
In September of 1990, MALHER had a 30% share of the kitchen market. Its follower was K2 with a 15%-20% market share and there were other important competitors such as International, GABIMEX , and Quetzal. GABIMEX and International had their own stores and, additionally, sold through Sears; K2 sold only through its own stores; and MALHER, as mentioned previously, sold through its own distributing companies (ALFA and BETA) and many other channels: Gigante, Comercial Mexicana, Dico, Sears, and Viana. With respect to the stove market, the leader was Mabe with a 40% share. Its followers were MALHER and GE, both with a 20% market share, and other important competitors such as Acros, Quetzal, Continental, and GABIMEX. The kitchen market followed reasonably closely the construction industry and was growing al a rate of 4%/year. It had a certain seasonality: October, November, December, and January were good months but sales decreased during February and March; the sales grew in April, May, and June, and decreased again in July, August, and September. In Mario's opinion the fumiture market was not growing as fast as the kitchen market. MALHER's share of the furniture market was extremely small.
d) Investment
If Mario went on with his project, the most adequate plant for the manufacturing of kitchens would be DECORACIN 1 (probably, one of the machines would be transferred fiom DECORACIN 11). The investment required (a) for adapting the plant (machines, jigs & fixtures, layout, etc.) and (b) for working capital (mainly for kitchen components such as the stove, sink, and air extraction chamber) was approximately US$34,000 and US$100,000, respectively. (The modifications that would be carried out with the US$34,000 would be reasonably simple and it would not imply any improvement of the technology which was already somewhat obsolete.) The companies of Mario's sub-group could not make such an investment and the component suppliers were reluctant to give credit (in contrast, credit was available for the M t u r e raw material). The cost of the main fumiture raw material (plastic larninates) was 70% of the total cost of the fbrniture; the same raw material would be used in the production of the kitchens, but it would be only 12% of the total cost of the products. Put another way, credit was available for a very small percentage of the raw material required for the production of the kitchens. Despite the fact that the financia1 situation of the MALHER group was quite good, it had not liquidated al1 debts completely. Mario inherited some of these debts (approximately US$100,000, mainly to the IMSS). Last but not least, it is noteworthy that Mario owned an apartrnent in Mexico City whose value was approximately US$51,000. e) Infrastructure The infrastructure of the companies of Mario's sub-group (telephone, fax, typewriters, etc.) were not appropriate. Ironically, not even the permission for the use of the ground had been given to DECORACIN I! Additionally, they did not have enough transportation vehicles for the kitchen sales volwne that would be required for a profitable operation.
Capitulo XI: Caso MALHER
11.6 THE DECISION

It is 9:00 A.M., October lSt,1990. What do you think Mario should do? a) Surrender under Javier's pressures, cancel the kitchen project and remain as part of the MALHER group. b) Go on with the kitchen project, separate from the MALHER group and face al1 market opportunities and threats (including Javier's). 11.7 DISCUSSION QUESTIONS You should be prepared to discuss with your professor and colleagues the following questions: a) How good were the Maldonado brothers with respect to marketing decisions and, more specifically, with respect to the introduction of new products (design and timeliness), differentiation and promotion? b) What is your opinion about the policy of financing a part of the working capital with the client's advance payments, particularly in a country like Mexico? c) What is your opinion about the behavior of the MALHER group with regard to growth and, more specifically, with regard to buying, shutting down, and merging companies? d) What were the main causes of the continuous financial problems of the MALHER group? e) What is your opinion about why and how Mario Borges was hired by Javier Maldonado? f) In the kitchen and furniture industry, what are the "order winners" and the "qualifiers" with respect to thefirst buyers (Viana, Comercial Mexicana, etc.)? g) At the moment of the final decision, what were Mario's strengths and weaknesses? h) With respect to the final decision, what would you recornmend? * Surrender under Javier's pressures, cancel the kitchen project and remain as part of the MALHER group. * Go on with the kitchen project, separate from the MALHER group and face al1 market opportunities and threats (including Javier's).
EXHIBIT 1 (a) Integral kitchen
EXIBIT 1(b) Another example of integral kitchen
EXHIBIT 11 Situation of the MALHER group in 1990
COMPANIESIPLANTS BOLVAR road plant QUEVEDO road plant COCASA ALFA BETA DECORACION 1 DECORACIN 1 1 PLASTIMEX MADEMEX
MAIN PRODUCTS
- Stoves.
- Cabinets. - Distributor of standard kitchens.

- Distributor of luxury kitchens.
- Standard kitchens. - Luxury kitchens.
- Canteens.
- Bookcases.
- Entertainment centers. - Canteens. - Ironing tables. - Bookcases.
- Cupboards. - The same as DECORACI~N 1 1but

slightly more sophisticated.
EXHZBIT 111 Percentual sales of Mario's sub-group per buyer
COMPANIES BUYERS Gigante Comercial Mexicana Dico Viana Sears Singer
DECORACION 1 and DECORACI~N 11 55% 35% 5% 5% 0% 0% 100%
PLASTIMEX 55% 35% 5% 5% 0% 0% 100%
MADEMEX 0% 3 0% 70% 0% 0% 0% 100%
EXHIBIT IV Percentual purchases of each buyer from Mario's and Javier's sub-groups
SUB-GROUPS* BUYERS Gigante Comercial Mexicana Dico Viana Sears
MARIO' S 50% 60% 30% 20% 0%
JAVIER'S 50% 40% 70% 80% 100%
Captulo Xi: Caso MALHER
Bibliografa y Tablas
[l] Anderson, D., D. Sweeney, y T. Williams An Introduction to Management Science Editorial West, EEUU, 1988.
[2] Arcus, A. COMSOAL: Computer Method of Sequencing Operations for Assembly Lines International Journal of Production Research, Vol. 4, No4, 1966. [3] Blake, R. Seguridad Industrial Editorial Diana, Mxico, 1994. [4] Buffa, E. y R. Sarin Modern ProductionOperations Management Editorial Wiley, EEUU, 1987. [5] Buffa, E. y W. Taubert Sistemas de Produccin-Inventario: Planeacin y Control Editorial Limusa, Mxico, 1987. [6] Chase, R., N. Aquilano y R. Jacobs Production and Operations Management Editorial IrwinIMcGraw-Hill, EEUU, 1998. [7] Conway, R., W. Maxwell y L. Miller Theory of Scheduling Editorial Addison-Wesley, EEUU, 1967. [8] Cranny, C., P. Smith y E. Stone Job Satisfaction Editorial Lexington Books, EEUU, 1992. [9] Davis, R. y P. McKeown Modelos Cuantitativos para Administracin Editorial Iberoamrica, Mxico, 1986.
[lo] Hair, J., R. Anderson, R. Tatham y W. Black Multivariate Data Analysis Editorial McMillan, E E W , 1992.
[1 11 Hanke, J. y A. Reitsch Pronsticos en los Negocios Editorial Prentice Hall, Mxico, 1996.
[12] Hay, E. Justo-a-Tiempo Editorial Norma, Colombia, 1989. [13] Hayes, R. y S. Wheelwright Restoring Our Competitive Edge: Competing Through Manufacturing Editorial Wiley, E E W , 1984. [14] Hayes, R., S. Wheelwright y K. Clark Dynamic Manufacturing: Creating the Learning Organization Editorial The Free Press, E E W , 1988. [15] Hill, T. Manufacturing Strategy Editorial Irwin, E E W , 1994. [16] Hillier, F. y G. Liebennan Introduccin a la Investigacin de Operaciones Editorial McGraw-Hill, Mxico, 1997. [17] Holanda, R. Quality of Work Life in Just-in-Time Systems: An Exploratory Study Tesis Doctoral no publicada, ITESM-CCM, Mxico, 1993. [18] Holanda, R. Quality of Work Life in Just-in-Time Systems: An Exploratory Study Proceedings of the Second IFSAM, EEUU, 1994. [19] Ibarra, H. Diseo de un Sistema de Mantenimiento Preventivo Tesis Profesional no publicada, Universidad Centroamericana, Nicaragua, 1985. [20] Ishikawa, K. Qu es el Control Total de Calidad? La Modalidad Japonesa Editorial Norma, Colombia, 1986.
[2 11 Jackson, J. An Extension of Johnson's Results on Job-lot Scheduling Nav. Res. Log. Quart. 3, No 3, September, 1956.
1221 Johnson, L. y D. Montgomery Operations Research in Production Planning, Scheduling & Inventory Control Editorial Wiley, EEUU, 1974.
413
[23] Johnson, S. Optimal Two- and Three-Stage Production Schedules With Set-up Time Included Nav. Res. Log. Quart. 1, No 1, March, 1954. [24] Kilbridge, M y L. Wester A Heuristic Method of Assembly Line Balancing Industrial Engineering, vol. 12, No 4, 1961. [25] Love, S. Inventory Control Editorial McGraw-Hill, EEUU, 1979. [26] Lucas, A., E. Ito, J.L. Paz, M.A. Sato y E. Villazn Sistema Toyota de Produccin Tesis Profesional no publicada, UNAM, Mxico, 1982. [27] Montgomery, D. y L. Johnson Forecasting and Time Series Analysis Editorial McGraw-Hill, EEUU, 1976. [28] Montgomery, D. y E. Peck Introduction to Linear Regression Analysis Editorial Wiley, EEUU, 1992. [29] Montgomery, D., y W. Hines Probability and Statistics in Engineering and Management Science Editorial Wiley, EEUU, 1972. [30] Nabeshima, 1. The Order of 'n' Items Processed on 'm' Machines The Metropolitan Hiroo School, 8thMeeting, November, 1960. [3 11 Newbrough, E. Administracin de Mantenimiento Industrial Editorial Diana, Mxico, 1986. [32] Niebel, B. Ingeniera Industrial Editorial Alfaomega, Mxico, 1996. [331 Oficina Internacional del Trabajo (OIT) Introduccin al Estudio del Trabajo Editorial OIT, Suiza, 1983.
Bibliografia y Tablas
[34] Orlicky, J. Material Requirements Planning Editorial McGraw-Hill, EEUU, 1 975. [35] Russel, R. y B. Taylor Production and Operations Management Editorial Prentice Hall, EEUU, 1995. [36] Schrage, L. LINDO: An Optimization Modeling System Editorial Scientific Press, EEUU, 199 1. [37] Senju, S. TQC and TPM Asian Productivity Organization, Japn, 1992. [38] Steers, R. y L. Porter Motivation and Work Behavior Editorial McGraw-Hill, EEUU, 1991. [39] Taha, H. Operations Research Editarial McMillan Publishing, EEUU, 1997. [40] Tellera, W. y O. Berros Seguridad e Higiene Industrial Tesis profesional no publicada, Universidad Nacional de Ingeniera, Nicaragua, 1985. [41] Wheelwright , S. y S. Makridakis Forecasting: Methods and Applications Editorial Wiley, EEUU, 1983.
Bibliografia y Tablas
TABLAS
TABLA 1 : Distribucin normal estandarizada (reas de O a z)
417
TABLA 11: Valores crticos de la distribucin "t" de student

Valores crticos unilaterales
0.125 0.05 0.025 0.0125 0.005 0.0025
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 60 120
00
1 .O0000 0.81650 0.76489 0.74070 0.72669 0.71756 0.71114 0.70639 0.70272 0.69981 0.69745 0.69548 0.69384 0.69242 0.69120 0.69013 0.68919 0.68837 0.68763 0.68696 0.68635 0.68580 0.68531 0.68485 0.68443 0.68405 0.68370 0.68335 0.68304 0.68276 0.68066 0.67862 0.67656 0.67449
2.4142 1.6036 1.4226 1.3444 1.3009 1.2733 1.2543 1.2403 1.2297 1.2213 1.2145 1.2089 1.2041 1.2001 1.1967 1.1937 1.1910 1.1887 1.1866 1.1848 1.1831 1.1816 1.1802 1.1789 1.1777 1.1766 1.1757 1.1748 1.1739 1.1731 1.1673 1.1616 1.1559 1.1503
6.3138 2.9200 2.3534 2.1318 2.0150 1.9432 1.8946 1.8595 1.8331 1.8125 1.7959 1.7823 1.7709 1.7613 1.7530 1.7459 1.7396 1.7341 1.7291 1.7247 1.7207 1.7171 1.7139 1.7109 1.7081 1.7056 1.7033 1.7011 1.6991 1.6973 1.6839 1.6707 1.6577 1.6449
12.706 4.3027 3.1825 2.7764 2.5706 2.4469 2.3646 2.3060 2.2622 2.2281 2.2010 2.1788 2.1604 2.1448 2.1315 2.1199 2.1098 2.1009 2.0930 2.0860 2.0796 2.0739 2.0687 2.0639 2.0595 2.0555 2.0518 2.0484 2.0452 2.0423 2.0211 2.0003 1.9799 1.9600
25.452 6.2053 4.1765 3.4954 3.1634 2.9687 2.8412 2.7515 2'_6850 2.6338 2.5931 2.5600 2.5326 2.5096 2.4899 2.4729 2.4581 2.4450 2.4334 2.4231 2.4138 2.4055 2.3979 2.3910 2.3846 2.3788 2.3734 2.3685 2.3638 2.3596 2.3289 2.2991 2.2699 2.2414
63.657 9.9248 5.8409 4.6041 4.0321 3.7074 3.4995 3.3554 3.2498 3.1693 3.1058 3.0545 3.0123 2.9768 2.9467 2.9208 2.8982 2.8784 2.8609 2.8453 2.8314 2.8188 2.8073 2.7969 2.7874 2.7787 2.7707 2.7633 2.7564 2.7500 2.7045 2.6603 2.6174 2.5758
127.32 14.089 7.4533 5.5976 4.7733 4.3168 4.0293 3.8325 3.6897 3.5814 3.4966 3.4284 3.3725 3.3257 3.2860 3.2520 3.2225 3.1966 3.1737 3.1534 3.1352 3.1188 3.1040 3.0905 3.0782 3.0669 3.0565 3.0469 3.0380 3.0298 2.9712 2.9146 2.8599 2.8070

Administracion de Operaciones Temas Selectos, Aplicaciones y Un Estudio de Caso - B. de Holanda, R.R PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Administracion de Operaciones Temas Selectos, Aplicaciones y Un Estudio de Caso - B. de Holanda, R.R PDF

Cargado por

Copyright:

Formatos disponibles

Administracin de Operaciones

Temas Selectos, Aplicaciones y un Estudio de Caso

Instituto Tecnolgico y de Estudios Superiores de Monterrey Campus Quertaro

Dedicatoria, agradecimiento, prefacio e ndice.

A Irma, Tantos siglos, tanto espacio y coincidimos.

Dedicatoria, agradecimiento, prefacio e ndice.

Dedicatoria, agradecimiento, prefacio e ndice.

Dedicatoria, agradecimiento, prefacio e ndice.

Dedicatoria, agradecimiento, prefacio e ndice.

I PRON~STICOS DE DEMANDA 1.1 Introduccin 2

2.2 Planeacin de capacidad de largo plazo 66

1.2 Mtodos de anlisis de series de tiempo 5

2.3 Planeacin de capacidad de corto plazo 77

nr ESTUDIO DEL TRABAJO

3.2 Curva de aprendizaje 92

1.3 Evaluacin de los mtodos de anlisis de series 23

3.3 Determinacin del nmero de ciclos a cronometrar 106

1.4 Mtodos causales 31

3.4 Muestreo del trabajo 109

IV CONTROL DE INVENTARIOS 4.1 Introduccin 126

11 PLANEACIN DE CAPACIDAD 2.1 Introduccin 64

4.2 Modelos bsicos de inventarias 130

viii 4.2.3 Modelo bsico para productos terminados 133

5.4 Programacin de los sistemas productivos de secuencia fija 198

5.5 Programacin de los sistemas productivos de secuencia variable 205

4.6 Optimizacin de los modelos de punto fijo y ciclo fijo 162

5.3 Programacin de la fabricacin de "n" productos en "una" mquina 186

MI ADMINISTRACIN DEL MANTENIMIENTO 7.1 Introduccin 258

Dedicatoria, agradecimiento, prefacio e ndice.

7.2 Mantenimiento preventivo 260

9.11 Justo-a-tiempo y calidad de vida: un estudio exploratorio 333

8.4 Ruido 286

8.5 Contaminantes qumicos 294

IX 9.1 9.2 9.3 9.4

orden y limpieza 323

9.13 Justo-a-tiempo en los servicios 359

Dedicatoria, agradecimiento, prefacio e ndice.

10.3 Planeacin de capacidad 366

* Aplicacin 10.3 * Aplicacin 10.4 * Aplicacin 10.5

366 370 373

10.4 Programacin de la produccin 376

* Aplicacin 10.6 376 * Aplicacin 10.7 379 XI CASO MALHER

Dedicatoria, agradecimiento, prefacio e ndice.

Dedicatoria, agradecimiento, prefacio e ndice.

Dedicatoria, agradecimiento, prefacio e ndice.

Dedicatoria, agradecimiento, prefacio e ndice.

Captulo 1: Pronsticos de Demanda

Captulo 1: Pronsticos de Demanda

Captulo 1: Pronsticos de Demanda

Captulo 1: Pronsticos de Demanda

Captulo 1: Pronsticos de Demanda

Captulo 1: Pronsticos de Demanda

Sustituyendo los valores de las sumatorias y de "N" en las ecuaciones, tenemos:

Captulo 1: Pronsticos de Demanda

En relacin a este Cuadro 1.2 debemos hacer las siguientes observaciones:

* Si Zx=O, las ecuaciones de mnimos cuadrados se reducen a:

Captulo 1: Pronsticos de Demanda

Por lo tanto, la demanda para 2001 ser:

Captulo 1: Pronsticos de Demanda

' en el eje vertical, y

Las ecuaciones de la derecha son

Captulo 1: Pronsticos de Demanda

Ejemplo numrico 1.2: