INTRODUCCIN LA INVESTIGACIN DE OPERACIONES Y EL USO DE MODELOS Un poco de Historia Se inicia desde la revolucin industrial, en los libros se dice que

fue a partir de la segunda Guerra Mundial. La investigacin de operaciones se aplica a casi tod os los problemas. En 1947, en E.U., George Datzing encuentra el mtodo SIMPLEX par a el problema de programacin lineal. En la investigacin de operaciones, las comput adoras son la herramienta fundamental en la investigacin de operaciones. Definicin Investigacin de operaciones, es la aplicacin del mtodo cientfico por un grupo multi disciplinario de personas a un problema, principalmente relacionado con la distr ibucin eficaz de recursos limitados (dinero, materia prima, mano de obra, energa ) , que apoyados con el enfoque de sistemas (este enfoque, es aquel en el que un g rupo de personas con distintas reas de conocimiento, discuten sobre la manera de resolver un problema en grupo.). Puede considerarse tanto un arte como una cienc ia. Como arte refleja los conceptos eficiente y limitado de un modelo matemtico d efinido para una situacin dada. Como ciencia comprende la deduccin de mtodos de clcu lo para resolver los modelos. Pasos del Mtodo cientfico en IO 1. 2. 3. 4. 5. 6. De limitacin del problema Modelacin del problema Resolucin del modelo Verificacin con l a realidad Implantacin Conclusiones TIPOS DE MODELOS Y SU SIGNIFICADO Un modelo es una representacin ideal de un sist ema y la forma en que este opera. El objetivo es analizar el comportamiento del sistema o bien predecir su comportamiento futuro. Obviamente los modelos no son tan complejos como el sistema mismo, de tal manera que se hacen las suposiciones y restricciones necesarias para representar las porciones ms relevantes del mism o. Claramente no habra ventaja alguna de utilizar modelos si estos no simplificar an la situacin real. En muchos casos podemos utilizar modelos matemticos que, medi ante letras, nmeros y operaciones, representan variables, magnitudes y sus relaci ones. Modelos Matemticos UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Un modelo es producto de una abstraccin de un sistema real: eliminando las comple jidades y haciendo suposiciones pertinentes, se aplica una tcnica matemtica y se o btiene una representacin simblica del mismo. Un modelo matemtico consta al menos de tres conjuntos bsicos de elementos: 1. Vari ables de decisin y parmetros Las variables de decisin son incgnitas que deben ser de terminadas a partir de la solucin del modelo. Los parmetros representan los valore s conocidos del sistema o bien que se pueden controlar. 2. Restricciones Las res tricciones son relaciones entre las variables de decisin y magnitudes que dan sen tido a la solucin del problema y las acotan a valores factibles. Por ejemplo si u na de las variables de decisin representa el nmero de empleados de un taller, es e vidente que el valor de esa variable no puede ser negativa. 3. Funcin Objetivo La funcin objetivo es una relacin matemtica entre las variables de decisin, parmetros y una magnitud que representa el objetivo o producto del sistema. Por ejemplo si el objetivo del sistema es minimizar los costos de operacin, la funcin objetivo de be expresar la relacin entre el costo y las variables de decisin. La solucin PTIMA s e obtiene cuando el valor del costo sea mnimo para un conjunto de valores factibl es de las variables. Es decir hay que determinar las variables x1, x2,..., xn qu e optimicen el valor de Z = f(x1, x2,..., xn) sujeto a restricciones de la forma g(x1, x2,..., xn) b. Donde x1, x2,..., xn son las variables de decisin Z es la f uncin objetivo, f es una funcin matemtica. Clasificacin de Modelos Muchos problemas de decisin implican un gran nmero de facto res o variables importantes o pueden tener muchas opciones a considerar por lo q ue se hace necesario la utilizacin de

4 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS computadoras para su solucin. Por ejemplo una empresa puede contar con varias fbri cas donde produce bienes para enviar a cientos de clientes. Decidir la programac in de las fbricas y determinar cules de ellas deben atender a cuales clientes, para minimizar costos, implica cientos de variables y restricciones que pueden tener millones de posibles soluciones. Los modelos de programacin lineal y programacin entera son las tcnicas ms utilizadas para resolver problemas grandes y complejos d e negocios de este tipo. En ellos se aplican tcnicas matemticas para hallar el val or mximo (o el mnimo) de un objetivo sujeto a un conjunto de restricciones. La sim ulacin es una tcnica para crear modelos de sistemas grandes y complejos que incluy en incertidumbre. Se disea un modelo para repetir el comportamiento del sistema. Este tipo de modelo se basa en la divisin del sistema en mdulos bsicos o elementale s que se enlazan entre s mediante relaciones lgicas bien definidas. El desarrollo de un modelo de simulacin es muy costoso en tiempo y recursos. Problemas dinmicos los problemas dinmicos de decisin implican un tipo particular de complejidad cuand o hay una secuencia de decisiones interrelacionadas a travs de varios perodos. Por ejemplo modelos de inventario, para determinar cundo pedir mercadera y cunto debe mantenerse en existencia; los modelos PERT o de ruta Crtica para la programacin de proyectos y los modelos de colas para problemas que involucran congestin. En los problemas complejos pueden aparecer variables exgenas o variables externas, impo rtantes para el problema de decisin, pero que estn condicionadas por factores que estn fuera del control de la persona que decide, tales como condiciones econmicas, acciones de los competidores, precios de las materias primas y otros factores s imilares. Las restricciones pueden considerar ciertas polticas definidas por la e mpresa tales como que los materiales tienen que adquirirse a determinados provee dores o que deben mantenerse ciertos niveles de calidad. 5 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS La investigacin de operaciones, tiene mtodos de optimizacin aplicables a los siguie ntes tipos de problemas: 1. METODOS DETERMINISTICOS: Ej., Programacin lineal, pro gramacin entera, probabilidad de transporte, programacin no lineal, teora de locali zacin o redes, probabilidad de asignacin, programacin por metas, teora de inventario s, etc. 2. METODOS PROBABILISTICOS: Ej. Cadenas de Markov, teora de juegos, lneas de espera, teora de inventarios, etc. 3. METODOS HIBRIDOS: Tienen que ver con los mtodos determinsticos y probabilsticos como la teora de inventarios. 4. METODOS HEU RISTICOS: Son las soluciones basadas en la experiencia, como la programacin heurst ica. Un Analista de investigacin de Operaciones debe elegir el plan de accin ms efe ctivo para lograr las metas de la organizacin, debe seleccionar un conjunto de me didas de desempeo, utilizar una unidad monetaria y tomar decisiones, debe seguir un proceso general de solucin, en cualquier situacin, durante la toma de decisione s. Deben establecerse los criterios de tomas de decisiones (Costos, Cantidades, Mximos, Mnimos etc.), seleccionar las alternativas, determinar un modelo y evaluar lo, integrar la informacin cuantitativa obtenida para luego decidir. Muchas veces hay que incorporar factores cualitativos tales como el nimo y el liderazgo en la organizacin, problemas de empleo, contaminacin u otras de responsabilidad social. Nota: el proceso de abstraccin (idealizacin restriccin y simplificacin) siempre int roduce algn grado de error en las soluciones obtenidas, por lo que el ejecutivo n o debe volverse incondicional de un modelo cuantitativo y adoptar automticamente sus conclusiones como 6

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS la decisin correcta. La cuantificacin es una ayuda para el juicio empresarial y no un sustituto de este. Los modelos planteados se conocen como modelos determinsti cos. En contraste, en algunos casos, quiz no se conozcan con certeza los datos, ms bien se determinan a travs de distribuciones de probabilidad, se da cabida a la naturaleza probabilstica de los fenmenos naturales. Esto da origen a los as llamado s modelos probabilsticos o estocsticos. Las dificultades evidentes en los clculos d e los modelos matemticos han obligado a los analistas a buscar otros mtodos de clcu lo que aunque no garantizan la optimalidad de la solucin final, buscan una buena solucin al problema. Tales mtodos se denominan heursticos. Suelen emplearse con dos fines: En el contexto de un algoritmo de optimizacin exacto, con el fin de aumen tar la velocidad del proceso. En segundo lugar para obtener una solucin al proble ma aunque no ptima, la que puede ser muy difcil encontrar. 7 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS INDICE DE CONTENIDO INTRODUCCIN ................................................. ...................................................... UNIDAD UNO: TCNICAS DE PRO NSTICO, TEORA DE INVENTARIOS, TOMA DE DECISIONES EN SISTEMAS DE INVENTARIOS CAPITU LO UNO: TCNICAS DE PRONSTICO Leccin 1: Pronsticos Leccin 2: Modelo de regresin lineal Leccin 3: Modelo de promedio mvil Leccin 4: Suavizacin exponencial Leccin 5: Error de l pronstico CAPITULO DOS: TEORA DE INVENTARIOS Leccin 6: Administracin de inventario s Leccin 7: Modelo de inventarios EOQ Leccin 8: Modelos de inventarios EOQ con des cuentos Leccin 9: Modelos de lote de produccin y el sistema de clasificacin ABC Lec cin 10: Modelo estocstico de inventarios CAPITULO 3: ELEMENTOS PARA LA TOMA DE DEC ISIONES EN SISTEMAS DE INVENTARIOS Leccin 11: Modelos para la toma de decisiones en el sistema de inventarios Leccin 12: Elementos que enmarcan el proceso decisor io en produccin e inventarios Leccin 13: Factores de importancia para la toma de d ecisiones en inventarios Leccin 14: Control de inventarios de tems individuales co n demanda probabilstica Leccin 15: Formas de revisin del nivel de inventario 14 16 22 27 33 39 51 53 56 63 68 81 88 88 90 91 95 97 UNIDAD 2 CADENAS DE MARKOV, TEORA DE COLAS Y PROGRAMACIN NO LINEAL CAPITULO 4: CAD ENAS DE MARKOV Leccin 16: Cadenas de Eventos Anlisis de MARKOV Leccin 17: Descripcin de una cadena de Markov Leccin 18: Clculo de las probabilidades de transicin Leccin 19: Clasificacin de estados en una cadena de Markov Leccin 20: Probabilidades de estado estable CAPITULO 5: MODELOS DE LNEAS DE ESPERA Leccin 21: Teora de lneas de e spera Leccin 22: Origen de la teora de colas Leccin 23: Medidas de rendimiento Lecc in 24: Anlisis de costos Leccin 25 CAPITULO 6 PROGRAMACIN NO LINEAL Leccin 26: Progra macin no lineal Leccin 27: Programacin cuadrtica 104 104 106 108 111 112 125 127 130 136 138 143 143 146 8 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 28: Multiplicadores de lagrange -condiciones Kunh TuckeR Leccin 29: Tcnica d el gradiente Leccin 30: Mtodo de Newton- Raphson

147 148 150 9 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS UNIDAD 1 Nombre de la Unidad TCNICAS DE PRONSTICO, TEORA DE INVENTARIOS En la toma de decisiones tratamos con el diseo de planes futuros. De esta forma los datos que describen la situacin de dec isin deben ser representativos de lo que ocurra en el futuro. Por ejemplo, en con trol de inventarios basamos nuestras decisiones en la naturaleza de la demanda d el artculo controlado durante un horizonte de planeacin especfico. Asimismo, en pla neacin financiera, necesitamos predecir el patrn del flujo de efectivo en el tiemp o. Este captulo presenta tres tcnicas para pronosticar cambios futuros en el nivel de una variable deseada como funcin del tiempo: 1. Regresin lineal Introduccin 2. Promedio mvil 3. Suavizacin exponencial La necesid ad de proyecciones de la demanda es un requerimiento general a lo largo del proc eso de planeacin y control. Sin embargo, tambin podran necesitarse ciertos tipos de problemas de planeacin, como control de inventarios, compras econmicas y control de costos, pronsticos de los tiempos de espera, precios y costos. Las tcnicas de p ronsticos son igualmente aplicables. El pronstico de los niveles de demanda es vit al para la firma como un todo, ya que proporciona los datos de entrada para la p laneacin y control de todas las reas funcionales, incluyendo logstica, marketing, p roduccin y finanzas. Los niveles de demanda y su programacin afectan en gran medid a los niveles de capacidad, las necesidades financieras y la estructura general del negocio. Cada rea funcional tiene sus propios problemas especiales de pronstic o. 10 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS El xito de un negocio depende a menudo de la habilidad para pronosticar, es decir hacer predicciones sobre el futuro. Estas predicciones se usan para tomar dos a mplios tipos de decisiones: decisiones operativas en curso y decisiones estratgic as a largo plazo. Las decisiones operativas en curso, son la asignacin de pocos r ecursos, la compra de materias primas, la determinacin de horarios de trabajo, et c., Las predicciones estratgicas a largo plazo tambin dependen de predicciones exa ctas. De esta forma el pronstico es la estimacin de las actividades futuras; se ba sa en el uso de datos anteriores de una variable para producir su desempeo futuro , solo son aplicables para predecir la demanda de artculos para los que se dispon e de una cantidad sustancial de informacin anterior y no para productos nuevos. Las tcnicas de pronsticos disminuyen la incertidumbre sobre el futuro, permitiendo estructurar planes y acciones congruentes con los objetivos de la organizacin y permiten tambin tomar acciones correctivas apropiadas y a tiempo cuando ocurren s ituaciones fuera de lo pronosticado. Pronosticar vs. Planear Pronstico. Estimacin anticipada del valor de una variable, por ejemplo: la demanda de un producto. Pr esupuesto. Valor anticipado de la variable que una compaa est en posibilidad de con cretizar, por ejemplo: la cantidad de producto que la compaa decide fabricar en fu ncin de la demanda y de la capacidad instalada. El conocimiento de las tcnicas de pronsticos es de poco valor a menos que puedan aplicarse efectivamente en el proc eso de planeacin de la organizacin. Caractersticas de los Pronsticos Primera. Todas las situaciones en que se requiere un pronstico, tratan con el futuro y el tiempo

est directamente involucrado. As, debe pronosticarse para un punto especfico en el tiempo y el cambio de ese punto generalmente altera el pronstico. Segunda. Otro elemento siempre presente en situaciones de pronsticos es la incertidumbre. Si el administrador Justificacin 11 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS tuviera certeza sobre las circunstancias que existirn en un tiempo dado, la prepa racin de un pronstico seria trivial. Tercera. El tercer elemento, presente en grad o variable en todas las situaciones descritas es la confianza de la persona que hace el pronstico sobre la informacin contenida en datos histricos. La administracin de inventario es primordial dentro de un proceso de produccin ya que existen div ersos procedimientos que nos va a garantizar como empresa, lograr la satisfaccin para llegar a obtener un nivel ptimo de produccin. Dicha poltica consiste en el con junto de reglas y procedimientos que aseguran la continuidad de la produccin de u na empresa, permitiendo una seguridad razonable en cuanto a la escasez de materi a prima e impidiendo el acceso de inventario, con el objeto de mejorar la tasa d e rendimiento. Su xito va estar enmarcado dentro de la poltica de la administracin de inventario: 1. Establecer relaciones exactas entre las necesidades probables y los abastecimientos de los diferentes productos. 2. Definir categoras para los inventarios y clasificar cada mercanca en la categora adecuada. 3. Mantener los co stos de abastecimiento al ms bajo nivel posible. 4. Mantener un nivel adecuado de inventario. 5. Satisfacer rpidamente la demanda. 6. Recurrir a la informtica. Alg unas empresas consideran que no deberan mantener ningn tipo de inventario porque m ientras los productos se encuentran en almacenamiento no generan rendimiento y d eben ser financiados. Sin embargo es necesario mantener algn tipo de inventario p orque: 1. La demanda no se puede pronosticar con certeza. 2. Se requiere de un c ierto tiempo para convertir un producto de tal manera que se pueda vender. Adems de que los inventarios excesivos son costosos tambin son los inventarios insufici entes, por que los clientes podran dirigirse a los competidores si los productos no estn disponibles cuando los demandan y de esta manera se pierde el negocio. La administracin de inventario requiere de una coordinacin entre los departamentos d e ventas, compras, produccin y finanzas; 12 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS una falta de coordinacin nos podra llevar al fracaso financiero. En conclusin la me ta de la administracin de inventario es proporcionar los inventarios necesarios p ara sostener las operaciones en el ms bajo costo posible. En tal sentido el prime r paso que debe seguirse para determinar el nivel ptimo De inventario son, los co stos que intervienen en su compra y su mantenimiento, y que posteriormente, en q u punto se podran minimizar estos costos. intencionalidades Formativas Denominacin de captulos Desarrollar una tcnica de decisin que comprenda teora matemtica, si es necesario, y que conduzca a un valor ptimo basado en los objetivos del tomador de decisiones. Permitir que los estudiantes resuelvan problemas del campo de la ciencia, la tec nologa e ingeniera, con los conocimientos interiorizados del curso acadmico en menc in. Fomentar en el estudiante caractersticas que deben identificarlo en su desempeo

y actuacin profesional de la Ingeniera. Captulo 1 Tcnicas de pronstico Captulo 2 Teor de inventarios Captulo 3 Elementos para la toma de decisiones en sistemas de inv entarios 13 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS CAPITULO UNO: TCNICAS DE PRONSTICO Introduccin En la toma de decisiones tratamos co n el diseo de planes futuros. De esta forma los datos que describen la situacin de decisin deben ser representativos de lo que ocurra en el futuro. Existen disponi bles tres grupos de mtodos de pronsticos: Los cualitativos, los de proyeccin histric a y los causales. Se diferencian entre s por la precisin relativa del pronstico del largo plazo en comparacin con el corto plazo, el nivel de herramientas matemticas requerido y la base de conocimiento como sustrato de sus proyecciones. Por ejem plo, en control de inventarios basamos nuestras decisiones en la naturaleza de l a demanda del artculo controlado durante un horizonte de planeacin especfico. Asimi smo, en planeacin financiera, necesitamos predecir el patrn del flujo de efectivo en el tiempo. Este captulo presenta tres tcnicas para pronosticar cambios futuros en el nivel de una variable deseada como funcin del tiempo: 1. Regresin lineal 2. Promedio mvil 3. Suavizacin exponencial La necesidad de proyecciones de la demanda es un requerimiento general a lo larg o del proceso de planeacin y control. Sin embargo, tambin podran necesitarse cierto s tipos de problemas de planeacin, como control de inventarios, compras econmicas y control de costos, pronsticos de los tiempos de espera, precios y costos. Las tc nicas de pronsticos son igualmente aplicables. El pronstico de los niveles de demanda es vital para la firma como un todo, ya qu e proporciona los datos de entrada para la planeacin y control de todas las reas f uncionales, incluyendo logstica, marketing, produccin y finanzas. Los niveles de d emanda y su programacin afectan en gran medida los niveles de capacidad, las nece sidades financieras 14 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS y la estructura general del negocio. Cada rea funcional tiene sus propios problem as especiales de pronstico. El xito de un negocio depende a menudo de la habilidad para pronosticar, es decir hacer predicciones sobre el futuro. Estas predicciones se usan para tomar dos a mplios tipos de decisiones: decisiones operativas en curso y decisiones estratgic as a largo plazo. Las decisiones operativas en curso, son la asignacin de pocos r ecursos, la compra de materias primas, la determinacin de horarios de trabajo, et c., Las predicciones estratgicas a largo plazo tambin dependen de predicciones exa ctas. De esta forma el pronstico es la estimacin de las actividades futuras; se ba sa en el uso de datos anteriores de una variable para producir su desempeo futuro , solo son aplicables para predecir la demanda de artculos para los que se dispon e de una cantidad sustancial de informacin anterior y no para productos nuevos. 15 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO

LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 1: PRONSTICOS La definicin de pronstico es simple, sin embargo encierra mucha s situaciones que intervienen en su resultado o bien en la consecucin del mismo. Pronostico es un mtodo mediante el cual se intenta conocer el comportamiento futu ro de alguna variable con algn grado de certeza. "Un pronstico es un inicio o una seal por donde se puede saber una cosa futura mediante indicios"1 El pronstico des empea un papel muy significativo en la planeacin de materiales, se pueden encontra r pronsticos de abastecimiento, de condiciones, comerciales, de tecnologa, precios , etc. Y en cualquiera de estos rtulos el pronstico es necesario para la toma de d ecisiones. Aunque es muy cotidiano que hoy en da el manejo de pronsticos en las pe queas y medianas empresas, existen situaciones que tienen que ver con la planeacin de las necesidades futuras. La problemtica primordial es la poca confianza del u so de la tcnica pronstico. Los pronsticos pueden ser utilizados para conocer el com portamiento futuros en muchas fenmenos, tales como: 1. 2. 1 Mercadotecnia Tamao del mercado Participacin en el mercado Tendencia de precios De sarrollo de nuevos productos Produccin Costo de materia prima Costo de mano de ob ra Disponibilidad de materia prima Disponibilidad de mano de obra Enciclopedia Sopena, Editorial Ramon Sopena, S.A. Provenza 95, Barcelona pg. 952 16 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Requerimientos de mantenimiento Capacidad disponible de la planta para la produc cin

3. Finanzas Tasas de inters Cuentas de pagos lentos 4. 5. Recursos Human e trabajadores Rotacin de personal Tendencias de ausentismo Tendencia de llegadas tarde Planeacin Estratgica Factores econmicos Cambios de precios Costos Crecimient o de lneas de productos En el sector automotriz las insuficiencias de compra de materiales y produccin pr ovienen de pronsticos ventas, ya que es responsabilidad la misma rea de ventas o m ercadeo de los productos, sin embargo cuando los ordenadores de compra de materi ales tienden en compras excesivas o deficientes siempre son acusados, cuando ver daderamente el generador de esos pronsticos es ventas. Autores experimentados manifiestan que: "Si la demanda es inferior al pronstico, el proveedor puede sospechar que el pronstico original era un intento por obtener un precio favorable o alguna otra concesin. Si la demanda excede el pronstico, lo s costos del proveedor pueden aumentar debido a la urgencia, las compras de emer gencia, y cambios en los programas de produccin."2 De tal manera los proveedores hacen parte de ese conjunto de incertidumbre que p resenta el pronstico, por ello es prescindible que los ordenadores de los materia les ayuden a estrechar los contactos con los diferentes proveedores y que genere n un ambiente 2 Arbones Malisani, Logistica Empresarial. Editorial Alfaomega 17

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS empresarial fomentando flexibilidad y cooperacin al momento de sus requerimientos Tambin es cierto que no se deben descartar que de manera regular las actualizaci ones y se ajusten a los pronsticos. En el da a da se encuentran una diversidad de tcnicas para el planteamiento de prons ticos y se estas se van desarrollando de manera exponencial, estas tcnicas pueden ser cuantitativas y cualitativas y se pueden emplear separadas o en conjunto. E l sector automotriz la tcnica ms usada de pronsticos es la cuantitativa ya que esta se sustenta en la toma de datos del pasado para hacer las proyecciones o predic ciones del futuro, algunas tcnicas cuantitativas hacen hincapi en identificar indi cadores que sean sobresalientes mediante los cuales se puedan crear modelos line ales o de regresin mltiple. Algunas de las tcnicas de pronstico cuantitativas que en la actualidad se utilizan , se desarrollaron durante el siglo XIX; un ejemplo de ello el anlisis de regresin y las tcnicas de series de tiempo. Con la implementacin de tcnicas de pronstico ms c omplejas, junto con la generalizacin del uso de las computadoras, los pronsticos a centuaron la atencin durante los ltimos aos, y cualquier persona es capaz de operar datos a partir de un software en una computadora de bolsillo y obtener pronstico s. Quienes han desarrollado los modelos cuantitativos clasifican a algunos de los p ronsticos cuantitativos como repetitivos, es decir, que los valores que se pronos tican continan un proceder repetitivo a travs del tiempo, la labor de los quienes analizan este tipo de pronsticos es el identificar ese comportamiento y desarroll ar el pronstico, por consiguiente el desarrollar dicho pronstico hace necesario te ner en cuenta algunos factores como el valor constante, tendencia, variaciones e stacinales, variaciones cclicas, variaciones aleatorias y puntos de modulacin. Referente a los pronsticos cualitativos, se consideran ms comunes en las empresas de servicios ya que se basan en la repuesta de opiniones de diversas personas, v alorizando con juicio dichas opiniones para utilizarlas al generar el pronstico. Estas tcnicas cualitativas son ms flexibles que las cuantitativas, sin embargo son tan precisas y exactas como estas. 18 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Al momento de elaborar un pronstico y este resulta mal proyectado conlleva a que la planeacin no funciona y todas las reas de la empresa se vuelven ineficientes, r epercutiendo en las finanzas y reflejando las pocas ventas obtenidas, abundancia s en los inventarios de productos que no requieren los clientes, reduccin de mrgen es, costos ms altos, entre otros problemas. En trminos de pronosticar variables importantes para una compaa o para una parte de ella como son las ventas de la empresa, las horas de ausencia por empleado, los costos operativos, las tasa de inters y tipos de cambio del mercado, entre otros , ms sin embargo, las variables macroeconmicas median en las decisiones que tome l a empresa para su futuro. Las necesidades de pronosticar Los pronsticos se utilizan para acercarnos informacin futura y con ella elaborar u n plan de accin, de ah que las caractersticas de un pronstico sean: Primera. Todas l

as situaciones en que se requiere un pronstico, tratan con el futuro y el tiempo este directamente involucrado. As, debe pronosticarse para un punto especfico en el tiempo y el cambio de ese punto generalmente altera el pronstico. Segunda. Otr o elemento siempre presente en situaciones de pronsticos es la incertidumbre. Si el administrador tuviera certeza sobre las circunstancias que existirn en un tiem po dado, la preparacin de un pronstico seria trivial. Tercera. El tercer elemento, presente en grado variable en todas las situaciones descritas es la confianza d e la persona que hace el pronstico sobre la informacin contenida en datos. Tcnicas para el clculo de pronsticos Cuando es difcil convertir en nmeros las variabl es que intervienen en la determinacin de la demanda futura. La mayora es bajo cost o y no requieren de equipo computacional para hacerse, aunque su planeacin implic a una gran inversin de tiempo por parte de los directivos. 19 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS 1. Opiniones de los gerentes/ejecutivos: se basa en la opinin general de un grupo de directivos o gerentes de la empresa. 2. Tcnica Delphi: un grupo de expertos r esponde, de manera annima, a un cuestionario que pregunta sobre las proyecciones de ventas de la empresa. Un moderador lee en voz alta las respuestas y, entre to dos, buscan consenso. 3. Informacin de los vendedores: consiste en recopilar las estimaciones realizadas por los vendedores (o distribuidores) acerca de las vent as esperadas en sus territorios, con el fin de suponer la tendencia y cambios fu turos. 4. Anlisis del ciclo de vida: se basa en la evaluacin de las etapas de un p roducto o servicio para predecir su del producto demanda en el mercado. Esto es, desde la introduccin, inicio y crecimiento, hasta las etapas de madurez y declin acin. 5. Investigacin de mercados: se propone recolectar datos de diversas maneras (entrevistas, cuestionarios) para probar hiptesis acerca del mercado. QU TCNICA UTI LIZAR? Para determinar que tcnica de pronstico, se deben considerar los siguientes puntos: 1. Definir la naturaleza del problema de pronstico. 2. Explicar la natur aleza de los datos bajo investigacin. 3. Describir las capacidades y limitaciones de las tcnicas de pronstico potencialmente tiles. 4. Desarrollar algunos criterios predeterminados sobre los cuales se pueda tomar la decisin de la seleccin, como s on algunas medidas de error. BASES DE PRONSTICO. Ingreso por venta. Costo de prod uctos manufacturados. Horas de mano de obra directa Horas de maquinaria. Costos de los insumos. FUENTES DE PRONSTICO. Externas: Actividades generales de la economa o factores geo polticos, que despus se relacionan con las actividades empresariales. Internas: Es tima cada producto de una empresa, para despus hacer un pronstico agregado de toda s sus actividades. CLASIFICACION DE LOS METODOS DE PRONOSTICOS.SEGN EL TIEMPO: A Corto Plazo: alcanc e de un da a un ao, sirve para funciones de control, como ajuste de la Tasa de pro duccin, del empleo, del pronstico de venta, etc. 20 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS

A Mediano Plazo: con alcance de una estacin a uno o dos aos. Son usados para la pl aneacin operativa, el flujo de caja, el programa de produccin y las ventas. A Larg o Plazo: con un alcance de dos a cinco aos, esto se usa para ampliar plantas, pro ducir nuevos productos, cambiar polticas, adoptar nuevas tecnologas. 21 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 2: MODELO DE REGRESIN LINEAL El anlisis de regresin es una de las tcnicas esta dsticas la cual se utiliza en la investigacin al relacionar entre dos o ms variable s, una de sus utilizaciones est en la construccin de modelos que permitan predecir el comportamiento de una variable Y (dependiente, respuesta) en funcin de una o ms variables (independientes, predictivas) X. El comportamiento de estas variables suelen definirse de manera previa lo que no s remite a un modelo terico, o bien, se tiene el caso de que no exista una relacin establecida entre estas y sea necesario establecer una primera aproximacin del c omportamiento de las mismas. Lo anterior se puede lograr usando una herramienta grfica denominada diagrama de dispersin lo que nos conducira a desarrollar un modelo emprico de la relacin que man tienen las variables en estudio. Ventajas Es objetivo, solo depende de los resul tados experimentales. Es reproducible, proporciona la misma ecuacin no importa de quien realice el anlisis. Proporciona una estimacin probabilstica de la ecuacin que representa a unos datos experimentales. Proporciona intervalos pequeos de error. Restricciones Solo sirve para ajustar modelos lineales Requiere tener al menos d iez mediciones bajo las mismas circunstancias experimentales. Se requiere de algn equipo de clculo, de lo contrario, es muy engorroso el procesamiento de la infor macin. Establece la relacin temporal para la variable de pronstico, implica una relacin ca usaefecto. La ecuacin general es: Y= + x Y = Variable dependiente = La altura de la recta. 22 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS = La pendiente de la recta. x = Variable independiente. METODOS DE LOS MNIMOS CUADRADOS. Para calcular y : = altura de la lnea recta. = pendiente de la recta. Y = variable dependiente. X = variable independiente. x = promedio de los valores X. y = promedio de los va lores Y. n = nmero de observaciones. 23 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Ejemplo Encontrar la lnea recta del mnimo cuadrado. 24

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS EJEMPLO: La demanda de un artculo en los ltimos 4 aos se muestra a continuacin: Dema nda(unidades) Aos 2006 6 2007 8 2008 7 2009 9 Con esta informacin se pide pronosticar la demanda para el ao 2010 y 2011 utilizan do regresin lineal. Solucin: Es necesario hallar la ecuacin de regresin la demanda e n unidades del artculo. , donde x representa el tiempo y Y Procedemos a hallar . teniendo en cuenta las ecuaciones planteadas anteriormen te. Aos 2006 2007 2008 2009 TOTALES = =2,5; = =7,5 , , , , X 1 2 3 4 10 Demanda(y) 6 8 7 9 30 X.Y 6 16 21 36 79 X2 1 4 9 16 30 = =0,8 =5,5 ; 5 0,8 Esta sera la ecuacin de regresin, ahora para hallar la demanda del ao 2010 reemplazamos a x por 5, ya que sera el valor que le correspondera en la tabla, pues el 2009 es 4, as el 2011 seria 6. Reemplazando 10 !"!#$. obtendramos: 5 0,8 5 9 !"!#$; 5 0,8 6 9,8 Entonces la demanda proyectada para el 2010 sera de 9 unidades y de 10 unidades p ara el 2011. TALLER DE APLICACIN 25 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Solucione los siguientes ejercicios: 1. La demanda de un artculo en unidades en l os ltimos 5 aos se describe a continuacin: Utilice la tcnica de regresin lineal para estimar el nmero de unidades que se proye ctan de demanda para el ao 2010. 2. El nmero de estudiantes matriculados en los lti mos 4 aos en una institucin de educacin bsica secundaria se describe a continuacin: Mediante regresin lineal pronostique el nmero de estudiantes que se matricularan e n el ao 2010. 26 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 3: MODELO DE PROMEDIO MVIL El Promedio Mvil o PM es el indicador ms utilizado en anlisis tcnico, ya que es uno de los indicadores experimentados ms antiguos que existen. La utilizacin de un promedio mvil muestra la direccin y la duracin de una tendencia; el propsito de un promedio mvil es el de ilustrar la tendencia, de una manera ms suavizada. Debido al hecho que el promedio mvil es uno de los indicadore s ms verstiles y de mayor uso dentro de todos los indicadores, es la base del diseo de la mayora de sistemas y estrategias utilizados hoy en da.

Un promedio mvil simple o aritmtico es calculado como la suma de un nmero predeterm inado de precios por un cierto nmero de perodos de tiempo, dividido por el nmero de perodos de tiempo. El resultado es el precio promedio en dicho perodo de tiempo. Los promedios mviles simples emplean la misma ponderacin para los precios. Es calc ulado usando la siguiente frmula: Promedio Mvil Simple = SUMA (precios de cierre) / n, donde n es el nmero de perodos. Un ejemplo de promedio mvil es el precio promedio del mercado en cierto perodo de tiempo. Se describen algunas de las propiedades ms comunes de los promedios mviles : El promedio mvil es calculado con cierto perodo de tiempo predefinido. Mientras ms corto el perodo, mayor la probabilidad de una seal falsa. Mientras ms largo el pe rodo, menor es la sensibilidad del promedio mvil. Es decir, ms certera pero existirn menos seales. Como su mismo nombre lo implica, un promedio mvil es un promedio de un cuerpo cam biante de data. Por ejemplo, un promedio mvil de 50 perodos, utilizado al cierre, es constituido p or la sumatoria de los precios de cierre de los ltimos 50 perodos, dividido por 50 . 27 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Se le designa promedio MVIL, por que nicamente los ltimos perodos son los evaluados, es decir, son los que estn siendo utilizados para calcular los resultados. Y de esa manera, los datos siendo evaluados se mueven hacia adelante con cada da (o pe rodo) que avanza. El anlisis de promedios mviles puede ser realizado a cualquiera de los siguientes diferentes tipos de precio: Precio de Apertura: El anlisis del perodo se hace en base el precio de apertura de cada cuerpo. Precio de Cierre: El anlisis del perodo se hace en base el precio de cierre de cada cuerpo. Precio ms Alto: El anlisis del perodo se hace en base el precio ms alto de cada cuerpo. Precio ms Bajo: El anlisis del perodo se hace en base el precio ms bajo de cada cuerpo. Precio Medio: El anlisis del perodo se hace en base el precio medio de cada cuerpo. Precio Medio = (Precio Alto + Precio Bajo) / 2 Precio Tpico: El precio tpico del perodo es calculado de la siguiente forma: Precio Tpico = (Prec io Alto + Precio Bajo + Precio Cierre) / 3 Precio Ponderado: El precio ponderado del perodo es calculado de la siguiente forma: Precio Pondera do = (Precio Alto + Precio Bajo + Precio Cierre + Precio Cierre) / 4 Tipos de Promedios Mviles Promedio Mvil Simple (SMA): El Promedio Mvil Simple es si n duda el promedio mvil ms utilizado hoy en da. El Promedio Mvil Simple es a veces l lamado un promedio mvil aritmtico y bsicamente es un precio promedio a travs de un p

erodo de tiempo. Se calcula sumando los precios de cierre del par analizado durante cierto perodo de tiempo y luego se divide dentro del mismo nmero de perodos. Por ejemplo, el Pro medio Mvil de los ltimos 10 das del precio de cierre, dividido dentro de 10. Debido al hecho que el Promedio Mvil Simple da el mismo peso a cada perodo de precio sie ndo evaluado, mientras ms largo sea el perodo de tiempo evaluado, mayor ser la suav izacin de los datos ms recientes. 28 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Promedio Mvil Exponencial (EMA): El indicador de Promedio Mvil Exponencial reaccio na ms rpidamente a cambios de precios recientes que el Promedio Mvil Simple debido al hecho que suma los precios de cierre del perodo actual al perodo anterior, dand o as ms peso a los ltimos perodos de precio. El perodo es utilizado para determinar el peso relativo que debera ser asignado a perodos previos. La frmula es utilizada para determinar el porcentaje. Promedio Mvil Suavizado (SMMA): Debido a que el indicador del Promedio Mvil Suaviz ado, suaviza el promedio mvil por medio de la asignacin de mismos pesos a precios pasados que a precios recientes, es recomendable utilizar el SMMA con perodos ms l argos de tiempo para mejores resultados Promedio Mvil Ponderado Lineal (LWMA) Un Promedio Mvil Ponderado se calcula a travs de la multiplicacin de de cada perodo de tiempo anterior por un peso. El peso est basado en el nmero de das del promedio mvil. Un Promedio Mvil Ponderado Lineal, da ms peso a informacin ms reciente que a datos ms antiguos. El hecho de que es medido linealmente significa que el dato ms antiguo recibe un valor de 1, luego el dato que le sigue, un valor de 2, luego el dato que le sigu e un valor de 3 y as sucesivamente, hasta que el ltimo dato recibe un peso equival ente al perodo. As que en un LWMA de 25, el peso del primer da es 1, mientras que e l peso del da ms reciente es de 25. Esto da 25 veces ms peso al precio de hoy que a l de hace 25 das. Consejos para Operar los promedios Mviles Recuerde de SIEMPRE confirmar sus punto s de entrada y salida con otros indicadores cuando utiliza cualquiera de las est rategias anteriormente mencionadas con promedios 29 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS mviles. Estos otros indicadores pueden ser, pero no se limitan a: MACD, Momentum, RSI, Stochastics & Precio ROC. Las seales falsas pueden ser evitadas al utilizar perodos ms largos de tiempo. Sin embargo, a pesar de que esto har que se generen menos seales, las seales brindadas sern ms certeras y exactas. Cuando inserte promedios mviles en sus grficas, utilice perodos comnmente usados por la mayora de inversionistas de Forex. Estos perodos pueden ser: 10, 50, 100 & 200 Algunos promedios mviles comnmente utilizados como el EMA 200, tambin son utilizado

s como niveles de soporte o resistencia. As que cuando llegue a este nivel especfi co, est atento para observar posibles retracciones de precios. La suposicin fundamental para esta tcnica es que la serie de tiempo es estable, en el sentido de que sus datos se generan mediante el siguiente proceso constante: yt= b+et donde b es un parmetro constante desconocido estimado a partir de los d atos histricos. Se supone que el error aleatorio et tiene un valor esperado cero y una varianza constante. Adems, los datos para los diferentes periodos no estn co rrelacionados. La tcnica del promedio mvil supone que las n observaciones ms recien tes son igualmente importantes en la estimacin del parmetro b. As, en un periodo ac tual t, si los datos para los n periodos ms recientes son yt-n+1, yt-n+2,...e yt, entonces el valor estimado para el periodo t+1 se calcula como yt+1 = (yt-n+1+ yt-n+2 +...+yt)/n No hay una regla exacta para seleccionar la base del promedio mvil, n. Si las var iaciones en la variable permanecen razonablemente constantes en el tiempo, se re comienda una n grande. De otra forma, se aconseja un valor de n pequeo si la vari able muestra patrones cambiantes. En la prctica, el valor de n flucta entre 2 y 10 . 30 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Ejemplo. La demanda (en nmero de unidades) de un artculo de inventario durante los pasados 24 meses se resume en la tabla. Utilice la tcnica del promedio mvil para pronosticar la demanda del siguiente mes (t= 25) TABLA Mes, t 1 2 3 4 5 6 7 8 9 10 11 12 Demanda, yt 46 56 54 43 57 56 67 62 50 56 47 56 Mes, t 13 14 15 16 17 1 8 19 20 21 22 23 24 Demanda, yt 54 42 64 60 70 66 57 55 52 62 70 72 Si utilizamos n = 3, la demanda estimada para el siguiente mes (t = 25) ser igual al promedio ) * * de las demandas para los meses 22 al 24, es decir, =68. EJERC ICIOS DE APLICACIN Solucione los siguientes ejercicios: 1. La demanda de un artcul o en unidades en los ltimos 5 aos se describe a continuacin: Utilice la tcnica del promedio mvil con k= 3 para estimar el nmero de unidades que se proyectan de demanda para el ao 2009 y 2010. 2. El nmero de estudiantes matriculados en los ltimos 4 aos en una institucin de edu cacin bsica secundaria se describe a continuacin: 31 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Mediante promedio mvil con k= 4, pronostique el nmero de estudiantes que se matric ularan en el ao 2010 y 2011. 32 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 4: SUAVIZACIN EXPONENCIAL El mtodo de suavizacin exponencial es un mtodo de pr omedio mvil ponderado muy refinado que permite calcular el promedio de una serie de tiempo, asignando a las demandas recientes mayor ponderacin que a las demandas

anteriores. Es el mtodo de pronstico formal que se usa ms a menudo, por su simplicidad y por la reducida cantidad de datos que requiere. A diferencia del mtodo de promedio mvil ponderado, que requiere n periodos de demanda pretrita y n ponderaciones, la suav izacin exponencial requiere solamente tres tipos de datos: el pronstico del ltimo p eriodo, la demanda de ese periodo y un parmetro suavizador, alfa , cuyo valor flu cta entre 0 y 1.0. Para elaborar un pronstico con suavizacin exponencial, ser suficiente que calculemo s un promedio ponderado de la demanda ms reciente y el pronstico calculado para el ltimo periodo. En la suavizacin exponencial se asignan pesos a los datos pasados tal que los pes os disminuyen al hacerse los datos ms antiguos, esto es que en un proceso cambian te, esto es que los datos recientes son ms validos que los datos antiguos. Este mtodo solo necesita el pronstico ms reciente, una constante de suavizacin (es u n valor arbitrario entre 0 y 1) y el ltimo dato real, y as se elimina la necesidad de almacenar grandes cantidades de datos pasados. La suavizacin exponencial requiere un valor de inicio. Si se tienen datos disponi bles se puede emplear un promedio sencillo para iniciar el proceso; si los datos no son seguros se puede hacer una prediccin subjetiva. La ecuacin correspondiente a este pronstico es: Ft+1= Ft+1= (demanda para este per iodo) + (1Dt + (1)Ft ) (pronstico calculado para el ltimo periodo) 33 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS La constante de suavizacin a es un nmero entre 0 y 1 que entra multiplicando en ca da pronstico, pero cuya influencia declina exponencialmente al volverse antiguos los datos. Una a baja de ms ponderacin a los datos histricos. Una a de 1 refleja una ajuste to tal a la demanda reciente, y los pronsticos sern las demandas reales de los period os anteriores. La seleccin depende de las caractersticas de la demanda. Los valores altos de a so n ms sensibles a las fluctuaciones en la demanda. Los valores bajos de a son ms apropiados para demandas relativamente estables (si n tendencia o ciclicidad), pero con una gran cantidad de variacin aleatoria. La suavizacin exponencial simple es un promedio suavizado centrado en el periodo presente. No se puede extrapolar para efectos de tendencia, por la que ningn valo r de a compensar completamente la tendencia en los datos. Los valores ordinarios de a varan entre 0.01 y 0.40. Los valores bajos de a dismi nuyen efectivamente la variacin aleatoria (ruido - dispersin). Los valores altos son ms sensibles a cambios en la demanda (introducciones de nue vos productos y error buscando cul valor reduce el error del pronstico. Esto puede hacerse fcilmente modelando el pronstico en un programa de cmputo, trata ndo con diferentes valores de a.

Un valor de a que proporcione aproximadamente un grado equivalente de suavizacin tanto como un promedio mvil de un periodo es a =2 / (n + 1) 34 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Esta forma de la ecuacin muestra que el pronstico para el periodo siguiente es igu al al pronstico del periodo actual ms una proporcin del error del pronstico correspo ndiente al mismo periodo actual. Para poner en marcha la suavizacin exponencial se requiere un pronstico inicial. H ay dos formas de realizar este pronstico inicial: Usar la demanda del ltimo period o, o bien, se dispone de datos histricos, calcular el promedio de varios periodos recientes de demanda. El efecto de la estimacin inicial del promedio sobre las e stimaciones sucesivas del mismo disminuye a lo largo del tiempo porque, con la s uavizacin exponencial, las ponderaciones asignadas a las demandas histricas sucesi vas, que se utilizan para calcular el promedio, disminuyen exponencialmente. Ejemplo: Una empresa usa suavizacin exponencial simple con a = 0.1 para pronostic ar la demanda. El pronstico para la semana de octubre 1 fue de 500 unidades, mien tras que la demanda real fue de 450 unidades. a) pronosticar la demanda de la semana de Octubre 8 b) Supngase que demanda real durante la semana de octubre 8 fue de 505 unidades. Pronostique la demanda de la semana de octubre 15. Continese pronosticando hasta noviembre 12 suponiendo que las demandas subsecuentes fueron realmente 516, 488, 467, 554 y 510. Solucin a) Pronosticar la demanda de la semana de Octubre 8 Ft = Ft-1 + a (At-1 Ft-1) Ft = 500 + 0.1 (450 - 500) Ft = 495 unidades b) Arreglando el procedimien to en forma tabular Valor a 0.1 35 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Semana Demanda Pronstico Error real At-1 anterior Ft-1 del Factor Correccin Pronostico a suavizado a (At-1 - Ft- Ft = Ft-1 + a 1) (At-1 - Ft-1) -5 1 2 -1 -3 6 1 y graficar 495 496 498 497 494 500 501 para poder hacer un pronstico At-1 - Ft- 1 1 450 500 -50 8 505 495 10 15 516 496 20 22 488 498 -10 29 467 497 -30 5 554 494 60 12 510 500 10 Lo idneo y deseable es comparar con otros anlisis 0.1 0.1 0.1 0.1 0.1 0.1 0.1 niveles de a Valor a 0.3 del Factor Correccin Pronostico suavizado a a (At-1 - Ft- Ft = Ft-1 + a 1) (A t-1 - Ft-1) -15 6 8 -3 -9 20 1 485 491 499 495 487 507 508 Semana Demanda Pronstico Error real At-1 anterior Ft-1

pronstico At-1 - Ft- 1 0ct-01 8 15 22 29 Nov-05 12 450 505 516 488 467 554 510 500 485 491 499 495 487 507 -50 20 25 -11 -28 67 3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 36 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Valor a 0.6 del Factor Correccin Pronostico suavizado a a (At-1 - Ft- Ft = Ft-1 + a 1) (A t-1 - Ft-1) -30 21 15 -11 -17 45 -8 470 491 506 495 478 524 515 Semana Demanda Pronstico Error real At-1 anterior Ft-1 pronstico At-1 - Ft- 1 0ct-01 8 15 22 29 Nov-05 12 450 505 516 488 467 554 510 500 470 491 506 495 478 524 -50 35 25 -18 -28 76 -14 0.6 0.6 0.6 0.6 0.6 0.6 0.6 _______________________ Monks Joseph G. Administracin de operaciones, serie Schau m., 1a edicin, Mxico D.F., Mc. Graw Hill., p.p. 168 - 170, 179 180 37 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS EJERCICIOS DE APLICACIN 1. Karls Copiers vende y repara mquinas de fotocopiado. El gerente necesita pronsticos semanales de las solicitudes de servicios, a fin de p oder programar las actividades de su personal de servicio. El pronstico correspon diente a la semana del 3 de julio fue de 23 llamadas para servicio. El gerente a plica la suavizacin exponencial con = 0.25. Pronostique usted el nmero de llamadas para servicio correspondientes a la semana del 7 de agosto, suponiendo que sta s ea la semana prxima. 2. Los siguientes datos corresponden a las calculadoras vendidas (expresadas en unidades) en una tienda de electrnica durante las ltimas 5 semanas. Aplique la suavizacin exponencial correspondientes a las semanas 3 a 6. con = 0.2, para pronosticar las ventas

38 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 5: ERROR DEL PRONSTICO MEDICIONES DE RENDIMIENTO PARA EVALUAR MODELOS DE PR ONSTICO. Error Pronstico: Habitualmente en los casos para proyectar un buen pronsti co se debe contar con excelentes instrumentos, metodologas y experiencia; ya que el mercado actual es muy cambiante, dinmico y en muchas ocasiones tiende a tener muchos componentes aleatorios, lo que conlleva a que pronosticar sea una labor c ompleja. Por tal motivo cantidades de empresas de hoy en da, han creado puestos y departamentos dedicados a pronosticar la demanda. Debido a que un pronstico es una estimacin se debe tener una tcnica de desempeo de e st, ya que esta tcnica ayudara a determinar cul es el mejor mtodo de pronsticos en el caso que se quiera evaluar varios, y para revisar su desempeo en el tiempo en bsqu eda de mejorarlo. Es importante utilizar una tcnica de estimacin del desempeo (estimacin del error) co mn, y no utilizar medidas propias, ya que en general las medidas propias hacen qu e se pierda objetividad en el anlisis. Hay algo muy importante que tiene que tene r las medidas del desempeo en los pronsticos, que tanto midan cuando el pronstico f ue mayor que el valor real y viceversa, miremos los errores comunes en las empre sas cuanto hacen la estimacin del error de pronstico de ventas: Solo cuentan el error cuando el pronstico es mayor a la venta real, ya que lo que les importa a ellos es la venta perdida. Solo cuentan el error cuando el pronsti co es menor a la venta real, debido a que lo importante es no tener mucho invent ario. No se cuenta la magnitud de la diferencia si no que se cuenta el nmero de v eces que el pronstico estuvo por encima y debajo de la venta real. Estos errores y muchos mas no miden correctamente el desempeo del pronstico, y en muchos casos dan la sensacin de que el pronstico est bien, mientras por el contrari o en la realidad no lo est. 39 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS La cantidad por la cual la demanda real difiere de la demanda pronosticada. Exis ten tres mediciones de funcionamiento para evaluar un modelo de pronstico en el q ue Dt es la demanda real en el periodo t y Ft, es la demanda pronosticada en el periodo t, encontramos: RMSE: Error medio cuadrado MAE: Error medio absoluto MAPE: Error medio porcentua l EJEMPLO. Se ha desarrollado un modelo de pronstico para predecir las ventas mensu ales de un modelo particular de carro basndose en los siguientes datos de los 6 m eses anteriores, donde hallaremos error de pronstico, error medio cuadrado (RMSE) , error medio absoluto (MAE), error medio porcentual(MAPE). 40 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS

Como las ventas pronosticadas no son iguales que las ventas reales como podemos calcular el error de pronstico: Los errores de pronstico (+) indican que la demanda real excede el pronstico y los errores (-) significan que la demanda est por debajo del pronstico. Ahora hallaremos RMSE y tenemos: 41 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS RMSE = 72/6 = 3,46 MAE = 18/6 = 3 MAPE = 28/6 = 4,66 Autoevaluacin TALLER. 1. En la Universidad de Tunja se escogieron 10 muestras de hombres al azar y se les pregunto la estatura (x) y el nmero de calzado (y), arro jando los siguientes datos: Halle la ecuacin de la lnea de regresin lineal (y). Cuando x: 1,75 42 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS 2. Pronosticar las ventas diarias del almacn de zapatos Bucaramanga basndose en lo s 11 meses anteriores donde deber hallar: a. Error pronostico b. Error medio cuad rado (RMSE) c. Error medio absoluto (MAE) d. Error medio porcentual (MAPE) 43 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS AREA: Escuela de Ciencias Bsicas Tecnologa e Ingeniera ESTADSTICA CIENCIAS BSICAS UNI DAD: Tcnicas de pronstico y teora de inventarios CURSO: Mtodos probabilsticos CAPTULO: Tcnicas de pronstico LECCIN: Modelo de Regresin Lineal NUMERO DE LA PRCTICA NOMBRE DE LA PRCTICA NOMBRE DEL SOFTWARE Libre: ______x_____ 1 Regresin lineal WinQsb Licenciado: _____________ Aspectos Tericos: El trmino regresin se utiliz por primera vez en el estudio de variables antropomtric as: al comparar la estatura de padres e hijos, result que los hijos cuyos padres tenan una estatura muy superior al valor medio tendan a igualarse a ste, mientras q ue aquellos cuyos padres eran muy bajos tendan a reducir su diferencia respecto a la estatura media; es decir, "regresaban" al promedio.4 La constatacin emprica de esta propiedad se vio reforzada ms tarde con la justificacin terica de ese fenmeno. El trmino lineal se emplea para distinguirlo del resto de tcnicas de regresin, que emplean modelos basados en cualquier clase de funcin matemtica. Los modelos linea les son una explicacin simplificada de la realidad, mucho ms gil y con un soporte t erico por parte de la matemtica y la estadstica mucho ms extenso La idea es proyectar una variable a travs del tiempo, teniendo como referencia lo

s datos histricos de una variable, por ejemplo la demanda de un artculo en los ltim os aos y a 44 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS partir de estos datos pronosticar mediante una lnea de regresin el valor aproximad o de la demanda en el futuro, generalmente es vlido para unos cuantos perodos. Ejemplo 1: Teniendo en cuenta los datos histricos de la demanda de un artculo en los ltimos 5 aos, realice el pronstico de la demanda para el ao 2011.Utilice el winqsb. AOS 2005 2006 6 2007 7 2008 10 2009 11 DEMANDA(MILES 8 DE UNIDADES) Solucin: Utilice el modulo del winqsb titulado: forecasting and linear regression. Luego seleccione file: 45 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Nos dar la opcin de elegir new problem, para introducir los datos de un nuevo ejer cicio luego nos aparece el siguiente pantallazo, en donde vamos a darle un ttulo al problema y en problema type marcamos time series forecasting, en time unit co locamos das, meses o aos segn los datos del problema, para nuestro caso sern aos. En number of time units colocamos el nmero de periodos de tiempo que tenemos, esto c orresponde a los datos histricos que se tienen para hacer el pronstico (5 en nuest ro caso). 46 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Le damos ok y obtenemos el siguiente cuadro, en donde se deben registrar los dat os del ejercicio: Luego seleccionamos solve and analyze, y obtenemos el siguiente cuadro: 47

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Seleccionamos como indica la figura y se obtiene el siguiente cuadro de resultad os: 48 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Los valores que aparecen en los aos 6 y 7 son los valores proyectados para la dem anda, que en este caso sera de 8,4 es decir 8400 unidades para el ao 2010 y 2011.L a dems informacin corresponde a datos estadsticos de los clculos efectuados. Podemos tambin realizar la grafica correspondiente a datos reales y proyectados, para nuestro ejercicio nos quedara as:(utilizando la ventana indicada con la flech a.) EJERCICIO 1. Halle el pronstico de la demanda para el mes de febrero y marzo de un artculo q ue en los ltimos meses registro las siguientes ventas en millones de pesos: Meses agosto septiembr octubr e e 5 noviembr e 4 diciembr enero e 6 3 Ventas(millones pesos) de 3 4 Utilice el Winqsb como se mostro en el ejemplo, grafique los datos originales y los de tendencia. 49 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS 2. El nmero de estudiantes que se matricularon en una institucin educativa de bach illerato en los ltimos cuatro aos se relacionan a continuacin: aos Estudiantes matriculados 2007 425 2008 450 2009 465

2010 486 Con estos datos halle el pronstico de estudiantes que se matricularan para el ao 20 11. 50 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS CAPITULO 2: TEORA DE INVENTARIOS INTRODUCCIN Los modelos de inventarios tienen muc ha importancia en el mbito laboral de cualquier empresa o negocio en el cual se n ecesite tener informacin completa sobre los diferentes materiales o insumos que h aya en existencia o que tengan que ser incluidos en la lista de pedidos que debe n ejecutarse temporalmente de acuerdo con las necesidades de produccin de la empr esa o segn el comportamiento de la demanda. Existen diferentes modelos de inventarios, los cuales se aplican en relacin con l os requerimientos del negocio en el cual van a ser empleados y se convierten en una base para la toma de decisiones por parte de los gerentes o encargados de pr oduccin que son los que estn pendientes de que no haya faltantes o sobrantes en la produccin, de modo que se generen el denominado logro que no es otra cosa que po seer un stock de mercancas que no se mueven o no producen ninguna ganancia. OBJETIVOS Conocer algunos de los ms efectivos mtodos para la toma de decisiones en cuanto al manejo de inventarios y sus mtodos de control. Determinar cul es el modelo de inventarios ms adecuado de acuerdo con la empresa e n la cual se vaya a implementar, de modo que se tenga una certeza de cules son lo s artculos que se van a necesitar y en qu medida debe realizarse el pedido. CONCEPTOS GENERALES DEFINICION Son los artculos a la mano que un cliente puede comprar en un ambiente de fabrica cin, los inventarios son las materias primas para producir bienes terminados. La madera, clavos, barniz y otros materiales necesarios para construir un librero s on los artculos de inventario, el medio de produccin es el cliente. Son tcnicas usa das para ayudar a los gerentes a determinar cundo deben ordenarse. 51 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Consideremos las ventajas de tener grandes inventarios 52 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 6: ADMINISTRACION DE INVENTARIOS La administracin de un inventario es un pu nto determinante en el manejo estratgico de toda organizacin, tanto de prestacin de servicios como de produccin de bienes.

Las tareas correspondientes a la administracin de un inventario se relacionan con la determinacin de los mtodos de registro, la determinacin de los puntos de rotacin , las formas de clasificacin y el modelo de reinventario determinado por los mtodo s de control (el cual determina las cantidades a ordenar o producir, segn sea el caso). Para evitar escasez. Cuando se conoce la demanda futura de un artculo y se puede confiar en las entregas puntuales de un proveedor, siempre puede colocar pedidos de tal forma que se satisfaga toda la demanda sin necesidad de un inventario. Para aprovechar las economas de escala. Al solicitar grandes cantidades un negoci o puede obtener su suministros a un costo inferior, as mismo el negocio colocara m enos pedidos, lo que ahorrara esfuerzos y costos administrativos. Mantener un flu jo de trabajo continuo en un medio de produccin de mltiples etapas. Cada una de es tas razones argumenta a favor de tener grandes inventarios a la mano. Dependiendo del tipo de empresa el inventario se puede conseguir de 3 diferentes formas, de igual manera como otras solo hacen uso de una de las formas; por tal motivo es relevante hacer conocer las formas a las que se hace referencia: 1. I nventario de materia prima, se considera materia prima a todos aquellos producto s que van a sufrir una transformacin para poder estar disponibles para su venta; la importancia radica en que debe haber existencia dentro de la empresa, ya que lo contrario acarreara perdidas. 2. Inventario de productos en proceso, son los p roductos a los que todava le quedan pendientes procesos por consiguiente no estn d isponible para la venta. 3. Inventario de producto terminado, son los productos que han completado el proceso de produccin y ya se encuentran disponible para la venta. 53 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS De igual manera en las empresas donde no existe un proceso de manufactura, sino que se encarga de servicios (compra y venta) artculos, inmuebles, productos, se l e define el Inventario como de Mercancas. La gran cantidad de dinero que manejan las empresas las tienen invertidas en inv entarios que consisten en lo siguiente: a. El resultado de la disminucin de las v entas como consecuencia de la recesin econmica de los diferentes pases. b. Se hace necesario mantener un gran inventario para poder ganar tiempo en la produccin y e ntrega, teniendo en cuenta que las ventas y la produccin no son constantes todo e l tiempo. c. El Departamento de ventas debe tener siempre a su disposicin un alto inventario de productos terminados, ya que cuando un cliente solicite un produc to se le provee de manera inmediata. d. Reducir costos de inversin que es directa mente proporcional a un gran lote de inventario, ya que se garantiza un menor co sto, debido al volumen de compra. Aspectos a tener en cuenta en la Administracin de Inventario El objeto de la Administracin de Inventario se sustenta en dos aspe ctos: El financiar otros proyectos debido a la destinacin de recursos por que se ha reducido la inversin en inventarios Prever que las operaciones de produccin y v entas funcionaran sin restricciones previa planeacin de un inventario suficiente que pueda cubrir la demanda existente. CARACTERSTICAS DE LOS MODELOS DE INVENTARI OS Son las tcnicas utilizadas para determinar cul de estas caractersticas tiene su modelo para poder aplicar el paquete para realizar el anlisis correcto. a. Demand a Dependiente: dos o ms artculos en los que la demanda de un artculo determinado af ecta la demanda de uno o ms de los otros artculos. b. Demanda Independiente: dos o ms artculos en los que la demanda de un artculo no afecta la demanda cualquiera de otros artculos. c. Demanda Determinstica Contra Probabilstica: Existen dos categora s: Demanda Determinstica: es la demanda de un artculo que se conoce con certeza. E jemplo: un proceso de elaboracin de un libro, una mquina inserta las 100 hojas por

segundo aqu las hojas seran artculos o materias en inventario, la maquina es el cl iente y la demanda Determinsticas son las 100 hojas por segundo. 54 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS d. e. f. g. Demanda Probabilstica: es la demanda de un artculo que est sujeta a la cantidad sig nificativa de incertidumbre y variabilidad. Ejemplo: en un hospital usted no sab e cuntos y que tipos de pacientes tenga la semana entrante, lo que ocasiona una d emanda incierta de suministros mdicos. Dficit o Faltantes: una circunstancia en la que el inventario disponible es insuficiente para satisfacer la demanda. Tiempo s Lderes: el tiempo entre la colocacin de periodo de bienes y la llegada de estos bienes enviados por el proveedor. Descuentos Cuantitativos: cuando los inventari os son reabastecidos por proveedores externos, la cantidad pagada por artculo pue de depender del tamao de ese pedido. Polticas de Pedidos: es un enfoque para deter minar cmo y cundo reabastecer los inventarios. CARACTERSTICAS CLAVES: Pedido de artculos en intervalos de tiempo fijos: La cantid ad a ordenar est determinada por el nivel del inventario en el momento en el que se coloca el pedido. La cantidad pedida cada vez vara. Ejemplo: considere el reab astecimiento de leche en una tienda de abarrotes. Cada martes el gerente de lcteo s pide la cantidad, y la cantidad depende de cuantos galones hay en el estante c uando coloca el pedido. Esta poltica tambin se denomina revisin peridica pues requie re revisara el nivel de inventario en puntos fijos de tiempo para determinar cunt o ordenar. Pedido de un nmero fijo de artculos cuando el inventario a la mano lleg a a un cierto nivel previamente especificado, llamado el punto de nuevos pedidos : En este caso, la cantidad pedida siempre es la misma, pero el tiempo entre los pedidos puede variar. Ejemplo: Un gerente de bar puede reordenar cerveza cuando el suministro actual cae por menos de tres cajas. Este nivel puede alcanzarse e n 4 semanas cuando el negocio va lento o en una semana cuando el negocio est acti vo, digamos durante la semana del sper tazn. Esta poltica tambin se denomina revisin continua, pues requiere una comprobacin continua del inventario para determinar c undo se alcanza el punto de nuevos pedidos. Revisin Peridica: es la poltica de orden amiento que requiere revisar el nivel de inventarios en puntos fijos de tiempo p ara determinar cundo ordenar sobre la base de inventarios a la mano en ese moment o. Revisin Continua: es la poltica de ordenamiento que requiere revisar el inventa rio continuamente para determinar cundo se alcanza el punto de nuevos pedidos. Pu nto de Nuevos Pedidos: nivel de inventarios en el cual debe colocarse el nuevo p edido. 55 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 7: MODELO DE INVENTARIOS EOQ MODELOS DE INVENTARIOS E.O.Q. Por qu las empresas almacenan inventario?. Existen varias razones para que una emp

resa mantenga productos terminados o insumos como inventario. El inventario perm ite enfrentar fluctuaciones de la demanda, evitar quiebres de stock, obtener eco nomas de escala, permite una mayor flexibilidad productiva, se puede usar como un arma competitiva, etc. Entonces, si mantener inventarios tiene importantes beneficios asociados Por qu no llenamos nuestras bodegas de inventario?. Las respuestas son mltiples, pero toda s mantienen una base comn: Costos. Se afirma que mantener inventarios es un "mal necesario" dado los costos asociados a la gestin de inventarios. En este sentido podemos clasificar los costos de inventario en: 1. Costo de rdenes: costo que se incurre cada vez que se emite una orden. 2. Costo de mantener Inventario: arrien do de bodegas, depreciacin, costo de oportunidad, prdidas, seguros, etc. 3. Costo de quiebre de stock: es ms difcil de estimar y est asociado al costo de la venta prd ida (perder un cliente, deterioro de imagen, multas, etc). La Cantidad Econmica d e Pedido, provee modelos matemticos que permite enfrentar de una forma sistemtica la problemtica de la gestin de inventarios. Estos modelos matemticos bsicamente se c lasifican en 2 categoras y depende del comportamiento (basado en supuestos) respe cto al comportamiento de la demanda. Estn los modelos asociados a demanda constan te (EOQ, POQ, EOQ con descuentos por volumen, etc) y los relacionados con demand a aleatoria (asociada a una funcin de probabilidad). En este sentido EOQ resulta ser el modelo matemtico ms sencillo, adems, de ser usado como la base para la admin istracin de inventarios en el que la demanda y el tiempo lder son determinsticos. N o se permiten los dficits y el inventario se reemplaza por lotes al mismo tiempo, sus caractersticas principales se resumen a continuacin. Caractersticas: 56 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS El inventario pertenece a uno y solo un artculo. El inventario se abastece por lo tes. La demanda es Determinstica, es decir se conocen cuantas se venden en un tie mpo determinado. El tiempo gua L es determinstico y se conoce. Los dficit no estn pe rmitidos. El modelo considera los siguientes parmetros: D : Demanda. Unidades por ao S : Cos to de emitir una orden H : Costo asociado a mantener una unidad en inventario en un ao Q : Cantidad a ordenar Componentes de Costos de un Sistema de Inventarios. El costo de pedidos u organizacin: (K) este es un costo fijo, independiente del nm ero de unidades pedidas o producidas. se incurre es este costo cada vez que se c oloca un pedido o que se echa a andar una mquina para una corrida de produccin. El costo de compra: (C) cada unidad pedida incurre en un costo de compra, que es u n costo directo por unidad. El costo de conservacin: (H) este es un costo obtenid o por cada artculo en inventario, un costo de conservacin puede incluir lo siguien te: Costos de almacenamiento: compuestos por los gastos generales del almacn, seguro, requerimientos de manejo especial, robo, objetos rotos, etc. Costos de oportunidad del dinero: comprometido en inventario que de otra manera podra haberse usado o invertido. Los costos totales de almacenamiento y oportunidad que componen los costos de co nservacin se calculan como una fraccin (i) del costo unitario C. H= (Tasa de trans

ferencia)*(Costo de la unidad) H=i*C Ejemplo: Para el Mouse valuado en $20000 co n tasa de transferencia de 0.11, el costo de conservacin por ao por cada unidad es : H=i*C H = 0.11 * 20000 57 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS H = $2200 Tasa de Transferencia: (i) es la suma de las fracciones usadas en el cl culo de los costos de almacenamiento y oportunidad. El costo de Dficit: (B) es el costo de no satisfacer la demanda, es decir el cost o de que se acabe un artculo. Recuerde que cuando no se puede satisfacer la deman da la venta se pierde. TABLA DE RESUMEN D = demanda por pedido L= El tiempo para recibir un pedido I= T asa de transferencia por periodo, est dada siempre en % K= El costo fijo de coloc ar un pedido. C= El costo de compra de pedir cada unidad. H = (I * C) El costo d e conservacin por unidad por periodo. Formulas del Modelo E.O.Q. D - demanda por perodo. L - el tiempo gua para recibir un pedido. L = Q*/D i - tasa de transferenc ia por pedido. K - costo fijo de un pedido. C - costo de compra (costo por unida d). H - costo de conservacin (H = I x C). Q - nmero de unidades. Q* - cantidad opt ima de pedido. Q/2- inventario promedio. CPA. Costo de pedido anual Cp = K x (D/ Q). Cc. Costo por compra anual Cc = C x D. Costo de conservacin anual Ch= (Q/2) x (H). Ct .Costo anual total Cta = (Cp) + (Cc) + (CH). Nmero de pedidos NP = D/Q*. Punto de nuevos pedidos (R) R = D x L. Para un mejor entendimiento se presenta el siguiente grfico. 58 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS La altura de cada tringulo representa el tamao ptimo de pedido que minimiza la func in de costos totales. La base del tringulo es el tiempo que pasa desde que se reci be la orden hasta que se termina el lote (este tiempo se conoce como el tiempo d e ciclo). Adicionalmente se puede identificar el punto de reorden (ROP = d * TE) que es un nivel crtico de inventario de modo que cada vez que el inventario lleg ue a ese nivel se hace un pedido de Q* unidades. Dado que existe un tiempo de es pera (conocido) desde que se emite la orden hasta que se dispone del lote, una v ez que se termina el inventario se dispone inmediatamente del nuevo lote y de es ta forma no existe quiebre de stock. EJEMPLOS 1. El hospital de Neiva da servicio a una pequea comunidad. Un suministr o usado con frecuencia es la pelcula de rayos x, que se pide a un proveedor fuera de la ciudad. Como gerente de suministros, debe determinar cmo y cundo hacer pedi dos para asegurar que al hospital nunca se le termine este artculo crtico, y al mi smo tiempo, mantener el costo total tan bajo como sea posible. Para comprender como la cantidad de pedido (Q) impacta al nivel del inventario c on el tiempo, supongamos que ordenamos lotes de: Q = 4500 pelculas en existencia. Y el proveedor se ha comprometido a satisfacer pedidos en 1 semana (es decir el tiempo gua es L = 1 semana). El departamento de contabilidad del hospital ha prop orcionado los siguientes valores: 59 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO

LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Un costo de pedidos fijo de $10000 para cubrir los costos de colocar cada pedido , pagar los cargos de entrega, etc. Un costo de compra de $5000 por cada pelcula sin descuento de cantidad. Una tasa de transferencia de 30% por ao (es decir, i=0 .0) para reflejar el costo de almacenar la pelcula en un rea especial, as como el c osto de oportunidad del dinero invertido en el inventario ocioso.

Solucin Demanda anual D= (1500 pelculas*12 meses)= 18000 pelculas Ti mana= 1/52 de un ao Tasa de transferencia anual de i= 0.30% Costo de pedidos K= $ 10000 por pedido Costo de pedidos C= $5000 por pelcula Costo de conservacin anual H= i*C= 0.30*5000= $1500 por pelcula al ao. CTA = costo de pedidos anual + costo c ompra anual + costo conservacin A. COSTO DE PEDIDOS ANUAL: K * D / Q = 10000*(180 00/4500)= 40000 COSTO DE COMPRA ANUAL: C * D = 5000*18000= 90.000.000 COSTO DE C ONSERVACION ANUAL: (Q/2)*H o (Q/2)*(I * C) =(Q/2)*(I * C)=2250*(0.30*5000)= 3.37 5.00 Ahora remplazamos en la formula general: CTA = costo de pedidos anual + costo compra anual + costo conservacin A. CTA = 40 000+90.000.000+3.375.000 CTA = 93.415.000 Ahora hallamos Q* Q*=2D*K/H = 2D*K/I*C Q*= 2D*K/(i * C) Q*= 2*18000*10000/(0.30* 5000) Q*=489,89 490 NUMERO DE PEDIDOS: D/Q*=18000*490 = 36,7 37 pedidos TIEMPO: L = Q*/D = 490/18000 = 0.027 60 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS NIVEL DE PEDIDOS: R = D * L =18000*0.027 = 486 2. Almacenes Olmpica compra aproximadamente 10.000 televisores en el curso del ao a un costo de $30 cada uno. Cada pedido incurre en un costo fijo de 85 y llega u na semana despus de haber hecho el pedido. Suponiendo una tasa de transferencia a nual de o.15, calcule: La cantidad de pedidos ptimos, el punto de nuevos pedidos y el costo anual. Solucin. Lo que se tiene: D = 10.000 H = I x C = 0,15(30) K = 8 5 i = 0,15 C = 30= 4.5 =614,6362 R = D x L Q = (D/2 x H) R= 10.000(1/52) R = 192,3076 Q = 10.000/2(4.5) Q = 22.50 0

CTA = costo de pedido anual + costo compra anual + costo conservacin anual K(D/Q) + C x D + (Q/2) x H 85(10.000/22.500) + 30(10.000) + 614,6363/2) x 4,5 CTA = 31 5208,35 3. Un almacn de venta de ropa para un suministro frecuente de jeans pide a un proveedor fuera de la ciudad, el gerente debe asegurar que estas nunca se t erminen y que adems se mantenga el costo mnimo posible. Teniendo en cuenta: La dem anda es de 200 jeans por mes, El proveedor tarda una semana en entregar la merca nca El costo de pedido fijo es de $50.000 Un costo de compra de $30.000 Una tasa de transferencia del 20% por ao donde Q=1000 D = 200 I = 1 K = 50.000 C = 30.000

L = 0.20 Q = 1000 CPA = Kx(D/Q)=50.000(200/1000)=50.000 x 0,2=10.000 Costo de co mpra anual= C x D = 30.000 x 200 = 6.000.000 61 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Costo de conservacin=Q/2(I x C)=1000/2(0,2 x 30.000)=3.000.000 Nmero promedio de p edidos=D/Q=200/1000=0.2 SOLUCIONE LOS SIGUIENTES EJERCICIOS 1. Una compaa comercializadora est interesada e n reducir el costo de su inventario determinando el nmero ptimo de su producto que debe solicitar en cada orden. Su demanda anual es de 500 unidades, el costo de ordenar o preparar es de $12 por orden y el costo de mantener por unidad por ao e s de $2. La compaa trabaja 280 das al ao. Halle: a. b. c. d. Nmero ptimo de unidades p or orden. Nmero de rdenes por ao. Tiempo esperado entre rdenes. Costo total anual de l inventario. (costo por unidad $80). 2. En cada uno l costo diario arias. k= $50, es diarias. k= de los siguientes casos, determine la cantidad ptima de pedido y e correspondiente. a. b. c. d. k= $100, h= $0.05, D= 30 unidades di h= $0.05, D= 30 unidades diarias. k= $100, h= $0.01, D= 40 unidad $100, h= $0.04 D= 20unidades diarias.

3. Mcburguer pide carne molida al comenzar cada semana para cubrir la demanda se manal de 300lb. El costo fijo por pedido es de $20, cuesta unos $0.03 por libra y por da refrigerar y almacenar la carne. Determine la cantidad ptima de pedido y el costo semanal del inventario. 62 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 8: MODELOS DE INVENTARIOS EOQ CON DESCUENTOS DESCUENTO POR CANTIDAD El mod elo EOQ con descuentos por cantidad es una extensin del modelo bsico de EOQ revisa do en la leccin anterior. Se asume que el costo de adquisicin (C) disminuye en la medida que aumenta el tamao de lote. Adicionalmente se considera que el costo de almacenar una unidad en inventario es un porcentaje (I) del costo de adquisicin. Los descuentos por cantidad, que son incentivos de precio para que el cliente co mpre mayores cantidades del producto, crean presin para mantener un inventario ab undante. Ejemplo, un proveedor puede ofrecer un precio de $4 por unidad, para los pedidos en que soliciten entre 1 y 99 unidades; un precio de $3.50 por unidad, para ped idos entre 100 y 199 unidades; y un precio de $3.000 por unidad, para los pedido s de ms de 200 unidades. El precio del artculo ya no se considera fijo, como se su pona en la derivacin de la EQQ; en lugar de eso, si la cantidad del pedido aumenta lo suficiente, se obtiene un descuento en el precio. Por lo tanto, en este caso se requiere un nuevo enfoque para encontrar el mejor tamao del lote, es decir, u n mtodo que sopese las ventajas de comprar materiales a precios ms bajos y tener q ue hacer menos pedidos(es decir, los beneficios de hacer pedidos por grandes can tidades), frente a la desventaja que implica el incremento del costo por el mane jo de un inventario mayor. El costo anual total incluye ahora no solamente el costo de manejo de inventario , (Q/2) (H) y el costo de hacer pedidos, (D/Q) (S), sino tambin el costo de los m

ateriales comprados. Cualquiera que sea el nivel de precios por unidad, P, el co sto total es: Costo = Costo anual de + Costo anual de + Costo anual de Total man ejo de inventario hacer pedidos de materiales El costo unitario de manejo de inventario H se expresa habitualmente como un por centaje del precio unitario, porque cuanto ms valioso sea el artculo que se tiene en inventario, tanto 63 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS ms alto ser el costo de su manejo. Por consiguiente, cuanto ms bajo sea el precio u nitario, P, tanto ms bajo ser H. Inversamente, cuanto ms alto sea P, tanto ms alto s er H. Igual que cuando calculamos anteriormente el costo total. La ecuacin del cos to total genera curvas de costo total en forma de U. Si el costo anual de materi ales se agrega a la ecuacin del costo total, cada curva de costo total se eleva e n una magnitud fija. PROCESO PARA HALLAR EL MEJOR TAMAO DE LOTE 1. A partir del precio ms bajo de todos , calcule la EOQ para cada nivel de precios, hasta que encuentre una EOQ factibl e. Sabr usted que sta es factible si se encuentra en el rango correspondiente a un precio. Cada EOQ subsiguiente es ms pequea que la anterior porque p, y por lo tan to H, se vuelve cada vez ms grande y porque esa H ms grande est en el denominador d e la frmula de la EOQ. 2. Si la primera EOQ factible que encuentre corresponde al nivel de precios ms bajo, esta cantidad representar el mejor tamao del lote. Si no es as, calcule el costo total correspondiente a la primera EOQ factible y a la m ayor magnitud del cambio de precio, en cada nivel de precios ms bajo. La cantidad a la cul corresponde el costo total ms bajo de todos ser la ptima. EJEMPLO PRCTICO Uno de los proveedores del sistema de salud de Lower Florida Keys ha presentado su plan de precios de descuento por cantidad para alentar a sus clientes a que c ompren mayores cantidades de un catter de tipo especial. El plan de precios propu esto es el siguiente: Cantidad del pedido 0 299 300 499 500 o ms Precio por unida d $ 60.00 $58.80 $ 57 Lower Florida estimado que la demanda anual para este artculo es de 936 unidades, el costo que implica hacer esos pedidos es de $45 por pedido y su costo anual d e manejo de inventario representa el 25% del precio unitario del catter. Qu cantida d de dicho catter tendr que pedir el hospital para minimizar su total de costos? 64 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS SOLUCION Paso 1. Encuentre la primera EOQ factible, comenzando con el nivel de p recios ms bajo: Un pedido de 77 unidades cuesta realmente $60 por unidad, en lugar del costo de $57 por unidad que se us en el clculo de la EQQ; por lo tanto, esta EQQ no es fact ible. Intentemos ahora con el nivel de $58.80: Esta cantidad tampoco resulta factible, porque un pedido de 76 unidades es demas iado pequeo para que se le aplique el precio $58.80. Intente ahora con el nivel d e precios ms alto: Esta cantidad es factible, porque se encuentra dentro del rango correspondiente a su precio, P = $60.00.

Paso 2. La primera EQQ factible, de 75, no constituye el nivel de precios ms bajo de todos. Por lo tanto, tendremos que comparar su costo total con las cantidade s correspondientes al cambio de precio (300 unidades y 500 unidades), en los niv eles de precio ms bajos ($58.80 y $57.00): 65 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS La mejor cantidad de compra es de 500 unidades, con la cual se obtiene el mayor descuento. Sin embargo, la solucin no siempre funciona as. Cuando los descuentos s on pequeos, el costo de manejo de inventario H es considerable, la demanda D es p equea y los tamaos del lote ms reducidos funcionan mejor, aunque se renuncie a desc uentos en el precio. TALLER DE APLICACIN 1. El equipo Bucks de la liga mayor de bisbol rompe cuatro bates por semana, en p romedio. El equipo compra sus bates de bisbol a Corkys, un fabricante que se dist ingue porque tiene acceso a la mejor madera maciza. El costo de hacer el pedido es de $70 y el costo anual del manejo de inventario por bat y por ao representa e l 38% del precio de compra. La estructura de precios de Corkys es la siguiente: Cantidad del pedido 0 11 12 143 144 o ms Precio por unidad $ 54.00 $51.00 $ 48,50 a) Cuntos bates debera comprar el equipo en cada pedido? b) Cul es el total de los co stos anuales asociados a la mejor cantidad de pedido? 66 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS 2. La librera universitaria de una gran institucin estatal compra lapiceros mecnico s a un mayorista. ste le ofrece descuentos cuando los pedidos son grandes, de acu erdo con el siguiente plan de precios: Cantidad del pedido 0 100 101 300 301 o ms Precio por unidad $ 4.00 $3.50 $ 2.00 La librera ha supuesto que la demanda anual ser de 500 unidades. Hacer un pedido l e cuesta $10 y el costo anual por manejo de inventario de una unidad es equivale nte al 10% del precio de la misma. Determine cul es la mejor cantidad del pedido. 67 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 9: MODELOS DE LOTE DE PRODUCCIN Y EL SISTEMA DE CLASIFICACIN ABC MODELO DE L OTE DE PRODUCCIN Hasta ahora habamos supuesto que el pedido llegaba instantneamente o que la produc cin se reabasteca de inmediato. Sin embargo en la prctica una empresa manufacturera va produciendo paulatinamente y a travs del tiempo va vendiendo los artculos que le son demandados. Es en este caso, se prohben los faltantes estableciendo el costo por faltante com o infinito. Las condiciones para el aprovisionamiento instantneo de los suministr os se modifican ligeramente cuando los suministros se manufacturan al recibir la orden, en vez que se surtan de existencias de artculos ya manufacturados. La dif erencia est en que los suministros se embarcan instantneamente conforme se manufac turan. Esto significa que se utiliza durante el periodo de aprovisionamiento y s

e representa por las rectas inclinadas que se elevan cada punto de reordenamient o. El gasto principal de adquisicin es el costo preparacin cuando una empresa produce sus propios suministros. En esta prctica, el punto de reordenamiento se establec eran en algn nivel del inventario mayor que cero para notificar al departamento de produccin que pronto sern necesarios los suministros. Este adelanto temporal debe permitir, suficiente margen para programar los procedimientos de preparacin. A c ontinuacin se explicara un modelo con el supuesto que la produccin se da paulatina mente a una tasa b, que es mayor que la demanda a. Los costos que se considerarn son: K : Costo un lote. c : El costo de producir o comprar cada unidad. imiento de una unidad de inventario por unidad de tiempo. asa de produccin de los artculos a : Tasa de demanda de 68

de preparacin para producir u orde h : El costo de manten Recordemos adems: b : T los artculos.

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS b>a Debemos hallar el costo total por unidad de tiempo ($/tiempo). Primero hallaremo s los costos nicamente para un ciclo, por lo que los costos estarn en ($). Costo p or ciclo de produccin u ordenar = K + c Q [$] + [$/ artculo ] * [artculo ] =[$] 69 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Ejemplo 1: Manufactura de bocinas para televisores. 1. Cada vez que se produce u n lote, se incurre en un costo de preparacin de $12000. 2. El costo unitario de p roduccin de una sola bocina (excluyendo el costo de preparacin) es $10. 3. El cost o de mantenimiento de una bocina en almacn es de $0.3 por mes. 4. . La demanda es de 8000 bocinas mensuales. 5. La tasa de produccin es de 14000 bocinas mensuales 70 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Manufactura de bocinas para televisores debe producir 38643 bocinas cada 4.83 me ses para minimizar los costos de manejo de los inventarios. 71 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Ejemplo 2: La compaa PintuMarta tiene una variada lnea de productos. Uno de ellos e s la pintura de ltex. PintuMarta puede fabricar pintura a una tasa anual de 8000 galones. El costo unitario de producir un galn de pintura es $0.25 y el costo anu al de mantener el inventario es 40%.antes de cada corrida de produccin se realiza la limpieza y verificacin de las operaciones a un costo de $25. Analice este pro blema

Solucin. La informacin bsica para la produccin de la pintura ltex es A = $25

aracin i = 40% anual c = $0.25 por galn h = 0.40 x $0.25 = $0.10 por galn por ao D = 4000 galones por ao = b = 8000 galones por ao El costo total del inventario promedio anual est dado por Y la cantidad econmica a producir es Calculando Es decir, hay dos ciclos por ao. En cada uno la produccin se lleva a cabo durante TP / T del ciclo, o la mitad del tiempo. Se sugiere al lector que dibuje la geom etra del inventario para este ejemplo. 72 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Ejemplo 3: SAMSUNP., una empresa que comercializa las agujas hipodrmicas indolora s en los hospitales, desea reducir sus costos de inventario mediante la determin acin del nmero de agujas hipodrmicas que debe obtener en cada orden. La demanda anu al es de 1000 unidades; el costo de reparacin o de ordenar es de 10 dlares por ord en; y el costo de manejo por unidad de ao es de 50 centavos de dlar. Utilizando es tos datos, calcule el nmero ptimo de unidades por orden (Q*), el nmero de rdenes (N) , el tiempo transcurrido (T), y el coso total anual del inventario. Utilizar un ao laboral de 250 das. Solucin: utilizando las ecuaciones (1.1), (1.2), (1.3), y (1.4), tenemos: El modelo EOQ tiene otra distincin importante; es un modelo robusto. El modelo ro busto se refiere a que ste proporciona respuestas satisfactorias aun con variacio nes substanciales a 73 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS otros parmetros. Un modelo robusto es ventajoso. El costo total del EOQ cambia un poco en las cercanas del mnimo. Esto significa que los costos de preparacin, los c ostos de manejo, la demanda y aun el EOQ representan pequeas diferencias en el co sto total. EL sistema de clasificacin ABC Qu es el modelo ABC? En principio podemos decir que el modelo ABC (Activity Based Costing) es un sistema de costeo basado fundamentalmente en algunas ideas fundam entales: Los productos no consumen costos sino que los productos consumen activi dades exigidas para su fabricacin, dicho de otra manera los productos demandan ac tividades. Las actividades y no los productos son los que consumen recursos o va lor de los factores productivos, siendo los costos la expresin cuantificada en trm inos monetarios de esos factores consumidos. Como consecuencia de estas afirmaciones podemos inferir que una adecuada gestin d e costos habr de actuar sobre las actividades que los originan, y que adems existe una relacin directa entre las actividades y los productos de tal manera que a ma yor consumo de actividades por parte de un producto habr que asignarle mayores co stos. El costeo ABC: base para el control de los inventarios

El manejo de los artculos que se encuentran en el inventario es de vital importan cia, ya que estos son los que determinan en gran parte la asignacin de costos en el proceso productivo y determinan en un alto grado el nivel de eficiencia y efi cacia de la gestin financiera. El inventario representa una inversin considerable por parte de las empresas manu factureras, es por ello que se hace indispensable prestarle atencin especial a su manejo. 74 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Para realizar una eficiente administracin los responsables de esta rea deben contr olar todos los niveles del inventario y considerar que este es una inversin signi ficativa que si no se maneja de una forma adecuada puede convertirse en un probl ema que afectara la gestin financiera de la empresa. Una empresa que tenga un gran nmero de artculos de inventario debe analizar cada u no de ellos para determinar la inversin aproximada por unidad. Profundicemos en el sistema de clasificacin ABC Una gran cantidad de organizaciones tienen en sus bodegas una gran cantidad de a rtculos que no tienen una misma caracterstica, muchos de estos artculos son relativ amente de bajo costo, en tanto que otros son bastante costosos y representan gra n parte de la inversin de la empresa. Algunos de los artculos del inventario, aunq ue no son especialmente costosos tienen una rotacin baja y en consecuencia exigen una inversin considerable; otros artculos, aunque tienen un costo alto por unidad , rotan con suficiente rapidez para que la inversin necesaria sea relativamente b aja. En la mayora de las empresas la distribucin de los artculos del inventario es el 20 % corresponden al 90% de la inversin en inventario, mientras que el 80% restante de los artculos corresponden solamente al 10% de dicha inversin, es por ello que s e hizo necesario formular un nuevo sistema de asignacin en la prioridad que se le da a las existencias que maneja la empresa: El sistema de costos basado en las actividades o costeo ABC. La aplicacin del sistema de costos ABC en una empresa para el control de inventar ios se empieza por la clasificacin en grupos de artculos as: Los artculos "A" que so n aquellos en los que la empresa tiene la mayor inversin, estos representan aprox imadamente el 20% de los artculos del inventario que absorben el 90% de la invers in. Estos son los ms costosos o los que rotan ms lentamente en el inventario. 75 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Los artculos "B" son aquellos que les corresponde la inversin siguiente en trminos de costo. Consisten en el 30% de los artculos que requieren el 8% de la inversin. Los artculos "C" son aquellos que normalmente en un gran nmero de artculos correspo ndientes a la inversin ms pequea. Consiste aproximadamente el 50% de todos los artcu los del inventario pero solo el 2% de la inversin de la empresa en inventario.

Aunque el sistema de costeo ABC tiene algunas deficiencias estructurales, es un mtodo excelente para determinar el grado de intensidad de control que se debe ded icar a cada artculo del inventario. El diferenciar el inventario en artculos "A", "B" y "C" permite que la empresa de termine el nivel y los tipos de procedimientos de control de inventario necesari os. El control de los artculos "A" del inventario debe ser muy intensivo por razn de la inversin considerable que se hace. A este tipo de artculos se les debe imple mentar las tcnicas ms sofisticadas de control de inventario. En los artculos "B" se pueden controlar utilizando tcnicas menos sofisticadas pero eficientes en sus re sultados. En los artculos "C" el control que se realiza es mnimo. 76 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Debe tenerse en cuenta que el modelo de costeo ABC de control de inventario no t iene aplicacin en todas las empresas, ya que ciertos artculos de inventario que so n de bajo costo, pueden ser definitivos en el proceso de produccin y no son de fci l consecucin en el mercado, es por ello que necesitan una atencin especial. El control que se ejerce en este sistema se relaciona directamente con el contro l que se hace de los costos, ya que al tener una mejor distribucin de los inventa rios, el costo de bodegaje, manutencin, vigilancia, prdidas y obsolescencia se pue den contrastar de una mejor forma. Por ltimo, es necesario conocer todos los fundamentos tericos y tcnicas aplicadas p ara la implantacin de un sistema basado en las actividades, ya que su metodologa e s mucho ms profunda y depende del tipo de empresa en el que es utilizado. Ejemplo: El sistema de clasificacin ABC es un mtodo ampliamente usado para categor izar inventarios de acuerdo con la cantidad y el valor. La tabla 1 resume las ca ractersticas clave del sistema. TABLA 1 CARACTERISTICAS DEL SISTEMA DE CLASIFICACION ABC Grupos Cantidad (% de artculos) Valor (%de $) Grado de control Tipos de registros Inventario de seguridad Procedimiento de pedidos A Artculos B Artculos 10 - 20 % 70 80 % intenso completo, seguro completo, seguro

bajo cuidadoso, seguro; revisiones frecuentes pedidos normales; alguna rapidez ordene s peridicas: abastecimiento de 1 a 2 aos 30 - 40 % 15 - 20 % normal moderado C Artculos 40 - 50 % 5 - 10 % simple simplificado grande La aplicacin del sistema de costos ABC en una empresa para el control de inventar ios se empieza por la clasificacin en grupos de artculos as: 77 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS 1. Los artculos "A" que son aquellos en los que la empresa tiene la mayor inversin , estos representan aproximadamente el 20% de los artculos del inventario que abs orben el 90% de la inversin. Estos son los ms costosos o los que rotan ms lentament e en el inventario. 2. Los artculos "B" son aquellos que les corresponde la inver sin siguiente en trminos de costo. Consisten en el 30% de los artculos que requiere n el 8% de la inversin. 3. Los artculos "C" son aquellos que normalmente en un gra n nmero de artculos correspondientes a la inversin ms pequea. Consiste aproximadament e el 50% de todos los artculos del inventario pero solo el 2% de la inversin de la empresa en inventario. Es una necesidad en casi todas las compaas saber la compos icin de sus inventarios. Es por ello que existen formas de clasificarlos segn su i mportancia. El sistema de clasificacin ABC nos ayuda a clasificar los inventarios en tres categoras: a) Muy importantes. b) Medianamente importantes. c) Poco o na da importantes Al aplicar el sistema de clasificacin ABC es importante recordar l o expuesto por el economista italiano Pareto referente a que el 20% ms importante de la causa es la responsable del 80% del efecto. Aplicndolo a los inventarios s e vera: Un criterio de clasificacin para determinar la importancia de los artculos dentro del inventario es la cantidad promedio en dinero del artculo (Cantidad en artculos promedio * Costo unitario). 78 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Hasta ahora habamos supuesto que el pedido llegaba instantneamente o que la produc

cin se reabasteca de inmediato. Sin embargo en la prctica una empresa manufacturera va produciendo paulatinamente y a travs del tiempo va vendiendo los artculos que le son demandados. La implantacin del Modelo ABC Los diferentes modelos de Contabilidad de costos tienen sus ventajas e inconveni entes, siempre considerando las caractersticas de la empresa donde se lo quiera i mplantar. Las siguientes son algunas de las caractersticas que si una empresa las tiene la hacen adecuada para implantar en ellas el sistema ABC. Importancia relativamente grande de los costos indirectos Diversidad de Actividades. Variedad de producto s. Adems la implantacin del modelo ABC exige una implantacin adecuada de la informtica para el tratamiento de los datos. La implantacin del modelo ABC por otra parte constituye una operacin delicada, se aconseja una implantacin gradual pues se requiere de un cuidado especial en la de limitacin operativa de las actividades y el seguimiento de los generadores del co sto. Adems se debe tener especial cuidado en la eleccin del sistema informtico de contab ilidad. Ejemplo: Suponga que un almacn de cadena maneja 4 tipos de artculos: Electrodomstic os, vestidos para hombres y mujeres, artculos comestibles, artculos de papelera. 79 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS En la siguiente tabla se resume la clasificacin de los artculos: 80 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 10: MODELO ESTOCASTICO DE INVENTARIOS Hasta el momento hemos venido suponi endo que la demanda es conocida y cierta. Modelo de un perodo sin costo fijo sin embargo la mayora de los casos nos muestran demandas inciertas y desconocidas. Su poniendo que la demanda para un perodo es una variable aleatoria, es posible cono cer su distribucin de probabilidad. Tanto los inventarios como las cuentas por cobrar, presentan una proporcin signif icativa de los activos en la mayora de las empresas que requieren de inversiones sustanciales. Por ello, las prcticas administrativas que den como resultado minim izar el porcentaje del inventario total, puede representar grandes ahorros en di nero. Se puede decir que los inventarios es el puente de unin entre la produccin y las v entas. En una empresa manufacturera el inventario equilibra la lnea de produccin s i algunas mquinas operan a diferentes volmenes de otras, pues una forma de compens ar este desequilibrio es proporcionando inventarios temporales o bancos. Los inventarios de materia prima, productos semiterminados y productos terminado

s adsorben la holgura cuando fluctan las ventas o los volmenes de produccin, lo que nos da otra razn para el control de inventarios. Los inventarios de materia prima dan flexibilidad al proceso de compra de la emp resa. Sin ellos, en la empresa existe una situacin "de la mano a la boca" Se denomina inventarios a un conjunto de recursos o cantidad de artculos en buen estado almacenados en espera de ser utilizados en un futuro. Al realizar un anlisis de toma de decisiones, los administradores se deben hacer estas dos preguntas importantes: 1.- Cunto se debe pedir u ordenar cuando es necesario reabastecer el inventario de un artculo? 81 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS 2.- Cundo se debe reabastecer o remover el inventario de un artculo? El propsito de este tema es mostrar la forma de cmo se deben administrar y cuantificar los inven tarios en una entidad con el fin de tomar la decisin ms apropiada en el control de estos. Los vendedores de diario, gerente de produccin, propietarios de carnicera, etc, de ben hacer frente al problema de Que tanto debo pedir?. Cuando la situacin de la or den es slo para el prximo periodo los costos crticos sol los costos de escasez por no tener existencia (Cu) y los costos por tener demasiada existencia (Co). El ve ndedor, gerente o dueo, se enfrenta a la minimizacin de los costos totales cuando la demanda no se conoce con certeza. La ecuacin sugiere que la persona que ordena un producto debe almacenar a aquel l a cantidad (porcin) de la demanda, la cantidad critica (CC), donde se lleva a cab o la relacin del costo de la suma de las inexistencias ms las sobre existencias. CC = Cu / Cu + Co Ejemplo: El Dueo de una distribuidora de peridicos y revistas posee cuatro sitios diferentes de ventas al menudeo. Una revista popular tiene una demanda que vara u niformemente de 500 a 1200 copias en las cuatro tiendas combinadas. El pedido es t centralizado y las revistas pueden ser enviadas fcilmente de una tienda a otra. El ciento de estas revistas cuesta 125 dlares, y cada una se vende a un precio de 2.25 dlares. Cuando se compra en lotes a este precio, el editor no admite devolu ciones. Cul debe ser la cantidad por pedir para el siguiente periodo? CC = Cu / Cu + Co = (2.25-1.25) / (2.25-1.25) + 1.25 CC = 0.444 El gerente exper imenta una prdida de utilidad de 1.00 dlares si ordena demasiado poca, pero una prd ida de 1.25 dlares si ordenas demasiadas. 82 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS La cantidad econmica a ordenar es: Q = 500 + 0.444 (1200 - 500) Q = 810.8 unidades Los modelos estocsticos de invent ario, en los que la demanda se describen mediante una distribucin de probabilidad es. Los modelos que se presentan se clasifican, en el sentido amplio, en situaci

ones de revisin continua y peridica. 1. Un modelo de revisin continua consiste en que los niveles del inventario son c omprobados continuamente y cuando se alcanza el punto de nuevos pedidos, se orde nan Q* unidades. 2. Un modelo de revisin peridica, consiste en que el inventario s e revisa peridicamente, digamos, cada T periodos y el tamao del periodo se determi na mediante el nivel de inventarios en ese momento. Los modelos de revisin peridic a incluyen tanto casos de un solo periodo como de varios periodos. Las solucione s propuestas van desde el uso de una versin probabilstica de la cantidad econmica d e pedido (CEP o EOQ, de economic order quantity) determinstica hasta casos ms comp lejos que se resuelven con programacin dinmica. La naturaleza probabilstica de la d emanda conduce a modelos complejos que quiz no sean tiles en la prctica. Sin embarg o, en las publicaciones se han reportado buenas implementaciones de inventario p robabilstico. Ejemplo - Distribuidor de bicicletas Un distribuidor mayorista de b icicletas compra bicicletas al fabricante para surtir las diferentes tiendas en el oeste de los E.E.U.U existe incertidumbre sobre cul ser la demanda de bicicleta s por parte de las tiendas en cualquier mes, por lo que el distribuidor se enfre nta a Cuntas bicicletas debe ordenar al fabricante en un mes determinado? El distribuidor ha analizado sus costos y ha determinado que los siguientes fact ores son importantes: 1. Costo de ordenar: 83 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS 2. Costo de mantenimiento: Costo de tener un inventario. Se ha estimado en $1 po r bicicletames. Sin embargo las bicicletas tienen un valor de salvamento de $10 c/u. - $9 por bicicleta que queda al final del mes. 3. Costo por faltantes: Costo por no tener una bicicleta disponible cuando se ne cesita se considera despreciable en este ejemplo. Segn la terminologa que hemos ve nido empleando: K : 0 Costo de preparacin c : $ 20 / bicicleta Costo de adquisicin h : - $9 / bicicleta - mes Costo de mantenimiento p : $ 45 / bicicleta Precio d e venta Vamos a adoptar el criterio de maximizacin del ingreso neto para la formulacin del modelo Definamos y : Cantidad comprada por el distribuidor al fabricante D : Cantidad d emandada por las tiendas al distribuidor Ingreso neto = p * cantidad vendida por el distribuidor c * cantidad comprada por el distribuidor h * cantidad no vendi da y liquidada al valor de recuperacin 84 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS 85 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS 86 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS

87 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS CAPITULO 3: ELEMENTOS PARA LA TOMA DE DECISIONES EN SISTEMAS DE INVENTARIOS Lecc in 11: MODELOS PARA LA TOMA DE DECISIONES EN EL SISTEMA DE INVENTARIOS Existen di ferentes esquemas en la creacin de modelos para la toma de decisiones, en este ca so mencionaremos uno de los esquemas que se aplica en la ciencia de la administr acin, el cual, no pretende ser la verdad revelada, esto es vlido para problemas de inventarios o para cualquier situacin empresarial. Es fundamental enfatizar en q ue no debe verse como un conjunto rgido de procedimientos, en algunos casos se po drn saltar escalones, en otros tocar crear variantes, sin embargo, es importante m anejar una gua que nos va a facilitar los procesos y coadyuvar a una gestin ms efici ente, los pasos a seguir son los siguientes: Aceptar o reconocer la existencia de una(s) situacin(es) susceptible(s) a mejorar , lo que es diferente a un problema manifiesto, lo importante es reconocer que d e actuar diferente se podran obtener mejores resultados; en este paso se debe ser muy cuidadoso, ya que, una persona puede tener diversos objetivos; tambin se pre senta que diferentes reas de la organizacin tengan objetivos contradictorios, por ejemplo el departamento comercial puede pretender resultados que entren en contr adiccin con los objetivos de quien maneja el departamento financiero, en el caso de los inventarios esto se presenta con frecuencia, ya que, para un gerente fina nciero los inventarios pueden representar lucro cesante, mientras que para el co mercial pueden representar la forma de brindar un mejor servicio, por lo que lo ms importante es fijar adecuadamente el(los) objetivo(s) a conseguir. Formular el problema, plantear la situacin(es) ya definida(s), jerarquizndolas en caso de ser necesario en forma de problema, buscando solucionar primero las ms crticas y/o la s ms viables a juicio de la gerencia. Este paso es delicado ya que un alto porcen taje de la solucin, est dado por un buen planteamiento, un planteamiento errneo pue de llevar a consecuencias desastrosas para la organizacin; en el ejemplo anterior , si yo pienso en ahorrar unos pesos, en esta difcil poca para los negocios, lo pu edo hacer en un momento determinado sacrificando servicio, sin embargo, esto se puede revertir en contra de mi empresa en el mediano o largo plazo. Construir el modelo, representar de alguna manera el problema, para nuestro caso, en forma m atemtica, siendo conscientes de que el mejor modelo no necesariamente es el ms nov edoso, ni el ms complicado, la bondad del modelo se mide por la forma en que este interpreta la realidad y por las ayudas que pueda brindar al tomador de decisio nes. Recolectar los datos, esta es una de las partes ms dispendiosas y en donde e s necesario la ayuda de todas las reas de la organizacin, en el caso de los invent arios debemos conocer los costos de mantenimiento y los de pedido, la demanda, e l tiempo de entrega de nuestros proveedores, en fin la informacin que necesitamos es muy amplia y de su calidad depende la validez del modelo, ya que parodiando a los ingenieros 88 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS

 de sistemas, si basura entra, basura sale. Si lo anterior es cierto cuando se "a limenta" un computador con mayor razn se cumple en los modelos cuantitativos. Res olver el modelo, esta es realmente la parte ms sencilla, si los pasos anteriores son correctamente efectuados, consiste en operar con los datos recolectados en e l modelo previamente construido, en esta parte algunos autores recomiendan manej ar escenarios, es decir hacer fluctuar los datos recopilados para analizar las p osibles influencias de estos cambios y estar pendientes en caso que se presenten , otros recomiendan, de ser posible ver cmo se comporta el modelo en situaciones que ya sucedieron, con el objeto de verificar hasta qu punto nos hubiesen ayudado a tomar la mejor decisin de acuerdo a las circunstancias. Interpretacin de los re sultados, en esta parte el criterio gerencial es fundamental, ya que, NADA puede remplazar totalmente el juicio de quien toma la decisin, la idea del modelo es a yudar, no remplazar al tomador de decisiones, aqu es indispensable que quien toma las decisiones se despoje de pre-juicios y vea la solucin de la forma ms objetiva posible, que no piense que al proponer el modelo soluciones diferentes a las qu e ha venido implementando, ste o las decisiones anteriores no sirven. El verdader o profesional, puede darse a partir de la consecucin de un ttulo universitario y/o por la experiencia y el estudio relacionados en el campo objeto de su labor, lo que realmente lo distingue es su capacidad de anlisis y de evolucionar en y con el tiempo. Implementar el modelo, si los pasos anteriores fueron manejados corre ctamente, este debera ser el ms sencillo, sin embargo, en la prctica presenta ocasi onalmente problemas, por el rechazo de algunas partes de la organizacin a los cam bios, debido a que en todos los niveles de la organizacin es frecuente observar p ersonas que por no salirse de rutinas preestablecidas, se oponen y retardan la p uesta en prctica de nuevas ideas. Retroalimentar y recrear el modelo, teniendo en cuenta que las circunstancias del entorno o de la empresa pueden cambiar, es in dispensable estar permanentemente verificando el modelo, lo cual no le quita val idez y muestra seriedad y objetividad en la toma de decisiones, recuerde que ni aun "a los paquetes computacionales ms complejos se les puede dejar decidir", que siempre el que toma las decisiones es el gestor, esto es vlido an ms en lo referen te a modelos de gestin. En lo referente a inventarios existen gran cantidad de mo delos, por lo que generalmente no es necesario "descubrir el agua tibia", lo imp ortante es saber cundo y dnde usarla. Los modelos deben permitirnos cometer errore s en el papel, disminuyendo la probabilidad de cometerlos en la vida real, las a plicaciones en computador nos permiten ver rpidamente muchas opciones simplemente cambiando nmeros de acuerdo a los supuestos razonados que usemos dentro de las s ituaciones que se pueden presentar en la empresa. 89 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 12: ELEMENTOS QUE ENMARCAN PRODUCCIN E INVENTARIOS EL PROCESO DECISORIO EN

Los siguientes elementos constituyen el marco de referencia para la toma de deci siones en produccin e inventarios: Dada la naturaleza limitada de la mente humana y de los posibles modelos de deci sin, es necesario determinar los factores relevantes a tener en cuenta en el proc eso decisorio sobre sistemas de inventarios y a eliminar aquellos aspectos que n o son significativos para el sistema bajo anlisis. Cualquier decisin que se tome c on respecto a un tem en particular est enmarcada dentro del siguiente contexto: La relacin del tem en consideracin con otros SKUs; La inversin total en el inventario agregado; El plan maestro de la organizacin; Los sistemas de produccin/distribucin de los proveedores y clientes de la empresa; La economa regional y mundial como u n todo. Las decisiones en una organizacin obedecen a un nivel jerrquico, el cual r egularmente contiene: Decisiones estratgicas de largo plazo, como por ejemplo la definicin de la localizacin de una nueva planta manufacturera o centro de distribu cin; Decisiones tcticas de mediano plazo, como por ejemplo la seleccin de una empre sa transportadora para el prximo semestre o la programacin de la produccin del prxim o mes; Decisiones operacionales de corto plazo o inmediatas, como por ejemplo la ruta de los camiones para efectuar los despachos el da de maana, o la programacin de los trabajos en cierta mquina para hoy. Anlogamente, las decisiones con respecto de inventarios pueden clasificarse en: Escogencia del sistema general de control (decisin estratgica); Seleccin de parmetro s de acuerdo con el sistema general de control escogido, tales como el nivel de servicio al cliente (decisin tctica); Decisiones operacionales, tales como sistema de recoleccin de datos, determinacin de pedidos, reporte de resultados, planeacin de despachos de bodegas a puntos de venta, etc. Cuando exista un gran nmero de SK Us, stos deben agregarse y analizarse en grupos homogneos ms reducidos, con el obje to de disminuir el grado de complejidad del problema sin prdida significativa de la precisin de los modelos utilizados. Especial nfasis debe drsele al anlisis de las variables ms importantes, como por ejemplo los costos de ordenamiento y el proce so de demanda, para el cual debe disearse un adecuado sistema de pronsticos. 90 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 13: FACTORES DE IMPORTANCIA PARA LA TOMA DE DECISIONES EN INVENTARIOS Fact ores de costo El valor unitario del tem, v El valor unitario de cada tem est expresado en $/unidad. Para un comerciante (nprod uctor) este costo corresponde al precio del artculo pagado al proveedor incluyend o los fletes y costos relacionados. Puede depender del tamao de pedido, de acuerd o con los descuentos por cantidad. Para productores, este valor es ms difcil de determinar. Sin embargo, rara vez se utiliza el valor en libros del tem. Se prefiere, en cambio, medir el valor real d el dinero invertido en el tem (costo variable de produccin) para hacerlo apto para su utilizacin, bien sea como producto terminado para el consumidor final, o como componente para otro proceso dentro de la planta. Este costo es muy importante,

ya que el costo de llevar el inventario depende de l. El costo de llevar o mantener el inventario, r El costo de llevar o mantener el inventario comprende los costos de almacenamiento y manejo, el costo del espacio utilizado, los costos de capital, los seguros e impuestos, y los costos de ries go en los que se incurre por el hecho de tener almacenados los tems, esperando a ser demandados por los clientes. Ballou (1999) describe con detalle cada uno de estos costos. A continuacin se pre sentan sus principales caractersticas. Los costos de almacenamiento y manejo se refieren ga, teniendo en cuenta la mano de obra utilizada, tales como recepcin, almacenamiento, inspeccin ada, estos costos formarn parte del costo global rio y descrito a continuacin. 91 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS El costo de espacio es el reflejo del uso del volumen dentro del edificio de la bodega. Si la bodega es arrendada, estos costos se expresan generalmente por uni dad de peso por cada perodo de tiempo, por ejemplo en $/(ton mes). Si el espacio es propio de la empresa, los costos de espacio se determinan de acuerdo con los costos de operacin asociados con dicho espacio, tales como climatizacin e iluminac in, y costos fijos, tales como los costos del edificio y del equipo, basados en e l volumen que se maneja en la bodega. Los costos de espacio no se incluyen en el clculo de inventarios en trnsito. Los costos de capital o costos de oportunidad representan la mayor proporcin de l os costos de llevar el inventario. A pesar de esto, es el costo menos tangible d e todos los componentes del costo de inventario. Su determinacin no es fcil, ya qu e depende de muchos factores. Primero, los inventarios pueden tratarse de activo s a corto plazo o de activos a largo plazo, dependiendo de su funcin. Segundo, el costo de capital puede determinarse de un rango amplio de valores que van desde las tasas de inters del mercado hasta el costo de oportunidad del capital, que p uede estar representado en el promedio de las tasas mnimas de retorno de la empre sa o en las inversiones ms rentables a las que la empresa tiene acceso. Los seguros e impuestos dependen del inventario disponible y por ello forman par te del costo de llevar el inventario. Los seguros se toman como prevencin contra incendio, robo, daos, etc. Los impuestos se pagan dependiendo de los sistemas con tables particulares de cada regin y generalmente se cobran de acuerdo con los val ores en libros de los inventarios. El tema de valoracin de los inventarios para e fectos contables no se considera en esta publicacin. Los costos de riesgo representan los costos de obsolescencia, deterioro y deprec iacin del inventario. El deterioro puede deberse a condiciones naturales de los te ms en inventario, especialmente si se trata de artculos perecederos. Estos costos pueden determinarse del costo de tems perdidos, o del costo de actualizacin media nte trabajo adicional para recobrar el estado normal del producto, o de reponer el producto desde otra localizacin. 92 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS a los costos de operar la bode las actividades desarrolladas, y despacho. Si la bodega es arrend de espacio dado por el arrendata

La Tabla que se muestra seguidamente un ejemplo que ilustra la magnitud de cada uno de los costos descritos anteriormente, los cuales sumados en total represent an el costo de llevar el inventario. Ntese que los costos de oportunidad, obsoles cencia y depreciacin pueden representar hasta el 96% del costo total de llevar el inventario. Las unidades en las que se mide este costo son normalmente en un po rcentaje por ao [%/ao], o, equivalentemente, en [$/($ao)], lo que significa el dine ro que hay que pagar por cada peso invertido en inventario cada ao, o cada perodo de tiempo que se escoja para el anlisis. Regularmente se utiliza el mismo costo d e llevar el inventario para todos los tems, excepto en los casos en que las difer encias entre diversos tems sean significativas. [Fuente original: Landeros y Lyth (1989), citados por Ballou (1999), pg. 318] El costo de llevar el inventario (en $) se calcula normalmente mediante la siguient e expresin: donde: El costo de ordenamiento, A Cada orden para reponer el inventario tiene varios costos asociados, los cuales en general son fijos y no dependen del tamao de la orden. Estos costos correspond en al 93 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS procesamiento, transmisin, manejo y compra de la orden. Especficamente, para un co merciante (n-productor), el costo de ordenamiento puede comprender: Costo de preparacin de los formatos de las rdenes Costos de correo (o de cualquier sistema que utilice para la transmisin de rdenes, incluyendo fax, EDI, etc.) Cost os de llamadas telefnicas relacionadas con el pedido Costos de autorizacin del ped ido Costos de recepcin e inspeccin Costos de manejo de las facturas del proveedor Otros costos relacionados con el procesamiento de la orden Para un productor este costo puede incluir los costos relacionados con el montaj e de maquinaria fija, los costos de alistamiento para preparar las mquinas para p rocesar la orden, la transmisin y control de la orden en la planta. En este caso se prefiere utilizar el trmino costo de preparacin. Es muy importante definir cules costos se constituyen en costos adicionales para la preparacin o procesamiento de una orden, ya sea en un sistema productivo o com ercial, ya que son los costos marginales los que deben incluirse en el costo de ordenamiento o preparacin. En otras palabras, si el procesamiento de una orden no requiere de personal adicional, sino del mismo personal al que debe pagrsele su salario independientemente de que la orden se produzca, slo deberan incluirse los costos marginales para procesar la orden, como por ejemplo, el costo de papelera y copiado. Fogarty et. al. (1994) tratan con mayor detalle y extensin este tema ( pg. 208-233), al igual que Silver y Peterson (1985) (pg. 72-78) y Silver et al. (1 998) (pg. 53-58). El costo de falta de inventario, B Este costo se produce cuando se recibe una or den y no hay suficiente inventario disponible para cubrirla. Generalmente se exp resa como un porcentaje del costo del tem. Pueden ocurrir entonces tres posibilid ades: se genera una orden pendiente, se pierde la venta o se produce una combina cin de ambas, por ejemplo cuando el cliente decide aceptar una orden pendiente pa

rcial. Cualquiera de las tres posibilidades que ocurra, genera un costo, el cual es muy difcil de estimar debido a su naturaleza intangible. 94 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 14: CONTROL DE INVENTARIOS DE TEMS INDIVIDUALES CON DEMANDA PROBABILSTICA En esta leccin se analiza el sistema de control de inventarios cuando la demanda es probabilstica. Se concentra la atencin en aquellos casos en los cuales la demanda promedio permanece aproximadamente constante a lo largo del tiempo, aunque ya s e demostr que un sistema de pronsticos bien diseado puede cambiar dinmicamente los p armetros que flucten a lo largo del tiempo. Un concepto clave tratado en esta leccin es el de Inventario de Seguridad ("Safet y Stock"), el cual protege contra las posibles fluctuaciones de la demanda y del lead time. Adems, se definirn algunos conceptos fundamentales de servicio al clie nte y diversas formas de tratar los costos de faltante de inventario, los cuales han demostrado ser muy difciles de estimar. El desarrollo de este captulo est basado principalmente en Silver y Peterson (1985 ), Silver et al. (1998) y en Ballou (1999). Preguntas bsicas para el control de inventarios Hay tres preguntas claves a responder en cualquier sistema de control de inventa rios:

Con qu frecuencia debe revisarse el nivel de inventario? Cundo debe ordenarse? Qu idad debe ordenarse en cada pedido? Para el caso de la demanda probabilstica, estas tres preguntas son mucho ms difcile s de responder. La respuesta a la primera pregunta implica altos costos de revis in frecuente del nivel de inventario, comparados con los costos de mantener inven tario de seguridad para responder a la demanda durante el tiempo de reposicin. Pa ra responder la segunda pregunta debe tenerse en cuenta el equilibrio entre los costos de mantenimiento de inventario al ordenar anticipadamente y el nivel de s ervicio que se quiere dar al cliente. Finalmente, la 95 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS respuesta a la tercera pregunta tiene en cuenta de nuevo el costo total relevant e y, para algunos casos, est muy relacionada con la segunda pregunta. 96 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 15: FORMAS DE REVISIN DEL NIVEL DE INVENTARIO La primera pregunta anterior relacionada con la frecuencia de revisin del inventa rio efectivo se enmarca dentro de dos sistemas bsicos: la revisin continua y la re visin peridica. Lo que trata de determinarse es el intervalo de tiempo que transcu rre entre dos revisiones sucesivas del nivel de inventario efectivo. Comparacin entre los sistemas de revisin continua y los de revisin peridica

REVISIN CONTINUA REVISIN PERIDICA Es muy difcil en la prctica coordinar Permite coordinar diversos tems en forma dive rsos tems en forma simultnea. simultnea, logrndose as economas de escala significativa s. La carga laboral es poco predecible, ya Se puede predecir la carga laboral co n que no se sabe exactamente el instante en anticipacin a la realizacin de un pedi do. que debe ordenarse. La revisin es ms costosa que en el La revisin es menos cost osa que en la sistema peridico, especialmente para revisin continua, ya que es men os tems de alto movimiento. frecuente. Para tems de bajo movimiento, el costo de r evisin es muy bajo, pero el riesgo de informacin sobre prdidas y daos es mayor. Asum iendo un mismo nivel de servicio al cliente, este sistema requiere un menor inve ntario de seguridad que el sistema de revisin peridica. Para tems de bajo movimient o, el costo de revisin es muy alto, pero existe menos riesgo de falta de informac in sobre prdidas y daos. Asumiendo un mismo nivel de servicio al cliente, este sist ema requiere un mayor inventario de seguridad que el sistema de revisin continua. En la revisin continua, como su nombre lo indica, tericamente se revisa e inventario en todo momento. Sin embargo, obviamente, esto no es posible prctica. Lo que se hace, entonces, es revisar el inventario cada vez que na transaccin (despacho, recepcin, demanda, etc.) y por ello tambin se mo "sistema de reporte de transacciones." 97 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS En los sistemas de revisin peridica, el nivel del inventario se consulta cada R un idades de tiempo. Obviamente, si R 0, este sistema se convierte en un sistema d e revisin continua. La tabla anterior compara los dos mtodos en forma general. Dada la variabilidad de la demanda, es imposible garantizar que todos los pedido s sean satisfechos con el inventario a la mano. Si por ejemplo la demanda es inu sualmente alta, deben darse acciones de emergencia para satisfacerla. Si por el contrario la demanda resulta ser muy baja, se puede entonces presentar un exceso de inventario. El arte del control de inventarios consiste en balancear estos d os extremos de tal forma que se tenga el nivel de servicio adecuado al cliente, con el mnimo costo total posible. Dentro de este control, la determinacin de los i nventarios de seguridad es precisamente un punto fundamental. A continuacin se ex ponen algunos mtodos para este efecto. Inventario de seguridad basado en factores constantes Este mtodo involucra la utilizacin de un factor constante de tiempo para determina r el inventario de seguridad de todos los tems. Por ejemplo, se puede decir que s e va a tener siempre al menos `dos semanas de inventario de seguridad'. Tambin, s e puede definir con base en un factor constante multiplicado por la demanda prom edio del tem bajo consideracin. Este mtodo tiene una grave falla conceptual al igno rar la variabilidad de la demanda del tem respectivo. As, esta poltica puede ser ad ecuada para ciertos tems, pero totalmente insatisfactoria para otros, bien sea po r exceso o por escasez de inventario. 98 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS el nivel d en la ocurre u le conoce co

ACTIVIDADES DE AUTOEVALUACIN DE LA UNIDAD 1. Escriba dentro del parntesis la letra a la cual corresponde la definicin. 99 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS 2. Mac-in-the-Box, Inc., vende equipo de computadoras mediante pedidos que los c lientes hacen por telfono y por correo. Mac vende 1200 escneres de cama plana cada ao. El costo del pedido es de $300 y el costo anual del manejo de inventario rep resenta el 16% del precio del artculo. El fabricante del escner le ha propuesto la siguiente estructura de precios a Mac-in-the-Box. Con qu cantidad del pedido se logra minimizar el total de los costos anuales? 3. e nuncie cuatro caractersticas de los Modelos E.O.Q. 4. Indique el significado de los siguientes smbolos. K C H B Q* I D 100 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS FUENTES DOCUMENTALES DE LA UNIDAD 1 Bernstein, Peter L. (1998). Against the Gods, the remarkable story of risk. USA, John Wiley. Frederick S. Hillier, Gerald J. Lieberman Introduction to operation s research, McGraw-Hill, 1995. Hanke, John E.; Wichern, Dean W. & Reitsch, Arthu r G. (2001). Business Forecasting. Seventh Edition. USA, New Jersey: Prentice Ha ll Hisashi Kobayashi Modeling and analysis : an introduction to system performan ce evaluation methodology, Addison-Wesley, 1978. Makridakis, Spyros. (1993). Pro nsticos. Estrategia y Planificacin para el siglo XXI. Madrid, Espaa: Ediciones Daz d e Santos, S.A. Sanjay K. Bose. An Introduction to queueing systems, Kluwer Acade mic/Plenum Publishers, 2002. Sipper Daniel / Bulfin Robert L., Planeacin y contro l de la produccin, 1 edicin, 1 impresin, Mxico D.F., Mc. Graw Hill, Junio 1999, pp. 23 8 -240. Stephen S. Lavenberg, [editors] Computer performance modeling handbook, Academic Press, 1983. Wayne L. Winston Operations research : applications and al gorithms, Brooks/Cole - Thomson Learning, 2004. http://www.investigaciondeoperac iones.net/eoq.html, tomado 12 de mayo del 2013 http://www.investigacion-operacio nes.com/Lote%20Economico.htm http://chita.is-a-geek.com/r2r/BCDF/archivos/ABC.do c http://www.gestiopolis.com/canales/financiera/articulos/20/abcinventario.htm h ttp://www.mailxmail.com/curso/empresa/controlartuinventario/capitulo2.htm 101 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS

UNIDAD 2 Nombre de la Unidad Introduccin El anlisis de Markov tuvo su origen en lo s estudios de A.A.Markov(1906-1907) sobre la secuencia de los experimentos conec tados en cadena y los intentos de descubrir matemticamente los fenmenos fsicos cono cidos como movimiento browiano. La teora general de los procesos de Markov se des arrollo en las dcadas de 1930 y 1940 por A.N.Kolmagoron, W.Feller, W.Doeblin, P.L evy, J.L.Doob y otros. El anlisis de Markov es una forma de analizar el movimient o actual de alguna variable, a fin de pronosticar un movimiento futuro de la mis ma. Las "colas" son un aspecto de la vida moderna que nos encontramos continuame nte en nuestras actividades diarias. En el contador de un supermercado, accedien do al Metro, en los Bancos, etc., el fenmeno de las colas surge cuando unos recur sos compartidos necesitan ser accedidos para dar servicio a un elevado nmero de t rabajos o clientes. En matemticas, Programacin no lineal (PNL) es el proceso de re solucin de un sistema de igualdades y desigualdades sujetas a un conjunto de rest ricciones sobre un conjunto de variables reales desconocidas, con una funcin obje tivo a maximizar, cuando alguna de las restricciones o la funcin objetivo no son lineales. Cadenas de Markov, teora de colas y programacin no lineal Justificacin El estudio de las colas es importante porque proporciona tanto una base terica de l tipo de servicio que podemos esperar de un determinado recurso, como la forma en la cual dicho recurso puede ser diseado para proporcionar un determinado grado de servicio a sus clientes. Debido a lo comentado anteriormente, se plantea com o algo muy til el desarrollo de una herramienta que sea capaz de dar una respuest a sobre las caractersticas que tiene un determinado modelo de colas. 102 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Intencionalidades Formativas Valorar la importancia que tiene los mtodos estudiados en situaciones organizacion ales para las empresas en el mundo moderno. Plantear y resolver problemas en difer entes campos del saber, haciendo un proceso de abstraccin de escenarios conocidos a escenarios desconocidos de las temticas estudiadas. Denominacin de captulos Captulo 4 Cadenas de Markov Captulo 5 Modelos de lneas de espera Captulo 6 Programac in no lineal 103 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS CAPITULO 4: CADENAS DE MARKOV Leccin 16: Cadenas de Eventos Anlisis de MARKOV Una cadena de Markov es una serie de eventos, en la cual la probabilidad de que ocur ra un evento depende del evento inmediato anterior. En efecto, las cadenas de es te tipo tienen memoria. "Recuerdan" el ltimo evento y esto condiciona las posibil idades de los eventos futuros. Esta dependencia del evento anterior distingue a las cadenas de Markov de las series de eventos independientes, como tirar una mo neda al aire o un dado.

En los negocios, las cadenas de Markov se han utilizado para analizar los patron es de compra de los consumidores, para pronosticar las concesiones por deudores morosos, para planear las necesidades de personal y para analizar el reemplazo d e equipo. Aunque no es una herramienta que se use mucho, el anlisis de Markov pue de proporcionar informacin importante cuando es aplicable. El anlisis de Markov, llamado as en honor de un matemtico ruso que desarrollo el mto do en 1907, permite encontrar la probabilidad de que un sistema se encuentre en un estado en particular en un momento dado. Ms importante an, permite encontrar el promedio a la larga o las probabilidades de estado estable para cada estado. Co n esta informacin se puede predecir el comportamiento del sistema a travs del tiem po. Una Cadena de Markov es un proceso estocstico de tiempo discreto que para t=0, 1, 2,.. y en todos los estados se verifica P(Xt+1=it+1 | Xt=it, Xt-1=it-1, ..., X1=i1,X0=i0)=P(Xt+1=it+1|Xt=it) La Hiptesis de estabilidad es la probabilidad P (Xt+1=i t+1t=i)=pij (no depende d e t) La probabilidad de transicin es pij La Matriz de probabilidades de transicin es 104 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Donde se debe verificar que la Las cadenas de Markov que cumplen la hiptesis de e stabilidad se llaman cadenas estacionarias de Markov La distribucin inicial de probabilidad de una cadena de Markov es aquella q = [q1 ,...,qs] donde qi=P(X0=i) EJEMPLO: la ruina del jugador es una cadena de Markov estacionaria Estados: 0, 1, 2, 3, 4 Matriz de transicin La anterior matriz de transicin se puede representar con un grafo en el que cada nodo representa un estado y cada arco la probabilidad de transicin entre estados. Grfica: Esquema de una matriz de transicin. 105 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 17: DESCRIPCIN DE UNA CADENA DE MARKOV La probabilidad de pasar de un event o a otro se llama probabilidad de transicin, para describir completamente una cad ena de Markov es necesario saber el estado actual y todas las probabilidades de transicin. Hay dos formas fciles de exponer las probabilidades de transicin: 1. DIAGRAMA DE ESTADOS: como el que muestra la figura, en sta se ilustra un siste ma de Markov con dos estados posibles: s1 y s2. La probabilidad condicional o de transicin de moverse de un estado a otro se indica en el diagrama, por ejemplo l a probabilidad de pasar del estado s1 al estado s2 se seala como p12. Las flechas muestran las trayectorias de transicin que son posibles. La ausencia de algunas trayectorias significa que esas trayectorias tienen probabilidad igual a cero. 2. MATRIZ DE TRANSICIN: Para el ejemplo anterior la matriz se muestra a continuac

in, ntese que, como existen dos estados posibles, se necesitan 2x2 = 4 probabilida des. Tambin ntese que cada rengln de la matriz suma 1.esto se debe a que el sistema debe hacer una transicin. EJERCICIOS PRACTICOS 106 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS 1. Teniendo en cuenta el siguiente diagrama de estados, describa la matriz de tr ansicin correspondiente. 2. teniendo en cuenta la siguiente matriz de transicin describa el diagrama de es tados correspondiente. 3. Escriba las observaciones que puede hacer a partir del diagrama de estados o de la matriz de transicin en cada caso. 107 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 18: CLCULO DE LAS PROBABILIDADES DE TRANSICIN Ahora que se sabe cmo presentar los datos, qu puede hacerse? Un anlisis til es pronos ticar el estado del sistema despus de 1, 2, 3, o ms periodos. Esto se llama anlisis de transicin, debido a que es a corto plazo y est enfocado a periodos cortos. EJEMPLO: Considrese la siguiente cadena de Markov: una copiadora de oficina, poco segura. Si est funcionando un da, existe un 75% de posibilidades de que al da sigu iente funcione y un 25% de posibilidades de que no funcione. Pero si no est funci onando, hay 75% de posibilidades de que tampoco funcione al da siguiente y slo un 25% de que si lo haga (se lleva mucho tiempo la reparacin) Para comenzar un anlisis de transicin, se deben conocer el estado actual. Supngase que se est comenzando y que hay 75% de posibilidades de estar en el estado 1 y 25 % de estar en el estado 2. Esto define el estado actual en forma probabilstica. Cul es la probabilidad de que la copiadora al 4 da est funcionando? SOLUCION: ESTADOS: S1= La copiadora funcionando S2= La copiadora no funcionando 108 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS X0= Representa la proporcin de objetos en cada estado al inicio del proceso (vect or inicial de distribucin probabilstica) ESTADO ACTUAL X0= [X1, X2]= [0.75, 0.25] Para hallar la probabilidad de que la copiadora est funcionando al 4 da es necesar io determinar las 3 probabilidades anteriores, ya que: X4= x3.p X3= x2.p X2= x1. p X1= x0.p Xn= x0.pn esta ecuacin representa la proporcin de objetos en el estado i que realizan la transicin al estado j durante un perodo. Entonces las probabilid ades para el primer ciclo se calcularan as: De esta forma se hallan las otras probabilidades de transicin, el resultado final es:

109 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Esto se puede interpretar as: al cuarto da la probabilidad de funcionamiento de la copiadora es de 51.56% si ella estaba funcionando. As mismo 48.43% de probabilid ades de no funcionamiento. TALLER 1. Dada la cadena de Markov siguiente: Encuentre las probabilidades de transicin para los 5 ciclos siguientes, teniendo en cuenta que el sistema se encuentra en el estado 1. 2. Dada la siguiente matri z de tres estados. a. dibuje el diagrama de estados. b. Encuentre las probabilidades de transicin pa ra los siguientes tres ciclos suponiendo el inicio en el estado B. 3. Un gerente de crdito estima que el 95% de aquellos que pagan sus cuentas a tie mpo un mes, tambin lo harn el siguiente mes, sin embargo, de aquellos que se tarda n, solo la mitad pagara a tiempo la prxima vez. a. Si una persona paga a tiempo. C ul es la probabilidad de que pagara a tiempo durante 6 meses desde ahora? 110 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 19: CLASIFICACIN DE ESTADOS EN UNA CADENA DE MARKOV. Dados dos estados i y j, la trayectoria de i a j es la sucesin de transiciones que comienza en i y term ina en j, de forma que cada transicin de la secuencia tenga probabilidad positiva . Un estado j es alcanzable desde un estado i si hay una trayectoria de i a j, por lo tanto si dos estados i y j se comunican si i es alcanzable desde j y j es al canzable desde i. Un conjunto de estados S en una cadena de Markov es cerrado (constituyen una cla se de la cadena) sin ningn estado fuera de S es alcanzable desde un estado en S. Un estado i es absorbente si pii=1 Un estado i es transitorio si hay un estado j alcanzable desde i, pero el estado i no es alcanzable desde j. Un estado es recurrente si no es transitorio. Un estado i es peridico con periodo k>1 si k es el menor nmero tal que todas las t rayectorias que parten del estado i y regresan al estado i tienen una longitud ml tiplo de k. Si un estado recurrente no es peridico es aperidico. Si todos los estados de una cadena son recurrentes, aperidicos y se comunican ent re s, la cadena es ergdica. ANLISIS DE ESTADO TRANSITORIO El comportamiento de una cadena de Markov antes de alcanzar el estado estable se llama comportamiento transitorio. Para su estudio se utiliza las frmulas dadas a nteriormente para Pi j(n).

111 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 20: PROBABILIDADES DE ESTADO ESTABLE APLICACIN A LA ADMINISTRACIN E INGENIER IA Las compras de los consumidores estn influidas por la publicidad, el precio y muchos otros factores. Con frecuencia un factor clave es la ltima compra del cons umidor. Si por ejemplo, alguien compra un refrigerador maraca Y y le da un buen servicio, quedar predispuesto a comprar otro refrigerador marca Y. De hecho, una investigacin de mercado puede determinar el grado de lealtad a la m arca encuestando a los consumidores. En trminos de una cadena de Markov, los resu ltados de la investigacin son las probabilidades de transicin de seguir con la mar ca o de cambiar. Ejemplo, cambio de marca, la marca A es la marca de inters y la marca B represent a todas las dems marcas. Los clientes son bastante leales, el 80% de ellos son cl ientes que repiten. La oposicin conserva el 70% de sus clientes. Qu informacin puede obtenerse con el anlisis de Markov? Con el anlisis de transicin pu ede descubrirse que tan probable es que un cliente cambie despus de cierto nmero d e ciclos. Pero el anlisis de estado estable es el ms til. Qu interpretacin dara usted el promedio a largo plazo de estar en cualquiera de los estados? La de porcentaje s de mercado! El promedio a la larga del estado A es el porcentaje de mercado qu e puede esperar recibir la marca A. As, conociendo el grado de lealtad a la marca entre los clientes puede predecirse el porcentaje de mercado para el producto o servicio. El desarrollo o clculo de las probabilidades de estado estable para el ejemplo an terior se realizan a continuacin: Matriz de transicin (cambio de marca) Marca A Ma rca B Marca A Marca B 0.8 0.3 0.2 0.7 112 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Las distribuciones de estado lmite o estable representan las proporciones aproxim adas de objetos en los diferentes estados de una cadena de Markov, despus de un g ran nmero de periodos. La matriz limite L tiene dos renglones idnticos, siendo la suma de sus componente s igual a la unidad. Se calculan utilizando la siguiente expresin: [ x1,x2].P = [ x1,x2] [ x1,x2]. 0.8 0.2 = [ x1,x2] 0.3 0.7 Resultan 2 ecuaciones: 0.8x1+0.3x2= x1 0.2x1+0.7x2= x2 Y una tercera ecuacin, clave para hallar la solucin del sistema es: X1+x2=1 De las dos primeras ecuaciones escogemos 1, pues las dos resultan ser la misma, para tr abajarla con la tercera. Utilizamos cualquier mtodo de solucin de sistemas de ecua ciones, como reduccin, igualacin o sustitucin. La solucin del sistema es: X1= 0.6 X2 = 0.4 Lo que significa que la marca A capturar a la larga el 60% del mercado y la s otras marcas tendrn el 40%. 113 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Esta informacin puede ser til en muchas formas. Una de ellas es al evaluar las dif

erentes estrategias de publicidad. Esta publicidad puede estar dirigida a los cl ientes actuales en un esfuerzo para incrementar la lealtad a la marca. De otra m anera, puede dirigirse a los compradores de otras marcas con el fin de persuadir los para cambiar. Cmo debe asignarse un presupuesto de publicidad entre estas dos alternativas? El anlisis de Markov puede proporcionar una respuesta si se dispone de cierta informacin adicional. TALLER 1. Dada la cadena de Markov siguiente: Encuentre las probabilidades de estado estable. 2. Dada la siguiente matriz de t res estados. Encuentre las probabilidades de estado estable. 3. Un gerente de crdito estima qu e el 95% de aquellos que pagan sus cuentas a tiempo un mes, tambin lo harn el sigu iente mes, sin embargo, de aquellos que se tardan, solo la mitad pagara a tiempo la prxima vez. A la larga Cul es la proporcin de cuentas pagadas a tiempo? 114 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Aplicaciones PROBLEMA RESUELTO Formlese como una cadena de Markov el siguiente pr oceso. El fabricante de dentfrico Brillo controla actualmente 60% del mercado de una ciudad. Datos del ao anterior muestran que 88% de consumidores de brillo cont inan usndola, mientras que 12% de los usuarios de brillo cambiaron a otras marcas. Adems, 85% de los usuarios de la competencia permanecieron leales a estas otras marcas, mientras que 15% restante cambi a brillo. Considerando que estas tendenci as continan, determnese la parte del mercado que corresponde a brillo: a) en 3 aos, y b) a largo plazo. Se considera como estado 1 al consumo de brillo y al estado 2 como el consumo de una marca de la competencia. Entonces, p11, probabilidad de que un consumidor d e brillo permanezca leal a brillo, es 0.88; p12, la probabilidad de que un consu midor de brillo cambie a otra marca es de 0.12;p21, probabilidad de que el consu midor de otra marca cambie a brillo, es 0.15; p22, probabilidad de que un consum idor de otra marca permanezca leal a la competencia, es 0.85. La matriz estocstic a definida por estas probabilidades de transicin es: El vector inicial de distribucin probabilstica es X0 = ( 0.60, 0.40 ), donde los c omponentes x10 = 0.60 y x20 = 0.40 representan las proporciones de personas inic ialmente en los estados 1 y 2, respectivamente. SOLUCIN: Las probabilidades para los primeros ciclos se calculan as: 115 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Segn esto a brillo le corresponde en el primer ao 58.8% del mercado, al segundo ao 57.9% y al tercer ao 57.26%. A largo plazo el proceso sera: Las distribuciones de estado lmite o estable representan las proporciones aproximadas de objetos en los diferentes estados de una cadena de Markov, despus de un gran nmero de periodos. La matriz limite L tiene dos renglones idnticos, siendo la suma de sus componente s igual a la unidad. Se calculan utilizando la siguiente expresin: [ x1,x2].P = [ x1,x2] [ x1,x2]. 0.88 0.12 = [ x1,x2] 116

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS 0.15 0.85 Resultan 2 ecuaciones: 0.88x1+0.15x2= x1 0.12x1+0.85x2= x2 Y una terce ra ecuacin, clave para hallar la solucin del sistema es: X1+x2=1 De las dos primer as ecuaciones escogemos 1, pues las dos resultan ser la misma, para trabajarla c on la tercera. Utilizamos cualquier mtodo de solucin de sistemas de ecuaciones, co mo reduccin, igualacin o sustitucin. La solucin del sistema es: X1= 0.55 X2= 0.45 Lo que significa que la marca brillo capturar a la larga el 55% del mercado y las o tras marcas tendrn el 45%. Esta informacin puede ser utilizada para realizar campaas de publicidad encaminada s a mantener o mejor subir la fidelidad de los clientes antiguos y a ganar clien tes nuevos. PROBLEMAS DE APLICACIN 1. Las uvas del valle de sonoma se clasifican como superio res, regulares o malas. Despus de una cosecha superior, las probabilidades de ten er durante el siguiente ao una cosecha superior, regular o mala son de: 0, 0.8 y 0.2 respectivamente. Despus de una cosecha regular, las probabilidades de que la siguiente cosecha sea superior, regular y mala son de 0.2, 0.6 y 0.2. Despus de u na mala cosecha, las probabilidades de una cosecha superior, regular y mala son de 0.1, 0.8 y 0.1. Determnense las probabilidades de una cosecha superior para ca da uno de los siguientes cinco aos. si la cosecha ms reciente fue regular. 117 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS 2.Una lnea area con un vuelo a las 7:15 p.m entre la ciudad de Nueva York y la ciu dad de washington,D.C; No desea que el vuelo salga retrasado dos das consecutivos . Si el vuelo sale retrasado un da, la lnea area realiza un esfuerzo especial al da siguiente para que el vuelo salga a tiempo, y lo logra 90% de las veces. Si el v uelo no sali con retraso el da anterior, la linea area no realiza arreglos especial es, y el vuelo parte de acuerdo con lo programado el 60% de las veces. Que porce ntaje de veces parte con retraso el vuelo?. 3. El departamento de comercializacin de la marca X hizo una investigacin y encontr que, si un cliente compro su marca, existe un 70% de posibilidades de que la compre de nuevo la prxima vez. por otro lado, si la ltima compra fue de otra marca, entonces se escoge la marca X solo e l 20% del tiempo. Cul es el porcentaje de mercado que puede pronosticarse a la la rga para la marca X?. Aspectos Tericos: Las cadenas de Markov se incluyen dentro de los denominados procesos estocsticos. Dichos estudian el comportamiento de variables aleatorias a lo largo del tiempo X(t,w). Se definen como una coleccin de variables aleatorias {X(t,w), t I}, don de X (t,w) puede representar por ejemplo los niveles de inventario al final de l a semana t. El inters de los procesos estocsticos es describir el comportamiento d e un sistema e operacin durante algunos periodos. Los procesos estocsticos se pueden clasificar atendiendo a dos aspectos: si el es pacio de estados posibles de la variable aleatoria contiene valores discretos o continuos y de si los valores del tiempo son discretos o continuos. Las cadenas de Markov es un proceso estocstico en el que los valores del tiempo s on discretos y los estados posibles de la variable aleatoria contienen valores d iscretos, es decir, es una cadena estocstica de tiempo discreto. 118

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Las cadenas de Markov Consiste en la aplicacin de la programacin dinmica a un proce so de decisin estocstico, en donde las probabilidades de transicin entre estado estn descritas por una cadena de Markov. La estructura de recompensas del proceso est descrita por una matriz cuyos elemen tos individuales son el costo o el beneficio de moverse de un estado a otro. Las matrices de transicin y de recompensas dependen de las alternativas de decisin . El objetivo es determinar la poltica ptima que maximice el ingreso esperado en u n nmero finito o infinito de etapas. Las cadenas de Markov, se clasifican, adems, dentro de los procesos estocsticos de Markov, que son aquellos en el que el estado futuro de un proceso es independie nte de los estados pasados y solamente depende del estado presente. Por lo tanto las probabilidades de transicin entre los estados para los tiempos k-1 y k solam ente depende de los estados que la variable adquiere dichos tiempos. La idea es determinar las probabilidades de ocurrencia de eventos que dependen d e las probabilidades de ocurrencia del evento anterior y tambin ms importante pode r determinar las probabilidades a largo plazo de los eventos. Ejemplo 1: Una copiadora que hoy se encuentra funcionando tiene una probabilidad de que el da de maana funcione correctamente de 65%. Pero si la copiadora hoy no est funcionando existe un 40% de probabilidades de que maana funcione. Nos interes a determinar en esta cadena de Markov las probabilidades de encontrar la copiado ra funcionando despus de 1 o varios das, teniendo en cuenta que como estado inicia l vamos a suponer que la copiadora est funcionando hoy. Tambin determinaremos las probabilidades de estado estable que significan las probabilidades de encontrar la copiadora funcionando despus de n ciclos que en nuestro caso son das. 119 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Solucin: Utilice el modulo del winqsb titulado: Markov process Luego seleccione file: Nos dar la opcin de elegir new problem, para introducir los datos de un nuevo ejer cicio. Luego nos aparece el siguiente pantallazo, en donde vamos a darle un titu lo al problema y colocamos tambin el nmero de estados, para nuestro ejemplo sern 2( la copiadora funcionando y la copiadora no funcionando) y le damos ok. 120 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Al darle ok nos dara la opcin de introducir los datos del ejercicio, que corrersp onden a la matriz de transicin. En este caso es: S1: Estado 1, la copiadora funcionando S2: Estado 2, la copiadora no funcionando Matriz de transicin S1 S2

S1 S2 0,65 0,40 0,35 0,60 Entonces 121 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Hay que resaltar que se debe colocar las probabilidades iniciales, en nuestro ca so las que corresponden al estado 1, segn el enunciado del ejercicio. Luego proce demos a resolver utilizando solve and analyse que encontramos en la barra superi or y elegimos markov process step Obtenemos la siguiente tabla: En esta casilla se coloca el numero de periodos que se quieren proyectar, en est e caso colocamos 1. El resultado que obtenemos 0,5625 corresponde a la probabili dad de encontrar funcionando la copiadora al dia siguiente y 0,4375 de no estar funcionando si tenemos en cuenta que la copiadora inicio funcionando. Bastaria con variar este nmero para calcular las probabilidades de 2,3, 0 ms perio dos. 122 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Asi mismo hallamos la probabilidad de estado estable asignando por ejemplo el va lor de 100 o eligiendo la opcin steady state, que para nuestro ejemplo nos daria los siguientes resultados: Los que indica la flecha, es decir que a la larga la probabilidad de encontrar l a copiadora funcionando es de 53,33% y de no estar funcionando de 46,66%. Es de anotar que para el clculo de estas probabilidades no se necesita de un estado ini cial, sea el valor que fuera nos dara a largo plazo el mismo resultado. Ejercicios de aplicacin 1. En un pueblo, al 90% de los das soleados le siguen das soleados, y al 80% de lo s das nublados le siguen das nublados. Con esta informacin modelar el clima del pue blo como una cadena de Markov. Determinar la probabilidad de tener un da soleado al tercer 123 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS da si hoy tenemos un da nublado. A largo plazo cul es la probabilidad de tener das so leados? 2. Un agente comercial realiza su trabajo en tres ciudades A, B y C. Para evitar desplazamientos innecesarios est todo el da en la misma ciudad y all pernocta, des plazndose a otra ciudad al da siguiente, si no tiene suficiente trabajo. Despus de estar trabajando un da en C, la probabilidad de tener que seguir trabajando en el la al da Siguiente es 0,4, la de tener que viajar a B es 0,4 y la de tener que ir

a A es 0,2. Si el viajante duerme un da en B, con probabilidad de un 20% tendr qu e seguir trabajando en la misma ciudad al da siguiente, en el 60% de los casos vi ajar a C, mientras que ir a A con probabilidad 0,2. Por ltimo si el agente comercia l trabaja todo un da en A, permanecer en esa misma ciudad, al da siguiente, con una probabilidad 0,1, ir a B con una probabilidad de 0,3 y a C con una probabilidad de 0,6. a) Si hoy el viajante est en C, cul es la probabilidad de que tambin tenga q ue trabajar en C al cabo de cuatro das? b) Cuales son los porcentajes de das en los que el agente comercial est en cada una de las tres ciudades? 124 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS CAPITULO 5: MODELOS DE LNEAS DE ESPERA CONCEPTOS GENERALES Con el objeto de verif icar si una situacin determinada del sistema de lneas de espera se ajusta o no a u n modelo conocido, se requiere de un mtodo para clasificar las lneas de espera. Es a clasificacin debe de responder preguntas como las siguientes: 1.- El sistema de lneas de espera tiene un solo punto de servicio o existen varios puntos de servic io en secuencia? 2.-Existe solo una instalacin de servicio o son mltiples las insta laciones de servicio que pueden atender a una unidad? 3.- Las unidades que requi eren el servicio llegan siguiendo algn patrn o llegan en forma aleatoria? 4.- El ti empo que requieren para el servicio se da en algn patrn de o asume duraciones alea torias de tiempo? INTRODUCCIN En muchas ocasiones en la vida real, un fenmeno muy comn es la formacin de colas o lneas de espera. Esto suele ocurrir cuando la demanda real de un servicio es supe rior a la capacidad que existe para dar dicho servicio. Ejemplos reales de esa s ituacin son: los cruces de dos vas de circulacin, los semforos, el peaje de una auto pista, los cajeros automticos, la atencin a clientes en un establecimiento comerci al, la avera de electrodomsticos u otro tipo de aparatos que deben ser reparados p or un servicio tcnico, etc todava ms frecuentes, si cabe, son las situaciones de es pera en el contexto de la informtica, las telecomunicaciones y, en general, las n uevas tecnologas. As, por ejemplo, los procesos enviados a un servidor para ejecuc in forman colas de espera mientras no son atendidos, la informacin solicitada, a t ravs de Internet, a un servidor Web puede recibirse con demora debido a congestin en la red o en el servidor propiamente dicho, podemos recibir la seal de lneas ocu padas si la central de la que depende nuestro telfono mvil est colapsada en ese mom ento, etc. 125 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS JUSTIFICACION La teora de las colas se ocupa del anlisis matemtico de los fenmenos de las lneas de espera o colas. Las colas se presentan con frecuencia cuando de solicita un serv icio por parte de una serie de clientes y tanto el servicio como los clientes so n de tipo probabilstico. La teora de las colas no pretende en ningn momento resolve r directamente el problema de la espera en colas sino ms bien describe la situacin que presenta una cola a travs del tiempo y extrae lo que bien se podra llamar las caractersticas operacionales de la cola. Alguna de estas caractersticas son el nme ro promedio de clientes en la cola, su tiempo de espera en la cola, el porcentaj e de tiempo que el despachador est ocupado, etc. Debido al carcter bsico de estas t eoras nos limitaremos a hacer una exposicin de los modelos ms elementales sin entra r estrictamente a considerar la labor de optimizacin de los sistemas que represen

tan. OBJETIVOS Identificar el nivel ptimo de capacidad del sistema que minimiza el costo global del mismo. Evaluar el impacto que las posibles alternativas de modificacin de la capacidad del sistema tendran en el coste total del mismo. Establecer un balance equilibrado ("ptimo") entre las consideraciones cuantitativas de costes y las cua litativas de servicio. Hay que prestar atencin al tiempo de permanencia en el sis tema o en la cola: la "paciencia" de los clientes depende del tipo de servicio e specfico considerado y eso puede hacer que un cliente "abandone" el sistema. 126 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 21: TEORIA DE LNEAS DE ESPERA El origen de la Teora de Colas est en el esfuer zo de Agner Kraup Erlang (Dinamarca, 1878 - 1929) en 1909 para analizar la conge stin de trfico telefnico con el objeto de acatar la demanda incierta de servicios e n el sistema telefnico de Copenhague. Sus investigaciones acabaron en una nueva t eora denominada teora de colas o de lneas de espera. Esta teora es ahora una herrami enta de valor en negocios debido a que un gran nmero de problemas pueden caracter izarse, como problemas de congestin llegada-salida. La teora de colas es considerada el estudio matemtico del comportamiento de lneas d e espera, ya que se presenta, cuando los "clientes" llegan a un "lugar" solicita ndo un servicio a un "servidor", el cual tiene una indiscutible capacidad de ate ncin. Si el servidor no est disponible inmediatamente y el cliente decide esperar, entonces se forma la lnea de espera. Una lnea de espera es considerada una cola y la teora de colas es una compilacin de modelos matemticos que detallan sistemas de lnea de espera particulares o sistemas de colas. Los modelos sirven para encontr ar un buen compromiso entre costes del sistema y los tiempos promedio de la lnea de espera para un sistema dado. Los sistemas de colas son modelos de sistemas que proporcionan servicio. Como mo delo, pueden representar cualquier sistema en donde los trabajos o clientes lleg an buscando un servicio de algn tipo y salen despus de que dicho servicio haya sid o atendido. Podemos modelar los sistemas de este tipo tanto como colas sencillas o como un sistema de colas interconectadas formando una red de colas. En la sig uiente figura podemos ver un ejemplo de modelo de colas sencillo. Este modelo pu ede usarse para representar una situacin tpica en la cual los clientes llegan, esp eran si los servidores estn ocupados, son servidos por un servidor disponible y s e marchan cuando se obtiene el servicio requerido. El problema es determinar qu capacidad o tasa de servicio proporciona el balance correcto. Esto no es sencillo, ya que un cliente no llega a un horario fijo, es decir, no se sabe con exactitud en que momento llegarn los clientes. Tambin el tie mpo de servicio no tiene un horario fijo. 127 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Los problemas de "colas" se presentan permanentemente en la vida diaria: un estu dio en EEUU concluy que, por trmino medio, un ciudadano medio pasa cinco aos de su vida esperando en distintas colas, y de ellos casi seis meses parado en los semfo ros.

LECTURA AUTOREGULADA UNA VISITA A DISNEY Qu tan popular es Disney World en Orlando, Florida? Desde que abri en 1971, 200 mil lones de personas han visitado Disney World, y esperan en filas Para tener acces o a sus muchas atracciones. Lo administracin de Disney Pone mucha atencin a la forma en que trata a sus client es mientras esperan en las colas. En la ciencia de la administracin. Las filas se conocen a menudo como colas, y la teora de colas se aplica a muchas estructuras diferentes- En Disney world, por e jemplo, los visitantes forman una fila para tener acceso al paseo con el Capitn N emo, mientras que los mismos submarinos del Capitn Nomo hacen cola mientras bajan y suben, a los pasajeros - Qu tambin atiende las filas y a las personas es algo c rtico para el negocio de Disney, Norm Doerges, directora de Epcot (que es parte d e Disney World). analiza cmo Epcot fue diseada. Primero, los investigadores de Dis ney recolectaron datos acerca del modo en que las personas pasan su tiempo en el parque. Cunto tiempo esperan en una fila? Cunto tiempo realmente invierten en las a tracciones? Cunto tiempo pasan comiendo? Cunto tiempo les lleva decidirse sobre qu ha cer a continuacin? Segundo, Disney pide a sus clientes su opinin acerca de cunto ti empo estaan dispuestos a esperar para tener acceso a las diferentes atracciones y servicios. Los diseadores deo Epcot entonces construyeron un modelo para simular sucesos y el flujo de trfico en el parque. teniendo en mente la eliminacin de las esperas largas. Tomar en consideracin las necesidades de los clientes en la etap a de diseo, significa que Epcot podra evitar el hacer cambios caros a gran escala en el parque despus de que fuera construido. 128 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS PREGUNTAS SOBRE EL CASO 1. Cunto tiempo estaban dispuestos a esperar los clientes de Disney World para ten er acceso a las atracciones ms populares? Qu factores influyeron en sus decisiones? 2. Comente sobre la forma en que Disney revisa sus colas y con qu frecuencia lo hace. 3. Qu tipos de datos objetivos y subjetivos recaba Disney para su modelo de simulacin? Ms all del caso 1. Por qu los supermercados no utilizan el sistema de una sola fila que se ve en l a mayora da los bancos? 2. Qu ahorro en costos pueden resultar del uso de un modelo de colas para decidir cuntos servidores controladores, cajeros, etctera) tener tr abajando? 129 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 22: ORIGEN DE LA TEORIA DE COLAS ANTECEDENTES El origen de la Teora de Cola s est en el esfuerzo de Agner Kraup Erlang (Dinamarca, 1878 - 1929) en 1909 para analizar la congestin de trfico telefnico con el objetivo de cumplir la demanda inc ierta de servicios en el sistema telefnico de Copenhague. Sus investigaciones aca baron en una nueva teora denominada teora de colas o de lneas de espera. Esta teora es ahora una herramienta de valor en negocios debido a que un gran nmero de probl emas pueden caracterizarse, como problemas de congestin llegada-salida. En los pr

oblemas de formacin de cola, a menudo se habla de clientes, tales como personas q ue esperan la desocupacin de lneas telefnicas, la espera de mquinas para ser reparad as y los aviones que esperan aterrizar y estaciones de servicios, tales como mes as en un restaurante, operarios en un taller de reparacin, pistas en un aeropuert o, etc. Los problemas de formacin de colas a menudo contienen una velocidad varia ble de llegada de clientes que requieren cierto tipo de servicio, y una velocida d variable de prestacin del servicio en la estacin de servicio. Cuando se habla de lneas de espera, se refieren a las creadas por clientes o por las estaciones de servicio. Los clientes pueden esperar en cola simplemente porque los medios exis tentes son inadecuados para satisfacer la demanda de servicio; en este caso, la cola tiende a ser explosiva, es decir, a ser cada vez ms larga a medida que trans curre el tiempo. Las estaciones de servicio pueden estar esperando por que los m edios existentes son excesivos en relacin con la demanda de los clientes; en este caso, las estaciones de servicio podran permanecer ociosas la mayor parte del ti empo. Los clientes puede que esperen temporalmente, aunque las instalaciones de servicio sean adecuadas, porque los clientes llegados anteriormente estn siendo a tendidos. Las estaciones de servicio pueden encontrar temporal cuando, aunque las instalac iones sean adecuadas a largo plazo, haya una escasez ocasional de demanda debido a un hecho temporal. Estos dos ltimos casos tipifican una situacin equilibrada qu e tiende constantemente hacia el equilibrio, o una situacin estable. En la teora d e la formacin de colas, generalmente se llama sistema a un grupo de unidades fsica s, integradas de tal modo que pueden operar al unsono con una serie de operacione s organizadas. La teora de la formacin de colas busca una solucin al problema de la espera prediciendo primero el 130 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS comportamiento del sistema. Pero una solucin al problema de la espera consiste en no solo en minimizar el tiempo que los clientes pasan en el sistema, sino tambin en minimizar los costos totales de aquellos que solicitan el servicio y de quie nes lo prestan. La teora de colas incluye el estudio matemtico de las colas o lneas de espera y pro vee un gran nmero de modelos matemticos para describirlas. Se debe lograr un balan ce econmico entre el costo del servicio y el costo asociado a la espera por ese s ervicio. La teora de colas en s no resuelve este problema, slo proporciona informac in para la toma de decisiones.

CARACTERSTICAS DE UN SISTEMAS DE COLAS Poblacin de Clientes: Conjunto de todo clientes posibles de un sistema de colas Proceso de llegada: La forma en que lo s clientes de la poblacin llegan a solicitar un servicio Proceso de colas: La for ma en que los clientes esperan a que se les d un servicio Disciplina de colas: La forma en que los clientes son elegidos para proporcionarles un servicio. Proces o de servicio: Forma y rapidez con que son atendidos los clientes Proceso de Sal ida: Forma en que los productos o los clientes abandonan un sistema de colas Sis tema de colas de un paso: Sistema en el cual los productos o los clientes abando nan el sistema despus de ser atendidos en un solo centro o estacin de trabajo. Red de colas: Sistema en el que un producto puede proceder de una estacin de trabajo y pasar a otra antes de abandonar el sistema. 131 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO

LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS 132 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS ELEMENTOS EXISTENTES EN UN MODELO DE COLAS Fuente de entrada o poblacin potencial : Es un conjunto de individuos (no necesariamente seres vivos) que pueden llegar a solicitar el servicio en cuestin. Podemos considerarla finita o infinita. Aunq ue el caso de infinitud no es realista, s permite (por extrao que parezca) Resolve r de forma ms sencilla muchas situaciones en las que, en realidad, la poblacin es finita pero muy grande. Dicha suposicin de infinitud no resulta restrictiva cuand o, aun siendo finita la poblacin potencial, su nmero de elementos es tan grande qu e el nmero de individuos que ya estn solicitando el citado servicio prcticamente no afecta a la frecuencia con la que la poblacin potencial genera nuevas peticiones de servicio. Cliente: Es todo individuo de la poblacin potencial que solicita servicio. Suponi endo que los tiempos de llegada de clientes consecutivos son 0<t1<t2<..., ser imp ortante conocer el patrn de probabilidad segn el cual la fuente de entrada genera clientes. Lo ms habitual es tomar como referencia los tiempos entre las llegadas de dos clientes consecutivos: consecutivos: clientes consecutivos: T{k} = tk - t k-1, fijando su distribucin de probabilidad. Normalmente, cuando la poblacin poten cial es infinita se supone que la distribucin de probabilidad de los Tk (que ser l a llamada distribucin de los tiempos entre llegadas) no depende del nmero de clien tes que estn en espera de completar su servicio, mientras que en el caso de que l a fuente de entrada sea finita, la distribucin de los Tk variar segn el nmero de cli entes en proceso de ser atendidos. Capacidad de la cola: Es el mximo nmero de clientes que pueden estar haciendo cola (antes de comenzar a ser servidos). De nuevo, puede suponerse finita o infinita . Lo ms sencillo, a efectos de simplicidad en los clculos, es suponerla infinita. Aunque es obvio que en la mayor parte de los casos reales la capacidad de la col a es finita, no es una gran restriccin el suponerla infinita si es extremadamente improbable que no puedan entrar clientes a la cola por haberse llegado a ese nme ro lmite en la misma. 133 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Disciplina de la cola: Es el modo en el que los clientes son seleccionados para ser servidos. Las disciplinas ms habituales son: La disciplina FIFO (first in first out), tambin llamada FCFS (first come first se rved): segn la cual se atiende primero al cliente que antes haya llegado. La disciplina LIFO (last in first out), tambin conocida como LCFS (last come firs t served) o pila: que consiste en atender primero al cliente que ha llegado el lt imo. La RSS (random selection of service), o SIRO (service in random order), que sele cciona a los clientes de forma aleatoria. Mecanismo de servicio: Es el procedimiento por el cual se da servicio a los clie ntes que lo solicitan. Para determinar totalmente el mecanismo de servicio debem os conocer el nmero de servidores de dicho mecanismo (si dicho nmero fuese aleator io, la distribucin de probabilidad del mismo) y la distribucin de probabilidad del

tiempo que le lleva a cada servidor dar un servicio. En caso de que los servido res tengan distinta destreza para dar el servicio, se debe especificar la distri bucin del tiempo de servicio para cada uno. La cola: Es el conjunto de clientes que hacen espera, es decir los clientes que ya han solicitado el servicio pero que an no han pasado al mecanismo de servicio. El sistema de la cola: Es el conjunto formado por la cola y el mecanismo de serv icio, junto con la disciplina de la cola, que es lo que nos indica el criterio d e qu cliente de la cola elegir para pasar al mecanismo de servicio. Un modelo de sistema de colas debe especificar la distribucin de probabilidad de los tiempos d e servicio para cada servidor. La distribucin ms usada para los tiempos de servici o es la exponencial, aunque es comn encontrar la distribucin 134 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS degenerada o determinstica (tiempos de servicio constantes) o la distribucin Erlan g (Gamma). 135 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 23: MEDIDAS DE RENDIMIENTO MEDIDAS DE RENDIMIENTO PARA EVALUAR UN SISTEMA DE COLAS Valor numrico que se utiliza para evaluar los mritos de un sistema de colas en est ado estable. CONDICIONES: 1. Poblacin de clientes infinita. 2. un proceso de colas que consist e en una sola lnea de espera de capacidad infinita, con una disciplinas de colas de primero en entrar primero en salir. FIFO. 3. un proceso de servicio que consi ste en un solo servidor que atiende a los clientes de acuerdo con una distribucin infinita. FORMULAS: Taza de Llegada: nmero promedio de llegad por unidad de tiempo (). Taza de Servic io: nmero promedio de clientes atendidos por unidad de tiempo (). Utilizacin: proba bilidad de hallar el sistema ocupado. U=p p=/ Probabilidad de que hayan clientes en el sistema o que el sistema este ocioso. P o = 1-p Probabilidad de que haya clientes en el sistema. Pn = pn *po Nmero Promed io en Filas: nmero promedio de clientes que se encuentran esperando en la fila pa ra su atencin. Lq = 2 / (-) Nmero Promedio en el Sistema: nmero promedio de clientes que se encuentran en el sistema. L = (-) Tiempo Promedio en la Cola: tiempo pro medio de un cliente que llega tiene que esperar en la cola antes de ser atendido s. Wq = / (-) 136 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Tiempo Promedio en el Sistema: tiempo promedio que un cliente invierte desde su llegada hasta su salida. Wq = 1 (-) FRMULAS PARA CALCULAR LAS MEDIDAS DE RENDIMINT O DE UN SISTEMAS DE COLAS M/M/1

137 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 24: ANLISIS DE COSTOS ANALISIS DE COSTOS DEL SISTEMA DE COLAS Al analizar los mritos de contratar perso nal de reparacin adicional en Babara, usted debera identificar dos componentes impo rtantes: Para seguir adelante, necesita ahora conocer el costo por hora de cada Miembro d el personal de reparacin (denotado con C8) y el costo por hora de Una mquina fuera de operacin (denotado por CW), que es el costo de una hora de produccin perdida. Suponga que el departamento de contabilidad le informa que cada reparador le cue sta a la compaa $50 por hora, incluyendo impuestos, prestaciones, etc. El costo de una hora de produccin perdida deber incluir costos explcitos, como la contabilidad de ganancias no obtenidas, y costos implcitos, como la perdida de voluntad por p arte del cliente si no se cumple con la fecha lmite de la entrega. Estos costos i mplcitos son difciles de estimar. Sin embargo suponga que el departamento de conta bilidad estima que la compaa pierde $ 100 por cada hora que una mquina est fuera de operacin. Ahora ya puede calcular un costo total para cada uno de los tamaos de pe rsonal. Para un personal de siete reparadores, el nmero esperado de mquinas en el sistema es 12.0973, de modo que: 138 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Realizando clculos parecidos para cada uno de los tamaos de personal restantes se tiene como resultado los costos por hora de cada alternativa que presentamos en la siguiente tabla: Costos por hora para diferentes tamaos de personal de reparacin de la empresa Bava ria De los resultados, usted puede ver que la alternativa que tiene menor costo por hora, $ 1128.63, es tener un total de nueve reparadores. En consecuencia, su rec omendacin a la gerencia de produccin de la empresa X, es contratar a dos reparador es adicionales. Estor dos nuevos empleados tendrn un costo de $100 por hora, pero este costo adicional est 139 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS ms que justificado por los ahorros que se tendrn con menos mquinas fuera de operacin . La recomendacin reducir el costo por hora de $ 1559.73 a $ 1128.63, un ahorro de aproximadamente $ 430 por hora, mayor que la cantidad que cubre sus honorarios. CARACTERSTICAS CLAVES En resumen, para evaluar un sistema de colas en el que con trola el nmero de servidores o su tasa de servicio, se necesitan las siguientes e stimaciones de costos y medidas de rendimiento: El costo por servidor por unidad de tiempo (C8). El costo por unidad de tiempo p or cliente esperando en el sistema (Cw). El nmero promedio de clientes en el sist ema (L).

140 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS EJEMPLO DESARROLLADO La Concesin Neiva Bogot, tiene unas estaciones para el pesado de camiones cerca de sus peajes, para verificar que el peso de los vehculos cump la con las regulaciones viales. La administracin de la Concesin est considerando me jorar la calidad del servicio en sus estaciones de pesado y ha seleccionado una de sus estaciones como modelo a estudiar antes de instrumentar los cambios. La a dministracin desea analizar y entender el desempeo del sistema actual durante las horas pico, cuando llega a la bscula el mayor nmero de camiones, suponiendo que el sistema puede desempearse bien durante este periodo, el servicio en cualquier ot ro momento ser an mejor. Para estimar las tasas promedio de llegada y de servicio en la estacin, los datos disponibles que la gerencia determina para los valores s on: = nmero promedio de camiones que llegan por hora = 60 = nmero de camiones que pueden ser pesados por hora = 66 El valor de = 66 es mayor que el de = 60, de modo que es posible hacer el anlisis de estado estable de este sistema. Solucin: L a intensidad de trfico es: p = / = 60 / 66 = 0.9091 Mientras ms cerca est p de 1, ms cargado estar el sistema, lo cual tiene como resultados colas ms larga y tiempos de espera ms grandes. En trminos de p, y las medidas de rendimiento, para el pro blema de la concesin, se calculan de la siguiente manera: 1. Probabilidad de que no hayan clientes en el sistema (Po): Po = 1 p= 1 0.9091= 0.0909 Este valor indi ca que aproximadamente 9% del tiempo un camin que llega no tiene que esperar a qu e se le proporcione el servicio porque la estacin de pesado est vaca. Dicho de otra manera aproximadamente 91% del tiempo un camin que llega tiene que esperar. 2. Nm ero promedio en la fila (Lq) Lq = p2/ 1 p= (0.9091)2 / 1 0.9091= 9.0909 En prome dio la estacin de pesado puede esperar tener aproximadamente nueve camiones esper ando para obtener el servicio (sin incluir al que se est pesando) Cuando ya se ha determinado un valor para Lq se pueden calcular los valores de Wq , W, y L , as: 3. Tiempo promedio de espera en la cola (Wq ) Wq = Lq / = 9.0909 / 60= 0.1515 Es te valor indica, que en promedio un camin tiene que esperar 0.1515 horas, aproxim adamente 9 minutos, en la fila, antes de que empiece el proceso de pesado. 141 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS 4. Tiempo promedio de espera en el sistema (W) W = Wq + 1 / = 0.1515 + 1 / 66= 0 .1667 Este valor indica, que en promedio, un camin invierte 0.1667 horas, 10 minu tos, desde que llega hasta que sale. 5. Nmero promedio en el sistema ( L ) L = * W= 60 * 0.1667= 10 Este valor indica, que en promedio, existe un total de 10 ca miones en la estacin de pesado, ya sea en la bscula o esperando ser atendidos. 6. Probabilidad de que un cliente que llega tenga que esperar ( Pw ) : pw = 1 Po = p= 0.9091 Este valor, como se estableci en el paso 1, indica que aproximadamente 91% del tiempo un camin que llegue tiene que esperar. 7. Probabilidad de que haya n clientes en el sistema ( Pn ) : Pn = p n * Po Al utilizar esta frmula se obtie nen las siguientes probabilidades: n pn 0 0.0909 1 0.0826 2 0.0759 3 0.0684 Esta tabla proporciona la distribucin de probabilidad para el nmero de camiones que se encuentran en el sistema. Los nmeros que aparecen en la tabla se pueden utilizar para responder una pregunta como: Cul es la probabilidad de que no hayan ms de tre s camiones en el sistema?, en este caso, la respuesta de 0.3169 se obtiene media nte la suma de las primeras cuatro probabilidades de la tabla, para n = 0, 1, 2 y 3. 8. Utilizacin ( U ) : U = p= 0.9091 Este valor indica que aproximadamente 91 % del tiempo las instalaciones de pesado estn en uso (un camin est siendo pesado). De manera equivalente, aproximadamente 9% del tiempo la estacin est sin funcionar, sin que haya camiones que se estn pesando. 142

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS CAPITULO 6 PROGRAMACIN NO LINEAL Leccin 26: Programacin no lineal Un modelo de Prog ramacin Lineal (PNL) es aquel donde las variables de decisin se expresan como func iones no lineales ya sea en la funcin objetivo y/o restricciones de un modelo de optimizacin. Esta caracterstica particular de los modelos no lineales permite abor dar problemas donde existen economas o deseconomas de escala o en general donde lo s supuestos asociados a la proporcionalidad no se cumplen. Los problemas de optimizacin no lineal son ms difciles de resolver que los lineales . Estas dificultades aparecen incluso en el caso ms simple como el de optimizar u na funcin de una variable en R sin restricciones. Ejemplo 1: Un joven ingeniero de una compaa ha sintetizado un nuevo fertilizante h echo a partir de dos materias primas. Al combinar cantidades de las materias pri mas bsicas x1 y x2, la cantidad de fertilizante que se obtiene viene dada por . Se requieren 480 euros por unidad de materia prima 1 y 300 euros por cada unidad de materia prima 2 que se empleen en la fabricacin del fertilizante (en estas ca ntidades se incluyen los costos de las materias primas y los costos de produccin) . Si la compaa dispone de 24000 euros para la produccin de materias primas, plantea r el problema para determinar la cantidad de materia prima de forma que se maxim ice la cantidad de fertilizante. Las variables de decisin del problema son: x1 : cantidad de materia prima 1 x2 : cantidad de materia prima 2 El objetivo es maximizar la cantidad de fertilizante , Restricciones del problema: El coste no puede exceder el presupuesto que la empresa tiene asignado para el f ertilizante, 143 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS No negatividad de las cantidades Una suposicin importante de programacin lineal es que todas sus funciones Funcin ob jetivo y funciones de restriccin son lineales. Aunque, en esencia, esta suposicin se cumple para muchos problemas prcticos, es frecuente que no sea as. De hecho, mu chos economistas han encontrado que cierto grado de no linealidad es la regla, y no la excepcin, en los problemas de planeacin econmica, por lo cual, muchas veces es necesario manejar problemas de programacin no lineal de una manera general, el problema de programacin no lineal consiste en encontrar x = ( x1,x2,....xn ) par a maximizar f(x), sujeta a: g(x) yx bi, para i= 1, 2,3....m 0 en donde f(x) y las g(x) son funciones dadas de n variables de decisin. No se dispone de un algoritmo que resuelva todos los problemas especficos que se ajustan a este formato. Sin embargo, se han hecho grandes logros en lo que se re fiere a algunos casos especiales, haciendo algunas suposiciones sobre las funcio nes, y la investigacin sigue muy activa. En este caso se destaca el estudio de optimizacin en una variable sin restriccion es de la forma: Optimizar z = f(x) Donde f es funcin no lineal de x y la optimiza cin se realiza en (-, ). Si la bsqueda se circunscribe a un sub. Intervalo finito [a, b] el problema es de optimizacin no lineal restringida y se transforma a opti mizar z = f(x) con la condicin a x b.

Optimizacin no lineal multivariable Es el caso anlogo al anterior, pero en el caso en que la funcin f es de ms de una variable, es decir: 144 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Optimizar z = f(X) donde X = [x1, x2, ..., xn]T Si existen las restricciones Gi( X) = 0 Es un problema no lineal multivariable restringido. Ejemplo Una Compaa desea construir una planta que recibir suministros desde tres ci udades A, B, C, tomando como origen la ciudad A, B tiene coordenadas (300 km. al Este,400 Km. al Norte), y C tiene coordenadas (700 Km. al Este, 300 Km. al nort e) respecto de A. La posicin de la planta debe estar en un punto tal que la dista ncia a los puntos A, B y C sea la mnima. sean x1 y x2 las coordenadas desconocida s de la planta respecto de A. Utilizando la frmula de la distancia, debe minimiza rse la suma de las distancias No hay restricciones en cuanto a las coordenadas de la planta ni condiciones de no negatividad, puesto que un valor negativo de x1 significa que la planta se lo caliza al Oeste del punto A. La ecuacin es un programa matemtico no lineal in rest ricciones. Veamos ahora algunos casos de programacin no lineal comunes de encontr ar: 145 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 27: PROGRAMACIN CUADRTICA La programacin cuadrtica (QP) es un tipo especial en la matemtica de optimizacin de problemas. Es el problema de optimizar (reduciendo al mnimo o maximizando) una funcin cuadrtica de varias variables conforme a apremi os lineales en estas variables. Es un caso particular de programacin matemtica no lineal. Un programa Matemtico en el cual cada restriccin gi es lineal pero el objetivo es cuadrtico se Conoce como programa cuadrtico, es decir f(x1,x2,..,xn) = S i=1,nS j=1,n cijxixj + S i=1,ndix i Ejemplo Minimizar z = x12+X22 Con las condiciones x1 - x2 = 3 X2 3 Donde ambas restricciones son lineales, con n = 2 (dos variables) c11 = 1; c12 = c21 = 0; c 22 = 1 y d1 = d2 = 0. 146 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 28: MULTIPLICADORES DE LAGRANGE -CONDICIONES KUNH TUCKER MULTIPLICADORES D E LAGRANGE. Se pueden utilizar los multiplicadores de Lagrange para resolver los problemas no lineales en los cuales las restricciones son igualdades. Considera mos los del tipo siguiente: max(o min) z= f(x1,x2,.....xn..) s.a g1( x1,x2,..... xn..)= b1 g2( x1,x2,.....xn..)= b2 gm( x1,x2,.....xn..)= bm para resolverlo, aso ciamos un multiplicador L1 con la i-esima restriccin y frmamos el lagrangiano. 147 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO

LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 29: TCNICA DEL GRADIENTE TCNICAS DE GRADIENTE. Un modelo de Programacin Linea l (PNL) es aquel donde las variables de decisin se expresan como funciones no lin eales ya sea en la funcin objetivo y/o restricciones de un modelo de optimizacin. Esta caracterstica particular de los modelos no lineales permite abordar problema s donde existen economas o deseconomas de escala o en general donde los supuestos asociados a la proporcionalidad no se cumplen. En este sentido el mtodo del gradiente (conocido tambin como mtodo de Cauchy o del descenso ms pronunciado) consiste en un algoritmo especfico para la resolucin de mo delos de PNL sin restricciones, perteneciente a la categora de algoritmos general es de descenso, donde la bsqueda de un mnimo est asociado a la resolucin secuencial de una serie de problemas unidimensionales. Los pasos asociados a la utilizacin del mtodo del gradiente o descenso ms pronuncia do consiste en: Considere el siguiente modelo de programacin no lineal sin restricciones. Aplique 2 iteraciones del mtodo del gradiente a partir del punto inicial X0=(1,1). 148 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS En este punto se desarrolla un mtodo para optimizar funciones continuas que son d os veces diferenciables. La idea general es generar puntos sucesivos comenzando en un punto inicial dado, en la direccin del aumento ms rpido maximizacin) de la fun cin. Est tcnica se conoce como mtodo del gradiente porque el gradiente de la funcin e n un punto es lo que indica la tasa ms rpida de aumento. 149 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS Leccin 30: MTODO DE NEWTON- RAPHSON EL MTODO DE NEWTON-RAPHSON. Una desventaja de u tilizar la condicin necesaria f(x)= 0 para determinar puntos estacionarios es la dificultad de resolver numricamente las ecuaciones simultneas resultantes. El mtodo de Newton-Raphson es un procedimiento iterativo para resolver ecuaciones simultn eas no lineales. Aunque el mtodo se presenta en este contexto, realmente es parte de los mtodos conocidos como mtodos de gradiente para optimizar numricamente funci ones no restringidas, irrestrictas. fi (X) =0, i=1, 2, ..., m se Xk un punto dad o. Entonces por el desarrollo de Taylor fi(X)= fi (Xk ) + fi(Xk) (X-Xk) , i= 1, 2, ...., m Por consiguiente, las condiciones originales pueden aproximarse por f i (Xk) + fi (Xk) (X-Xk) = 0 , i= 1, 2, ...., m Estas ecuaciones pueden escribirs e en notacin matricial como Ak + Bk (X - Xk) = 0 Bajo la hiptesis de que todas las fi(X) son independientes Bk necesariamente es no singular. Por consiguiente, la ltima ecuacin proporciona X = Xk -Bk-1Ak La idea del mtodo es comenzar desde un pu nto inicial X0. Utilizando la ecuacin anterior, siempre puede determinarse un nue vo punto Xk+1a partir de Xk. El procedimiento finaliza con Xm como la solucin cua ndo Xm = Xm-1 . ACTIVIDADES DE AUTOEVALUACIN DE LA UNIDAD TALLER En los siguientes ejercicios identifique y describa los siguientes aspect os del escenario de colas: a. Los clientes y los servidores b. La poblacin de cli entes y su tamao c. El proceso de llegada y los parmetros adecuados para la distri bucin de llegadas d. El proceso y la disciplina de colas e. Proceso de servicios

y los parmetros adecuados para la distribucin tiempo - servicio 150 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS 1. La divisin de mantenimiento de las Empresas Pblicas de Neiva est tratando de dec idir cuntos reparadores necesita tener para proporcionar un nivel aceptable de se rvicios a sus clientes. Las quejas llegan a un centro de servicios de acuerdo co n una distribucin exponencial, con una tasa promedio de 20 llamadas al da. El tiem po que tarda un tcnico reparador en llegar al lugar donde se le llam, resolver el problema y regresar tambin sigue una distribucin exponencial, con un promedio de 3 horas y 30 minutos. 2. El gerente del Supermercado La Sexta desea determinar el nmero mnimo de cajeros que necesita para atender a los clientes que llegan a la h ora del almuerzo. El tiempo promedio entre la llegada de dos clientes es de 2 mi nutos, pero el tiempo real entre llegadas sigue una distribucin exponencial. Cada cajero puede atender un promedio de 12 clientes por hora, pero el tiempo de ate ncin a cada cliente vara de acuerdo a una distribucin exponencial. 3. El portaavion es de Aires tiene un complemento de 80 aviones. Despus de operaciones de rutina, los aeroplanos son llevados de la cubierta de vuelo a una cubierta inferior, dos a la vez. El recorrido en elevador de una cubierta a otra dura 20 segundos y se necesitan diez segundos para cargar y descargar una aeronave del elevador. Los elevadores llegan al elevador de la cubierta de vuelo cada 30 segundos. 151 UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNO LOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS FUENTES DOCUMENTALES DE LA UNIDAD 2 BIBLIOGRAFA lvarez A. Jorge Investigacin de Op eraciones. Programacin Lineal. Editorial. U.N.I.Lima 1995. Prawda W. Juan Mtodos y Modelos de Investigacin de Operaciones. Tomo I: Modelos Deterministicos. Editor ial Limusa. Quinta Edicin. Mxico 2001. Taha Hamdy A. Investigacin de Operaciones. Una Introduccin. Editorial Prentice Hall. Sptima Edicin. Mxico 2000. Instituto Tecn olgico de Sonora, Mxico. Abril 2007 "Introduccin a la Investigacin de Operaciones". Programa Nacional de TIC, "Captulo Ministerio de Educacin y Ciencia, Espaa. Set. 2 007 8: Programacin Lineal". Dr. Ing. Franco Bellini M, "Curso de Investigacin de Operaciones". Universidad S anta Maria. Caracas Venezuela. Ago.2005

152