You are on page 1of 204

1

Econ. YbniosEl Grijalva Yauri

Tabla de convenciones
Indicadores de logro

Actividad

Observacin Observacin

Resumen Resumen

Bibliografa recomendada

Nexo

Autoevaluacin Autoevaluacin formativa formativa

UNIVERSIDAD PERUANA LOS ANDES Educacin Abierta y a Distancia. Huancayo. Impresin Digital SOLUCIONES GRAFICAS S.A.C. Jr. Puno 564 - Hyo. Telf. 214433

TABLA DE CONTENIDOS Tabla de contenido


TABLA DE CONTENIDOS PRESENTACIN UNIDAD TEMTICA I METODOS CUANTITATIVOS Y PROCESO DE TOMA DE DECISIONES. Objetivos del Captulo 1.0 Introduccin 1.1 Conocimiento y Toma de Decisiones 1.1.1 La Informacin en las Organizaciones 1.1.2 Toma de Decisiones y Racionalidad 1.1.3 Organizacin: Gestin y Procesos de Decisin 1.1.4 Anlisis de la Informacin 1.1.5 Consideraciones 1.2 Contribucin del Enfoque de los Mtodos Cuantitativos 1.3 Proceso de Modelado de los Mtodos Cuantitativos 1.4 Mtodos Cuantitativos, Enfoque Sistmico y Modelizacin. 1.5 Modelizacin: Concepto. Distintos tipos de modelos. 1.5.1 Tipos de modelos 1.5.2 Las ventajas de modelar 1.5.3 Los modelos matemticos 1.5.4 Algunos Modelos Determinsticos y Probabilsticos. 1.6 Construccin de Modelos: Metodologa y Etapas. Datos: Formas y Fuentes. 1.7 Desarrollo de Modelos: Preparacin, Mtodos de Clculo y Resolucin. 1.7.1 Proceso de formulacin de un problema de optimizacin 1.8 Otras Aplicaciones de Modelos Matemticos. 1.8.1 Modelos Determinsticos 1.8.2 Modelos Probabilsticos 1.8.3 Toma de Decisiones con Pura Incertidumbre 1.8.4 Toma de decisiones con riesgo 1.9 Actividades para Aprendizaje. 5 11 13 13 13 13 13 13 14 15 16 16 17 17 18 18 18 19 19 21 22 23 23 24 24 24 25 25 25

UNIDAD TEMTICA II PRONSTICOS DE NEGOCIOS Objetivos del Captulo. 2.0 Introduccin. 2.1 Teora de Series Temporales 2.2 Anlisis De Una Serie Temporal 2.2.1 Modelizacin por componentes 2.2.2 Enfoque Box - Jenkins 2.3 Descomposicin de Una Serie Temporal 2.3.1 Medias mviles: tendencia 2.3.2 Estacionalidad 2.3.3 Descomposicin Aditiva: Caso temperaturas 2.3.4 Descomposicin Multiplicativa: Caso usuarios transporte pblico 2.4 Modelizacin con Variables Categricas 2.5 Actividades para el Aprendizaje. UNIDAD TEMTICA III FORMULACION Y OPTIMIZACION DE MODELOS Objetivos del Captulo 3.0 Introduccin 3.1 Programacin Lineal: Formulacin de Problemas 3.1.2 Orgenes de la Programacin Lineal 3.1.3 Formulacin de Modelos 3.2 Programacin Lineal: Mtodos de Resolucin 3.2.1 El mtodo grfico 3.2.2 El Mtodo Simplex 3.2.3 Adaptacin a otro tipo de modelos 3.2.4 Situaciones especiales en el mtodo Simplex 3.2.5 Soluciones con Software 3.3 Programacin Lineal Entera 3.3.1 El algoritmo de bifurcacin y acotamiento 3.3.2 Programacin Entera y Solver 3.3.3 Programacin Entera Binaria: El Problema de la Mochila 3.3.4 El Problema de Asignacin
6

27 27 27 27 29 31 31 35 37 40 43 47 51 55 61

63 63 63 63 64 65 71 71 74 85 87 88 91 92 94 95 96

3.3.5 Problemas de Localizacin de Servicios 3.3.6 Conclusiones 3.4 Actividades para el Aprendizaje. UNIDAD TEMTICA IV MODELOS DE INVENTARIOS. Objetivos del Captulo. 4.0 Introduccin 4.1 Definiciones y Funciones. 4.2 Clasificacin de los sistemas PRODUCTIVOS segn la demanda. 4.3 Estructura de Costos de Inventarios. 4.3.1 Nomenclatura Asociada a Inventarios. 4.4 Decisiones sobre inventarios 4.5 Anlisis de la Tasa de Demanda y Tasa de Reposicin. 4.6 Polticas de inventario. 4.6.1 Poltica de Revisin Peridica. 4.6.2 Poltica de Revisin Continua. 4.7 Dimensionamientos de las Cantidades a Ordenar. 4.7.1 Modelo de un nico Producto: 4.7.2 Modelos con Tiempo de Espera. 4.7.3 Anlisis De Sensibilidad. 4.7.4 Cantidades Descontinuadas. 4.7.5 Situaciones Con Mltiples Inventarios. 4.7.6 Calculo del Periodo Optimo. 4.8 Modelos con Demanda Probabilstica 4.8.1 Modelo Simple 4.8.2 Clculo de Inventario de seguridad para la Poltica de Revisin Continua. 4.8.3 Calculo de Inventario de Seguridad en Poltica de Revisin Peridica. 4.9 Resumen Final de Inventarios. 4.9.1 Enfoque Japons. 4.9.2 Sistema de Costeo ABC. 4.10 Sistemas de Control de Inventarios 4.10.1 Tipos de Sistemas de Control 4.11 Actividades para el Aprendizaje.

98 107 107

109 109 109 109 110 112 112 113 113 114 115 115 116 116 119 120 122 124 126 128 129 130 131 134 134 135 136 136 137
7

UNIDAD TEMTICA V MODELACION DE COLAS. Objetivos del Captulo. 5.0 Introduccin. 5.1 Descripcin de un sistema de colas 5.2 Objetivos de la gestin de colas 5.3 Medidas del sistema 5.4 Un sistema de colas elemental: tasa de llegada y de servicio constantes 5.4.1 No hay cola, tiempo ocioso del servidor 5.4.2 No hay cola ni tiempo ocioso del servidor. 5.4.3 Formacin de cola y sin tiempo ocioso en el servidor 5.5 Las distribuciones de Poisson y Exponencial 5.5.1 La distribucin de Poisson 5.5.2 La distribucin Exponencial 5.6 Modelo de Colas Simple: Llegadas en Poisson y Tiempos de Servicio Exponencialmente Distribuidos. 5.7 Modelo mltiple de Colas: Llegadas en Poisson y Tiempos de Servicio Exponencialmente Distribuidos. 5.8 Limitaciones de los modelos de gestin de colas 5.9 Ejemplo de simulacin de un sistema de colas. 5.9.1 Recogida de datos 5.9.2 Simulacin de llegadas. 5.9.3 Simulacin de los tiempos de servicio 5.9.4 Simulacin conjunta del sistema 5.10 Actividades para el Aprendizaje. UNIDAD TEMTICA VI ANALISIS DE LA TEORA DE LA DECISIN Objetivos del Captulo. 6.0 Introduccin 6.1 Las decisiones en la empresa 6.2 Problemas de decisin estticos 6.3 Eleccin del criterio de decisin en condiciones de incertidumbre: 6.4 En situacin Riesgo. 6.5 Problemas de decisiones estticas
8

139 139 139 139 141 141 142 142 142 142 142 142 143 144 146 147 147 147 148 149 150 152 153 153 153 153 153 154 154 157 159

6.6 La Utilizacin de la Informacin Perfecta y el Concepto de Valor Esperado en Contexto de Riesgo. 161 6.7 La utilizacin de la informacin imperfecta y el concepto de valor esperado en contexto de riesgo. 162 6.8 Decisiones secuenciales y rboles de decisin: 6.9 Actividades para el Aprendizaje. UNIDAD TEMTICA VII ADMINISTRACIN Y GESTIN DE PROYECTOS CON PERT CPM Objetivos del Captulo 7.0 Introduccin 7.1 Definicin de la Gestin y Administracin de Proyectos 7.2 Representacin grfica de un Proyecto 7.3 Planificacin Temporal del Proyectos CPM 7.4 El Grfico Gantt 7.5 El PERT 7.6 Planificacin de Recursos: Tiempo-Costo 7.7 Conclusiones 7.8 Actividades para el Aprendizaje UNIDAD TEMTICA VIII INTRODUCCION AL MTODO DE SIMULACIN MONTE CARLO Objetivos del Captulo 8.0 Introduccin 8.1 Inicios del Mtodo de Monte Carlo 8.2 Simulacin: Mtodo Monte Carlo 8.2.1 Mtodos de simulacin 8.2.2 Etapas del proceso de simulacin 8.2.3 Diagrama de flujo del modelo de simulacin 8.3 Algoritmos 8.4 Qu es la Simulacin de Monte Carlo? 8.4.1 Simulacin MC con Variables Discretas 8.4.2 Generacin de Nmeros Aleatorios Provenientes de Otras Distribuciones 8.4.3 Simulacin MC con Variables Continuas 8.5 Actividades para el Aprendizaje. 189 189 189 189 189 190 190 191 191 191 194 196 199 200 202 171 171 171 171 171 173 177 181 182 185 186 187 165 170

10

PRESENTACIN
En estos tiempos de economa global, las empresas necesitan ser cada vez ms eficientes y eficaces, para mantenerse competitivas dentro de un mercado cada vez ms complejo. Por lo que es necesario hacer el mejor uso de los recursos escasos, con ayuda de la tecnologa, metodologas y nuevos instrumentos. Los mtodos cuantitativos tienen un espectacular impacto sobre la rentabilidad de numerosas empresas. Los paquetes de hojas de clculo ofrecen un entorno de trabajo cmodo y conocido para formular y analizar problemas; se ocupa, automticamente, de aplicar las matemticas necesarias con un mnimo de instrucciones por parte del usuario. Los mtodos cuantitativos son una disciplina que ayuda en la toma de decisiones mediante la aplicacin de un enfoque cientfico a problemas que involucran factores cuantitativos. Tienen una base slida en campos cientficos que incluyen matemticas y ciencias de la computacin. Tambin se apoyan en ciencias sociales, en especial en los negocios y las finanzas. Un estudio de mtodos cuantitativos solo brinda un anlisis y recomendaciones, con base en los factores cuantitativos del problema. Los cuales ayudan a la toma de decisiones. Pero el tomador de decisiones tambin debe tener en cuenta los aspectos intangibles fuera del dominio de los mtodos cuantitativos y luego usar su mejor criterio para tomar la decisin. Gran parte de los autores recomiendan una serie de pasos a seguir para la aplicacin de un mtodo cuantitativo para una investigacin sistemtica. Paso 1: Definir el problema y recolectar los datos. Paso 2: Formular un modelo para representar el problema. Paso 3: Desarrollar un procedimiento basado en computadora para derivar soluciones del problema a partir del modelo. Paso 4: Probar el modelo y refinarlo segn se necesite. Paso 5: Aplicar el modelo para analizar el problema y desarrollar las recomendaciones. Paso 6: Ayudar a implantar las recomendaciones. El proceso de modelado es creativo: Cuando se trata con problemas reales, es comn que no haya un modelo correcto sino varias formas alternativas para realizarlos. El proceso de modelado es un proceso evolutivo que comienza con un simple modelo verbal para definir la esencia del problema y gradualmente evoluciona hacia los modelos matemticos cada vez ms completos. La belleza de un modelo bien diseado es que permite que los procedimientos matemticos corran en una computadora para encontrar buenas soluciones al problema. Ya que los modelos matemticos son representaciones ideales, estn expresados en trminos simblicos y matemticos. Casi siempre para poder analizar los problemas reales se tienen que hacer varios supuestos. Muchos problemas en los negocios y finanzas giran alrededor de factores cuantitativos como cantidades de produccin, ingresos, costos, cantidades disponibles de recursos necesarios y otros. Al incorporar estos factores cuantitativos en un modelo matemtico y aplicar procedimientos matemticos para resolver el problema, los mtodos cuantitativos brindan una forma singularmente poderosa para analizar problemas. Aunque los mtodos cuantitativos se ocupan de la gestin practica de las organizaciones, incluido tomar en cuenta los factores de la relevancia cuantitativa, su contribucin especial descansa en su habilidad singular para manejar los factores cuantitativos. Dentro de los modelos, las variables de la decisin pueden ser enteras o continuas, el objetivo y las funciones de restriccin pueden ser lineales o no lineales o enteras. Los problemas de optimizacin planteados por estos modelos dan origen a una variedad de mtodos de solucin, cada uno diseado para 11

tomar en cuenta las propiedades matemticas especiales del modelo. Entre las tcnicas ms prominentes y exitosas se encuentran: series de tiempo, programacin lineal, programacin entera, programacin de redes y rboles entre otras. La construccin de modelos en hojas de clculo se presenta como un apoyo para las decisiones. El enfoque consiste en desarrollar un modelo con las herramientas de este programa y finalmente tomar una decisin basada en ese anlisis. Los modelos son una representacin limitada de la realidad y, por esa razn, los resultados de anlisis de un modelo no son necesariamente la solucin idnea para la situacin original. En particular, se hace hincapi en la idea de optimo es una concepcin matemtica, no un con cepto perteneciente al mundo real. Sin embargo, si un modelo ha sido bien formulado y su resultado se interpreta cuidadosamente, podr proveer un valioso acervo a la toma de decisiones. Se presentan los conceptos de: variables de decisin, parmetros, restricciones, objetivos y medidas de desempeo, todos los cuales son componentes importantes de los modelos. Describimos distintos tipos de modelos y el papel decisivo que los datos desempean en su construccin. Hemos expuesto el proceso iterativo mediante el cual son construidos los modelos, la funcin que corresponde a distintos tipos de modelos en las organizaciones de negocios, y temas relacionados con la validacin de modelos. Un aspecto importante de destacar es la forma en que los modelos refuerzan los conocimientos, favorecen la comunicacin de ideas a otras personas y facilitan el trabajo en equipo. El Compilador.

12

METODOS CUANTITATIVOS Y PROCESO DE TOMA DE DECISIONES.


Objetivos del Captulo Desarrollar diversos modelos matemticos, comprendiendo sus supuestos y limitaciones que podran aplicarse dentro de lo operativo de la empresa Resaltar la necesidad de que la toma de decisiones dentro de las organizaciones se haga de una forma ptima, analizando los costos y beneficios involucrados. Comprender la forma en que los mtodos cuantitativos se aplican al proceso de toma de decisiones en las empresas. 1.0 Introduccin Los Mtodos Cuantitativos construyen modelos de sistemas reales tratando de llegar a unos resultados cuantitativos que sirvan de base a decisiones econmicas, tcnicas, sociales y militaresetc. La premisa principal de los Mtodos Cuantitativos es que la toma de decisiones, sin hacer caso de la situacin en concreto, pueda considerarse como un proceso sistemtico en general con los siguientes pasos principales: Definicin del problema, Bsqueda de diferentes alternativas de accin, Evaluacin de alternativas, Seleccin de una alternativa. Entonces, los Mtodos Cuantitativos se aplican a problemas que se refieren a la conduccin y coordinacin de operaciones o actividades dentro de una organizacin de tipo ejecutivo . La naturaleza de la organizacin es esencialmente inmaterial y, de hecho, los mtodos se han aplicado en los negocios, la industria, la milicia, el gobierno, los hospitales, etc. As, la gama de aplicaciones es extraordinariamente amplia. 1.1 Conocimiento y Toma de Decisiones1 La situacin econmica y social que caracteriza a la sociedad moderna, genera profundos cambios en las organizaciones, las cuales se estn preparando para ser ms flexibles y establecer estrategias que les permitan adaptarse al entorno altamente turbulento en el que desarrollan sus acciones. Ante ambientes tan inestables como los que estamos viviendo y debido a la imposibilidad de actuar a ciegas, los miembros de la organizacin y, en particular, su alta gerencia, necesitan manipular grandes volmenes de informacin para cumplir sus funciones esenciales. Esto conlleva a la necesidad de implementar nuevas prcticas administrativas dirigidas a garantizar el xito organizacional, y entre ellas, la toma de decisiones soportada en el anlisis de informacin, resulta vital para los intereses de cualquier organizacin. 1.1.1 La Informacin en las Organizaciones La segunda mitad del siglo XX fue testigo de algunos hechos concretos que propiciaron grandes cambios, entre ellos: la aparicin de las computadoras, el crecimiento acelerado de su velocidad de procesamiento y la capacidad para el almacenamiento de datos, la facilidad de interconexin y la aparicin de la gran red de redes: Internet. Sin duda, ello ha posibilitado disponer de servicios de acceso en lnea a bases de datos y ha provocado una gran explosin de informacin que rebasa la capacidad de procesamiento de las organizaciones, obligando a la bsqueda de herramientas para el manejo de grandes volmenes de informacin. Cada vez
1

(1) Leroux, Rosa Maria Garcia de. 13

es menor el tiempo necesario para transformar un conocimiento bsico en ciencia aplicada, y luego en tecnologa; asimismo, se dispone de ms informacin como resultado del desarrollo de las nuevas tecnologas de la comunicacin. Todo esto, unido al incremento de la competencia a nivel mundial, impulsado por el dominio de las trasnacionales, una creciente necesidad de dotacin en tcnicas de captacin y anlisis de informacin sobre el entorno competitivo y tecnolgico y, en particular, de nuevas formas organizativas. Estos continuos cambios en el entorno y en el interior de las organizaciones, promueven, cada vez ms, la necesidad de mejorar el proceso de toma de decisiones, y ello repercute en un mejoramiento de la informacin que llega a la ms alta direccin. En este empeo, comprobada est la marcada importancia del aprovechamiento del imponente caudal de recursos de informacin existentes para toma de decisiones en las instituciones. 1.1.2 Toma de Decisiones y Racionalidad La toma de decisiones es el campo de mayor trascendencia para el ser humano. Es una ciencia aplicada que ha adquirido notable importancia y es fundamental en los negocios. La toma de decisiones puede conceptualizarse, entonces, como una actividad imprescindible en las organizaciones, con un significado especial para todos sus niveles, porque es parte fundamental e inherente a todas las dems actividades de la empresa. Sabido es que actualmente, en el marco de las organizaciones, muchas decisiones se toman sin considerar explcitamente las etapas de ese proceso o los mtodos cuantitativos y cualitativos existentes en las distintas ramas, y que las tradiciones, los hbitos, la propia intuicin y la experiencia de un directivo, desempean una funcin importante en la forma en que se pretende solucionar los problemas. En el proceso de toma de decisiones no siempre se dispone, en el momento preciso, de toda la informacin requerida, y mientras ms compleja sea la decisin, ms difcil resultar conocer todas las alternativas. Adems, aunque quien tome la decisin trate de ser objetivo, no siempre ser posible lograrlo. Debido a ello, no se puede esperar que las personas acten en forma completa y estrictamente racional, cuando se enfrentan a la ineludible necesidad de decidir. La mayora de los que tienen esta responsabilidad, intentan tomar sus decisiones dentro del marco de la racionalidad, aunque no siempre esto es posible debido a que se enfrentan a un mundo real, muy complejo, en el que las limitaciones de informacin, tiempo e incertidumbre, limitan considerablemente el uso de la capacidad de raciocinio. Un elemento importante que debe ser considerado en este proceso, es el hecho de que el decisor se comporta racionalmente, slo en funcin de aquellos aspectos de la situacin que logra percibir y conocer, por lo que aquellas variables no advertidas o de las que no se ha percatado, aunque influyan en el resultado, no son consideradas en el proceso decisional. Por otro lado, mientras mayor sea la calidad de la informacin que se disponga, mayor ser tambin el aporte de elementos de juicio sobre el problema a resolver, lo que incrementa la probabilidad de que la decisin sea ms racional y saludable para el logro del objetivo deseado. Adicionalmente, es necesario considerar que las personas que toman decisiones, poseen preferencias, prejuicios, predisposiciones, gustos y desagrados que, sin nimo de disertar sobre la psicologa del ser humano, deben reconocerse como caractersticas intrnsecas del individuo, por lo que la persona que realmente desee tomar una decisin acertada requiere: a) conocer todas las alternativas; b) ser objetivo; y c) estar informado. En consecuencia, los datos, la informacin y el conocimiento son elementos fundamentales para la toma de decisiones en las organizaciones. Estos tres elementos forman un sistema jerrquico, siendo importante establecer cmo se relacionan y los aspectos que los diferencian. Los datos como ingredientes en bruto, sin significado y desvinculados de la realidad, resultan incapaces de esclarecer cualquier estado de incertidumbre, constituyen la materia prima de la informacin. Los datos se vinculan con los registros estructurados de hechos significativos que, analizados y convertidos en informacin, representan actividades comerciales, oportunidades de compra/venta, informacin sobre el mercado, sobre los competidores, etctera. Es decir, son la principal fuente para la obtencin de informacin valiosa para el proceso de toma de decisiones. La informacin est representada por los datos que adquieren un mayor significado luego de que se codifican y se transmiten, en un lenguaje comprensible para el usuario.

14

La informacin se considera, entonces, como el conjunto de datos que se han procesado, automtica o manualmente, y que estn provistos de un significado (relevancia y propsito) que los convierte en tiles para quien debe decidir. La calidad de la informacin depende de la calidad de los datos y de la capacidad de quien la procese. Para la toma de decisiones, la informacin estima y reduce la incertidumbre, puede sugerir otras alternativas de decisin y eliminar otras; estimula.la accin y anticipa sus consecuencias. La informacin es un agente importante en la modificacin de las conductas existentes en la organizacin y un recurso vital para el desarrollo de la organizacin. Su correcta gestin es una herramienta fundamental para la toma de decisiones, la informacin del personal, la evaluacin de los productos, la determinacin de los errores y el control de los procesos. La informacin es un recurso, un valor y un activo, igual que cualquier otro; y como recurso, tiene caractersticas que lo hacen similar a los dems, es decir, que se adquiere a un costo, posee un valor, requiere del control de sus costos y tiene un ciclo de vida. En el contexto gerencial, una adecuada gestin de la informacin posibilita la reduccin de los riesgos, tales como los que se derivan de decisiones apresuradas, tardas o inconsistentes. Obtener la informacin necesaria, con la calidad requerida, es una premisa indispensable para la permanencia de las organizaciones en su mbito de actuacin. En lo que respecta al conocimiento, se puede conceptualizar como el conjunto de cogniciones y habilidades con las cuales los individuos suelen solucionar los problemas. Comprende, tanto la teora como la prctica, las reglas cotidianas al igual que las instrucciones para la accin. El conocimiento se basa en datos e informacin, pero a diferencia de stos, siempre se vincula a las personas. Forma parte integral de los individuos y representa las creencias de stos sobre las relaciones causales. Lo que diferencia el conocimiento de la informacin es la complejidad de las experiencias que se necesitan para llegar a l". "... para que un alumno llegue al conocimiento de una cierta asignatura, se ha de exponer al mismo conjunto de datos de diferentes maneras, con diferentes perspectivas y ha de elaborar su propia experiencia del mismo". La visualizacin de la informacin interviene en la construccin del conocimiento, al revelar los patrones que subyacen en los datos. Estas consideraciones citadas tienen algo en comn y es que casi todas mencionan la presencia de datos con significado (mensaje con significado). As destacan la importancia de stos en la informacin y su vinculacin con el proceso de la comunicacin. Sin datos es imposible la informacin. Resulta innegable la vinculacin del conocimiento con el individuo, debido a todos los procesos cognitivos por los que ste debe trascender. Aunque este trmino tiene una relacin significativa con la informacin, sta no puede considerarse automticamente como conocimiento. Es oportuno aclarar que el hecho de poder acceder a cantidades cada vez mayores de datos y an de informacin, no asegura el crecimiento del conocimiento. Por un lado, gran parte de la inmensa cantidad de datos, est constituido por aquellos que no afectan el conocimiento y por otro, el tiempo que consume su filtraje por personas inexpertas, para desechar lo inservible y proporcionar un nuevo conocimiento, no permite de forma oportuna la agregacin o el incremento del existente. 1.1.3 Organizacin: Gestin y Procesos de Decisin El trabajo profesional vinculado a la informacin en cualquier organizacin, exige el dominio de un conjunto de variables que estn presentes en su tratamiento. Asimismo. el dominio de las funciones de gestin y de algunas de las principales herramientas que han sido desarrolladas en las ltimas dcadas, no deviene en mero elemento cultural del profesional que maneja informacin, sino en una imperiosa necesidad. El acceso rpido y eficiente a una informacin confiable y precisa, permite adoptar una posicin adecuada a la hora de tomar una decisin para solucionar un problema con un menor costo. Las organizaciones precisan gerenciar inteligentemente todos sus procesos y recursos. Por esto, debe hacerse una eficaz y efectiva gestin de la informacin y del conocimiento, de modo que propicie una adecuada toma de decisiones. Al analizar las implicaciones intrnsecas de los procesos y los recursos, resulta indiscutible que para lograr el cumplimiento de estos dos factores esenciales para el logro del xito organizacional, es necesario disponer de informacin previamente analizada, lo que sin lugar a dudas, evitar duplicidad de acciones, esfuerzos y un gasto innecesario de tiempo en la toma de una decisin. "...As la eficiencia est dirigida hacia la mejor manera por la cual las cosas deben hacerse o ejecutarse (mtodos), a fin de que los recursos (personas, mquinas, materias primas) se empleen de la forma ms 15

racional posible La eficiencia se preocupa por los mtodos y procedimientos ms indicados que necesitan planearse y organizarse adecuadamente con el fin de asegurar el perfeccionamiento del uso de los recursos disponibles". En este mismo orden de ideas, cabe sealar que toda organizacin que se proponga alcanzar la eficacia y la eficiencia organizacionales necesarias, debe desarrollar un fuerte proceso decisorio. Las afirmaciones de los que ven este proceso con un enfoque econmico, tambin coinciden en que "aunque no hay decisiones prefectas, el criterio que orienta toda decisin es la eficiencia; la obtencin de resultados mximos con medios limitados. La toma de una decisin significa la adopcin de una alternativa escogida, que jams permite la realizacin completa o perfecta de los objetivos pretendidos; pero que representa la mejor solucin encontrada en determinadas circunstancias". 1.1.4 Anlisis de la Informacin El anlisis de la informacin puede definirse como un proceso mediante el cual se define las necesidades del estudio, se busca informacin, se validan las fuentes, se procesa la informacin, se integra y se presenta resultado. El anlisis de informacin es el mtodo de investigacin que registra lo que contienen y descubre su significado profundo tras la forma en que se presentan, para contribuir a la toma de decisiones. Estos planteamientos reafirman la necesidad de que las organizaciones se enfrenten a un mundo cada vez ms competitivo y, por tanto, al que es necesario adaptarse. Todo esto supone un enorme reto para las empresas, en especial, para el manejo de grandes volmenes de informacin que posibiliten conocer el entorno y predecir su evolucin. En este sentido, el anlisis de la informacin puede considerarse como el lmite entre los sistemas de inteligencia y los sistemas de gestin de informacin, siendo el escaln en el que mayor valor adquiere. Es entonces indiscutible, la relacin existente entre el anlisis de la informacin y la toma de decisiones. La toma de decisiones es el propsito final de los anlisis de informacin. Dichos anlisis pueden darse en cualquier terreno de la vida, pero sin duda, presenta una importancia sobresaliente en el mundo de las organizaciones. De forma general, el anlisis de la informacin es un proceso de carcter continuo y sistmico de transformacin de la informacin en conocimiento y de este ltimo, en decisiones estratgicas. En otras palabras, buscan extraer conocimiento por medio de mtodos y tcnicas, tanto cuantitativos como cualitativas, para proporcionar informacin til y valiosa al primer nivel de direccin, para la oportuna toma de decisiones y, consecuentemente, para la obtencin de ventajas competitivas. 1.1.5 Consideraciones La racionalidad de quienes toman decisiones debe seguirse de cerca. En este sentido. el anlisis de informacin se convierte en el paso imprescindible de este proceso. Es donde se agrega mayor valor a la informacin, al ser el proceso bsico en el que el analista invierte sus mayores esfuerzos, tanto fsicos como mentales, para posibilitar el quehacer de la inteligencia empresarial y la adecuada toma de decisiones. La toma de decisiones est basada en el anlisis de los datos y la informacin, por lo que deben asumirse ciertas consideraciones claves: Para tomar decisiones acertadas, es mejor basarse en la frialdad y objetividad de los datos ms que en intuiciones, deseos y esperanzas. Los datos plantean varios problemas tales como el modo de obtenerlos, su fiabilidad y la necesidad de darles una interpretacin adecuada. Un sistema de gestin de calidad mejora la calidad de la informacin obtenida y mejora los cauces para obtencin. Con buena informacin, se pueden hacer estudios y anlisis de futuro. Los datos son fros y basados en hechos reales; por lo tanto son objetivos, aunque no sean aceptados por los miembros de la organizacin. La informacin es la herramienta fundamental en la toma de decisiones de la empresa. A mayor calidad de la informacin, mejor calidad en la toma de decisiones. Desde el punto de vista de la gestin empresarial, la informacin es un recurso que se encuentra al mismo nivel que los recursos financieros, materiales y humanos, que hasta el momento han constituido los ejes alrededor de los cuales han girado los esfuerzos de gestin. El conocimiento del entorno complejo y cambiante origina la necesidad, cada vez ms acuciante, de informacin para la toma de decisiones. Por ello, el dominio de la informacin externa no debe hacer olvidar el control de los flujos internos de

16

informacin que la organizacin genera, as como tampoco se debe olvidar la informacin que la empresa lanza al exterior, en algunos casos regulada por factores legales. 1.2 Contribucin del Enfoque de los Mtodos Cuantitativos La contribucin del enfoque de los mtodos proviene principalmente de: 1. La estructuracin de una situacin de la vida real como un modelo matemtico, logrando una abstraccin de los elementos esenciales para que pueda buscarse una solucin que concuerde con los objetivos del tomador de decisiones. Esto implica tomar en cuenta el problema dentro del contexto del sistema completo. El anlisis de la estructura de tales soluciones y el desarrollo de procedimientos sistemticos para obtenerlas. El desarrollo de una solucin, incluyendo la teora matemtica si es necesario, que lleva al valor ptimo de la medida de lo que se espera del sistema (o quiz que compare los cursos de accin opcionales evaluando esta medida para cada uno).

2. 3.

El objetivo es familiarizar al lector con la formulacin, solucin y puesta en prctica de los modelos para analizar problemas de sistemas complejos en la industria, comercio, o el sector pblico. Su principal ventaja es que se apoya sobre un gran nmero de hechos y sustituye el razonamiento intuitivo por el matemtico. 1.3 Proceso de Modelado de los Mtodos Cuantitativos a. Definicin del problema a estudiar. Como en cualquier otro mtodo de investigacin, se ha de comenzar aqu por reunir y analizar los datos que afectan al problema que tratamos de estudiar, eliminando aquellos que no son relevantes, y tratando de expresar cuantitativamente todos los que sea posible, de forma que quede el problema perfectamente definido. b. Confeccin del modelo cientfico, por lo general matemtico que representa el problema. Puede adoptar formas muy variadas, pero generalmente consiste en un conjunto de funciones (curvas, ecuaciones, inecuaciones, etc.), que expresan cuantitativamente las diversas relaciones existentes entre el objetivo y las variables que afectan al problema. La dificultad del establecimiento de algunos modelos deriva precisamente de esta estimacin cuantitativa. c. Clculo de la solucin del modelo Aplicando esencialmente el mtodo matemtico deductivo, se resuelve simblicamente el problema, bastando despus con sustituir los smbolos por nmeros, para tener la solucin concreta del caso estudiado. d. Verificacin del modelo y de la solucin. Primero se probara el modelo y la solucin.-El grado de bondad con que un modelo representa la realidad de un problema, puede ser comprobado contrastando los resultados de la experiencia pasada con las soluciones que en esas circunstancias aporta el modelo. Despus se estableceran controles sobre la solucin. Aun en el supuesto de que, hecha esta comprobacin, el modelo se demuestre vlido, la validez slo se mantiene en la medida en que las variables no influenciables y las relaciones entre los factores permanecen constantes. Si se da un cambio significativo, ha de corregirse la solucin o crear un modelo nuevo, recomenzando el proceso de anlisis. 17

Tercero se lleva la solucin a la prctica.- Adems, los Mtodos Cuantitativos no son un proceso automtico de decisiones, sino una metodologa que permite al responsable conocer y valorar claramente las consecuencias de su decisin. El campo de aplicacin de los Mtodos Cuantitativos es amplsimo. En realidad, se agrupan bajo ese nombre tcnicas muy diversas que a veces slo tienen en comn el objetivo perseguido y el apoyo general sobre una instrumentacin estadstico-matemtica muy avanzada. 1.4 Mtodos Cuantitativos, Enfoque Sistmico y Modelizacin. El anlisis para toma de decisiones puede asumir dos formas bsicas: cualitativa o cuantitativa. El anlisis cualitativo se basa primordialmente en el razonamiento y la experiencia del administrador; incluye la impresin intuitiva que el administrador tiene del problema, y constituye una faceta que puede ser identificada con el arte de la toma de decisiones. Sin embargo, si el administrador ha tenido poca experiencia con problemas similares, o si el problema es lo suficientemente complejo, entonces puede ser muy importante en la decisin final del administrador considerar otros puntos de vista y analizar desde una perspectiva diferente. Es entonces cuando, al utilizar el enfoque cuantitativo, el analista se concentra en los hechos o los datos cuantitativos asociados al problema y desarrolla expresiones matemticas que describen los objetivos, las restricciones y las relaciones existentes en el mismo. Despus, utilizando uno o ms mtodos cuantitativos, el analista ofrece una recomendacin con base en los aspectos cuantitativos planteados; para esto recurre a la aplicacin del mtodo cientfico como procedimiento de anlisis y resolucin del problema complejo. Si bien los administradores tienen ms aptitudes para el mtodo cualitativo -que se incrementan con la experiencia- ste slo se aprende estudiando los supuestos y los mtodos de la ciencia de la administracin. Se potenciara de sobremanera aquel administrador que tomara los conocimientos de los mtodos cuantitativos para su toma de decisiones, colocndose en una mejor posicin para comparar y evaluar sus recomendaciones. Al aplicar mtodos enrolados en el enfoque cuantitativo se busca eliminar conjeturas improvisadas y los razonamientos intuitivos y escasamente justificados que son frecuentemente aplicados en la toma de decisiones frente a problemas complejos. Adicionalmente, la bsqueda de soluciones teniendo en cuenta las interrelaciones dentro de la organizacin, los distintos puntos de vista, intereses y poder de los actores involucrados, y las responsabilidades sociales que derivan de su interaccin con el ambiente, proveen una perspectiva particularmente interesante para el planteo de modelos; ella deriva del hecho de aplicar el enfoque sistmico a la situacin, especialmente cuando se lo hace desde la dinmica de sistemas. 1.5 Modelizacin: Concepto. Distintos tipos de modelos. Si se toma o define un problema errneamente todos los esfuerzos posteriores se concentrarn en resolver algo que no funciona correctamente. Es por eso que, una vez que el problema ha quedado bien definido, el cientfico de administracin comenzar a desarrollar el problema en trminos matemticos. Conviene entonces concretar en una definicin qu es lo que se entiende por modelo. Los modelos son representaciones de objetos o situaciones reales; representaciones ms o menos simplificadas que permiten aprehender una realidad an cuando no se la est observando directamente. 1.5.1 Tipos de modelos Es posible identificar una amplia gama de clasificaciones segn las diversas dimensiones de anlisis de modelos. La siguiente se considera suficiente para los fines que persigue este texto. 18

Modelos icnicos: son tambin conocidos como modelos fsicos, y estn constituidos por rplicas fsicas de la realidad que representan. En esta clase se encuentran las maquetas de construcciones de ingeniera y los juguetes a escala. Otra clase de modelos son los analgicos, que son de forma fsica pero no tienen el mismo aspecto fsico del objeto que representan. Las relaciones entre los objetos y variables estn representadas en un medio diferente al real, comportndose en forma anloga a tal realidad. Es decir que su comprensin requiere de un nivel de abstraccin mayor que en el primer caso, y un conocimiento previo de los conceptos y relaciones involucrados en la realidad modelada. Tal el caso del velocmetro de un automvil, el marcador de una balanza, un grfico de sectores circulares o de lneas de tendencia representando las ventas de una empresa, etc. Finalmente, los modelos matemticos, representan una situacin mediante smbolos y relaciones o expresiones matemticas. Son parte crucial de cualquier enfoque cuantitativo, y algunos de ellos sern desarrollados en este texto. Para su comprensin es necesario un nivel de abstraccin mayor an que en los modelos analgicos. En contrapartida son ms adaptables que los otros dos tipos a distintas situaciones en las que pueden aplicarse. Cuentan con variables cuantitativamente definidas y relaciones matemticas, como, por ejemplo, los modelos del universo astronmico que construyen los fsicos (rbitas de desplazamiento de cuerpos celestes y satlites artificiales, etc.), y los modelos con que los economistas representan las relaciones entre los diversos mercados y factores que intervienen en una Economa. 1.5.2 Las ventajas de modelar La importancia del desarrollo de un modelo radica en que permite, a quien lo observa, figurarse cmo es una realidad, a partir de: 1. 2. 3. 4. Representar un problema que puede presentarse complejo para su comprensin; Analizar distintas soluciones alternativas antes de enfrentar la realidad para cambiarla; Extraer conclusiones anticipadamente, sin llegar a alterar la realidad para ver qu ocurre. Experimentar en menos tiempo y sin necesidad de involucrarse en cambios que, efectuados directamente sobre la situacin real, pueden derivar en situaciones irreversibles y de complejas e inesperadas consecuencias. Experimentar sin incurrir en los costos que supondra hacerlo con objetos y situaciones reales.

5.

De manera tal que, considerando lo citado precedentemente, sin llevar adelante (por ejemplo) un proceso de produccin se puede determinar si es rentable o no. Para que los aspectos mencionados se conviertan en realidades palpables y sean efectivamente ventajas importantes, se debe tener muy en cuenta que el xito del modelo matemtico y el enfoque cuantitativo dependen en gran medida de la precisin con la que puedan expresarse, en trminos de ecuaciones o relaciones matemticas, las distintas relaciones observadas que se quiere representar. 1.5.3 Los modelos matemticos Al momento de desarrollar un modelo se deber tener en cuenta que existen factores del entorno que no estn bajo el control del administrador o del decisor, a los que se denomina insumos incontrolables del modelo. A aquellos que son determinados o controlados por quien toma las decisiones en la realidad representada por el modelo se los denomina insumos controlables del mismo. Entre estos insumos estn las alternativas de decisin que el administrador especifica y, por ello, se las vincula a las variables de decisin del modelo.

19

No debe olvidarse ac que tanto la situacin problemtica que llev a plantear el modelo como las decisiones que se adopten y apliquen para solucionarla se desarrollan en un plano de realidad tangible, mientras que tanto el modelo armado como los resultados obtenidos de l provendrn de un mundo simblico con un grado importante de abstraccin. De manera que el resultado del modelo es simplemente la proyeccin de lo que sucedera si ocurren los factores ambientales mencionados y tales decisiones en una situacin real. En tal sentido, la Figura, es claramente representativa de la situacin descripta en el prrafo anterior, y que no debe ser soslayada por quien tiene a cargo el asesoramiento para la toma de una decisin como tampoco por quien debe aplicarla.

Figura 1.1. El proceso de construccin de un modelo. Para definir de qu forma se puede administrar un modelo que se aplica para la resolucin de una situacin problemtica, es conveniente recurrir al auxilio de dos teoras. La TEORIA NORMATIVA indica el como debera ser, recomendando qu decisin tomar para llegar al ptimo si en la realidad se repite la situacin modelada. La Teora Normativa es prescriptiva: partiendo del ofrecimiento de todos los elementos al alcance, el que toma la decisin debe actuar. Los modelos normativos (tambin llamados de decisin, o de optimizacin) se apoyan en esta teora aportando recomendaciones sobre la forma de comportarse para conseguir lo mximo (o lo mnimo) establecido como objetivo. Tal objetivo es representado por una expresin matemtica que lo describe y se la denomina funcin objetivo, la cual, siendo medida de desempeo del modelo, depende en su valor de aquellos que adopten las variables de decisin. A esta funcin objetivo le acompaan funciones de restriccin, las que indican condiciones o limitantes en los modelos que se evalan. Finalmente, se puede identificar un conjunto de datos incontrolables, pero que deben tenerse en cuenta por ser importantes para el modelo y su solucin, y se consignan como parmetros; o sea, variables que, para determinadas circunstancias y situaciones de la realidad, adoptan valores que se mantendrn fijos durante el anlisis. Por otra parte, la llamada TEORIA DESCRIPTIVA (o Teora Positiva) se basa en estudios que tratan de decir cmo se acta y, adems, de "predecir" ese comportamiento. Un modelo descriptivo explica la realidad en base a los datos. En este caso no existen una funcin objetivo ni restricciones, pero s se da una medicin del desempeo por medio de variables a definir, as como existen datos incontrolables (observados o supuestos) del modelo que se expresan mediante los parmetros. Existe una tipologa adicional que es conveniente tener presente al momento de distinguir la clase de modelo con la que se debe tratar, basada en la certeza que se tiene sobre los datos y relaciones aplicados, ya que pueden conocerse con exactitud o ser inciertos y estar sujetos a variaciones. Si en un modelo los datos son conocidos y no puedan variar en relacin con el momento de aplicacin real del modelo -o sea, al analizar el problema se cuenta en forma cierta con toda la informacin necesaria para la toma de decisiones-, se lo denomina modelo determinstico.

20

Cuando algunos de los insumos incontrolables -parmetros o variables de estado- son inciertos o estn sujetos a variaciones importantes, y su valor no podr ser estimado con precisin con anterioridad a la toma de la decisin, se est en presencia de un modelo estocstico o probabilstico, ya que incorpora el desconocimiento mencionado mediante alguna medida de tal probabilidad. La optimizacin, tambin denominada Programacin Matemtica, sirve para encontrar la respuesta que proporciona el mejor resultado: la que logra mayores ganancias, mayor produccin o felicidad o la que logra el menor costo, desperdicio o malestar. La Programacin Matemtica, en general, aborda el problema de determinar asignaciones ptimas de recursos limitados para cumplir un objetivo dado. El objetivo debe representar la meta del decisor. 1.5.4 Algunos Modelos Determinsticos y Probabilsticos. La mencionada separacin entre modelos matemticos descriptivos y normativos puede darse tanto entre los denominados probabilsticos como entre los determinsticos. A modo de sntesis, y sin agotar la lista que se podra elaborar, se pueden citar los siguientes: Modelos Normativos: a. Programacin Lineal: es un procedimiento matemtico para determinar la asignacin ptima de recursos escasos. Encuentra su aplicacin prctica en casi todas las facetas de los negocios, desde la publicidad hasta la planificacin de la produccin. Problemas de transporte, distribucin, y planificacin global de la produccin son los objetos ms comunes del anlisis como programas lineales. Cualquier problema de PL consta de una funcin objetivo y un conjunto de restricciones todas expresadas mediante funciones de primer grado. En la mayora de los casos, las restricciones provienen del entorno en el cual se trabaja. Cuando se quiere lograr el objetivo deseado, se puede observar que el entorno fija ciertas restricciones (es decir, dificultades, limitaciones) para cumplir con lo deseado (vale decir, el objetivo). Dentro de la Programacin Lineal se distinguen, a su vez, el problema general y los casos especiales como son los problemas de Transporte y Asignacin; a la vez que, como extensin debida al tipo de variables que se manejan, se tienen la Programacin Lineal Entera y Programacin Lineal Mixta, con la incorporacin de variables que no admiten fraccionamiento en los valores que se les asignen. b. Programacin Dinmica: en este caso, el tiempo es variable explcita (o la situacin es asimilable a una donde transcurra el tiempo), existen decisiones secuenciales interrelacionadas, y el problema puede fraccionarse en etapas para su ejecucin sobre la realidad. c. Otras situaciones se presentan en la realidad de las organizaciones y han motivado la creacin de modelos especficos tales como: Teora de los Juegos, la Teora de Redes (de mxima capacidad, mnima distancia, rboles de extensin mnima, y administracin de proyectos por camino crtico), Programacin No Lineal, Teora de Administracin de Inventarios, Tcnicas de Apoyo Multicriterio a la Decisin, Teora de la Decisin. Modelos Descriptivos: En este caso son menores las oportunidades de encontrar modelos que adopten la caracterstica de meramente describir la realidad. Sin embargo, una forma de ver la Teora de las Colas de Espera est dada por la de mostrar nicamente medidas de comportamiento de un sistema; aunque, con el agregado de parmetros representativos de costos involucrados, se puede transformar en un modelo normativo tendiente a minimizar los costos totales del sistema.

21

1.6 Construccin de Modelos: Metodologa y Etapas. Datos: Formas y Fuentes. Ya se mencion que la toma de decisiones puede tener dos modalidades bien definidas: arte y/o ciencia. Concomitantemente, la construccin de un modelo requiere de una buena dosis de arte e imaginacin, adems de la pizca de conocimientos tcnicos y cientficos necesarios para mejorar las opiniones intuitivas. Como consecuencia de lo consignado anteriormente, no existe una sola manera de desarrollar un mismo modelo. En la medida que la construccin de modelos es un arte, sus fundamentos pueden ensearse igual que los del arte. Por otro lado, en un ambiente de negocios, el desarrollo de modelos cuantitativos requiere que se especifiquen las interacciones de muchas variables. Para que sea cuantificado, el problema debe expresarse en trminos matemticos provenientes de un adecuado anlisis y rigurosa metodologa que ser provista por un profundo conocimiento de las teoras cientficas que sea necesario aplicar. En general se puede dividir el proceso de construccin de modelos en tres pasos: 1. Estudiar el ambiente de la situacin administrativa: una vez ms la Teora General de Sistemas y la Dinmica de Sistemas hacen su aporte en apoyo a la toma de decisiones gerenciales, mediante su aplicacin en los hechos y relaciones que se pretende modelar. Dentro de la administracin se le suele restar importancia a estudiar el ambiente existente dentro de la organizacin. Por ejemplo, en muchos casos el problema se deriva de malas relaciones entre integrantes de la organizacin, lo cual deja un ambiente no propicio para el desarrollo de los negocios. Ignorar tales circunstancias al modelar, contribuye a favorecer la no comprensin de la situacin en forma clara y, por consiguiente, a adoptar decisiones incorrectas. En funcin de lo citado, debe tenerse en cuenta que corresponder interiorizarse profundamente de la situacin real, para su correcta representacin en el modelo. 2. Formular una representacin selectiva de la situacin : si bien conviene tener una visin holstica de la situacin, es necesario limitar el alcance de la representacin. Tambin existirn aspectos no relevados pero que pueden tener incidencia en los anlisis y conclusiones a que se arribe, los cuales se registrarn mediante suposiciones y simplificaciones (que deben explicitarse debidamente). Aqu se deber focalizar en los aspectos centrales excluyendo del ambiente los perifricos. Los objetivos y decisiones deben ser identificados y definidos explcitamente. Otra cuestin es que los objetivos se deben consignar de la forma ms clara posible, pudiendo ser ms de uno. 3. Construir y analizar un modelo simblico (cuantitativo): en esta instancia se recurrir a las clasificaciones detalladas en ttulos anteriores, para definir si se trata de modelo determinista o probabilstico. Tambin se debe acudir a la obtencin de datos y fuentes que posibiliten las tareas de esta etapa. En gran parte la decisiones administrativas se basan en la evaluacin e interpretacin de datos, siendo, por lo tanto, muy necesarios para construir modelos eficaces. Los modelos simblicos brindan una forma de evaluar e interpretar datos de manera sistmica y con ms atencin a los detalles de lo que es posible con modelos mentales. Lo ms comn, al presentarse datos al analista, es que stos no estn procesados o que se encuentren en distintas fuentes y lugares, y que se tenga que realizar un esfuerzo adicional para su recoleccin. Normalmente suelen estar en algn tipo de unidad de medida. La decisin de cmo recopilar, almacenar e interpretar datos est gobernada principalmente por el uso que se les vaya a dar.

22

Los datos pueden provenir de registros del pasado. Tambin pueden ser generados a travs de observaciones directas o estimaciones realizadas en el presente. Los datos pueden ser tambin generados como pronsticos del futuro. 1.7 Desarrollo de Modelos: Preparacin, Mtodos de Clculo y Resolucin. Para llevar adelante la preparacin de un modelo y su clculo de resolucin corresponde partir de un punto que es bsico, y es el referido a qu tipo de modelo es el que se est trabajando. Entre todas las clasificaciones mencionadas se trata aqu de definir si es determinista o probabilstico. Un modelo puede considerarse como una entidad que captura la esencia de la realidad sin la presencia de la misma. Una fotografa es un modelo de la realidad ilustrada en la imagen. Ya que un modelo slo captura determinados aspectos de la realidad, tal como se consign anteriormente su xito depender de la precisin con que adhiere a la situacin y objetos modelados. Adicionalmente, su uso puede no ser apropiado en una aplicacin en particular si no captura los elementos correctos que le corresponde representar. Un modelo matemtico es una ecuacin, desigualdad o sistema de ecuaciones o desigualdades, que incluye algunos determinados aspectos de la realidad que est representando, sus interacciones y relaciones. Los modelos de este tipo se utilizan en gran medida en las ciencias fsicas, en el campo de la ingeniera, los negocios y la economa. A fin de definir las condiciones que procurarn aportar una solucin al problema, el analista primero debe identificar un criterio segn el cual se podr medir el sistema. Este criterio a menudo se denomina medida del rendimiento del sistema o medida de efectividad. En modelos matemticos normativos la medida de efectividad se representa mediante una expresin denomina funcin objetivo. Conseguir lo deseado de manera "determinstica" (es decir, libre de riesgo) o probabilstica depende de la influencia que puedan tener los factores no controlables en la determinacin de los resultados de una decisin, y tambin en la cantidad de informacin que el tomador de decisin tiene para estimar el comportamiento de dichos factores. Generalmente, los gerentes buscan simplemente que la resolucin del modelo aporte alguna mejora en el nivel de rendimiento; es decir, un problema de "bsqueda de objetivo" en el marco de la contribucin que el modelo puede hacer al buen juicio e intuicin del decisor. 1.7.1 Proceso de formulacin de un problema de optimizacin Para formular un modelo normativo las propuestas varan segn los autores que se refieran a dicho procedimiento. En primer lugar se recomienda leer con atencin varias veces el enunciado del problema, derivado de la observacin de la realidad (es decir, formular un Modelo Mental). A continuacin, y a modo de lineamientos generales, se sugieren las siguientes etapas, adecuadas fundamentalmente para aquellos que al tomar decisiones estn acostumbrados a pensar en trminos de objetivos y medidas de desempeo. Por ser modelo normativo es factible identificar cuatro partes: un conjunto de variables de decisin, los parmetros, la funcin objetivo y un conjunto de restricciones. Definir objetivos y medidas de desempeo. Identificar entradas del modelo, que afectan a lo definido en 1. Esto lleva a definir variables de decisin y parmetros. Consignar las restricciones que ponen lmite a las variables de decisin y a las medidas de desempeo.

23

1.8 Otras Aplicaciones de Modelos Matemticos. 1.8.1 Modelos Determinsticos La programacin lineal es una herramienta poderosa para seleccionar alternativas en un problema de decisin y por consiguiente se aplica a problemas en una gran variedad de entornos. La cantidad de aplicaciones es tan alta que sera imposible enumerarlas todas. A continuacin se indican algunas de las principales aplicaciones que cubren las reas funcionales ms importantes de una organizacin empresarial. Finanzas: el problema del inversor podra ser un problema de seleccin del mix de su cartera de inversiones. En general, la variedad de carteras puede ser importante y requerir el agregado de muchas restricciones. Otro problema de decisin implica determinar la combinacin de mtodos de financiacin para una cantidad de productos cuando existe ms de un mtodo de financiacin disponible. El objetivo puede ser maximizar las ganancias totales cuando las ganancias de un producto determinado dependen del mtodo de financiacin. Por ejemplo, se puede financiar con fondos internos, con deuda a corto plazo o con financiacin intermedia (crditos amortizados). Puede haber limitaciones con respecto a la disponibilidad de cada una de las opciones de financiacin, as como tambin restricciones financieras que exijan determinadas relaciones entre las opciones de financiacin a los efectos de satisfacer los trminos y condiciones de los prstamos bancarios o financiacin intermedia, o bien exigencias sobre ratios extrados de los estados contables de la organizacin. Tambin puede haber lmites con respecto a la capacidad de produccin de los productos. Las variables de decisin seran la cantidad de unidades que deben ser financiadas por cada opcin de financiacin. Administracin de Produccin y Operaciones: muchas veces en las industrias de proceso una materia prima en particular puede transformarse en una gran variedad de productos. Por ejemplo, en la industria petrolera, el crudo puede refinarse para producir nafta, kerosn, aceite para calefaccionar y distintas clases de aceite para motor. Segn el precio de cada producto, el problema es determinar la cantidad que se debera fabricar de cada producto. Esta decisin est sujeta a numerosas restricciones tales como lmites de las capacidades de diversas operaciones de refinado, rendimiento de subproductos segn el tipo de crudo refinado, disponibilidad y costos de materia prima, demandas de cada producto y polticas gubernamentales con respecto a la fabricacin de determinados productos. En la industria de productos qumicos y de procesamiento de alimentos existen problemas similares. Recursos Humanos: los problemas de planificacin de personal tambin se pueden analizar con programacin lineal. Por ejemplo, en la industria telefnica, la demanda de servicios de personal de instalacin/reparacin es estacional. Otro caso tpico lo constituye la organizacin de guardias en turnos rotativos que deben cubrir necesidades mnimas con fluctuaciones horarias (durante el da) o diarias (durante una semana). 1.8.2 Modelos Probabilsticos En los problemas de toma de decisiones arriesgadas son fuentes importantes de errores: las presunciones falsas, no tener una estimacin exacta de las probabilidades, depender de las expectativas, la existencia de dificultades para medir la funcin de utilidad, y los errores de pronstico. El dominio de los modelos de anlisis de decisiones est entre dos casos extremos, dependiendo del grado de conocimiento que se tenga sobre el resultado de las acciones. La probabilidad es un instrumento para medir las chances de que un evento ocurra, y expresa el grado de incertidumbre. El lado determinista tiene una probabilidad de 1 (o cero), mientras que el otro extremo tiene una probabilidad plana (todas igualmente probables). Por ejemplo, si se tiene certidumbre de la ocurrencia (o no ocurrencia) de un evento, se usa una probabilidad de uno (o cero). Si se tiene incertidumbre, entonces se aplica la expresin "En realidad no s; por lo tanto, puede o no ocurrir con probabilidad 0,50, evaluando as en forma subjetiva la probabilidad (nocin de Bayes). De lo expuesto se infiere que la probabilidad siempre depende de cunto conoce el decisor. Si sabe todo lo que puede saber, consignar probabilidades 1 o 0. 24

1.8.3 Toma de Decisiones con Pura Incertidumbre Cuando las decisiones se toman con pura incertidumbre, el decisor no tiene conocimiento de los resultados de ninguno de los estados de la naturaleza y/o es costoso obtener la informacin necesaria. En tal caso, la decisin depende meramente del tipo de personalidad que tenga el decisor y, consecuentemente, de la postura que adopte ante la incertidumbre. As, se tendrn los siguientes comportamientos (criterios para decidir) segn los tipos de personalidad en relacin con la toma de decisiones con pura incertidumbre: Pesimismo: o Criterio Conservador (o Maximin). Hiptesis de mnima. La postura lleva a interpretar que las cosas malas siempre me suceden a m. Optimismo: o Criterio Agresivo (o Maximax). En oposicin al anterior, las cosas buenas siempre me suceden a m. Con coeficiente de Optimismo (Criterio o ndice de Hurwicz): Sin caer en los extremos de los criterios anteriores, se basa en la asignacin o estimacin de un coeficiente de optimismo que caracterizo a esa actitud ni demasiado optimista ni demasiado pesimista Mnimo arrepentimiento: (o Criterio de Prdida de Oportunidad de Savage). Quien debe decidir odia las lamentaciones y se preocupa por minimizar las situaciones deplorables. La decisin a tomar debe ser tal que valga la pena repetirla. Como resultado, el individuo interpreta que Slo debera hacer las cosas que siento que podra repetir con placer. Yo no s nada: (o Criterio Laplace). Consiste en considerar que todos los estados de la Naturaleza tienen igual probabilidad. Ante el desconocimiento sobre el comportamiento de la Naturaleza, todo es igualmente probable. 1.8.4 Toma de decisiones con riesgo Cuando el decisor posee algn conocimiento sobre la ocurrencia de los posibles estados de la Naturaleza puede asignarle a la ocurrencia de cada estado alguna estimacin subjetiva de probabilidad. En estos casos, el problema se clasifica como de toma de decisiones con riesgo. Entre estos modelos se cuentan aplicaciones de la Teora de la Decisin, la administracin de proyectos con tiempos estimados de duracin de las tareas (PERT), y la teora de las colas (o lneas) de espera con comportamientos aleatorios de incorporacin a la cola y/o de los tiempos de prestacin del servicio a quienes proceden de las colas. 1.9 Actividades para Aprendizaje. Luego de visitar estas direcciones de pginas web, elaborar un resumen y/o desarrollar los ejercicios propuestos para el tema correspondiente: http://www.cema.edu.ar/~afd/Modelos/Modelos.pdf http://www.monografias.com/trabajos13/ltomadec/ltomadec.shtml http://sisbib.unmsm.edu.pe/bibvirtual/publicaciones/indata/v02_n2/modelo.htm

25

26

PRONSTICOS DE NEGOCIOS
Objetivos del Captulo. Conocer los conceptos bsicos de series de tiempo, y aplicarlos en la modelacin. Al observar la grfica de una serie de tiempo, saber detectar los componentes esenciales de una serie de tiempo. Aprender a construir modelos de serie de tiempo, mediante las componentes: tendencia, estacional, ciclo, y un trmino de error aleatorio. Identificar el modelo adecuado para la serie que se est analizando. Pronosticar los datos de una serie de tiempo, utilizando ms adecuado el modelo. 2.0 Introduccin. En el mundo globalizado y con mercados tan competidos como los que enfrentamos hoy, las empresas se ven obligadas a buscar mayor eficiencia en sus procesos de negocio. En este sentido, un tema que actualmente interesa es cmo pronosticar con ms certeza la demanda de productos o servicios. Cada vez ms empresas estn redefiniendo y formalizando el proceso de elaboracin de pronsticos para llevar a cabo una mejor planeacin de ventas y operacin y, por lo tanto, un mejor desempeo financiero. Cuando se elabora un mal pronstico, la planeacin se viene abajo y todas las reas de la empresa se vuelven ineficientes. Esto se puede observar directamente en el bajo desempeo financiero de la empresa. Ventas negadas, excesos de inventarios de productos que no requieren los clientes, reduccin de margen al vender con descuentos para lograr los objetivos, costos ms altos en las compras, produccin y/o distribucin para reaccionar a emergencias, etc., estos son los sntomas. Pronosticar la demanda con buena exactitud normalmente no es fcil. No existen recetas de cmo hacerlo y cada empresa tiene que determinar la mejor forma de elaborar sus pronsticos. El tema de pronosticar es extenso y requiere de tcnicas ad hoc para cada situacin. Por ejemplo, pronosticar productos de alta rotacin requiere diferentes tcnicas que pronosticar productos de bajo movimiento o de demanda intermitente. Pronosticar la demanda de productos nuevos requiere consideraciones diferentes. Por otro lado, en ciertas ocasiones es conveniente pronosticar agrupando productos similares y en ciertas ocasiones por canal de venta o por marca. En ciertas ocasiones el uso de herramientas estadsticas es de muy buena ayuda y en otras ocasiones es mejor elaborar pronsticos en colaboracin con los clientes. Si el xito de la planeacin depende de pronsticos certeros, entonces es conveniente revisar cmo se elaboran los pronsticos en su empresa y determinar si es posible mejorar la exactitud. Un buen comienzo para mejorar la exactitud de los pronsticos es entender los factores que influyen en el comportamiento de la demanda y tener mejor idea de qu ofrecen las diferentes tcnicas de pronsticos. Qu son los Pronsticos? El pronstico no es una prediccin de lo que irremediablemente pasar en el futuro. Un pronstico es informacin con cierto grado de probabilidad de lo que pudiera pasar. La probabilidad de xito, est en funcin directa de la elaboracin de los pronsticos. Dicho de otra forma, el resultado de la planeacin y operacin de la empresa est directamente ligada a la certeza de los pronsticos. 27

Para pronsticos de negocios las mejores prcticas sugieren una combinacin de tcnicas cuantitativas y cualitativas, es decir, pronsticos estadsticos como base para iniciar el proceso de validacin de los pronsticos definitivos. Se ha comprobado que las tcnicas de pronsticos estadsticas son muy tiles, ya que cuantifican de manera muy exacta ciertos componentes de la demanda como tendencia, patrones de estacionalidad o de eventos. El ser humano tiene la capacidad de analizar muchas variables que sera muy difcil establecer en un modelo estadstico, sin embargo, est limitado en la cantidad de pronsticos que puede analizar, es inconsistente y adicionalmente en muchas ocasiones las estimaciones presentan sesgos motivados por influencias de estado de nimo, optimismo o incluso influencias derivadas por la presin. Pronsticos y Planeacin: Procesos crticos del negocio El papel de los directivos y gerentes es administrar los elementos del negocio que conducen al logro de los objetivos. De una u otra manera los directivos presienten lo que pasar. Sin embargo, en la mayora de las ocasiones, sus decisiones son mucho mejores si se apoyan en cifras cuantificadas por una herramienta estadstica ya que de esta manera se parte de una cifra base ms conservadora. Por otro lado, cada vez es ms necesario diferenciar las demandas de los clientes de un mismo producto, lo que requiere ms tiempo y argumentos. Cual es el costo de malos Pronsticos? Tenemos garanta que los pronsticos no van a ser 100% exactos y que adems la desviacin de los pronsticos tiene un costo implcito, ya sea que los pronsticos fueron altos o fueron bajos respecto a la realidad. El punto fundamental en los pronsticos es ser consistente y lograr la menor desviacin respecto a los objetivos: Pronosticar por arriba de la demanda tiene entre sus consecuencias exceso de inventario, obsolescencia, reduccin de margen para promover su venta. Pronosticar por debajo de la demanda tiene entre sus consecuencias comprar y producir ms caro algo que no estaba planeado, incluso prdida de venta y margen si no reaccionamos a tiempo. La elaboracin de los pronsticos requiere informacin de la planeacin. Quien elabora los pronsticos debe considerar las actividades planeadas como promociones, cambios de precios o, incluso, si hubo algn evento extraordinario en la historia reciente que pueda desviar fuertemente las estimaciones. Dejar esto a la memoria seguramente causar que nuestros pronsticos sean menos exactos. Actualmente las empresas estn implantando alguna forma de documentar la historia para medir los impactos de los eventos y considerarlos o no como parte del pronstico si se realizaran nuevamente. Cmo Pronosticar? Muchas empresas actualmente estn recurriendo al uso de paquetes de pronsticos estadsticos y establecer un proceso ms formal en la planeacin de ventas y operacin. Antes de pensar en una herramienta o software de pronsticos estadsticos es conveniente entender aspectos relativos al proceso de los pronsticos: a. b. c. d. e. Cmo funcionan las tcnicas estadsticas. Cuntos datos se requieren. Cmo se puede medir el impacto de la desviacin de los pronsticos. Cmo pronosticar cientos de productos de manera rpida y ms exacta. Cul es el perfil sugerido de quien elabora los pronsticos, etc.

28

Esto le permitir evaluar si tiene oportunidad de mejorar su proceso mediante el uso de alguna herramienta o capacitacin. Hoy en da las compaas tienen la posibilidad de romper paradigmas culturales acera de la realizacin de los pronsticos. Hacer buenos pronsticos es un proceso que agrega valor ya que est ntimamente relacionado con la toma de decisiones que impactan en el rendimiento de la empresa. Exactitud del pronstico como indicador de desempeo clave Se requiere madurez para establecer la exactitud de los pronsticos como un indicador clave ya que siempre habr desviaciones. Es necesario documentar y aprender de cuales fueron las razones que nos llevaron a tanta desviacin en una estimacin. Solo mediante la medicin obtenemos una referencia que nos pueda indicar nuestro desempeo y/o tomar acciones inmediatas para corregir el rumbo. Mejores prcticas en la elaboracin de Pronsticos Las mejores prcticas sugieren una combinacin de pronsticos estadsticos con pronsticos por experiencia. Esta prctica ayuda a reducir los efectos de influencia del plan, influencias emocionales y adems a cuando son muchos productos los algoritmos estadsticos automticos determinar una mejor estimacin y no solo un simple promedio. Una mejora en la exactitud de los pronsticos la podr confirmar cuando cada mes se estn logrando los resultados de los objetivos. Esto tambin se confirma cuando las diferentes reas estn alineadas a partir de un pronstico consensuado. Acerca de herramientas estadsticas existe una muy buena variedad de software para hacer pronsticos estadsticos. Los paquetes estadsticos trabajan de manera muy automtica y son econmicos. 2.1 Teora de Series Temporales Una serie temporal es un conjunto de observaciones ordenadas en el tiempo o, tambin, la evolucin de un fenmeno o variable a lo largo de l. Esta variable puede ser econmica (ventas de una empresa, consumo de cierto producto, evolucin de los tipos de inters,...), fsica (evolucin del caudal de un ro, de la temperatura de una regin, etc.) o social (nmero de habitantes de un pas, nmero de alumnos matriculados en ciertos estudios, votos a un partido,...). El objetivo del anlisis de una serie temporal, de la que se dispone de datos en perodos regulares de tiempo, es el conocimiento de su patrn de comportamiento para prever la evolucin futura, siempre bajo el supuesto de que las condiciones no cambiarn respecto a las actuales y pasadas. Si al conocer la evolucin de la serie en el pasado se pudiese predecir su comportamiento futuro sin ningn tipo de error, estaramos frente a un fenmeno determinista cuyo estudio no tendra ningn inters especial. Esto correspondera a una situacin como la de la figura 2.1, que muestra la intensidad de corriente, I, que circula a travs de una resistencia, R, sometida a un voltaje sinusoidal, V(t) = a cos (vt + ); por tanto I(t) = a cos (vt + )/R.

Figura 2.1.- Observaciones de la serie I(t) = cos (0,5t + /2) 29

En general, las series de inters llevan asociados fenmenos aleatorios, de forma que el estudio de su comportamiento pasado slo permite acercarse a la estructura o modelo probabilstico para la prediccin del futuro. Estos modelos se denominan tambin procesos estocsticos. As, un proceso estocstico es una sucesin de variables aleatorias {Yt}, con t = 1, 2, ..., n, que evolucionan con el tiempo ( representado ste por el subndice t). Cuando se dispone de n datos de un proceso estocstico, se est frente a n muestras, de tamao unidad, extradas de la poblacin (variable aleatoria), correspondientes al tiempo en que se realiz la medicin, y esto es lo que constituye la serie temporal o cronolgica. Como ejemplo puede servir la evolucin a lo largo del ao 2008 del ndice IGBVL, que recoge los 38 valores de mayor cotizacin de la bolsa de valores peruana, representada en la figura 2.2. Lgicamente, el valor del IGBVL depender del valor alcanzado en los das previos, adems de recoger la influencia de un conjunto de factores sociales, polticos, econmicos, etc., que son continuamente cambiantes en el tiempo y cuya conjuncin, en un determinado instante, configurara una hipottica distribucin de probabilidad del citado ndice econmico. En casos como ste, es evidente que puede obtenerse un modelo que explique el comportamiento de la serie en el perodo estudiado, pero puede ser muy arriesgada la utilizacin de este modelo para hacer previsiones a medio o largo plazo. As, en todas las series cronolgicas, es necesaria una gran cautela en la previsin a causa de la muy probable inestabilidad del modelo en un futuro ms o menos alejado del ltimo instante del que se conocen datos.

Figura 2.2.- Evolucin del ndice IGBVL 2008 Otro ejemplo puede ser el constituido por la sucesin de variables aleatorias {Y 1, ...,Yt,...}, tales que Yt = 0,80Yt1 + t, con Y0 = 0 y los t distribuidos N(0;1), independientes para todo t = 1, 2,... Esta serie puede expresarse tambin como y la distribucin de probabilidad de y

cualquier Yt corresponde a una ley Normal, con esperanza matemtica varianza .

La figura 2.3 muestra la ley de probabilidad de la variable Y en los instantes t = 1, t = 4 y t = 20, junto con la serie cronolgica compuesta por las 25 primeras observaciones de la misma. La particular forma de la informacin disponible de una serie cronolgica, n muestras de tamao unidad procedente de otras tantas poblaciones de distribucin y caractersticas desconocidas, hacen que las tcnicas de inferencia estadstica, usualmente aplicadas en muestras de tamao superior a la unidad, no sean vlidas para estos casos.

30

En los captulos siguientes se pretende presentar, de forma simple, distintos criterios metodolgicos que permitan el estudio de estos fenmenos, y en particular la previsin de su evolucin futura, para aplicarlos a campos tcnicos y econmicos, como por ejemplo previsin de las ventas de una empresa, de los usuarios de un medio de transporte, de la caracterstica de inters de un proceso continuo, etc.

Figura 2.3.- Distribucin de Yt y 25 observaciones de la serie Todas las formas de estudio de una serie cronolgica, tal como se ir viendo, no conllevan clculos complicados, pero s reiterativos, con gran volumen de datos manipulados y con abundancia de grficos; es por ello que para su estudio se hace muy necesario el disponer de un programa informtico que permita su correcta aplicacin y la obtencin de cuantos grficos sean necesarios. 2.2 Anlisis De Una Serie Temporal Antes de abordar cualquier estudio analtico de una serie temporal, se impone una representacin grfica de la misma y la observacin detenida de su aspecto evolutivo. Para estudiar el comportamiento de cualquier serie temporal, y predecir los valores que puede tomar en un futuro, puede hablarse de distintas metodologas, que denominaremos modelizacin por componentes y enfoque Box-Jenkins. 2.2.1 Modelizacin por componentes Este mtodo consiste en identificar, en la serie Yt, cuatro componentes tericas, que no tienen por qu existir todas, y que son: Tendencia: Tt. Estacionalidad: Et. Ciclos: Ct. Residuos: Rt. Cada una de estas componentes es una funcin del tiempo y el anlisis consistir en la separacin y obtencin de cada una de ellas, as como en determinar de qu forma se conjugan para dar lugar a la serie original. Estas componentes se pueden observar en la figura 2.4, en donde se ha considerado que actan de forma aditiva para dar lugar a la serie cronolgica. La tendencia es la componente general a largo plazo y se suele expresar como una funcin del tiempo de tipo polinmico o logartmico, por ejemplo Tt = 0 + 1t + 2t2 + Las variaciones estacionales son oscilaciones que se producen, y repiten, en perodos de tiempo cortos. Pueden estar asociadas a factores dinmicos, por ejemplo la ocupacin hotelera, la venta de prendas de vestir, de juguetes, etc., cuya evolucin est claramente ligada a la estacionalidad climtica, vacacional, publicitaria, etc. Las variaciones cclicas se producen a largo plazo y suelen ir ligadas a etapas de prosperidad o recesin econmica. Suelen ser tanto ms difciles de identificar cuanto ms largo sea su perodo, debido, 31

fundamentalmente, a que el tiempo de recogida de informacin no aporta suficientes datos, por lo que a veces quedarn confundidas con las otras componentes.

TENDENCIA

ESTACIONALIDAD

CICLOS

RESIDUOS

SERIE CRONOLOGICA

Figura 2.4. Componentes de una serie cronolgica La componente residual es la que recoge la aportacin aleatoria de cualquier fenmeno sujeto al azar.

32

Para evaluar las distintas componentes se utilizan tcnicas estadsticas tales como modelo lineal, medias mviles, diferencias finitas, etc. Admitiendo que el componente aleatorio (residuo) es aditivo, una vez identificadas las otras componentes surge un nuevo problema que es el cmo conjuntar tendencia, estacionalidad y ciclos para dar lugar a la serie definitiva. As se proponen, entre otros, modelos genricamente denominados aditivos y multiplicativos. Modelo aditivo: Y = T + E + C + R Modelo multiplicativo: Y = T x E x C + R Para una primera identificacin visual del caso, se puede considerar que si el patrn estacional se mantiene con amplitud constante se tratar de modelo aditivo (figuras 2.4 y 2.5). Cuando dicho patrn se vaya amplificando con el tiempo, ser multiplicativo (figura 2.6).

Figura 2.5. Serie aditiva

Figura 2.6 Serie multiplicativa Un modelo aditivo se puede interpretar como aquel en que la estacionalidad acta modificando la ordenada en el origen de la tendencia. Supongamos que no hay ciclos, que la tendencia es de tipo lineal, Tt = 0 + 1t, y que la estacionalidad es de perodo p = 4, es decir, cada 4 unidades de tiempo se repite el patrn (tal como ocurre en la figura 2.2). Representando sus valores por E1, E2, E3 y E4, respectivamente, el modelo aditivo se puede escribir como Y1 = 0 + 1 1 + E1 + R1 = 1 + 1 1 + R1 Y2 = 0 + 1 2 + E2 + R2 = 2 + 1 2 + R2 Y3 = 0 + 1 3 + E3 + R3 = 3 + 1 3 + R3 33

Y4 = 0 + 1 4 + E4 + R4 = 4 + 1 4 + R4 Y5 = 0 + 1 5 + E1 + R5 = 1 + 1 5 + R5 . . Yt = 0 + 1 t + Es + Rt = s + 1 t + Rt

con t = + s; s = 1, , p

As pues, cada estacin (s) componente del perodo conforma una recta con ordenada en el origen distinta para cada caso y pendiente comn a todos; es decir, segn muestra la figura 2.7, el modelo es un conjunto de rectas paralelas, cada una de ellas asociada a una estacin. En el modelo multiplicativo, el componente estacional acta sobre la ordenada en el origen y sobre la pendiente.

Figura 2.7. Interpretacin de una serie con modelo aditivo Prescindiendo de los ciclos, supuesta una tendencia lineal tipo T t = 0 + 1t y una estacionalidad de perodo p, para cualquier t = + s; con s = 1, , p, resulta Yt = Tt Es + Rt = (0 + 1t) Es + Rt, es decir Yt = (0 Es ) + (1Es ) t + Rt o sea Yt = 0s + 1s t + Rt De esta forma, cada una de las p estaciones del perodo configura una recta distinta, tanto en lo que se refiere a la ordenada en el origen (0s) como a la pendiente (1s). El conjunto de las p rectas constituye el modelo de comportamiento de la serie (figura 2.8). Es evidente que esta divisin, en modelo estrictamente aditivo o estrictamente multiplicativo, es bastante restrictiva, ya que puede darse el caso de que en algunas estaciones cambie slo la pendiente, o slo la ordenada en el origen. Esto constituira un modelo mixto mucho ms general que los propuestos hasta ahora, los cuales pasaran a ser meros casos particulares de ste. En la figura 2.9 se presenta una situacin de este tipo.

34

Figura 2.8.- Interpretacin de una serie con modelo multiplicativo

Figura 2.9. Modelo general 2.2.2 Enfoque Box - Jenkins La forma de encarar el anlisis de las series temporales a travs de la metodologa de Box Jenkins es dirigir el esfuerzo a determinar cul es el modelo probabilstico que rige el comportamiento del fenmeno a lo largo del tiempo. Es decir, partiendo de la premisa de que no siempre va a ser posible identificar los componentes de la serie, se trata de estudiar el componente aleatorio puro, reflejado en los residuos. La metodologa estadstica utilizada en el estudio de una serie temporal por este sistema, se basa en los siguientes pasos: Identificacin del modelo. Estimacin de los parmetros. Validacin de los supuestos admitidos en el anlisis, tambin llamado diagnosis del modelo. Para poder abordar esta metodologa es imprescindible, en primer lugar, estudiar un conjunto de modelos de comportamiento que cubran el mayor espectro posible de los procesos estocsticos objeto de nuestro inters. Entre ellos se pueden destacar los procesos de ruido blanco, medias mviles (MA), autorregresivos (AR), integrados (I) y sus conjunciones (ARMA y ARIMA). A partir de aqu se podr identificar la serie de datos con alguno de los modelos estudiados, estimar sus parmetros y validar la admisibilidad del modelo adoptado. En general, se suele asumir que el componente aleatorio, el cual se representa por Z, sigue una distribucin Normal de media cero y variancia 2. Un proceso estocstico en que todos sus componentes son independientes y estn constituidos slo por componente aleatorio se denomina proceso de ruido blanco, es decir, Yt = Zt con Zt NINDEP(0; 2) para todo t. Un proceso se denomina de media mvil de orden q, y se representa por MA(q), si su estructura es del tipo Yt = Zt + t-1 Zt-1 + + t-q Zt-q. En la figura 2.10 se muestra un MA(4).

35

Figura 2.10.- Proceso de media mvil MA(4) Un proceso es autorregresivo de orden p, y se representa por AR(p), cuando cada componente es funcin de los anteriores ms el trmino aleatorio; su estructura corresponde a: Yt = Zt + t-1 Yt-1 + + t-p Yt-p En la figura 2.11 se muestra un AR(2). Cuando a las estructuras de autorregresin y media mvil se une una dependencia con el tiempo se llega a un ARIMA(p, r, q), donde p es el orden del AR, q el del MA y r el del proceso integrado, o, lo que es lo mismo, el grado del polinomio que representa la funcin del tiempo. En la figura 2.12 se presenta un proceso ARIMA(2,1,3).

Figura 2.11. Proceso autorregresivo AR(2)

Figura 2.12. Proceso ARIMA(2, 1, 3)

36

2.3 Descomposicin de Una Serie Temporal Este mtodo, tambin denominado sistema clsico, descompone la serie en tendencia, estacionalidad, ciclos y residuos Una vez decidida la conjuncin entre ellos, aditiva o multiplicativa, se obtiene el modelo con el que hacer previsiones. La tendencia es la componente ms importante de la serie, al definir lo que se podra interpretar como comportamiento a largo plazo. Cada observacin va ligada a un valor del tiempo, lo que permite plantear un modelo del tipo Y= (t)+ e Donde la funcin (t) puede ser: Lineal Polinmica Exponencial : (t) = 0 + 1t : (t) = 0 + 1t + 2 t2 + ... : (t) = 0 t1

Si la serie no presenta estacionalidad, el mtodo de estimacin mnimo-cuadrtica y todas las pruebas de hiptesis relativas a la explicacin del modelo y a la significacin de los coeficientes estimados, propios del modelo lineal ordinario, permiten estimar los coeficientes del modelo de tendencia sobre los datos directos. Caso de existir componente estacional, para que sta no enmascare la tendencia, es necesario estabilizar previamente la serie. Para desarrollar la metodologa de la descomposicin clsica sobre un ejemplo, se dispone de los datos relativos a las ventas de material deportivo en una gran superficie comercial, recogidos en el cuadro 2.1 y representados en la figura 2.1. En este cuadro el tiempo (t) se ha medido tomando como referencia el inicio del perodo de recogida de datos, y, en este caso, su unidad es el trimestre. La observacin de la figura 2.1, permite pensar en una tendencia lineal creciente y una estacionalidad clara, cuyo patrn se repite anualmente, es decir, cada 4 valores del tiempo (trimestres). Esto se puede interpretar como una tendencia sostenida de un aumento de las ventas en esta superficie comercial, unida a un comportamiento distinto para cada uno de los cuatro trimestres; debido, posiblemente, a que el precio del material deportivo es muy distinto segn sea el adecuado para una estacin concreta (material de esqu frente a entretenimiento de playa, por ejemplo). Por otra parte, el patrn estacional se mantiene con una amplitud aproximadamente constante, lo que conduce a la utilizacin de un modelo aditivo.

37

Ao 2000

Trimestre

Ventas (Y)

t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

1 40.22 2 54.89 3 63.51 4 111.35 2001 1 46.95 2 51.62 3 61.47 4 108.58 2002 1 41.38 2 65.30 3 64.25 4 113.82 2003 1 53.34 2 59.37 3 66.15 4 121.50 2004 1 67.38 2 56.09 3 75.11 4 124.39 2005 1 55.90 2 61.25 3 75.44 4 126.50 Cuadro 2.1. Ventas de material deportivo

Figura 2.13 Evolucin cronolgica de las ventas de material deportivo En este ejemplo se ha identificado un patrn estacional compuesto por los cuatro trimestres y que se repite de ao en ao, adems de una tendencia aparentemente lineal. Si se decidiese ajustar el modelo de tendencia directamente sobre los datos, se obtendran los resultados del Cuadro 2.2.

38

Estadsticas de la regresin Coeficiente de correlacin mltiple Coeficiente de determinacin R^2 R2 ajustado Error tpico Observaciones ANLISIS DE VARIANZA Grados de libertad 1 22 23 Suma de cuadrados 1901.2996 15623.6857 17524.9853

0.3293794 0.1084908 0.0679676 26.648969 24

Regresin Residuos Total

Promedio de los cuadrados 1901.2996 710.16753

F 2.677255

Valor crtico de F 0.1160183

Coeficientes Intercepcin 57.500725 Variable X 1

Error tpico Estadstico t Probabilidad 11.2285559 5.1209368 3.933E-05

1.2858087 0.78583522 1.636232 0.1160183 Cuadro 2.2 Modelo de tendencia ajustado sobre todos los datos: Y = 0 + 1t + e

El modelo presenta un coeficiente de determinacin (R 2) tan slo del 10,8% y no resulta estadsticamente significativo, ya que el nivel de significacin (p-val), tanto del ajuste como de la pendiente de la recta de tendencia, son claramente superiores a un riesgo de primera especie del 5%. As, se demuestra que este procedimiento no es vlido ya que incluye en el residuo todo el componente estacional, lo cual produce una inflacin de la suma de cuadrados residual que desvirta el modelo y cualquier prueba de significacin de la regresin y de sus coeficientes. Para evitar esto es necesario estabilizar la serie liberndola de la estacionalidad; esto se podra conseguir trabajando con los valores medios anuales, que son los del Cuadro 2.3. En el Cuadro 2.4 se detallan los resultados del clculo del modelo de tendencia, considerado tipo rectilneo. aos t (aos) Y promedio

2000 1 67.4925 2001 2 67.1550 2002 3 71.1875 2003 4 75.0900 2004 5 80.7425 2005 6 79.7725 Cuadro 2.3. Medias anuales de ventas de material deportivo Estadsticas de la regresin Coeficiente de correlacin mltiple Coeficiente de determinacin R2 R^2 ajustado Error tpico

0.9556047 0.9131804 0.8914755 1.9544456 39

Observaciones ANLISIS DE VARIANZA Grados de libertad Regresin Residuos Total 1 4 5 Suma de cuadrados 160.7112 15.27943 175.99063

Promedio de los cuadrados 160.7112 3.8198575

F 42.072565

Valor crtico de F 0.0029127

Coeficientes Error tpico Estadstico t Probabilidad Intercepcin 62.966833 1.8194898 34.606862 4.16E-06 Variable X 1 3.0304286 0.4672019 6.4863368 0.0029127 Cuadro 2.4. Modelo lineal para las medias anuales

Ahora ya se ha obtenido un modelo de tendencia altamente significativo y con un buen ajuste (R 2 = 91,3%). En la figura 2.14 se han representado las medias anuales junto a la estimacin del modelo de tendencia; se observa la estabilizacin conseguida en los valores de las medias anuales, ya que mientras los datos directos oscilaban entre 40 y 130, las medias anuales van desde 67 hasta 81.

Figura 2.14 Evolucin y tendencia de la media anual Hay que destacar que con esta estabilizacin se ha conseguido un modelo de tendencia significativo; sin embargo, es aceptable este procedimiento? La respuesta sera no, ya que este sistema tiene el inconveniente de la gran prdida de informacin, pues de los 24 datos iniciales, se ha acabado estimando el modelo con slo 6 puntos. Este inconveniente queda paliado desestacionalizando la serie con las medias mviles. 2.3.1 Medias mviles: tendencia Con este mtodo se consiguen suavizar tanto las oscilaciones peridicas de una serie como las aleatorias. Su aplicacin requiere decidir, previamente, el perodo en que se repite cierto patrn de comportamiento, que pueda atribuirse a variaciones estacionales; la observacin de la evolucin grfica de la serie puede ayudar a tomar la decisin. Una vez fijado el perodo p, se calculan las medias de los valores de la serie tomados de p en p, sucesivamente desde el inicio. Asociando cada una de estas medias al valor del tiempo del punto central del perodo estudiado, se obtiene una nueva serie de valores mucho ms estables, debido, por una parte, a la reduccin de la variabilidad ocasionada al promediar y, por otra, a que, si el perodo escogido es el correcto, al pasar de una media mvil a la siguiente, el nuevo dato incorporado es del mismo comportamiento que el dato saliente.

40

Si p es impar la asociacin es directa:

Si p es par, el centro del grupo de cada p valores promediados corresponde a un valor no observado del tiempo; para subsanarlo, la nueva serie queda constituida por los promedios de las medias mviles tomadas dos a dos. Es decir:

La representacin grfica de las medias mviles, o la regresin de dichos valores frente al tiempo, permiten evaluar la tendencia de la serie liberada de la componente estacional. Uno de los inconvenientes de este sistema es la prdida de valores en los dos extremos de la serie, tanto mayor cuanto mayor es p. En ocasiones, se propone como alternativa a este problema la sustitucin de los valores extremos de las medias mviles por los resultantes de una extrapolacin lineal de los observados; sin embargo, si el nmero de datos disponibles es grande, la prdida de informacin es insignificante. En el caso del ejemplo de las ventas de material deportivo, ya se ha comentado que la estacionalidad se manifiesta de forma anual, es decir, cada cuatro trimestres; ello conduce al clculo de las medias mviles tomando p = 4. En el cuadro 2.5 se detalla el clculo de los primeros valores de la nueva serie, y el cuadro 2.6 resume la totalidad de los mismos. t Y Yprom t

1 40.22 2 54.89 3 63.51 67.49250 68.3338 3 4 111.35 69.17500 69.17500 68.7663 4 5 46.95 68.35750 68.35750 68.1025 5 Cuadro 2.5 Detalle del clculo de las medias mviles con p = 4

41

Yprom

3 68.3338 4 68.7663 5 68.1025 6 67.5013 7 66.4588 8 67.4725 9 69.5300 10 70.5325 11 72.6825 12 73.4363 13 72.9325 14 74.1300 15 76.8450 16 78.1900 17 78.9000 18 80.3813 19 79.3075 20 78.5175 21 79.2038 22 79.5088 Cuadro 2.6 Medias mviles con p = 4 Los resultados del modelo lineal, 2.7. Estadsticas de la regresin Coeficiente de correlacin mltiple Coeficiente de determinacin R^2 R^2 ajustado Error tpico Observaciones ANLISIS DE VARIANZA Grados de libertad Regresin Residuos Total 1 17 18 Suma de cuadrados 393.692486 41.1077523 434.800238 Error tpico Estadstico t Probabilidad 0.9188117 68.573858 3.25E-22 Promedio de los cuadrados 393.69249 2.4181031 F 162.81046 Valor crtico de F 3.912E-10 para el clculo de la tendencia constan en el cuadro

0.9515545 0.905456 0.8998946 1.5550251 19

Coeficientes Intercepcin 63.006463

42

Variable X 1

0.8310768 0.06513283 12.75972 3.912E-10 Cuadro 2.7 Modelo de tendencia sobre las medias mviles

Trabajando sobre 19 puntos, los 19 valores de las medias mviles, se ha obtenido un buen ajuste, con un coeficiente de determinacin del 90,5 %. En consecuencia, el modelo de tendencia resultante es T = 63,0065 + 0,8311 t Evidentemente, la interpretacin de la ecuacin de la tendencia permite afirmar que las ventas se incrementan 0,8311 unidades cada trimestre (ya que el tiempo se ha medido en trimestres). En la figura 2.15 puede observarse el suavizado conseguido con las medias mviles junto con el modelo de tendencia estimado a partir de los citados valores.

Figura 2.15 Evolucin ( ), medias mviles ( ) y tendencia ( 2.3.2 Estacionalidad

), para p = 4

La componente estacional, que provoca una oscilacin sistemtica de perodo corto, generalmente no superior al ao, puede enmascarar la evolucin a largo plazo, tendencia, si no se asla convenientemente. Se entiende como componente estacional, en modelos aditivos, la diferencia entre el valor de la estacin y la media de todas las estaciones componentes del perodo. El anlisis de la estacionalidad queda ligado al mtodo que se decida emplear para modelizar la tendencia; as, en este punto estudiaremos la situacin para el caso de trabajar con medias mviles. Para calcular los valores de los ndices estacionales hay que seguir la siguiente sistemtica: Calcular las medias mviles, , sobre los datos,Yt, de la serie original, tomando el perodo de agrupacin, p, que se considere oportuno. Proponer un modelo de agrupacin de las componentes, aditivo o multiplicativo. Separar la parte explicada por la tendencia. Supuesto el modelo aditivo, esto equivale a calcular Wt = Yt - . Si fuese multiplicativo, en lugar de diferencias seran cocientes, es decir, W t =Yt/ . Hay que destacar que en Wt estn incluidas las componentes asociadas a la estacionalidad, los ciclos y los residuos. Asumiendo que los residuos son variables aleatorias de media nula y que la componente cclica, caso de existir, es de perodo suficientemente largo como para no ser recogida por los datos, se procede a evaluar la estacionalidad asociada a cada componente del perodo, a cada trimestre en

43

el caso del ejemplo. Para ello se calculan los promedios de los W t de la misma estacin , s = t, , p. donde s representa el ndice estacional y ns el nmero de valores asociados a este ndice que se promedian. Ya que los ndices estacionales miden discrepancias respecto a la media, sta se necesita como valor de referencia; por tanto es necesario calcular la media general:

Calcular los ndices estacionales en modelo aditivo Los ndices estacionales son las diferencias entre los promedios de las Wt de cada estacin y la media general que se acaba de definir, es decir

Es obvio destacar que la suma de estos ndices es cero: Calcular los ndices estacionales en modelo multiplicativo.

En este caso, los ndices estacionales son el cociente entre los promedios de las Wt de cada estacin y la media general, es decir

Ahora, la suma de estos ndices es igual al perodo, extrao que los ndices estacionales se representen en %.

. En modelo multiplicativo, no es

En el cuadro 2.8 se detallan los clculos del caso de modelo aditivo de las ventas de material deportivo. t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 44 Yt 40.22 54.89 63.51 111.35 46.95 51.62 61.47 108.58 41.38 65.30 64.25 113.82 53.34 59.37 66.15 67.49250 69.17500 68.35750 67.84750 67.15500 65.76250 69.18250 69.87750 71.18750 74.17750 72.69500 73.17000 75.09000 68.3338 68.7663 68.1025 67.5013 66.4588 67.4725 69.5300 70.5325 72.6825 73.4363 72.9325 74.1300 76.8450 -4.8238 42.5838 -21.1525 -15.8813 -4.9888 41.1075 -28.1500 -5.2325 -8.4325 40.3838 -19.5925 -14.7600 -10.6950 Yprom_movil Wt Estacin: s 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3

16 17 18 19 20 21 22 23 24

121.50 67.38 56.09 75.11 124.39 55.90 61.25 75.44

78.60000 77.78000 80.02000 80.74250 77.87250 79.16250 79.24500 79.77250

78.1900 78.9000 80.3813 79.3075 78.5175 79.2038 79.5088

43.3100 -11.5200 -24.2913 -4.1975 45.8725 -23.3038 -18.2588

4 1 2 3 4 1 2 3 4

126.50 Cuadro 2.8 Evaluacin de la estacionalidad por medias mviles.

Por ejemplo, para el tercer trimestre (s = 3), el promedio de las Wt, cuyos valores del tiempo correspondiesen al tercer trimestre, por ser mltiplos de 4 ms 3 (t = 3, 7,11, 15, 19), sera:

Anlogamente, para cada trimestre, se obtiene:

Y la media general es:

y los ndices estacionales, resultan E1 = 20,6426 E2 = 15,5836 E3 = 6,5264 E4 = 42,7526 Los valores de los ndices estacionales recin obtenidos se interpretan de la siguiente forma: respecto a la media, el primer trimestre tiene una venta inferior en 20,6426 unidades; el segundo est 15,5836 unidades por debajo de la media; el tercero 6,5264; mientras que el cuarto supera a la media en 42,7526 unidades de venta. Con el modelo de tendencia del cuadro 2.7 y la estacionalidad, se ha obtenido la descomposicin de la serie original, mostrada en la figura 2.16. Evidentemente, los residuos se calculan como: R = Y - T - E. La buena modelizacin conseguida queda confirmada por los residuos, ya que en su mayora estn en el intervalo 5 y slo en 3 puntos se llega a valores de 10 u 11 unidades.

45

Tal como se ha ido repitiendo, el objetivo de la modelizacin de la serie es poder realizar previsiones para los prximos valores del tiempo. En el cuadro 2.9 se presentan las previsiones para los 2 aos inmediatos siguientes. Atendiendo a que el perodo estacional es igual a 4, para realizar la previsin hay que identificar el tiempo como un mltiplo de 4 ms s (s = 1, 2, 3, 4), para aadir a la tendencia el valor correcto de la estacionalidad. As, la previsin se calcula como:

La figura 2.17 muestra la evolucin de las previsiones y su buena concordancia con la evolucin histrica de los datos recogidos en el estudio. T E

T+E

SERIE CRONOLOGICA (Yt)

Figura 2.16 Descomposicin de la serie de ventas de material deportivo por medias mviles 46

Ao 2006

t 25 26 27 28

estacin = s 1 2 3 4 1 2 3

Tendencia 83.7834 84.6145 85.4455 86.2766 87.1077 87.9388 88.7698

Estacionalidad: E -20.6426 -15.5836 -6.5264 42.7526 -20.6426 -15.5836 -6.5264

Previsin: Yestim 63.1408 69.0308 78.9192 129.0292 66.4651 72.3551 82.2435

2007

29 30 31

32 4 89.6009 42.7526 132.3535 Cuadro 2.9 Previsiones para 2006 y 2007, segn el modelo de descomposicin clsica

Figura 2.17 Evolucin histrica ( ), modelo ( ) y previsiones ( p ) 2.3.3 Descomposicin Aditiva: Caso temperaturas El cuadro 2.10 presenta las temperaturas medias mensuales registradas en una ciudad del hemisferio sur, en el perodo de tiempo que abarca desde enero de 1996 a diciembre del 2005. Interesa estudiar el modelo de comportamiento y realizar una previsin de las temperaturas de la dcada siguiente. Mes I II III IV V VI VII VIII IX X XI XII 1996 26,8 27,2 27,1 26,3 25,4 23,9 23,8 23,6 25,3 25,8 26,4 26,9 1997 27,1 27,5 27,4 26,4 24,8 24,3 23,4 23,4 24,6 25,4 25,8 1998 26,9 26,3 25,7 25,7 24,8 24,0 23,4 23,5 24,8 25,6 26,2 1999 26,8 26,9 26,7 26,1 26,2 24,7 23,9 23,7 24,7 25,8 26,1 2000 26,3 27,1 26,2 25,7 25,5 24,9 24,2 24,6 25,5 25,9 26,4 2001 27,1 27,1 27,4 26,8 25,4 24,8 23,6 23,9 25,0 25,9 26,3 2002 26,8 27,1 27,4 26,4 25,5 24,7 24,3 24,4 24,8 26,2 26,3 2003 27,1 27,5 26,2 28,2 27,1 25,4 25,6 24,5 24,7 26,0 26,5 2004 26,3 26,7 26,6 25,8 25,2 25,1 23,3 23,8 25,2 25,5 26,4 26,7 2005 27,0 27,4 27,0 26,3 25,9 24,6 24,1 24,3 25,2 26,3 26,4 26,7

26,7 26,5 26,5 26,9 26,6 27,0 26,8 Cuadro 2.10 Registro de las temperaturas mensuales

La evolucin cronolgica de los datos se muestra en la figura 2.18, en donde se pone de manifiesto que la tendencia es prcticamente inapreciable, por la aparente horizontalidad del eje virtual de la serie. Por 47

otra parte se observa la existencia de una componente estacional clara que se repite, lgicamente, cada ao y mantiene la amplitud, dando idea de que es un modelo aditivo. Al ser los datos mensuales, la longitud del perodo es igual a 12. El clculo de las medias mviles, con p = 12, y su representacin grfica (figura 2.19) confirman la estacionalidad, por la estabilizacin conseguida en la serie, pero ponen en entredicho la ausencia de tendencia. La observacin del grfico hace recomendable ajustar un modelo de tendencia, que se har posteriormente y que ya se ha representado en esta figura.

Figura 2.18 Evolucin cronolgica de las temperaturas

Figura 2.19 Temperaturas mensuales ( ), medias mviles ( _ ) y lnea de tendencia ajustada ( - ) Para evaluar la estacionalidad es necesario calcular los ndices estacionales, tal como se ha detallado. Los resultados obtenidos se encuentran en el cuadro 2.11, y se presentan grficamente en la figura 2.20. Mes I II III IV V VI (s) 1 2 3 4 5 6 Indices Es 1.08329475 1.32310957 0.98699846 0.62959105 -0.15050154 Mes VII VIII IX X XI (s) 7 8 9 10 11 Indices Es -1.88013117 -1.79309414 -0.77133488 0.06246142 0.53792438

-1.0273534 XII 12 0.99903549 Cuadro 2.11 ndices estacionales

La interpretacin de los ndices es simple: desde octubre (X) a abril (IV), la temperatura est por encima de la media anual; mientras que de mayo (V) a septiembre (IX) est por debajo de la media. No olvidemos 48

que los datos corresponden a una ciudad del hemisferio sur; por tanto, de octubre a abril son los meses clidos, y los dems son los fros. Es de destacar que la oscilacin trmica media, del mes ms clido al ms fro, es relativamente pequea (1,31 + 1,80 = 3,01C). Esto, unido a los valores medios mensuales, que oscilan entre 23 y 29C permite afirmar que el estudio se est haciendo sobre una ciudad de clima muy suave y casi permanentemente primaveral.

Figura 2.20 Componente estacional: ndices La tendencia, aunque dbil, existe y es de tipo lineal. Su evaluacin se efectuar mediante el modelo lineal aplicado a las medias mviles (cuadro 2.12). Estadsticas de la regresin Coeficiente de correlacin mltiple Coeficiente de determinacin R2 R2 ajustado Error tpico Observaciones ANLISIS DE VARIANZA Grados de libertad Regresin Residuos Total 1 106 107 Coeficientes Variable X 1 0.54422581 0.29618173 0.28954194 0.22654012 108

Suma de cuadrados 2.28925319 5.43996491 7.72921811 Error tpico

Promedio de los cuadrados 2.28925319 0.05132042

F 44.6070595

Valor crtico de F 1.145E-09

Estadstico t Probabilidad 2.637E-181

Intercepcin 25.4342763 0.05009208 507.750413

0.00467004 0.00069923 6.67885166 1.145E-09 Cuadro 2.12 Modelo lineal para la tendencia: Yt = 0 + 1 t + e

A pesar del valor del coeficiente de determinacin del ajuste, (29,62 %), la explicacin del modelo es significativa. As, se puede deducir que parece existir una tendencia muy ligera a un incremento de la temperatura, que se ha estimado en un aumento de 0,00467 grados mensuales en promedio. La evolucin del modelo, junto con los datos reales, se presenta en la figura 2.21 Para su obtencin, hay que tener en cuenta que, conocidos los ndices estacionales y el modelo de tendencia, la suma mes a mes de los dichos valores dar lugar al modelo propuesto, es decir:

49

Figura 2.21 Datos ( ) y modelo ajustado ( - ) Solamente hay que destacar la buena concordancia entre ambos, a pesar de que hay algunos puntos que parecen presentar mayores discrepancias. Esto ocurre, principalmente, desde abril hasta julio de 2003 que como, puede observarse, ya en los datos iniciales presentaron unas temperaturas medias bastante superiores a las de los dems aos (es decir hizo un otoo especialmente clido). En la figura 2.22, se muestran los residuos resultantes de la descomposicin de esta serie, obtenidos como . Hay que destacar la buena modelizacin conseguida, pues en la mayora de las 120 observaciones, el error es inferior a un grado, excepto en los meses ya comentados.

Figura 2.22 Residuos del modelo A partir de la descomposicin, y suponiendo que no cambiase el comportamiento meteorolgico de la zona, la previsin de la temperatura para los 10 aos siguientes sera la del cuadro 2.13, que se muestra en la figura 2.23 junto a los datos disponibles. Aqu se observa que, de mantenerse la tendencia, la temperatura media mensual, poco a poco, se va incrementando. Comparando los datos reales con las previsiones, se ve en estas ltimas la ausencia del componente aleatorio. Se est haciendo una previsin de temperaturas medias, pero el azar meteorolgico se unir a la previsin alterndola en aquellos perodos de tiempo en los que las temperaturas sean distintas a las de la tnica general: inviernos muy fros o muy suaves, veranos ms extremos, etc.

50

Mes I II III IV V VI VII VIII IX X XI

Ao 2006 27.1 27.3 27.0 26.6 25.9 25.0 24.1 24.2 25.3 26.1 26.6 2007 27.1 27.4 27.1 26.7 25.9 25.1 24.2 24.3 25.3 26.2 26.6 2008 27.2 27.4 27.1 26.8 26.0 25.1 24.3 24.4 25.4 26.2 26.7 2009 27.3 27.5 27.2 26.8 26.0 25.2 24.3 24.4 25.4 26.3 26.8 2010 27.3 27.6 27.2 26.9 26.1 25.2 24.4 24.5 25.5 26.3 26.8 2011 27.4 27.6 27.3 26.9 26.1 25.3 24.4 24.5 25.5 26.4 26.9 2012 27.4 27.7 27.3 27.0 26.2 25.3 24.5 24.6 25.6 26.4 26.9 2013 27.5 27.7 27.4 27.0 26.3 25.4 24.5 24.6 25.7 26.5 27.0 2014 27.5 27.8 27.4 27.1 26.3 25.4 24.6 24.7 25.7 26.6 27.0 2015 27.6 27.8 27.5 27.1 26.4 25.5 24.7 24.7 25.8 26.6 27.1

XII 27.0 27.1 27.2 27.2 27.3 27.3 27.4 27.4 27.5 27.6 Cuadro 2.13 Temperatura prevista para los 10 aos siguientes a la recogida de datos

Figura 2.23 Datos desde 1986 a 1995 ( ) y previsiones desde 1996 a 2005 ( - ) 2.3.4 Descomposicin Multiplicativa: Caso usuarios transporte pblico En el cuadro 2.14 se recogen los datos relativos al nmero de usuarios de un determinado transporte pblico en el perodo que abarca desde 1994 hasta 2005, y la figura 2.24 muestra su evolucin cronolgica. Mes I II III IV V VI VII VIII IX X XI XII 1994 90 88 109 103 103 122 134 132 115 101 91 112 1995 111 115 129 121 112 125 164 158 133 127 110 120 1996 127 107 141 135 133 154 175 174 158 139 112 140 1997 142 139 145 162 144 176 192 190 160 151 134 140 1998 146 155 182 165 165 191 195 205 182 165 138 155 1999 164 151 180 164 184 206 198 235 197 163 148 163 2000 175 161 179 195 189 208 227 249 224 193 170 166 2001 176 194 197 211 191 235 248 273 202 189 167 168 2002 208 189 232 226 222 245 252 242 229 202 192 198 2003 199 190 228 220 222 233 303 253 253 223 191 185 2004 207 198 251 231 234 251 316 285 250 232 190 201 2005 219 206 229 223 231 266 290 294 258 214 206 199 51

Cuadro 2.14 Usuarios de un transporte pblico.

Figura 2.24 Evolucin cronolgica del nmero de usuarios. La observacin de la figura 2.24 permite realizar las siguientes consideraciones: Se detecta una clara tendencia creciente en el tiempo. Hay una estacionalidad manifiesta que se repite anualmente. Ya que los datos son mensuales, su perodo ser igual a 12. El patrn de estacionalidad tiene una forma constante pero presenta una amplificacin continua en el tiempo. Esta situacin es la que indica que el modelo subyacente es multiplicativo. Para obtener la descomposicin de la serie cronolgica, es necesario estabilizarla previamente, mediante medias mviles de p = 12; y despus modelizar la tendencia y calcular los ndices estacionales. La evolucin de las medias mviles se muestra en la figura 2.25, y se aprecia un crecimiento que no es proporcional al tiempo, sino que parece sufrir un amortiguamiento al final de la serie; es decir, probablemente se tratar de un modelo parablico.

Figura 2.25 Tendencia a travs de las medias mviles (p =12) La estimacin mnimo-cuadrtica conduce al modelo de tendencia, sobre las medias mviles, cuya estimacin se muestra en el cuadro 2.15. En ella se observa, adems de un muy buen ajuste reflejado por una R2 del 99,74%, que el trmino cuadrtico es altamente significativo. El signo negativo de este trmino da idea de una especie de freno en el crecimiento sostenido del nmero de usuarios, representado por el coeficiente positivo del tiempo.

52

Estadsticas de la regresin Coeficiente de correlacin mltiple Coeficiente de determinacin R2 R2 ajustado Error tpico Observaciones ANLISIS DE VARIANZA Grados de libertad Regresin Residuos Total 2 129 131 Coeficientes Variable X 1 Variable X 2 0.99866456 0.99733091 0.99728953 2.0160183 132

Suma de cuadrados 195909.374 524.298543 196433.672 Error tpico

Promedio de los cuadrados 97954.6869 4.06432979

Valor crtico de F

24101.0675 1.001E-166

Estadstico t 156.515201 71.1776439

Probabilidad 5.433E-149 2.126E-105

Intercepcin 99.7953224 0.63760786 1.43266479 0.02012802

-0.0029421 0.00013513 -21.7720708 4.9966E-45 Cuadro 2.15 Estimacin del modelo de tendencia: Y= a0 + a1 t + a2 t2 + e

As pues, el modelo de tendencia puede escribirse como: T = 99.7953 + 1.4326 t 0,00294 t2 En modelos multiplicativos, como el del actual ejemplo, la componente estacional representa la relacin entre cada estacin y la media general. Recordemos que, en estos casos, el clculo de la estacionalidad se realiza de acuerdo con los siguientes pasos: a. Calcular las medias mviles , a partir de los datos, Yt, de la serie.

b. Separar la tendencia, es decir, calcular c. Asumiendo que los ciclos, caso de existir, son de perodo suficientemente largo como para no ser recogidos por los datos, calcular los promedios de las Wt de cada estacin y la media general, s es el indicador de la estacin (mes, en el ejemplo), y ns el nmero de valores de W que se promedian en la citada estacin s = 1, , p y

d. Finalmente, los valores de las componentes estacionales, generalmente expresados en % en modelos multiplicativos, se obtienen como:

En el cuadro 2.16 se muestran los valores de las componentes estacionales del presente ejemplo, y se representan grficamente en la figura 2.26.

53

Mes I II III IV

Es 92.40 88.43 101.75

Mes V VI VII

Es 97.07 109.25 121.94

Mes IX X XI

Es 105.54 94.13 81.56 87.35

99.24 VIII 121.34 XII Cuadro 2.16 Componente estacional.

Figura 2.26 ndices estacionales La interpretacin de los ndices podra ser en el sentido de que, por ejemplo, los usuarios de los meses de julio y agosto son del orden de un 121% superior a la media, mientras que en noviembre se est en un 81% de la media. Ello podra aconsejar una promocin en los meses de noviembre, diciembre, enero y febrero, con el fin de conseguir una mayor ocupacin de las plazas disponibles. La figura 2.26 muestra la concordancia entre los datos y su modelizacin, a partir de la tendencia y estacionalidad calculadas, de acuerdo con el modelo multiplicativo:

Figura 2.26 Serie cronolgica experimental ( ) y ajustada (-). Observando la figura 2.26 se puede destacar que hay unos desajustes ms acusados en ciertos meses de julio o agosto, en concreto, los de los aos 1999, 2000, 2001, 2003 y 2004, por lo que es posible afirmar que en los casos citados ha habido un comportamiento sustancialmente distinto del esperado en los mismos meses de otros aos; en principio, sera discutible afirmar la presencia de un cambio en los hbitos de utilizacin de este transporte, ya que ni el ao 2003 ni el 2005, pertenecientes al perodo en cuestin, presentan semejantes discrepancias. A pesar de todo, en este caso, sera prudente tomar con ciertas precauciones las previsiones para aos venideros, mientras no se confirme la consolidacin en el futuro de un cambio o de una permanencia de

54

comportamiento. Tambin podra ser interesante intentar averiguar qu ocurri en estos meses (quizs una campaa publicitaria, quizs una disminucin de alternativas de la competencia,...). La figura 2.27 muestra la evolucin de los residuos entre los datos experimentales y el modelo ajustado, como . Se observa que, en la mayora de los casos, oscilan entre 16, aunque en algn caso la discrepancia se aproxima a 30 unidades. Asumiendo que se mantiene el mismo modelo, la previsin de usuarios hasta el ao 2010 se presenta en la figura 2.28. Hay que tener en cuenta, para realizar correctamente los clculos, que el ltimo valor de t para el que se dispone de datos, diciembre de 2005, es 144; por tanto, para las predicciones, que abarcan el perodo de los prximos 60 meses, los valores de t irn desde 145 hasta 204.

Figura 2.27 Residuos del modelo ajustado En el grfico de la previsin se puede observar la reduccin de la velocidad de crecimiento inicial de la serie que se ha comentado en la modelizacin de la tendencia.

Figura 2.28 Serie observada y previsiones hasta el ao 2000 2.4 Modelizacin con Variables Categricas Tal como se ha comentado en la seccin anterior, si hubiera estacionalidad, estimar el modelo de tendencia sobre los datos directos, por procedimientos usuales de ajuste mnimo cuadrtico, sera improcedente. Ello es debido a que se producira una inflacin de los residuos no atribuible a la aleatoriedad sino a la variabilidad ocasionada por el componente estacional. Para evitarlo, se pueden modelizar conjuntamente la tendencia y la estacionalidad con variables categricas asociadas a cada estacin, o bien desestacionalizar previamente la serie y entonces ajustar el modelo de tendencia, como ya se ha expuesto. La modelizacin conjunta, con variables categricas, de la tendencia y la estacionalidad presenta como principal ventaja la generalidad del mtodo. Por este procedimiento no es necesario, a priori, asumir un

55

modelo aditivo o multiplicativo, sino que se plantea un modelo general que incluye todas las posibilidades. Sea p el perodo estacional, es decir, el nmero de unidades de tiempo que conforman el patrn de comportamiento que se repite sistemticamente. Cada uno de los valores del tiempo contenidos en p corresponde a una estacin, la cual se designar por el subndice s, de forma que s = 1, 2, ..., p. Cada estacin debe estar ligada biunvocamente a una variable categrica. Dicha variable es un indicador que toma el valor 1 en la estacin a la que est asociada y 0 en todas las dems, excepto para la primera estacin, en que todas toman el valor 0. sta es la razn por la cual con p-1 variables categricas es suficiente para estudiar una serie de perodo p. Las variables categricas, Q, quedan, pues, definidas como

Con estas variables se plantea un modelo tipo

donde f(t) es una funcin polinmica del tiempo, o sea,

, que viene a recoger la

tendencia o evolucin general, a largo plazo, de los datos con el tiempo. Los trminos del grupo indican los cambios que las distintas estaciones, componentes del perodo estacional, introducen en la ordenada en el origen del modelo, parte aditiva segn el sistema clsico. Mientras que los del grupo representa la influencia de la estacionalidad sobre la funcin del tiempo, lo que en el mtodo clsico se interpreta como parte multiplicativa. El estudio de la significacin de cada uno de los coeficientes , y , y la consiguiente eliminacin de los no significativos conducir el modelo que definitivamente explica el comportamiento de la serie. Para desarrollar la metodologa de las variables categricas sobre un ejemplo, se van a utilizarlos datos relativos a las ventas de material deportivo estudiados por el mtodo clsico, con el fin de poder comparar posteriormente los resultados obtenidos. En el cuadro 2.17 se vuelven a reproducir los datos de la serie cronolgica, junto a los valores de las variables categricas. La representacin grfica de los mismos ya se present en la figura 2.13, cuya observacin condujo a pensar en una tendencia lineal creciente y una estacionalidad de perodo p = 4. A fin de no confundir los dos efectos, procede la creacin de variables categricas que identifiquen cada una de las cuatro estaciones, que en este ejemplo constituyen el perodo de repeticin del patrn estacional. Por otra parte, suponiendo que hubiese ciclos, el intervalo de tiempo de recogida de datos es totalmente insuficiente para tomarlos, por lo que su posible existencia quedar enmascarada en los residuos. En el cuadro 2.17 estn las variables categricas Q2, Q3 y Q4, cuya conjuncin representa de forma unvoca cada trimestre. Se insiste en que no es necesaria una Q1, puesto que el primer trimestre es el que toma como referencia Q2 = Q3 = Q4 = 0, y son los dems que, a travs del indicador, aportarn la parte del efecto estacional correspondiente.

56

Ao 2000

Trimestre (s) 1 2 3 4

Ventas (Y) 40.22 54.89 63.51 111.35 46.95 51.62 61.47 108.58 41.38 65.30 64.25 113.82 53.34 59.37 66.15 121.50 67.38 56.09 75.11 124.39 55.90 61.25 75.44

Q2 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0

Q3 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1

Q4 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0

t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

2001

1 2 3 4

2002

1 2 3 4

2003

1 2 3 4

2004

1 2 3 4

2005

1 2 3

4 126.50 0 0 1 Cuadro 2.17 Ventas de material deportivo En este caso, al ser la tendencia rectilnea, se plantea el modelo

Y = 0 + 1t + 2Q2 + 3Q3 + 4Q4 + 2Q2 t + 3Q3 t + 4Q4 t + La estimacin de sus parmetros conduce a los resultados expuestos en el cuadro 2.18. Los resultados del modelo lineal general evidencian que todos los trminos del tipo Q jt no son estadsticamente significativos, (p-val < 0,05), por tanto procede recalcular el modelo prescindiendo de ellos. Cabe destacar que este hecho manifiesta que la estacionalidad no modifica la pendiente de la recta del tiempo, es decir, el incremento de las ventas es el mismo para cada trimestre. Esto simplifica el caso al corresponder a un modelo aditivo puro, que puede ser, alternativamente, estudiado por la metodologa de la descomposicin clsica, tal como se ha hecho en la seccin anterior. Si alguno de esos trminos hubiese resultado significativo, el sistema clsico proporcionara un modelo bastante precario.

57

Estadsticas de la regresin Coeficiente de correlacin mltiple Coeficiente de determinacin R2 R2 ajustado Error tpico Observaciones ANLISIS DE VARIANZA Grados de libertad Regresin Residuos Total 7 16 23 Coeficientes Intercepcin Q2 Q3 Q4 t tQ2 tQ3 tQ4 15.7735 0.98973365 0.97957269 0.97063574 4.73014481 24

Suma de cuadrados 17166.997 357.988318 17524.9853 Error tpico 5.3510502

Promedio de los cuadrados 2452.42815 22.3742699

F 109.609304

Valor crtico de F 2.5717E-12

Estadstico t 10.6401445 2.94773912 11.4662599

Probabilidad 1.1507E-08 0.0094549 3.966E-09

38.9463095 3.66031773 19.193619 5.53456782 65.6576905 5.72616449 1.08321429 0.28268022 -0.80264286 -0.35128571 0.3997702 0.3997702

3.46795264 0.00317106 3.83194228 0.00147026 -2.0077606 0.06186319 -0.87871911 0.39255913

-0.1485 0.3997702 -0.3714634 0.71516553 Cuadro 2.18 Resultados del modelo lineal general

El cuadro 2.19 contiene los resultados del ajuste del modelo definitivo, es decir, de Y = 0 + 1t + 2Q2 + 3Q3 + 4Q4 + Estadsticas de la regresin Coeficiente de correlacin mltiple Coeficiente de determinacin R2 ajustado Error tpico Observaciones ANLISIS DE VARIANZA Grados de libertad Regresin Residuos Total 4 19 23 Suma de cuadrados 17064.6264 460.358954 17524.9853 Promedio de los cuadrados 4266.15659 24.2294186 F Valor crtico de F R2 0.98677823 0.97373128 0.96820102 4.92233873 24

176.07342 9.8949E-15

58

Coeficientes Error tpico Estadstico t Probabilidad Intercepcin 42.5279881 2.57989903 16.4843615 Q2 Q3 Q4 t 6.46739286 2.84571718 64.5555119 0.75760714 2.2726759 15.278119 2.85709757 5.34742643 2.8759648 22.4465584 1.0352E-12 0.03484621 3.6808E-05 3.8699E-15

0.147083 5.1508817 5.682E-05 Cuadro 2.19 Resultados del modelo definitivo

Los grficos de residuos y probabilstico Normal se presentan en la figura 2.29, y no presentan ninguna peculiaridad especial. En consecuencia queda validado el modelo obtenido.

Figura 2.29 Grficos de los residuos del modelo Como resumen de todo lo anterior, el modelo que explica el comportamiento de la serie, y que va a ser utilizado para hacer previsiones de las ventas futuras, ha resultado ser 42,5280 + 0,7576 t + 6,4674 Q2 + 15,2781 Q3 + 64,5555 Q4 La interpretacin de los coeficientes del modelo permite identificar tendencia y estacionalidad. En cuanto a la primera, se detecta un incremento de las ventas de 0,7576 unidades cada unidad de tiempo (trimestre); incremento que se mantiene constante sea cual sea la estacin. En consecuencia, la estacionalidad slo afecta a la ordenada en el origen de cada una de las cuatro estaciones (trimestres) que componen el perodo. 59

Tomando como referencia el primer trimestre, en el que Q 2 = Q3 = Q4 = 0, se observa que en l las ventas dependen del tiempo, segn la ecuacin 42,5280 + 0,7576 t con t = 1 +

Para un tiempo correspondiente a un segundo trimestre, las variables categricas toman los valores Q 2 = 1 y Q3 = Q4 = 0 y el modelo es 42,5280 + 0,7576 t + 6,4674 = 48,9954 + 0,7576 t con t = 2 +

Para un tiempo de tercer trimestre, las variables categricas toman los valores Q3 = 1 y Q2 = Q4 = 0 y el modelo es 42,5280 + 0,7576 t + 15,2781 = 57,8061 + 0,7576 t con t = 3 +

Y, en el caso del cuarto trimestre, las variables categricas toman los valores Q4 = 1 y Q2 = Q3 = 0; el modelo es 42,5280 + 0,7576 t + 64,5555 = 107,0835 + 0,7576 t con t = 4 + As, para cada trimestre (estacin del perodo), se obtiene un modelo del mismo tipo, rectilneo con igual pendiente, en este caso, pero con distinta ordenada en el origen. Esto se puede interpretar como que, tomando siempre como referencia el primer trimestre, en el segundo el volumen de ventas aade a la funcin del tiempo 6,4674 unidades, en el tercero el incremento es de 15,2782 y en el cuarto de 64,5555 unidades. Estos valores son, evidentemente, los coeficientes de las variables categricas. En consecuencia los coeficientes de las variables categricas representan la cantidad en que una estacin, sistemticamente, supera (o no alcanza, segn sea el signo) el valor de la primera estacin del perodo. Es decir, estos coeficientes son una forma de medir el componente estacional. Para evaluar la bondad del modelo, en la figura 2.30 se muestra la comparacin de los valores medidos con los estimados a partir del modelo ajustado; se observa la buena concordancia entre ambos. La modelizacin tiene como objetivo principal el poder hacer previsiones para un futuro prximo. En este caso se procede a calcular las previsiones para los prximos 2 aos, a base de sustituir los valores del tiempo y de las variables categricas en el modelo obtenido. Los resultados se muestran en el cuadro 2.20 y en la figura 2.31.

60

Figura 2.30 Datos reales ( ) y modelo ajustado ( _ ) Aqu se detecta la coherencia de la previsin con los datos histricos, siempre que no cambie el modelo de comportamiento de la serie en el perodo previsto. Esto podra ocurrir, por ejemplo, si hubiese una recesin econmica, la apertura de otro comercio de similares caractersticas en las inmediaciones, un cambio de hbitos en la poblacin, una campaa propagandstica con xito de la competencia, etc. 42,5280 + 0,7576 t + 6,4674Q2 + 15,2781Q3 + 64,5555Q4 Ao 2006 t 25 26 27 28 2007 29 30 31 Q2 0 1 0 0 0 1 0 Q3 0 0 1 0 0 0 1 Q4 0 0 0 1 0 0 0 Yestim 61.46817 68.69317 78.26150 128.29650 64.49860 71.72360 81.29193

32 0 0 1 131.32693 Cuadro 2.20 Previsiones para 2006 y 2007

Figura 2.31 Datos, modelo y previsiones para los dos aos siguientes 2.5 Actividades para el Aprendizaje. Luego de visitar estas direcciones de pginas web, elaborar un resumen y/o desarrollar los ejercicios propuestos para el tema correspondiente: http://ciberconta.unizar.es/LECCION/seriest/060.HTM http://www.mty.itesm.mx/egap/materias/re-4004/Cap7.ppt http://www.bccr.fi.cr/ndie/Documentos/DIE-02-2002-NTASPECTOS%20CONCEPTUALES%20SOBRE%20SEATS.pdf http://www.aaep.org.ar/espa/anales/resumen04/04/Trajtenberg.pdf Resolver los ejercicios al capitulo correspondiente: Ctedra de Mtodos Cuantitativos para los Negocios. http://www.unsa.edu.ar/mcneco/mcn_tps.html Programacin Matemtica http://www.uv.es/~sala/programacion.htm

61

Bienvenidos a los cursos del rea de Operaciones Descargar ejercicios: http://ucreanop.org/descarga_ejercicios.php

62

FORMULACION Y OPTIMIZACION DE MODELOS


Objetivos del Captulo Plantear y resolver problemas que impliquen toma de decisiones para obtener minimizacin de costos o maximizacin de utilidades. Resolver problemas de optimizacin lineal y/o entera por el mtodo grfico y por el mtodo simplex Interpretar los resultados de un problema de programacin lineal y/o entera mediante el anlisis de sensibilidad, para tomar la mejor decisin que optimice la utilizacin de los recursos en una organizacin industrial o de servicios. 3.0 Introduccin El desarrollo de los mtodos de optimizacin, segn muchos autores, ha representado uno de los avances cientficos ms importantes desde mediados del siglo XX. Actualmente son una herramienta utilizada en muchos campos de la administracin, de la economa y de la ingeniera. Existen muchos libros de texto sobre el tema y miles de artculos cientficos en revistas especializadas. Los mtodos de optimizacin tienen como base el mtodo cientfico para investigar y ayudar a tomar decisiones sobre los problemas complejos de las organizaciones de hoy en da. Bsicamente siguen los pasos siguientes: (1) la observacin de un problema, (2) la construccin de un modelo matemtico que contenga los elementos esenciales del problema, (3) la obtencin, en general con la utilizacin de un ordenador, de las mejores soluciones posibles con la ayuda de algoritmos exactos o heursticos y finalmente (5), la calibracin y la interpretacin de la solucin y su comparacin con otros mtodos de toma de decisiones. Un ejemplo simple, el problema de la asignacin, nos puede servir para ilustrar la dificultad esencial de los mtodos cuantitativos. Una Empresa tiene 70 empleados con calificaciones diferentes (Administradores, Ingenieros, personal Auxiliar, etc.) que hemos de asignar a 70 tareas tambin diferentes. Si pudiramos determinar un valor que reflejase la asignacin de un empleado a una tarea determinada, tendramos que escoger una entre 70! formas posibles de permutacin de las asignaciones que maximice el valor total. Cmo que 70! es aproximadamente igual a 10100, necesitaramos un ordenador que ejecutase 1.000.000 de operaciones por segundo durante aproximadamente 1087 aos, para examinar todas las permutaciones. Problemas de decisin como ste son muy comunes y se tienen que desarrollar modelos de programacin matemtica, mtodos matemticos para obtener soluciones a los modelos, y algoritmos de ordenador muy eficientes. Los mtodos cuantitativos han tenido un impacto impresionante en la mejora de la eficiencia de numerosas organizaciones en todo el mundo. Existen inmeras aplicaciones con xito en todos los campos en donde la toma de decisiones es compleja y que pueden implicar para la organizacin grandes inversiones o cambios en la organizacin que determinen su futuro. 3.1 Programacin Lineal: Formulacin de Problemas La programacin lineal es la herramienta bsica ms utilizada dentro de los mtodos cuantitativos, debido tanto a su inmenso abanico de aplicaciones como a su simplicidad de implementacin. Efectivamente, el desarrollo de la programacin lineal, segn muchos autores, ha representado uno de los avances cientficos ms importantes desde mediados del siglo XX. Actualmente es una herramienta utilizada en muchos campos de la administracin, de la economa y de la ingeniera.

63

La programacin lineal es un caso especial de la programacin matemtica, en donde todas las funciones que hay en el modelo son lineales: siempre tenemos una funcin objetivo lineal a optimizar (maximizar o minimizar), sujeta a restricciones lineales individuales. Las variables del modelo, que son continuas, nicamente pueden coger valores no negativos. Si bien puede parecer que estos supuestos quitan realismo al problema porque el modelador est limitado al uso de ecuaciones que quizs no son frecuentes en el mundo real, las tcnicas de programacin lineal se utilizan en un amplsimo espectro de problemas como, entre otros, de planificacin y gestin de recursos humanos y materiales, de transporte, de planificacin financiera y de organizacin de la produccin. En definitiva, una extensa gama de problemas que aparecen en las reas de tipo industrial, econmico, administrativo, militar... El trmino programacin tiene su origen en la planificacin de las actividades que se realizan en una organizacin tal como una fbrica, un hospital, una compaa area o un organismo pblico, en dnde hay un objetivo a optimizar (maximizacin de beneficios, minimizacin de costos, maximizacin de la cobertura sanitaria, etc.). No tenemos que confundir este trmino con la programacin en referencia a la preparacin de una serie de rdenes e instrucciones de un lenguaje informtico en un ordenador. 3.1.2 Orgenes de la Programacin Lineal La programacin lineal, si bien actualmente se utiliza frecuentemente para resolver problemas de decisin, era casi desconocida antes de 1947. Ninguna investigacin significativa fue realizada antes de esta fecha, si bien hay que mencionar que, alrededor de 1823, el matemtico francs Jean Baptiste Joseph Fourier pareca conocer el potencial del tema. Un matemtico ruso, Leonid Vitalievitx Kantorovitx, que public una extensa monografa en 1939, Matematitxeskie Metodi Organisatsi i Planirovaniia Proisvodstva (Mtodos matemticos para la organizacin y planificacin de la produccin) fue el primer investigador en reconocer que una amplia gama de problemas de produccin y distribucin tenan una estructura matemtica y, que por lo tanto, se puedan formular con un modelo matemtico. Desgraciadamente sus propuestas fueron desconocidas tanto en Unin Sovitica como en el occidente durante dos dcadas. Durante este periodo, la programacin lineal experiment un gran desarrollo tanto en Estados Unidos como en Europa. Despus de la segunda guerra mundial, funcionarios del gobierno americano consideraron que la coordinacin de las energas de toda una nacin debido al peligro de una guerra nuclear requerira la utilizacin de tcnicas cientficas de planificacin. Con la aparicin del ordenador esto se hizo posible. Se crearon instituciones como la Corporacin RAND en donde ingenieros y matemticos se pusieron a trabajar intensamente en la formulacin y resolucin de problemas matemticos aplicados a la toma de decisiones. Entre otros, se propuso un modelo de programacin lineal por su simplicidad y aplicabilidad, sin dejar de dar un marco lo suficientemente amplio para representar actividades interdependientes que han de compartir recursos escasos. El sistema (como, por ejemplo, la produccin industrial) se compone de diversas actividades relacionadas entre ellas (formacin, fabricacin, almacenaje, transporte, distribucin y venta). Este fue el primer modelo de programacin lineal conocido. En qu consiste la Programacin Lineal? La Programacin lineal (PL de ahora en adelante) consiste en encontrar los valores de unas variables que maximizan o minimizan un nico objetivo sujeto a una serie de restricciones. Las principales caractersticas de PL son: 1. 2. 3. 4. Un nico objetivo lineal a optimizar (maximizar o minimizar) Unas variables de decisin que siempre son continuas 2 y no negativas Una o ms restricciones lineales Un conocimiento exacto de los parmetros y recursos utilizados en la construccin del modelo.

Si todas estas condiciones se cumplen, existen varios mtodos de obtencin de soluciones que nos dan la solucin ptima con un costo computacional relativamente reducido. Como veremos ms adelante,

Por continuas se entiende que pueden tomar valores fraccionados 64

incluso la ms popular de las Hojas de Clculo, Excel, incorpora una herramienta para resolver programas lineales. A continuacin analizaremos con ms detalles estas caractersticas y lo que ocurre si una o varias de ellas no se cumplen. En primer lugar, cabe destacar que en la PL todas las funciones utilizadas tanto en el objetivo como en las restricciones son lineales. Es decir, las restricciones consisten en la suma de variables multiplicadas por sus respectivos parmetros, siendo esta funcin menor, igual o mayor que un determinado recurso. El objetivo tambin es lineal, si bien desconocemos a priori su valor. En caso de que tanto el objetivo como una o ms restricciones no fueran lineales, sera necesario el introducir mtodos de programacin nolineal, que son mucho ms complejos de resolver y cuya optimalidad no siempre est garantizada. En segundo lugar, la PL considera que las variables de decisin son continuas. Desde el punto de vista matemtico de obtencin de soluciones, esta caracterstica no ofrece problemas. Ahora bien, en muchas situaciones, la interpretacin econmica de la solucin de un problema de PL no tiene sentido si obtenemos fracciones en las variables. Por ejemplo, si estamos asignando trabajadores a tareas, no tiene sentido un resultado que en un momento determinado asigne 3,4 trabajadores a una determinada tarea. Por otro lado, y como veremos ms adelante, si uno opta por redondear al entero ms prximo se puede cometer un grave error. Para poder obtener soluciones enteras en problemas que lo requieren, se utiliza la Programacin lineal Entera, que ser objeto de estudio en el captulo cuarto de este libro. En tercer lugar, los modelos de PL consideran que hay un nico objetivo a maximizar o minimizar. Muchas veces podemos tener que resolver problemas que tienen ms de un objetivo. Por ejemplo, por un lado podemos querer maximizar la cobertura de un determinado servicio sanitario, mientras que por el otro queremos reducir los costos generales. Ambos objetivos son conflictivos, en el sentido de que aumentar la cobertura significara un aumento en la necesidad de recursos con el consecuente incremento de costos en el sistema. Esta conflictividad se resuelve utilizando mtodos de Programacin Multicriterio o multiobjetiva, presentados en el captulo quinto de este libro. Finalmente, en la PL se considera que los parmetros utilizados en la construccin del modelo se conocen con exactitud, o en trminos ms tcnicos, son determinsticos. Sin embargo, existen situaciones en las que uno o ms parmetros tienen un componente estocstico, o en palabras menos tcnicas, tienen una variabilidad (que en algunos casos puede ser representada por una distribucin estadstica). Si esto acontece, la PL ya no es un buen instrumento para la obtencin de soluciones. Es necesario utilizar tcnicas de Programacin Estocstica, que quedan fuera del alcance de este libro. 3.1.3 Formulacin de Modelos En esta seccin se presentan algunos ejemplos de los problemas con los cuales se puede encontrar una organizacin y como la programacin lineal puede expresarlos matemticamente. Un Problema de asignacin de personal El hospital ESSalud ha decidido ampliar su servicio de urgencias (abierto las 24 horas) con la consiguiente necesidad de nuevo personal de enfermera. La gerencia del hospital ha estimado las necesidades mnimas de personal por tramos horarios para poder cubrir las urgencias que se presenten. Se definieron 6 tramos de 4 horas. La necesidad mnima de personal en cada tramo se indica en el Cuadro 3.1. Por otro lado, el departamento de recursos humanos ha informado a gerencia que los contratos laborales han de ser de ocho horas seguidas, segn el Convenio firmado con los sindicatos, independientemente de los horarios de entrada y salida del personal. El problema es encontrar el nmero mnimo de personal necesario para cubrir la demanda.

65

Tramos Horarios J Personal Nj 1 2 3 4 5 6 6 0:00-4:00 4:00-8:00 8:00-12:00 12:00-16:00 16:00-20:00 20:00-24:00 9 5 3 7 5 Cuadro 3.1: Necesidades de personal por tramos horarios

Formulacin del problema: En primer lugar, se tienen que definir las variables del modelo que queremos desarrollar. Como hemos de controlar en nmero de personal en cada turno, definimos Xj como la cantidad de personal que entra a trabajar en el turno j, en donde j=1,...,6. Es decir, hay una variable para cada turno. Las restricciones del modelo tienen que reflejar la necesidad de que la cantidad de personal que entren en el periodo j ms el nmero de personas que entraron a trabajar en el turno j-1 sea suficiente para cubrir las necesidades del turno j (Nj). Esta situacin queda reflejada en el Cuadro 3.2. En esta tabla, un trabajador que entra a trabajar, por ejemplo, a las 4:00, trabajar en los turnos 2 y 3, y por tanto, contribuir a cubrir las necesidades de estos dos turnos. En otras palabras, el turno j estar siendo atendido por Xj-1 y Xj. En consecuencia, tendremos que Xj-1 + Xj (el personal que trabaja durante el turno j) tiene que ser, como mnimo, igual a Nj, que es el nmero mnimo de personal de enfermera necesario para este turno. En trminos matemticos la restriccin es la siguiente: Xj-1 + Xj Nj Habr una restriccin para cada horario de entrada. El objetivo de la gerencia consiste en la minimizacin del nmero total de personal de enfermera necesario para cubrir las necesidades diarias. Este nmero ser igual a X1 +X2 +X3 +X4 +X5 +X6 que representa la suma del nmero de personal que entra en cada periodo. Finalmente, el modelo matemtico es el siguiente:

Tramos Horarios 1 00:00 04:00 08:00 12:00 16:00 20:00 Personal Nj 66 X6 9 5 3 7 5 X1 2 X1 X2 X2 X3 X3 X4 X4 X5 X5 X6 6 3 4 5 6 0:00-4:00 4:00-8:00 8:00-12:00 12:00-16:00 16:00-20:00 20:00-24:00

Cuadro 3.2: Necesidades de personal Un problema de asignacin de recursos El gerente del hospital ESSalud ha observado que algunos de sus servicios tienen capacidad ociosa. Siguiendo una propuesta realizada por el equipo mdico, esta capacidad ociosa podra aprovecharse para introducir dos tipos nuevos de ciruga, A y B. Tanto los pacientes de tipo A como los de tipo B tienen que pasar primero por una sala de pre-ciruga y, una vez pasado por el quirfano tienen que estar en observacin en una sala postoperatoria, que no existe de momento. El equipo mdico ha estimado el tiempo medio que necesita cada paciente de tipo A y de tipo B en cada uno de los servicios pre-quirrgico (PQ), quirrgico (QI) y postoperatorio (PO). La experiencia en un hospital similar muestra que por cada tres pacientes de tipo A que llegan al hospital como mnimo llega uno de tipo B. Por otra parte, se ha estimado el costo de cada paciente en los diferentes servicios. El Cuadro 3.3 muestra los datos del problema, teniendo en cuenta que la capacidad ociosa es en horas mensuales y el costo por paciente en nuevos soles. Horas Necesarias de Ciruga A Sala PQ Sala QI Sala PO 1 3 4 B 3 2 2 Capacidad Ociosa 144 162

Costo 13 18 Cuadro 3.3: Estimaciones horarias de las cirugas A y B Como el servicio postoperatorio (PO) an no existe, el gerente argumenta que para justificar su creacin tiene que utilizarse durante un mnimo de 135 horas al mes. Por otra parte, el presupuesto mensual asignado a las nuevas cirugas es de S/.982. El gerente quiere saber cual ser el nmero mximo de pacientes que podrn ser operados al mes. Formulacin matemtica del problema: Primero definimos las variables del modelo. Sean X1 y X2 el nmero total de pacientes por mes que pueden ser tratados con la ciruga A y B respectivamente. A continuacin se presentan las restricciones. Se ha establecido que en la sala PQ se disponen de 144 horas. En otras palabras, la utilizacin de esta sala no puede sobrepasar las 144 horas. Como cada uno de los pacientes de tipo A y de tipo B consumen 1 hora y 3 horas en esta sala respectivamente, el nmero total de horas mensuales consumidas en PQ para los dos tipos ser igual a X1 + 3X2. Este nmero tiene que ser inferior o igual a las 144 horas. La restriccin ser la siguiente: X1 + 3X2 144

El mismo razonamiento puede ser utilizado para determinar el nmero lmite de horas en la sala QI. Como el total de horas consumidas ser igual a 3X1 + 2X2, y hay un mximo de 162 horas disponibles, la restriccin sobre QI ser: 3X1 + 2X2 162

El gerente ha determinado que, para viabilizar los nuevos tratamientos, se tiene que ocupar la nueva sala PO durante un mnimo de 135 horas al mes. Como el nmero de horas mensuales que se utilizar en PO es igual a 4X1 + 2X2, tendremos que: 4X1 + 2X2 135

67

La experiencia en otros hospitales muestra que, por cada 3 pacientes de tipo A, viene como mnimo un paciente de tipo B. Matemticamente, esto se expresa como:

que es equivalente a: X1 - 3X2 0

Finalmente, el gasto mensual realizado en las dos cirugas no puede exceder S/.982. Como cada paciente de tipo A y de tipo B cuesta 13 Nuevos soles y 18 Nuevos soles respectivamente, el gasto total mensual ser de 13X1 + 18X2, cantidad que no puede exceder S/.982, tendremos que: 13X1 + 18X2 982

Ahora se necesita formular el objetivo. El gerente quiere saber el nmero mximo de enfermos de tipo A y de tipo B que se puede atender cada mes. Simplemente, tendremos que si Z es este nmero, el objetivo se expresar como: Max Z = X1 + X2 En resumen, la formulacin del problema es la siguiente:

Un problema de transporte El hospital ESSalud tiene un Centro de Asistencia Primaria (CAP) en n pueblos y ciudades de una regin (un CAP en cada centro urbano). Para obtener un buen funcionamiento global del servicio y poder planificar el nmero de visitas en funcin del personal previsto en cada CAP y de su dimensin, ESSalud ha decidido organizar el servicio de tal forma que todos sus asegurados tengan un CAP de referencia asignado, pero que sea ste el ms cercano posible a su lugar de residencia. En la regin hay m ciudades y pueblos (siendo m mucho mayor que n) y se sabe cuantos asegurados tiene en cada uno de ellos. Los CAP tienen una capacidad mxima de pacientes que pueden soportar. El objetivo es asignar a los asegurados a los CAPs minimizando el costo o la distancia total. Si no existiera el problema de capacidad, el modelo sera trivial, ya que bastara asignar cada ciudad al CAP ms cercano, obtenindose el costo de transporte ms barato. Al tener lmites en la capacidad, puede ser que no todas las ciudades tengan asignado el centro ms cercano, ya que esto implicara una sobre utilizacin. Entonces, puede ser que alguna ciudad, o parte de ella tenga asignada CAP que no es el ms cercano, en funcin de la disponibilidad o holgura del sistema. En caso de que queramos asignar un nico CAP a cada ciudad, se tiene que formular un problema diferente, El Problema de Asignacin. En primer lugar se definen los parmetros necesarios para formular el modelo. Sea ai el nmero de asegurados en el centro urbano i, i = 1,...,m. Sea bj el nmero total de asegurados que el CAP j puede tener asignados como mximo, j = 1,...,n. Se define cij como el costo de desplazamiento entre i y j.

68

Como se necesita conocer cuantas personas del centro urbano i sern asignadas al centro j, se define la variable Xij como el nmero de personas que provienen del centro urbano i que sern atendidas por el CAP j. Una vez definidos los parmetros y las variables, necesitamos definir las restricciones del modelo. En este problema hay dos tipos de restricciones. La primera viene definida por la capacidad de atencin mxima de los CAPs. El nmero total de asegurados asignados al CAP j no puede exceder su capacidad bj. Para un CAP determinado j, no podemos asignar la poblacin que la que determina su capacidad mxima X1j + X2j + ... + Xij + ... + Xmj < bj En trminos matemticos:

El segundo grupo de restricciones tiene que considerar que hemos de asignar la totalidad de los asegurados de ESSalud de cada centro urbano i a los CAPs existentes.

Finalmente, se tiene que formular el objetivo de minimizacin total de la distancia o costo total del sistema. Este viene definido por: c11X11 + c12X12 + ... + c1nX1n + ... + cijXij + ... + cm1Xm1 + ... + cmnXmn que podemos re-escribir en forma compacta como:

En resumen, la formulacin completa del modelo es la siguiente:

Se tiene que observar que este problema presenta una peculiaridad que no est en la formulacin. Para que el problema tenga una solucin factible, el nmero total de asegurados no puede exceder la capacidad total de los CAPs. Es decir, existe la siguiente restriccin implcita en el modelo:

69

Si esto no se verificara, el problema no tendra solucin. Un problema de Programacin Financiera La compaa de seguros Pacfico SA est preparando su plan de inversiones para los prximos dos aos. Actualmente, la empresa tiene 1,5 millones de dlares para invertir y espera ingresar, gracias a inversiones pasadas, un flujo de dinero al final de los meses, 6 12 y 18 prximos. Por otra parte, la empresa quiere expandirse y tiene dos propuestas sobre la mesa. La primera es asociarse con la empresa Positiva SA y la segunda con la empresa Rimac SA. En el Cuadro 2.4 es muestra el flujo de caja de Pacfico SA si entrara con un 100% en cada uno de los proyectos. Inicial Inversiones Pasadas Sanimas SA -1 6 meses 500 -700 12 meses 400 1.8 18 meses 380 400 600 2 24 meses

Buenavida SA -800 500 -200 -700 Cuadro 3.4: Flujo de Caja de Pacfico SA (miles de dlares)

Debido al actual nivel de endeudamiento, a Pacfico SA no se le permite pedir prstamos. Pero si que puede, a cada seis meses, invertir sus fondos excedentes (es decir, aquellos que no ha invertido en ningn proyecto) en un fondo que le dara un 7% cada seis meses. Por otro lado, Pacfico SA puede participar en cada uno de los proyectos con un nivel inferior al 100% y, consecuentemente, el flujo de caja se reducir en la misma proporcin. Es decir, que si decide entrar por ejemplo con el 50% en el proyecto de Rimac, el flujo correspondiente tambin se reducir en la misma proporcin. El problema que se plantea Pacfico SA es cuanto invertir en cada proyecto para maximizar el dinero en efectivo que tendr la empresa en dos aos. Formulacin matemtica del problema: Siguiendo nuestro esquema habitual, una vez el problema ha sido identificado y los parmetros del modelo han sido definidos, se tienen que definir las variables. Sea X1 el porcentaje de participacin en el proyecto Positiva y X2 el porcentaje de participacin en el proyecto Rimac SA (0 < X1 < 1; 0 < X2 < 1). Por otro lado, sean S0, S6, S12 y S18 el dinero que se depositar en el fondo en los periodos 0, 6 12 y 18 respectivamente. Para formular las restricciones del modelo se utilizar un razonamiento secuencial. La empresa dispone de 1,5 millones de dlares hoy (periodo 0) y las quiere gastar considerando las opciones siguientes: 1. participar en el proyecto Positiva, que implicara desembolsar 1.000.000 X1 dlares en el periodo 0; 2. participar en el proyecto Rimac, teniendo que gastar 800.000X2; 3. depositar el dinero al 7% Estas opciones no son excluyentes entre ellas. Por lo tanto, se tiene que cumplir la siguiente ecuacin de equilibrio: 1.500 = 1.000X1 + 800X2 + S0 Al cabo de seis meses, la empresa ingresar 500.000 dlares, gracias a inversiones realizadas anteriormente. Tambin el dinero depositado en el fondo en el periodo anterior estar a disposicin junto con los intereses: S0 + 0.07S0. Por otra parte, el proyecto Rimac dar una entrada de dinero igual a 500.000X2. Con este dinero tendr que hacer frente al compromiso adquirido con Positiva, 700.000 X1, y depositar lo que quede al 7% una vez ms. Matemticamente: 500 + 500X2 + 1,07S0 = 700X1 + S6 70

En el periodo 12, la empresa recibir 400.000 dlares. de inversiones anteriores, 1.800.000 X1 del proyecto Positiva y el dinero del fondo junto con los intereses. Con estos ingresos tendr que cubrir el compromiso del proyecto Rimac, 200.000X2 y depositar S12 dlares, en el fondo. En trminos matemticos: 400 + 1.800X1 + 1,07S6 = 200X2 + S12 En el periodo 18, los ingresos que tendr la empresa vendrn de inversiones anteriores (380.000), del proyecto Positiva (400.000X1) y del depsito realizado en el periodo anterior incluyendo los intereses (1,07 S12). Con este dinero tendr que realizar un gasto de 700.000 X2 en el proyecto Rimac y el resto puede volver a ponerlo en el fondo (S18). Es decir: 380 + 400X1 + 1,07S12 = 700X2 + S18 Finalmente, al cabo de dos aos (periodo 24), la empresa tendr nicamente ingresos y no tendr ningn gasto. Los ingresos provienen de los dos proyectos (600.000 X1 + 2.000.000 X2) y del dinero depositado en el periodo anterior, 1,07 S18. Si se define Z como los ingresos realizados en el periodo 24 en miles de dlares, tendremos que: Z = 600X1 + 2.000X2 + 1,07S18 que no es ms que el objetivo del problema: Maximizar los ingresos al cabo de dos aos. Finalmente, como solo se puede invertir un mximo de 100% en cada proyecto, las variables X1 y X2 no pueden exceder la unidad. Por lo tanto, hay que aadir las restricciones siguientes: X1 < 1 X2 < 1 En resumen, reordenando los trminos tendremos que el programa lineal se escribe de la forma siguiente:

3.2 Programacin Lineal: Mtodos de Resolucin Hasta ahora hemos formulado matemticamente algunos problemas de gestin y administracin de recursos y de dinero. Pero un modelo matemtico de decisin, por muy bien formulado que est, no sirve de nada sino podemos encontrar una solucin satisfactoria. Una de las caractersticas de la programacin lineal es que, gracias a sus propiedades matemticas, se consigue la solucin ptima sin muchas dificultades. En esta seccin examinaremos en primer lugar el mtodo grfico, un sistema limitado a problemas con dos variables, y a continuacin el mtodo Simplex, el algoritmo ms comn para solucionar problemas lineales con muchas variables y restricciones. 3.2.1 El mtodo grfico Este mtodo es muy simple de utilizar, pero solo puede ser aplicado a problemas con dos variables. Por otro lado, es muy til para entender las propiedades matemticas de la programacin lineal. Consideremos el problema lineal siguiente, correspondiente el problema de asignacin de recursos la 71

seccin anterior, sin la restriccin del los recursos necesarios mnimos en la sala post-operatoria (PO) y sin la restriccin de la demanda:

En primer lugar, se dibuja en un grfico cartesiano las restricciones del modelo pero con signo de igualdad. Como se puede observar en la figura 3.1, la recta X1 + 3X2 = 144 separa el plano en dos semiplanos. Los puntos que corresponden al semiplano S1 cumplen la restriccin 2X1 + 3X2 144. Es decir, este semiplano contiene todas las combinaciones de X1 y X2 que satisfacen la restriccin. Si dibujamos todas las restricciones y sus semiplanos correspondientes encontraremos que la regin que forma la interseccin de todos los semiplanos incluye todas las combinaciones de X1 y X2 que satisfacen todas las restricciones del modelo. Esta regin se presenta en la figura 3.2 (el rea entre los puntos A, B, C, D y E) y se conoce como la regin factible o espacio de soluciones y es un conjunto convexo3. Cualquier problema de optimizacin con restricciones lineales tiene una regin factible convexa. Cualquier solucin de la regin factible es conocida como Solucin factible. Si la regin est vaca no existen soluciones factibles (ver el ejemplo de la figura 2.4).

Figura 3.1: Visualizacin de una restriccin Ahora se tiene que escoger la solucin factible que optimice nuestra funcin objetivo, que es Z = X1 + X2. Obsrvese que normalmente existen infinitas soluciones factibles y ser la funcin objetivo quin escoja aquella que optimiza su valor. En la programacin lineal la funcin objetivo tambin tiene forma lineal. Se trata de determinar el valor mximo de Z que cumpla todas las restricciones o, en otras palabras, encontrar los valores de X1 y X2, puntos dentro de la regin factible, que maximicen Z. La mecnica para lograr encontrar el punto ptimo se basa en la linealidad del objetivo. En este ejemplo, el objetivo se puede re-escribir de la forma siguiente: X2 = -X1 + Z A medida que Z aumenta, la recta se desplaza paralelamente hacia fuera, ya que la pendiente es constante (en este caso igual a -1). Se trata de encontrar el valor de Z mximo, pero con la condicin de que tiene que haber como mnimo un punto de la recta que atraviese la regin factible. En el grfico 2.2 esta recta se presenta para el valor de Z = 62, valor ptimo del problema, en donde X1 = 34 y X2 = 30. Para cualquier valor de Z superior a 62, no existir ninguna solucin factible ya que la recta correspondiente a la funcin
3

Para cualquier pareja de puntos dentro del espacio factible, el segmento de lnea que los une tambin se encuentra dentro del conjunto. 72

objetivo se desplaza hacia el exterior, y consecuentemente no tocara ninguna parte de la regin factible. Para valores de Z inferiores a 62, existen muchas soluciones factibles, pero ninguna de ellas es ptima. Intuitivamente se puede ver que la solucin ptima siempre se producir en un punto extremo o vrtice, que en el grfico no es ms que el punto de interseccin de dos o ms restricciones. Ms formalmente, un punto de un conjunto convexo es un punto extremo si no hay ningn par de puntos del conjunto convexo en donde el segmento de lnea que los une pase por el punto en cuestin. Otra forma de obtener el ptimo es calcular el valor del objetivo en cada uno de los puntos extremos y escoger aquel punto extremo que da el mejor valor. Este punto dar el valor ptimo.

Figura 3.2: Solucin grfica del ejemplo Existen situaciones en donde no hay una nica solucin, si no que pueden haber infinitas soluciones, o por el contrario, no existir solucin alguna. Examinemos el primer caso con la ayuda de la figura 3.3. La recta correspondiente al objetivo tiene la misma pendiente que una de las restricciones. Es decir, que todas las combinaciones de las dos variables entre los puntos A y B cumplen las restricciones y maximizan el beneficio. Por otro lado, la figura 2.4 muestra una situacin en donde no hay soluciones. La representacin grfica (figura 3.4) corresponde al programa lineal siguiente:

Figura 3.3: Infinitas Soluciones 73

Figura 3.4: Inexistencia de soluciones El mtodo grfico es sencillo de aplicar para encontrar la solucin ptima de un programa lineal de optimizacin, pero nicamente cuando ste solo tiene dos variables de decisin. Desgraciadamente, la gran mayora de problemas lineales aplicados tienen muchas ms variables (algunos llegan a tener millones de ellas) y por lo tanto se hace inviable su utilizacin. En la seccin siguiente se desarrolla un mtodo bastante eficiente para encontrar soluciones ptimas de programas lineales con muchas variables y restricciones. 3.2.2 El Mtodo Simplex El primer mtodo formal para encontrar soluciones ptimas el mtodo Simplex- fue desarrollado por Dantzig en 1947 y mejorado por Charnes entre 1948 y 1952. Actualmente es el mtodo ms utilizado en la bsqueda de soluciones ptimas de programas lineales. En este apartado se examina su funcionamiento de forma simple e intuitiva. En primer lugar recordemos como encontrbamos soluciones con el mtodo grfico. Primero formbamos un conjunto convexo con las restricciones del modelo. Segundo, se dibujaba la funcin objetivo fuera del conjunto convexo dando un valor arbitrario al propio objetivo y se iba desplazando sta paralelamente (ya que su pendiente es siempre constante) hasta encontrarse con un punto extremo. Intuitivamente, podemos ver que sea cual sea la funcin objetivo lineal, la solucin ptima se encontrar en un punto extremo, como mnimo4. Esto reduce bastante el espectro de soluciones del problema, limitando la bsqueda del ptimo a los puntos extremos. An as, puede haber muchsimos puntos extremos en un problema. Por ejemplo, un problema grande con 2000 variables y 4000 restricciones tiene exactamente 22000 puntos extremos, es decir, aproximadamente 10600. Por lo tanto, tenemos que encontrar un mtodo para reducir el nmero de soluciones factibles posibles de ser ptimas. Dantzig hizo estas mismas suposiciones (o eso creemos) y observ primero las caractersticas matemticas siguientes: 1. El conjunto formado por las restricciones es convexo 2. La solucin siempre ocurre en un punto extremo

Decimos como mnimo, porque como hemos visto pueden existir (raramente) situaciones en donde hay ms de una solucin ptima; an as, siempre habr un punto extremo que d el valor ptimo. 74

3. Un punto extremo siempre tiene como mnimo dos puntos extremos adyacentes5 Y a partir de ellas desarroll el mtodo siguiente: Encontrar una solucin inicial factible en uno de los puntos extremos del conjunto convexo y calcular el valor de la funcin objetivo. Examinar un punto extremo adyacente al encontrado en la etapa 1 y calcular el nuevo valor de la funcin objetivo. Si este nuevo valor mejora el objetivo, guardar la nueva solucin y repetir la etapa 2. En caso contrario, ignorar la solucin nueva y volver a examinar otro punto extremo. Regla de parada: cuando no existe ningn extremo adyacente que mejore la solucin, nos hallamos en el ptimo Es decir, que vamos de punto extremo a punto extremo adyacente siempre que podamos mejorar la solucin, hasta llegar a un punto en donde no existe ningn punto extremo adyacente al que nos encontramos. Esta solucin es la ptima. Observemos de nuevo el problema lineal presentado y su correspondiente solucin grfica presentada en la Figura 3.2. Para encontrar una solucin inicial en un punto extremo podemos fijar X1 = 0 y X2 = 0 y el valor del objetivo Z ser igual a 0, solucin que corresponde al punto extremo A en la Figura 3.2. Ahora examinamos el punto extremo adyacente B, que corresponde a los puntos X1 = 0 y X2 = 48 y Z = 48. Como el objetivo ha mejorado, mantenemos esta solucin y volvemos a examinar los puntos extremos adyacentes a B. Como el punto A ya lo hemos visitado (y era claramente inferior), nos queda por ver el punto C. En este punto extremo X1 = 17, X2 = 42.3 y Z = 59.3. De nuevo la solucin ha mejorado y la guardamos como la mejor hasta ahora encontrada. Finalmente, D es el nico punto extremo que nos queda por examinar y como en este punto X1 = 34 y X2 = 30 y Z = 7.8 el algoritmo se para y estamos en el ptimo, ya que no existe ningn punto extremo adyacente que mejore el objetivo. Dantzig y ms tarde Charnes desarrollaron un mtodo matemtico para poder efectuar estas operaciones, es decir, encontrar los valores de los puntos extremos adyacentes. Para poder ver como funciona, es necesario realizar las consideraciones siguientes: Como hemos visto, un programa lineal est compuesto por una funcin objetivo que queremos optimizar (maximizar o minimizar), unas variables que denominaremos estructurales y un conjunto de restricciones. En general, podemos encontrar tres tipos de restricciones en funcin de la direccin de la desigualdad: , =. Toda restriccin con los sentidos pueden transformarse en una restriccin con igualdad aadiendo una variable. Si la desigualdad tiene la direccin , podemos aadir una variable de holgura. Por ejemplo, la restriccin X1 + 3X2 144 se puede transformar en X1 + 3X2 + X3 = 144. Si en la solucin final del modelo la restriccin se cumple con igualdad dados unos valores finales de X1 y X2 entonces la variable de holgura asociada a la restriccin es igual a 0. En otras palabras, la variable de holgura mide la diferencia entre los recursos utilizados realmente y los discursos disponibles. As mismo, si la restriccin tiene la direccin _, podemos aadir una variable de exceso para obtener una ecuacin lineal. Por ejemplo, una restriccin de tipo X1 + X2 12 puede transformarse en X1 + X2 X3 = 12. La interpretacin es la misma que en el caso anterior: si en la solucin final X3 = 0, la restriccin se cumplir con igualdad. En este caso, la variable de exceso mide el consumo adicional que realizamos de un recurso disponible. Con estas consideraciones, cualquier programa lineal con restricciones de desigualdad puede transformarse en un problema lineal con todas las restricciones con forma de igualdad sin alterar la naturaleza matemtica del problema. Esta transformacin se denomina la forma cannica o forma aumentada de un programa lineal. Si tenemos n variables y m restricciones con desigualdad, cuando
5

Un punto extremo A es adyacente a un punto extremo B si no existe ningn punto extremo entre ellos. Por ejemplo, en la figura 3.2. los puntos B y D son adyacentes al punto C. 75

escribimos la forma cannica del problema lineal tendremos m nuevas variables de holgura o exceso, es decir, un total de m + n variables y m restricciones. En resumen, tendremos que el conjunto de restricciones forma un conjunto de ecuaciones lineales con ms variables que ecuaciones. En este caso, existen infinitas soluciones del sistema y nuestro objetivo es escoger entre ellas la que optimice el valor de la funcin objetivo. Por otro lado, si tenemos un programa lineal con n variables, m restricciones con desigualdad y r restricciones con igualdad, tendremos m+n variables y m+r restricciones con igualdad en la forma cannica. En este caso, para que el problema sea factible, se tiene que cumplir lo siguiente: m+n m+r, el nmero de restricciones no puede superar el nmero de variables. Si utilizamos el ejemplo de la asignacin de recursos, la forma cannica del problema ser la siguiente:

Los valores de las variables en los puntos extremos se presentan en el Cuadro 3.5. Nmero de Variables Positivas 3 3 3 3 3 3 Valor Del Objetivo 0 48 59,2 64 54 0

X1 A B C D E A 0 0 16,8 34 54 0

X2 0 48 42,4 30 0

X3 144 0 0 20 90

X4 162 66 26,8 0 0

X5 982 118 0 0 280

0 144 162 982 Cuadro 3.5: Puntos extremos del ejemplo

Diremos que una solucin aumentada es una solucin de la forma cannica del programa lineal. Una solucin bsica factible es una solucin aumentada en un punto extremo. En nuestro ejemplo, los puntos A, B, C, D, y E son soluciones bsicas factibles. A continuacin examinaremos las propiedades algebraicas de las soluciones bsicas. Obsrvese que en nuestro ejemplo tenemos dos variables estructurales X1 y X2 y tres variables de holgura X3, X4 y X5, que suman un total de cinco variables, y tres restricciones con igualdad o ecuaciones. Tenemos por lo tanto dos grados de libertad para encontrar soluciones. Para obtener una solucin determinada tenemos que fijar a priori dos variables para determinar entonces un sistema con tres variables y tres ecuaciones, que tendr una solucin nica. En el mtodo Simplex, siempre se fija el valor de dos variables en 0. Estas variables se denominan variables no bsicas y las restantes, variables bsicas. La solucin de este sistema de ecuaciones es una solucin bsica. Si todas las variables bsicas son no-negativas, tenemos una solucin bsica factible. En el ejemplo tenemos que en cualquier punto extremo factible siempre tendremos dos variables iguales a 0 y 3 no-negativas. La explicacin intuitiva de esta situacin es la siguiente: si observamos un punto extremo en la Figura 3.2 veremos que en l pasan dos rectas correspondientes a dos restricciones con signo igual. Por lo tanto, dos variables de holgura asociadas a estas restricciones son iguales a 0. Estas son nuestras variables nobsicas. Si miramos el Cuadro 3.4, veremos que en cada punto extremo siempre hay tres variables positivas y dos con valor 0. El Cuadro 3.4 nos puede ayudar a entender como funciona el algoritmo Simplex y el vocabulario algebraico definido en este captulo. Escojamos como punto de partida el punto extremo A. Como hemos mencionado anteriormente, el mtodo Simplex se mueve de punto extremo a punto extremo adyacente 76

siempre que el objetivo mejore. El punto A tiene dos puntos extremos adyacentes. Ambos mejoran el objetivo. Escogemos arbitrariamente el punto B. En el punto A tenamos una solucin bsica factible (dos variables con valor 0, X1 y X2, y las otras con valores positivos). Cuando pasamos al punto extremo B, observamos que una variable estrictamente positiva en A pasa a tener el valor 0 (la variable X3) mientras que una de las variables con valor 0 pasa a tener un valor estrictamente positivo (la variable X2). Este proceso se repite cada vez que pasamos de punto extremo a punto extremo adyacente: una de las variables bsicas (con valor positivo) pasa a ser no-bsica (valor 0) y una variable no-bsica pasa a ser positiva (variable bsica). En el punto D, dos variables que tenan valor positivo en el punto extremo adyacente anterior pasan a tener un valor 0. En otras palabras, dos soluciones bsicas son adyacentes si todas, menos una de sus variables no-bsicas, son las mismas. Entonces, pasar de una solucin bsica factible a una adyacente implica el cambio del estado bsico de una variable a uno no bsico, y viceversa. En trminos generales, el nmero de variables no bsicas de una solucin bsica siempre es igual a los grados de libertad del sistema de ecuaciones de la forma cannica. El nmero de variables bsicas siempre es igual al nmero de restricciones funcionales. Propiedades de las soluciones factibles en un punto extremo Si existe una nica solucin ptima, entonces sta tiene que ser obligatoriamente una solucin factible en un punto extremo (una solucin bsica factible). Si hay varias soluciones ptimas, entonces, como mnimo, tiene que haber dos que sean factibles en puntos extremos adyacentes. Existe un nmero finito de soluciones factibles en los puntos extremos Si una solucin en un punto extremo es igual o mejor (segn el valor del objetivo Z) que todas las soluciones de los puntos extremos adyacentes, entonces sta es igual o mejor que todas las otras soluciones en todos los puntos extremos; es decir, es ptima. Ahora que ya conocemos los pasos que efecta el mtodo Simplex para buscar una solucin ptima de un programa lineal, hace falta estudiar cmo se realizan stos. Para entender la mecnica del mtodo, tenemos que dar respuestas a las preguntas siguientes: Paso inicial: Cmo seleccionamos la solucin factible inicial en un punto extremo (la solucin bsica factible inicial)? Paso Iterativo: Cuando buscamos un traslado a una solucin factible en un punto extremo adyacente (una solucin bsica factible adyacente): a. Cmo se selecciona la direccin del traslado? (Qu variable no bsica se escoge para transformarla en bsica?) b. Adnde se realiza el traslado? (Qu variable bsica se transforma en no-bsica?) c. Cmo identificamos la nueva solucin? Prueba de Optimalidad: Cmo determinamos que la solucin factible en un punto extremo (solucin bsica factible) no tiene soluciones factibles en un punto extremo adyacente (soluciones bsicas adyacentes) que mejoren el objetivo? Para responder a estas preguntas, de momento consideraremos nicamente el caso de un programa lineal con restricciones de tipo menor o igual ( ). Ms adelante ampliaremos el anlisis cuando el problema tambin contiene los otros tipos de restricciones. En primer lugar re-escribimos nuestro ejemplo en la forma cannica equivalente:

77

Obsrvese que ahora la ecuacin (0) del objetivo est incluida dentro del sistema de ecuaciones y que podemos considerar Z como una variable adicional. 1. Paso Inicial Este paso inicial consiste en encontrar cualquier solucin bsica factible. Una manera fcil de hacerlo es igualando las variables estructurales del modelo a 0. Si observamos la forma cannica equivalente tendremos que igualando X1 y X2 a 0 las variables de holgura automticamente cogen valores nonegativos (X3 = 144, X4 = 162, X5 = 982) correspondiente al punto extremo A. Por lo tanto, la solucin factible ser (0, 0, 144, 162, 982). La razn por la cual la solucin encontrada se deduce rpidamente es debido a que cada ecuacin tiene una nica variable bsica con un coeficiente asociado a ella igual a +1, y que esta variable bsica no aparece en ninguna otra ecuacin del sistema. Pronto observaremos que, cuando el conjunto de variables bsicas cambia, el algoritmo Simplex utiliza un mtodo algebraico llamado eliminacin de Gauss para poner las ecuaciones en esta forma tan conveniente para obtener las soluciones bsicas factibles subsecuentes. Esta forma funcional (una variable bsica por ecuacin con coeficiente +1) se denomina forma apropiada de eliminacin gausiana. 2. Paso iterativo: En cada iteracin, el mtodo Simplex se mueve desde una solucin bsica factible a una solucin bsica factible adyacente que mejora el objetivo. Este movimiento consiste en convertir una variable no-bsica (llamada variable bsica entrante) en una variable bsica y, al mismo tiempo, convertir una variable bsica (llamada variable bsica saliente) en variable nobsica, y a identificar la nueva solucin bsica factible. Pregunta a: Cul es el criterio para seleccionar la variable bsica entrante? Las candidatas para la variable bsica entrante son las n variables no bsicas actuales. Esta variable, que escogeremos para pasar de no-bsica a bsica, pasar de tener un valor 0 a tener un valor positivo, mientras que las restantes seguirn con valor 0. Como el mtodo Simplex requiere que este cambio implique una mejora en el objetivo, es necesario que la tasa de cambio en Z al aumentar el valor de la variable bsica entrante, sea positivo. Observemos la ecuacin (0) del sistema. Esta expresin refleja el valor de Z en funcin de las variables no-bsicas, y por lo tanto el coeficiente asociado a estas variables es la tasa de cambio del valor del objetivo. Si, por ejemplo, X2 pasa de ser 0 a ser 1, el objetivo aumentar en una unidad. Como criterio, escogeremos la variable cuyo coeficiente aumente ms el objetivo al pasar a ser bsica6. En nuestro ejemplo, las dos variables no-bsicas son candidatas a entrar en la base ya que aumentaran el valor del objetivo. Escogemos arbitrariamente X2 ya que tiene el mismo coeficiente en la ecuacin (0) que X1. Pregunta b: Cmo identificamos la variable bsica saliente?

Este criterio es subjetivo y no implica que la solucin ptima sea alcanzada ms rpidamente 78

Si ignoramos las variables de holgura, al aumentar el valor de X2 manteniendo X1 igual a 0 nos desplazamos por el eje de las ordenadas (que corresponden precisamente a los valores de X2). La solucin adyacente se alcanza en el punto B, que viene determinada por la restriccin X1 + 3X2 144, que se cumplir con igualdad y por lo tanto acotar en 48 el valor de X2, ya que X1 sigue siendo igual a 0. Cuando escribimos el problema en forma cannica, las soluciones factibles tienen que cumplir tanto las restricciones funcionales como las de no-negatividad de todas las variables, incluidas las de holgura. Cuando vamos aumentando el valor de X2 manteniendo X1 = 0 (variable nobsica), algunas de las variables en la base actual (X3, X4, X5, X6) tambin van cambiando de valor para mantener vlido el sistema de ecuaciones. Algunas de estas variables se reducirn al aumentar X2. La solucin bsica adyacente se alcanza cuando la primera variable bsica que tena valor positivo pasa a ser igual a cero (recordemos las restricciones de no-negatividad). Esta variable ser la que sale de la base y por lo tanto se transformar en no-bsica. Por lo tanto, una vez escogida la variable que entrar en la base, la variable que sale de la base ser aquella que llegue primero a 0. La variable bsica actual con la cota superior ms pequea junto con la restriccin su no-negatividad ser la escogida. Examinemos esta cuestin en nuestro ejemplo. Tenemos que las variables bsicas candidatas a salir de la base (es decir, a ser iguales a 0) son X3, X4, y X5. En el Cuadro 3.5 Se presentan los clculos para identificar cual es la variable bsica saliente. Recordemos que X1 sigue siendo igual a 0. Variable Bsica X3 X4 X5 Ecuacin X3 = 144 - X1 - 3X2 X4 = 162 - 3X1 - 2X2 X2 X2 Cota Superior Para X2 144/3 = 48 mnimo 162/2 = 81

X5 = 982 - 13X1 - 18X4 X2 982/18 = 54,6 Cuadro 3.5: Clculos para obtener la variable saliente

Como X1 es una variable no-bsica, tendremos que X1 = 0 en la segunda columna del Cuadro 3.5. La tercera columna indica las cotas superiores para X2 antes de que la variable bsica correspondiente a la primera columna sea negativa. Por ejemplo, X3 = 0 si X2 = 48 (mientras que X3 > 0 si X2 < 48, y X3 < 0 cuando X2 > 48). Como en este caso X3 (la variable de holgura correspondiente a la restriccin X1 + 3X2 144) impone la cota negativa ms pequea sobre X2, la variable bsica saliente ser X3, de manera que en la nueva situacin tendremos que X3 = 0 (no-bsica) y X2 = 48 (bsica), que corresponde al punto extremo B. Pregunta c: Cmo podemos identificar de manera convincente la nueva solucin bsica factible? Despus de haber identificado las variables entrantes y salientes de la base (incluyendo el valor de la variable bsica entrante), necesitamos conocer cual es el valor nuevo del resto de variables bsicas. Para poder calcular estos valores, el mtodo Simplex utiliza la forma apropiada de eliminacin de Gauss que tenamos en el paso inicial (aquella en la cual cada ecuacin tiene nicamente una variable bsica con coeficiente +1, y esta variable bsica aparece en una nica ecuacin). Se trata de encontrar la nueva forma apropiada despus del cambio de base. Se necesita realizar dos operaciones algebraicas normalmente utilizadas para resolver sistemas de ecuaciones lineales. Estas operaciones son: 1. Multiplicar (o dividir) una ecuacin por una constante diferente de 0. 2. Sumar (o restar) un mltiple de una ecuacin con otra ecuacin Estas operaciones son legtimas porque implican nicamente: 1) multiplicar cosas iguales (los dos lados de la ecuacin) por una constante y 2) sumar cosas iguales con cosas iguales. Por lo tanto, una solucin que cumple un sistema de ecuaciones determinado tambin lo har despus de la transformacin. Vamos a ver como funciona en nuestro ejemplo. Consideremos en sistema de ecuaciones originales, en el cual se muestran las variables bsicas en negrita. El problema se puede escribir de la forma siguiente: 79

Ahora X2 ha substituido a X3 como variable bsica en la ecuacin (1). Entonces tenemos que resolver este sistema de ecuaciones para encontrar los valores de las variable bsicas X2, X4, X5 (recordemos que ahora X1 y X3 = 0) y de Z. Como que X2 tiene un coeficiente igual a +3 en la ecuacin (1), necesitamos realizar una transformacin para que su coeficiente sea 1. Para ello basta multiplicar ambos lados de la ecuacin por 1/3. Una vez realizada la operacin, la nueva ecuacin (1) es la siguiente:

El paso siguiente es eliminar X2 de las otras ecuaciones. Comencemos por la ecuacin (0). Tenemos que realizar la operacin siguiente: Ec. (0) nueva = ec. (0) antigua + ec.(2) nueva Es decir:

Tenemos que realizar el mismo procedimiento para las ecuaciones (2) y (3). Lo haremos a continuacin para la ecuacin (2). Para eliminar X2 de la ecuacin (2), tenemos que realizar la operacin siguiente: Ec. (2) nueva = ec. (2) antigua 2 [ec.(1) nueva]

Para la ecuacin (3), tenemos que realizar una operacin similar: Ec. (3) nueva = ec. (3) antigua 18 [ec.(1) nueva]

Por lo tanto, la nueva forma gausiana del sistema de ecuaciones es la siguiente:

80

En negrita figuran las variables bsicas, que aparecen nicamente en una ecuacin y con un coeficiente igual a 1. Por lo tanto, si comparamos este nuevo sistema de ecuaciones con el anterior, veremos que sigue teniendo la forma apropiada de eliminacin de Gauss que permite obtener inmediatamente el valor de las variables en la solucin (recordemos que X1 = 0 y X3 = 0 ya que son las variables no bsicas). Hay que observar que en la ecuacin (0) siempre estn nicamente la variables no-bsicas. Ahora tenemos una nueva solucin bsica factible igual a (0, 48, 0, 96, 114) que corresponde al punto extremo B. El valor del objetivo es igual a 48. El siguiente paso es ver si esta nueva solucin es la ptima. Para ello examinamos en la siguiente ecuacin (que corresponde a la ecuacin (0)) los coeficientes de las variables no bsicas:

Como la variable no-bsica X1 tiene un coeficiente positivo (2/3), si la variable pasa a tener valores positivos, el objetivo aumentar. Por lo tanto no estamos en la solucin ptima y hay que realizar de nuevo el proceso, en donde X1 entrar en la base y otra variable bsica dejar de serlo. Segunda iteracin Paso 1. Como que la ecuacin (0) actual es aumenta. Ya tenemos la variable que entrar en la base. Paso 2. El lmite superior sobre X1 antes de que las variables bsicas sean negativas est indicado en el Cuadro 3.6: Variable Bsica X2 X4 X5 Ecuacin X2 = 48 1/3X1 1/3X3 X1 X4 = 66 7/3X1 + 2/3X3 X1 Cota Superior Para X1 48*3 = 144 66*(3/7)= 198/7 , la funcin solo aumentar si X1

X5 = 114 7X1 + 6X3 X1 118/7 mnimo Cuadro 3.6: Clculos para obtener la variable saliente

Escogeremos X5 como la variable bsica saliente ya que es la cual que, a medida que aumenta el valor de X1, X5 alcanza primero el valor 0. Paso 3. Ahora hay que eliminar X1 de todas las ecuaciones para encontrar la nueva solucin de todas las variables y del objetivo. Volvemos a realizar la transformacin gausiana. Primero tenemos que transformar la ecuacin correspondiente a la variable entrante, para que tenga un coeficiente 1. Para ello tenemos que dividir la ecuacin (3) por 7. El resultado es el siguiente:

Con esta ecuacin, volvemos a transformar las otras en la forma gausiana apropiada: 81

Ec. (0) nueva = ec. (0) antigua + 2/3 [ec.(3) nueva] Es decir:

Tenemos que realizar el mismo procedimiento para las ecuaciones (1) y (2). Lo haremos a continuacin para la ecuacin (1). Para eliminar X2 de la ecuacin (1), tenemos que realizar la operacin siguiente: Ec. (1) nueva = ec. (1) antigua 1/3 [ec.(3) nueva]

Para la ecuacin (2), tenemos que realizar una operacin similar: Ec. (2) nueva = ec. (2) antigua 7/3 [ec.(3) nueva]

Por lo tanto, la nueva forma gausiana del sistema de ecuaciones es la siguiente:

La solucin bsica factible siguiente es (118/7; 890/21; 0; 80/3; 0) y el valor del objetivo es Z =1244/21. Prueba de Optimalidad.

82

Tenemos que verificar si las variables no-bsicas del objetivo tienen coeficientes que permitan aumentar el valor del objetivo si stas cogen valores positivos. El nuevo objetivo es:

Como una de las variables no-bsicas tiene un coeficiente positivo, el valor del objetivo puede aumentar si esta variable pasa a ser bsica. Por lo tanto, an no hemos alcanzado el ptimo, y es preciso realizar una nueva iteracin del algoritmo Simplex. Ahora la variable X3 entrar en la base, y tenemos que escoger una variable bsica para salir de la base. Tercera iteracin Paso 1. Como que la ecuacin (0) actual es X3 aumenta. Ya tenemos la variable que entrar en la base. Paso 2. El lmite superior sobre X3 antes de que las variables bsicas sean negativas est indicado en el Cuadro 3.7: Variable Bsica X1 X2 X4 Ecuacin X1 = 118/7 + 6/7X3 - 1/7X5 infinita (890/21)*(21/13)= 890/13 mnimo Cota Superior Para X3 , la funcin solo aumentar si

X2 = 890/21 13/21X3 + 1/21X5 X3

X4 = 80/3 - 4/3X3 + 1/3X5 X3 (80/3)*(3/4) = 20 Cuadro 3.7: Clculos para obtener la variable saliente

Escogeremos X4 como la variable bsica saliente ya que es la cual que, a medida que aumenta el valor de X3, X4 alcanza primero el valor 0. Por otro lado, al aumentar el valor de X3 el valor de X1 tambin aumenta. De aqu que no exista una cota superior. Paso 3. Ahora hay que eliminar X3 de todas las ecuaciones para encontrar la nueva solucin de todas las variables y del objetivo. Volvemos a realizar la transformacin gausiana. Primero tenemos que transformar la ecuacin correspondiente a la variable entrante, para que tenga un coeficiente 1. Para ello tenemos que multiplicar la ecuacin (2) por 3/4. El resultado es el siguiente:

Con esta ecuacin, volvemos a transformar las otras en la forma gausiana apropiada: Ec. (0) nueva = ec. (0) antigua + 5/21 [ec.(2) nueva] Es decir:

83

Tenemos que realizar el mismo procedimiento para las ecuaciones (1) y (3). Lo haremos a continuacin para la ecuacin (1). Para eliminar X3 de la ecuacin (1), tenemos que realizar la operacin siguiente: Ec. (1) nueva = ec. (1) antigua 13/21 [ec.(2) nueva]

Para la ecuacin (3), tenemos que realizar una operacin similar: Ec. (3) nueva = ec. (3) antigua + 6/7 [ec.(2) nueva]

Por lo tanto, la nueva forma gausiana del sistema de ecuaciones es la siguiente:

La solucin bsica factible siguiente es (34; 30; 20; 0; 0) y el valor del objetivo es Z = 64. Prueba de Optimalidad. Tenemos que verificar si las variables no-bsicas del objetivo tienen coeficientes que permitan aumentar el valor del objetivo si stas cogen valores positivos. El nuevo objetivo es:

Como ninguna de las variables no-bsicas tiene un coeficiente positivo, el valor del objetivo no puede aumentar si cualquiera de las variables no bsicas pasa a ser bsica. Por lo tanto, hemos alcanzado el ptimo, ya que no podemos pasar a un punto extremo adyacente que mejore el valor del objetivo. En resumen, el mtodo Simplex tiene los pasos siguientes: 1. Introducir las variables de holgura para obtener la forma cannica del programa 84

2. Encontrar una solucin inicial de un punto extremo y realizar la prueba de optimalidad. 3. Si no estamos en el ptimo: a. Determinar la variable bsica entrante: seleccionar la variable no bsica que, al aumentar su valor, aumente ms rpidamente el valor del objetivo. b. Determinar la variable bsica saliente: sta es la que alcanza el valor 0 ms rpidamente a medida que aumentamos la variable entrante. c. Una vez que sabemos cual es la variable bsica que sale de la base, se determina la nueva solucin bsica factible: a partir del conjunto actual de ecuaciones se aslan las variables bsicas y Z en trminos de las variables no-bsicas utilizando el mtodo de eliminacin de Gauss. Las variables no-bsicas se igualan a 0; cada variable bsica junto con Z es igual al nuevo lado derecho de la ecuacin en la cual aparece con coeficiente +1. 4. Examinamos si la nueva solucin encontrada es ptima: nicamente necesitamos examinar los coeficientes de las variables no bsicas que estn en el objetivo. Si todos los coeficientes son negativos, estamos en el ptimo. Por otro lado, si como mnimo uno de los coeficientes asociados a las variables bsicas es positivo, tenemos que repetir los pasos 2 y 3. 3.2.3 Adaptacin a otro tipo de modelos Hasta ahora hemos estudiado el mtodo Simplex para problemas de maximizacin con restricciones con la desigualdad . Pero hay otros casos co mo los problemas de minimizacin y la existencia de restricciones con igualdad o con desigualdad . A continuacin veremos como adaptar la formulacin del modelo con alguna de estas caractersticas para poder utilizar el mtodo Simplex. Restricciones con igualdad El problema bsico con las restricciones de igualdad es la obtencin de una solucin bsica factible inicial. Supongamos que, en nuestro ejemplo, tenemos una restriccin adicional que se tiene que cumplir con igualdad (X1 + X2 = 7). En este caso, en principio no hay que introducir una variable de holgura para formar la forma cannica. Si procedemos a encontrar una solucin inicial factible igualando X1 y X2 a 0 nos encontramos con el problema de que esta nueva restriccin no se cumple. Para poder obtener una solucin inicial factible, nos vemos obligados a introducir una nueva variable no-negativa, denominada artificial, S3 de la siguiente forma: X1 + X2 + S3 = 7 Gracias a la introduccin de esta variable artificial S3 ya podemos encontrar una solucin inicial factible en donde S3 es una variable bsica igual a 7. De hecho, hemos aumentado el nmero de variables aadiendo una que no tiene ninguna interpretacin econmica, pero que nos sirve para encontrar una solucin inicial factible. Es meramente un artificio matemtico. Pero, en la solucin final, queremos que S3 tenga el valor 0 (sea no bsica), ya que, si esto no es as, el problema no tendra sentido (la restriccin no se cumplira con igualdad). Para poder conseguirlo, aadimos esta variable artificial en el objetivo, pero con un coeficiente negativo de valor muy elevado (respecto a los otros), que llamaremos M: Z = X1 + X2 - MS3 Como este valor penaliza la variable en el objetivo, el mtodo Simplex escoger esta variable para salir de la base y nunca ms volver a entrar (es decir, se quedar con el valor 0). Por lo tanto, en la solucin final S3 tendr el valor 0. Si esto no fuera as, el problema sera infactible. En la prxima seccin veremos como eliminar esta variable del objetivo. Restricciones con direccin .

85

Supongamos ahora que aadimos la restriccin (3) del problema de la seccin 2.2.2: 4X1 + 2X2 135

En este caso tenemos que encontrar una solucin inicial de la misma forma que hacamos anteriormente para poder ejecutar el mtodo Simplex. Ahora bien, en este caso aadimos una variable de exceso nonegativa, E3, que mide la diferencia entre el valor del lado izquierdo de la ecuacin (4X1 + 2X2) y el lado derecho (135). Esta variable tendr un signo negativo en la ecuacin: 4X1 + 2X2 - E3 = 135 Ahora bien, al fijar inicialmente X1 y X2 iguales a 0, E3 se igualar a 135, por lo que tendr un valor negativo, incumpliendo las condiciones de no-negatividad de todas las variables en el mtodo Simplex. De nuevo, tenemos que recurrir al artificio de introducir una variable artificial que nos permita obtener una solucin factible inicial S3: 4X1 + 2X2 - E3 + S3 = 135 En este caso escogemos S3 como variable bsica inicial correspondiente a la restriccin (3). Como en el caso anterior (restricciones con igualdad), aadiremos la variable artificial S3 en el objetivo con un coeficiente M. Si esta variable continua con valor positivo al final del mtodo Simplex, el problema es infactible. El hecho de aadir la variable artificial en el objetivo implica que, al iniciar el mtodo Simplex, el cuadro inicial no est en la forma apropiada de eliminacin gausiana, ya que esta forma requiere que todas las variables bsicas tengan un coeficiente 0 en la ecuacin (0) correspondiente al objetivo, y en este caso la variable bsica S3 tiene un coeficiente igual a -M. Entonces, para poder iniciar el mtodo Simplex, tanto si tenemos restricciones con igualdad o desigualdad _, tenemos que transformar esta ecuacin (0) en la forma apropiada de eliminacin de Gauss, para poder as determinar tanto la variable que entrar en la base como el test de optimalidad. De nuevo, el procedimiento es el de siempre: el mtodo de eliminacin de Gauss. En este caso, el procedimiento es muy similar al utilizado hasta ahora en el mtodo Simplex. Tendremos que realizar la operacin siguiente: Ec. (0) nueva = ec. (0) antigua M * ec.(3) Es decir:

Ahora ya podemos proceder con el mtodo Simplex ya que todas las variables bsicas en la ecuacin (0) tienen un coeficiente asociado igual a 0. Ahora tenemos que decidir que variable no-bsica tiene que entrar en la base. Escogeremos aquella cuyo coeficiente aumente ms el objetivo. En este caso, escogeramos E3 como variable bsica entrante y procederamos a buscar la variable bsica saliente de la misma forma que lo hicimos anteriormente. Hemos de observar que cuando E3 entra en la base y otra variable sale de la base (es decir, nos desplazamos a un nuevo punto extremo adyacente), el coeficiente de E3 en el objetivo tomar el valor 0. A medida que el procedimiento continua, las variables con el valor M en el objetivo van entrando en la base y llegar un punto en que M desaparecer del sistema. Si en la solucin final an tenemos M en la ecuacin (0), el sistema no tiene solucin. Si tenemos ms de una restriccin con igualdad, el procedimiento es exactamente el mismo. Cada una de las variables artificiales tendr un coeficiente M en el objetivo y tendremos que encontrar la forma apropiada de eliminacin de Gauss. 86

Minimizacin Hasta ahora, hemos examinado el mtodo Simplex cuando estamos maximizando el objetivo. Pero, en muchos casos, tenemos que minimizar el objetivo (por ejemplo, minimizar costos, minimizar el grado de contaminacin o minimizar la mortalidad). Lo ms sencillo es multiplicar el objetivo por 1. Por ejemplo: Min Z = 3X1 + 4X2 es equivalente a: Max -Z = -3X1 - 4X2 Una vez hecha esta transformacin, podemos aplicar el mtodo Simplex descrito en esta seccin. La causa de esta equivalencia es que, cuanto menor es Z, mayor es Z. Otra manera de operar con un objetivo de minimizacin es seleccionar la variable nobsica entrante que reduzca en mayor grado el valor del objetivo. Variables no acotadas Puede ocurrir que en algunas formulaciones las variables puedan coger valores negativos. En este caso, hay que modificar el modelo para poder utilizar en mtodo Simplex, ya que ste nicamente permite que las variables tomen valores positivos o cero. Supongamos que la variable Xi no est acotada inferiormente. Para poder resolver el problema, tendremos que sustituir esta variable en todas las ecuaciones por dos variables y de la manera siguiente:

en donde y . Como estas dos variables pueden coger cualquier valor no-negativo, su diferencia puede ser cualquier valor (positivo o negativo). Ahora ya podemos aplicar el mtodo Simplex. En la solucin final, debido a las propiedades geomtricas de la solucin factible en un punto extremo, nunca tendremos las dos variables con valores positivos. O nicamente una de ellas tiene valor estrictamente positivo y la otra igual a 0 (o viceversa), o las dos son iguales a 0. 3.2.4 Situaciones especiales en el mtodo Simplex Qu pasa cuando vamos a escoger la variable no-bsica entrante y hay un empate en el criterio? Cmo detectamos problemas sin solucin? I si la solucin es infinita? A continuacin examinaremos como el mtodo Simplex lidia con estas situaciones. Empate en la variable entrante Si hay dos variables que tienen el coeficiente ms grande (en valor absoluto) igual en la ecuacin (0), se escoge arbitrariamente una de ellas para entrar en la base. Empate en la variable saliente Supongamos que ahora el empate se produce entre dos o ms variables bsicas al examinar el criterio de salida. Si esto sucede, todas las variables alcanzan el valor 0 al mismo tiempo cuando aumenta el valor de la variable entrante. Entonces, las variables bsica que no habamos escogido como salientes de la base tambin tendrn valor 0 en la solucin. Este tipo de soluciones se llaman degeneradas. Incluso, si una de estas variables continua con el valor 0 hasta que se selecciona como variable saliente en una iteracin posterior, la variable no-bsica entrante tambin se quedar con valor 0 y el valor del objetivo no cambiar. Puede pasar que, si Z se queda igual, en vez de mejorar el objetivo en cada iteracin, el mtodo 87

Simplex entre en un ciclo que repite peridicamente las mismas soluciones, en vez de ir cambiando para aumentar el valor del objetivo. De hecho, se han elaborado programas lineales con ciclos infinitos. Por suerte, en la prctica esta situacin es casi inexistente y normalmente los empates se rompen arbitrariamente. No hay variable bsica saliente: Z no acotado Qu pasa cuando no hay variables bsicas candidatas a salir en la base? O, en otras palabras, qu hacemos cuando todos los cocientes calculados para seleccionar la base son de tal manera que no hay ninguno es positivo? Recordemos que, a medida que aumentbamos el valor de la variable no-bsica entrante, haba como mnimo variable bsica que iba disminuyendo hasta llegar a tener un valor 0, que determinaba automticamente el nuevo valor de la variable entrante. Pues bien, puede haber situaciones en donde a medida que aumento el valor de la variable entrante todas las variables bsicas tambin aumentan de valor (o no cambian). Simplemente, el problema tiene una solucin infinita, ya que no hay ninguna restriccin que acote el objetivo. Soluciones ptimas mltiples Como hemos visto, el mtodo Simplex se para cuando encuentra una solucin ptima. Pero, como hemos visto en el mtodo grfico, puede haber situaciones en las que hay soluciones ptimas mltiples... Siempre que el problema tiene ms de una solucin ptima factible, como mnimo una variable no-bsica tiene el coeficiente igual a 0 en la ecuacin (0) final, de manera que si su valor aumenta, Z no cambia. Si esta situacin aparece, podemos encontrar otra solucin ptima introduciendo esta variable no-bsica en la base. As podemos encontrar otras soluciones que, sin cambiar el valor del objetivo, nos ayuden a tomar una decisin en funcin del valor de las variables en el ptimo. 3.2.5 Soluciones con Software Por ahora hemos visto dos mtodos para encontrar soluciones de programas lineales. Pero todos ellos son muy ineficientes si se tiene que hacer los clculos con lpiz y papel incluso para problemas pequeos. Actualmente, existe un sinfn de programas de ordenador que resuelven problemas lineales muy eficientemente, incluso programas con miles de variables y restricciones. Los programas de hoja de clculo tambin estn incorporando mtodos para obtener soluciones de programas lineales. En esta seccin describiremos como programar y solucionar un modelo de programacin lineal en la hoja de clculo Excel 2007 de Microsoft7. Utilizaremos mismo ejemplo de las secciones anteriores. Tambin supondremos que se tienen conocimientos bsicos de funcionamiento de este programa. La formulacin del problema de asignacin de recursos de la seccin 2.2.2 es:

En primer lugar reordenamos el conjunto de restricciones en funcin de la direccin del signo ( , =, ). El sistema queda as:

La versin que se utiliza en este apartado corresponde a Office 2007, aunque en versiones anteriores tambin existe el mdulo de programacin lineal 88

Esto simplificar considerablemente la introduccin de datos en la hoja Excel y en el mdulo Solver. Obsrvese que el conjunto de restricciones puede representarse de formal matricial solo con los coeficientes de las variables: Coeficientes Recursos X1 X2 Disponibles 1 3 144 3 2 162 1 -3 0 13 18 982 4 2 135 Cuadro 3.8: Coeficientes La primera columna corresponde a los coeficientes de X1 y la segunda a los coeficientes de X2. Precisamente vamos a escribir esta matriz en las celdas de la hoja de calculo En la Figura 3.5 hemos escrito el planteamiento del problema. En los rangos B12-B16 y C12-C16 hemos escrito los coeficientes de X1 y X2 en las restricciones. En el rango D12-D16 figuran los valores de los recursos (lado derecho de las restricciones y en las celdas B5 y C5 los coeficientes de las variables en el objetivo. Ahora tenemos que escribir las frmulas correspondientes a las restricciones y a la funcin objetivo. Las celdas B8 y C8 representarn los valores de las variables de decisin X1 y X2. La frmula de la funcin objetivo est escrita en la celda E2. La frmula es la siguiente: =B8*$B$5+C8*$C$5. Las formulas del lado izquierdo de las restricciones estn escritas en el rango E12E16. Estas son: =B12*$B$8+C12*$C$8 =B13*$B$8+C13*$C$8 =B14*$B$8+C14*$C$8 =B15*$B$8+C15*$C$8 =B16*$B$8+C16*$C$8 Ahora ya tenemos preparado el modelo. Obsrvese que por el momento las celdas con frmulas tienen el valor 0. Esto es debido a que por ahora las celdas asociadas a las variables de decisin estn vacas. El siguiente paso es indicar a la hoja de clculo donde est en problema. Entramos en la opcin Herramientas y escogemos en el men el Solver. Entonces aparecer un recuadro como el de la Figura 3.6.

89

Figura 3.5: Ejemplo en Excel

Figura 3.6: Cuadro de la Opcin Solver Ahora tenemos que indicar las celdas en donde estn las frmulas. En la casilla Celda objetivo ponemos la referencia de la celda en donde est la funcin objetivo ($E$2). Luego indicamos que es un problema de maximizacin. Las referencias de las variables se indican en el recuadro Cambiando las celdas (B8; C8). Finalmente tenemos que introducir las restricciones. Para ello entramos en la opcin Agregar y saldr el recuadro de la Figura 3.7. En l tenemos que indicar donde est el lado izquierdo (la frmula) de cada restriccin, el signo de la desigualdad y el lado derecho de cada restriccin. Cada vez que entramos una restriccin adicional escogemos la opcin agregar. Ahora bien, si hemos ordenado las restricciones en funcin de su direccin, no hace falta entrar una a una en el recuadro. Basta con seleccionar el rango en funcin de cada una de las agrupaciones realizadas. Despus de haber entrado las restricciones correspondientes,

Figura 3.7.: Introduccin de las restricciones Excel tambin exige poner las restricciones de no negatividad. La Figura 3.8 muestra el resultado final de introducir el problema.

90

Figura 3.8: Resultado final de la programacin Ahora ya podemos resolver el problema. Escogemos la opcin Resolver y al cabo de unos breves momentos saldr una pantalla indicando que la solucin ha sido encontrada. La solucin ptima de las variables de decisin y el valor del objetivo ahora aparecen en las celdas (ver Figura 3.10). La opcin Solver tambin permite obtener automticamente informes sobre la solucin final.

Figura 3.9: Resultado del Solver

Figura 3.10: Solucin ptima 3.3 Programacin Lineal Entera Los modelos de programacin lineal consideran que las variables de decisin son continuas, es decir, que pueden tomar en la solucin final valores fraccionados. Pero, en muchos casos, una solucin ptima de un programa lineal puede ser inservible si presenta fracciones. Supongamos, por ejemplo, que hemos construido un modelo para asignar personal mdico a departamentos dentro de un hospital. En este caso, las variables de decisin (asignar personas a departamentos) tienen que ser enteras en la solucin final. No tendra sentido una solucin en la cual 2,3 mdicos fuesen asignados a la seccin de dermatologa!

91

Para poder encontrar soluciones de problemas en los cuales algunas o todas las variables tienen que ser enteras, se utiliza la programacin entera, que no es ms que una extensin de la programacin lineal. Otro tipo de modelos entran dentro de la programacin entera binaria, que es un caso especial en donde todas o algunas de las variables representan acciones binarias, es decir, hacer o no hacer. En este caso, las variables nicamente pueden adoptar los valores 0 1. Este tipo de problemas es muy comn en la toma de decisiones, en donde muchas veces tenemos que decidir si, por ejemplo, tenemos que construir un nuevo centro, si tenemos que invertir en un nuevo departamento, o si tenemos que modificar una estrategia de planificacin de un servicio. Cuando nos encontramos con este tipo de problemas, la formulacin matemtica no se ve alterada; nicamente en las restricciones de no-negatividad hay que indicar qu variables tienen que tomar valores enteros. El problema reside en encontrar soluciones que sean factibles, ya que el algoritmo Simplex no garantiza una solucin adecuada al problema. En esta parte, examinaremos en primer lugar como podemos modificar el algoritmo Simplex para poder obtener soluciones ptimas. A continuacin, examinaremos algunos problemas de programacin entera cuyas variables de decisin son binarias (decisiones hacer o no hacer). 3.3.1 El algoritmo de bifurcacin y acotamiento El Algoritmo de Bifurcacin y Acotamiento 8 (ABA) se basa en el algoritmo Simplex para poder obtener soluciones enteras. En primer lugar, se aplica el algoritmo Simplex para obtener una solucin inicial. Si en la solucin obtenida al final del algoritmo Simplex todas las variables especificadas como enteras tienen valores enteros, no hace falta seguir ya que se ha obtenido el ptimo; en caso contrario, es necesario aplicar el ABA. Bsicamente, en cada iteracin del ABA se escoge una variable que presenta una solucin no-entera y se divide el problema en dos sub-problemas, aadiendo en cada uno de ellos una nueva restriccin que acota esta variable por su valor entero superior en un caso, y por el valor su valor inferior entero por el otro. Cada sub-problema se resuelve con el mtodo Simplex y se verifica si la solucin es entera. En caso, contrario, se vuelve a bifurcar el sub-problema en otros dos y se sigue procediendo hasta que se encuentra una solucin entera. El proceso se realiza en todas las ramificaciones del rbol. Aunque este algoritmo pueda parecer complejo, el proceso es bastante sencillo. A continuacin examinaremos con un ejemplo el ABA. Supongamos que tenemos que encontrar la solucin al problema lineal siguiente:

En primer lugar utilizamos el mtodo Simplex para obtener una solucin del programa lineal relajado (sin considerar las restricciones que fijan las variables como enteras). La solucin obtenida es Z = 8,5; X1 = 2,6 y X2 = 4,2. Tenemos que las dos variables ofrecen soluciones fraccionadas. Hay que aplicar el ABA.

En ingls, branch and bound algorithm 92

Figura 3.11: Solucin Solver Definamos el problema original como P0. Escogemos X1 y creamos dos sub-problemas P1 y P2 a partir del programa original. El primer sub-problema, P1, consistir en el programa original P0 ms la restriccin X1 > 2. El segundo sub-problema, P2, consistir en el programa original ms la restriccin X1 > 3. Es decir, estamos diciendo que X1 no puede coger valores entre dos y tres. Solucionamos P1 y P2. P1 = P0 + X1 > 2. Solucin: Z1 = 8,3; X1 = 2 y X2 = 4,5 P2 = P0 + X1 > 3. Solucin: Z2 = 8,3; X1 = 3 y X2 = 3,8 Los dos sub-problemas obtienen el mismo valor del objetivo que, como era de esperar, es inferior al objetivo inicial Z. Sin embargo, ambos problemas siguen incumpliendo las condiciones de soluciones enteras. Tenemos que seguir ramificando. Cogemos el problema P1 y lo subdividimos en dos nuevos subproblemas P11 y P12 aadiendo las restriccin X2 > 4 en uno y X2 > 5 (manteniendo todas las restricciones anteriores, incluida X1 > 2). Los resultados son los siguientes: P11 = P1 + X2 > 4. Solucin: Z11 = 7,6; X1 = 2 y X2 = 4 P12 = P1 + X2 > 5. Solucin: Z12 = 8,0; X1 = 1 y X2 = 5 En estos dos sub-problemas hemos encontrado soluciones enteras. Como Z11 es inferior a Z12 podemos descartar P11 como solucin vlida. Por ahora ya hemos encontrado una solucin que tiene valores enteros con el problema P12, cuyo objetivo es igual a 8,0. Sin embargo, an no hemos acabado el algoritmo. Recordemos que habamos subdividido el problema original en dos sub-problemas. An no hemos explorado el segundo sub-problema P2. El valor del objetivo al solucionar P2 era 8,3, aunque la variable X2 segua sin ofrecer un valor entero. Como estamos maximizando, podra ser que ramificando P2 en dos sub-problemas se encontrara una solucin entera superior a la que hemos encontrado con el subproblema P12. La ramificacin es la siguiente: P21 = P2 + X2 > 3. Solucin: Z21 = 8,0; X1 = 3,8 y X2 = 3 P22 = P2 + X2 > 4. Sin Solucin. El problema P22 queda descartado por no tener una solucin factible. Los problemas que an estn activos son P12 y P21 y ambos tienen el mismo valor del objetivo. Pero mientras que P12 tiene soluciones enteras, P21 sigue con soluciones fraccionadas. Por lo tanto, podemos descartar P21 ya que, si ramificramos este problema, al aadir una nueva restriccin el valor del objetivo sera inferior (o igual), pero nunca superior. En otras palabras, nunca podramos encontrar una solucin mejor que la que tenemos con P12. Como P12 es la nica rama activa, ya tenemos la solucin ptima de nuestro problema. Si P21 hubiera dado un valor del objetivo superior a 8,0 con alguna solucin fraccionada, tendramos que seguir bifurcando este subproblema. El flujo del algoritmo se muestra en la Figura 3.12.

93

Figura 3.12: rbol del ABA aplicado al ejemplo En realidad, con este proceso lo que se est haciendo es seccionar en cada ramificacin el espacio de soluciones para explorar si existe una solucin entera. Este proceso puede ser observado en la Figura 3.13, en donde, para cada sub-problema, se muestra el segmento del espacio de soluciones explorado. El algoritmo de bifurcacin y acotamiento tambin se utiliza para resolver los problemas de programacin entera binaria.. La nica diferencia es que las variables estn acotadas por 0 y 1. Si en un sub-problema una variable tericamente binaria X es igual a 0,6, ste se subdivide en dos problemas: el primero aadir la restriccin X = 0 y el segundo la restriccin X = 1.

Figura 3.13: Espacio de soluciones de los sub-problemas 3.3.2 Programacin Entera y Solver Por suerte, hoy en da cualquier programa de ordenador para resolver problemas de programacin lineal incluyen un modulo para resolver situaciones en donde una o ms variables tienen que ser enteras o enteras binarias en la solucin final. Este es el caso del mdulo Solver incluido en la hoja de clculo Excel de Microsoft. Supongamos que las variables de ejemplo de la seccin anterior tienen que ser enteras. Cuando se introducen las restricciones, tenemos que aadir una en donde se escoge las variables en cuestin y se indica que son enteras, seleccionando int 9 en el men de opciones de la direccin de la restriccin (ver Figura 3.14). En caso de que tengan que ser binarias, se escoge la opcin Bin.

Int vienen de integer, que en ingles quiere decir Entero. 94

Figura 3.14: Soluciones enteras con Excel 3.3.3 Programacin Entera Binaria: El Problema de la Mochila El problema de la mochila es un clsico de los mtodos cuantitativos. En esencia, el problema consiste en llenar una mochila con objetos con pesos diferentes y con valores tambin diferentes. El objetivo es la maximizacin del valor total de la mochila con la restriccin de que el peso de sta no puede sobrepasar un lmite predeterminado. Este problema ha sido utilizado en muchas aplicaciones diferentes. Una de ellas consiste en la asignacin de pacientes a una unidad (un ambulatorio, un quirfano, etc.) que tiene una capacidad lmite. Cada paciente tiene asociado dos parmetros: el primero mide la gravedad del paciente respecto a los otros en trminos relativos, y el segundo mide el tiempo de utilizacin del servicio. El problema consiste en encontrar qu pacientes podrn ser atendidos y cuales habr que derivar a otro centro. Es evidente que en este problema el nmero de pacientes a ser atendidos es ms elevado que la capacidad del centro. En este tipo de problemas nos encontramos con la disyuntiva de tenemos que, por un lado, dar prioridades para intentar atender el mximo de pacientes, y por el otro lado atender a aquellos que presentan ms gravedad. Formulacin del problema Supongamos que tenemos m pacientes a ser programados en un centro. Los parmetros que tenemos que conocer a priori son: gi = valor cardinal de la gravedad del paciente i ti = duracin en minutos de la intervencin del paciente i T = tiempo total disponible en el centro y las variables de decisin son: Xi = 1, si se atiende al paciente i; 0, si no se le atiende. En este caso todas las variables son binarias y tendremos una para cada paciente. Una vez definidos los parmetros y las variables, podemos construir en modelo. Este modelo tiene una nica restriccin que, bsicamente, define que el total de minutos que los pacientes atendidos en el centro consumirn no puede exceder el tiempo total disponible T. Como Xi solo puede ser igual a 0 1, el tiempo total consumido por el paciente i ser igual a tiXi. Si sumamos tiXi para todos los pacientes, tendremos el tiempo total consumido por ellos, que no puede ser superior a T. En trminos matemticos:

El objetivo consiste en la maximizacin de la gravedad total del sistema. En otras palabras, queremos atender a aquellos pacientes ms necesitados. Tenemos que observar que el problema no es tan trivial, ya que no vale ordenar los pacientes en funcin de la gravedad e ir llenando la mochila del centro hasta agotar la capacidad, porque un paciente j que presenta un nivel de gravedad gj puede tener asociado un tiempo de atencin tj muy superior al tiempo conjunto de dos pacientes k y l (tj > tk + tl), que tienen una menor gravedad, pero cuya gravedad conjunta es superior a la del primero (gj < gk + gl). En este caso, sera mejor incluir a los dos pacientes k y l y no al paciente j. El objetivo vendr definido por la funcin lineal siguiente:

95

En definitiva, la formulacin final del modelo ser:

Este problema es fcil de resolver utilizando el algoritmo ABA ya que nicamente tiene una restriccin. Supongamos ahora que algunos tratamientos son incompatibles con otros. Por ejemplo, si se trata de un quirfano, podramos tener que si operamos al paciente i tambin podremos operar al paciente j porque tendremos recursos disponibles (quirfano preparado, personal adecuado), pero si no se opera a ningn paciente de tipo i entonces no se podr operar al paciente j. Para poder introducir esta consideracin tendramos que aadir la siguiente restriccin: Xi Xj Es decir, si operamos al paciente i, Xi = 1, lo que implica que Xj quedar libre para coger el valor 0 1 (ser el modelo quien lo decida). Por otro lado, si Xi = 0, la variable Xj ser siempre igual 0, y por lo tanto el paciente j no podr ser operado. Supongamos ahora que el paciente j nicamente podr ser operado si tanto el paciente i como el k son operados. En cualquier otro caso el paciente j no podr ser atendido. Para formular este tipo de restricciones a veces es muy til la utilizacin de la tabla de la verdad. En esta tabla se introduce la s combinaciones de las X que son factibles. Esta tabla se representa en el Cuadro 3.9. Xi 0 1 0 Xk 0 0 1 Xj 0 0 0

1 1 1 Cuadro 3.9: Tabla de la Verdad La ecuacin de esta restriccin que tendr que aadirse al modelo es: Xi + Xk 2 Xj Si Xi y Xk son ambas iguales a 1, Xj podr ser igual a 0 1. En cualquier otro caso, Xj siempre ser igual a 0. Como hemos visto en este ejemplo, el uso de variables binarias puede ser muy til para modelizar situaciones en donde la decisin es hacer o no hacer. 3.3.4 El Problema de Asignacin El problema de asignacin es otro clsico en los modelos de decisin. En esencia, consiste en asignar recursos a tareas en funcin de un objetivo ligado a la eficiencia del sistema. Un ejemplo tpico es el de asignacin de personas a turnos horarios. Otro ejemplo es el de asignar personas a mquinas, o el de asignar regiones a Centros de Atencin Primaria. En este apartado se presenta el Problema de asignacin como una variante del Problema de Transporte. Como vimos anteriormente la Compaa de Seguros Pacfico S.A. tiene Centros de Asistencia Primaria (CAPs) distribuidos en m pueblos y ciudades de una regin (un CAP en cada centro urbano). Para obtener 96

un buen funcionamiento global del servicio y poder planificar el nmero de visitas en funcin del personal previsto en cada CAP y de su dimensin, Pacfico S.A. ha decidido organizar el servicio de tal forma que todos sus asegurados tengan un CAP de referencia asignado, pero que sea ste el ms cercano posible a su lugar de residencia. En la regin hay m ciudades y pueblos (siendo m bastante mayor que n) y la compaa sabe cuantos asegurados tiene en cada uno de ellos. El objetivo es asignar cada una de las m ciudades a un nico CAP, minimizando el costo o la distancia total. La diferencia bsica entre este problema y el Problema de Transporte es que en este caso cada pueblo o ciudad (con la totalidad de sus habitantes) es asignado a un nico CAP, mientras que en el otro problema podra darse lugar a que una parte de la poblacin de una ciudad estuviera asignada a un CAP y la otra a otro diferente. A continuacin examinados los parmetros y variables necesarios para la formulacin. En primer lugar se definen los parmetros necesarios para formular el modelo. Sea: ai: nmero de asegurados en el centro urbano i, i = 1,...,m. bj: nmero total de asegurados que el CAP j puede tener asignados como mximo, j = 1,...,n. cij: costo de desplazamiento entre i y j. Las variables que se utilizar son de tipo binario: Sea Xij =1, si el rea i est asignada al CAP j; y 0 en caso contrario. Una vez definidos los parmetros y las variables, necesitamos definir las restricciones del modelo. Como en el Problema de Transporte, en esta formulacin hay dos tipos de restricciones. La primera viene definida por la capacidad de atencin mxima de los CAPs. El nmero total de asegurados asignados al CAP j no puede exceder su capacidad bj. Para un CAP determinado j, no podemos asignar las poblacin que la que determina su capacidad mxima a1X1j + a2X2j + ... + aiXij + ... + amXmj Para todos los CAPs, tendremos que: bj

El segundo grupo de restricciones tiene que considerar que hemos de asignar la totalidad de los asegurados de Todosalud SA de cada centro urbano i a un nico CAP. Para cada rea, tendremos que: Xi1 + Xi2 + ... + Xij + ... + Xin = 1 Es decir, una nica variable asociada a cada rea i puede ser igual a 1. Para todas las reas:

Finalmente, se tiene que formular el objetivo de minimizacin total de la distancia o costo total del sistema. Este viene definido por: c11X11 + c12X12 + ... + c1nX1n + ... + cijXij + ... + cm1Xm1 + ... + cmnXmn que podemos re-escribir en forma compacta como:

97

En resumen, la formulacin completa del modelo es la siguiente:

Se tiene que observar que este problema presenta la misma peculiaridad que el problema de Transporte. Para que el problema tenga una solucin factible, el nmero total de asegurados no puede exceder la capacidad total de los CAPs. Es decir, existe la siguiente restriccin implcita en el modelo:

Si esto no se verificara, el problema no tendra solucin. 3.3.5 Problemas de Localizacin de Servicios Cuntas ambulancias se necesitan en un rea geogrfica, y dnde deberan ubicarse para asegurar un buen servicio a las llamadas por urgencias? En dnde deberan localizarse las Centros de atencin Primaria en una regin para minimizar el tiempo de desplazamiento de los usuarios? En dnde tenemos que localizar almacenes para optimizar la distribucin de productos farmacuticos en un pas? Estas cuestiones, relacionadas con el diseo y la operacin de los servicios de atencin y de distribucin, han sido estudiadas durante los ltimos 25 aos por un gran nmero de investigadores. Los planificadores tienen que responder a preguntas como stas cuando se enfrentan al diseo o a la reconfiguracin de los servicios de urgencias mdicas, de ambulatorios, de operaciones de distribucin, o de redes hospitalarias. Por ejemplo, la velocidad de reaccin de un sistema de emergencia a una llamada es el criterio principal para juzgar el desempeo de los servicios de emergencia. Otra medida es la habilidad del personal para lidiar efectivamente con la situacin una vez llegado a la escena. La localizacin inicial de los servidores (parques de bomberos, garajes de ambulancias, etc.) influencia poderosamente la eficiencia de la respuesta. Esto se refleja en la gran cantidad de modelos desarrollados para ayudar a los planificadores de servicios de urgencias. El problema bsico trata de localizar servicios que van a permanecer en su ubicacin por un largo tiempo una vez decidida su localizacin. En otras palabras, su ubicacin ser, sino definitiva, constante durante un largo periodo de tiempo. La localizacin de estos servicios puede ser determinante en la evaluacin de la eficiencia de su "desempeo" en la oferta del servicio en cuestin. Efectivamente, el auge de la investigacin operativa en los aos sesenta provoc la aparicin de un campo especifico dedicado a la localizacin de servicios de en regiones y en zonas urbanas. En general, estos modelos optimizan uno o varios objetivos en funcin de unos recursos limitados y/o criterios de cobertura y de atencin. Estos modelos se pueden agrupar en tres categoras en funcin del objetivo principal. La primera categora corresponde a modelos cuyo objetivo principal es la maximizacin de la cobertura de la poblacin siguiendo un criterio ``estndar'' (per ejemplo, maximizar la poblacin cubierta por el servicio de ambulancias en un tiempo mximo de 10 minutos). El segundo grupo corresponde a 98

modelos de localizacin cuyo objetivo es la minimizacin de la distancia o tiempo medio de acceso a la poblacin. El tercero consiste en la minimizacin los de costos de transporte de mercancas o de personas y de localizacin de centros. Entre estos modelos se han realizado diversas variaciones para intentar reflejar algunos aspectos especficos del problema de localizacin. Por ejemplo, hay modelos que no tan solo localizan ambulancias, sino que tambin determinan para cada estacin cual es la combinacin ptima de vehculos, materiales y recursos humanos. Otros modelos estudian el problema de la localizacin teniendo en cuenta el grado de congestin del servicio, intentando obtener un conjunto de localizaciones que no tan solo optimice la cobertura, sino que de alguna forma considere la situacin de que un servicio est ocupado atendiendo una llamada y en su estacin se produzca otra llamada (modelos de ``backup'' o servicios auxiliares). Otra lnea de trabajo estudia la situacin en donde la demanda de servicio tiene elementos probabilsticos en funcin de la hora del da. En esta seccin formularemos tres modelos bsicos de localizacin de servicios. Modelos de Cobertura Los modelos de cobertura suelen fijar una distancia estndar D entre un servicio y la poblacin usuaria. Esta distancia (o tiempo de desplazamiento) se considera como la distancia mxima entre usuario y servicio para ofrecer una atencin correcta. Esta distancia estndar se utiliza como criterio bsico para obtener la ubicacin ptima de servicios. El Problema de Localizacin de Servicios con Cobertura10 El Problema de Localizacin de Servicios con Cobertura (PLSC), en palabras, es el siguiente: Cul es el nmero mnimo de centros y dnde tenemos que localizarlos para que toda la poblacin est cubierta dentro de la distancia estndar D? El PLSC puede ser formulado de la siguiente forma. Supongamos una red de transporte en donde existen m nodos o reas, cada uno con una demanda (o poblacin) determinada del servicio, y conectados entre ellos por "arcos" (carreteras, calles, etc.), cada uno de ellos con un tiempo de desplazamiento o una distancia asociados. La localizacin de los servicios se realiza exclusivamente en los nodos. En otras palabras, nicamente los nodos de la red son candidatos a obtener una localizacin de los servicios, y por otro lado, los nodos tambin representan los centros de demanda de los servicios. Muchas veces, en algunas aplicaciones, no todos los nodos de demanda son candidatos a obtener un centro de servicio (a veces en un nodo se encuentra un edificio de inters cultural, o simplemente no existe terreno disponible para ubicar un servicio); por ello siempre en la formulacin del modelo se diferencia entre la demanda (nodos que requieren del servicio) y la oferta (nodos candidatos a recibir el servicio). En la Figura 3.10 se representa ejemplo de red de 20 nodos con la cual formularemos algunos modelos de localizacin.

10

En ingls: Location Set Covering Problem 99

Figura 3.3.: Red de 20 nodos En esta Figura, los nodos estn representados por crculos y tambin se indican las distancias entre los nodos que estn directamente conectados. El Cuadro 3.10 contiene la matriz de distancias dij entre todos los pares de nodos (i,j) de la red. Esta matriz es fundamental en los modelos de localizacin. En general, esta matriz se obtiene calculando, para cada par de nodos, el camino ms corto entre ellos, es decir, la distancias ms corta que los une. 1 Po b. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 100 34 2 65 3 4 5 6 75 18, 2 13, 7 11, 4 15, 7 5,2 0,0 7,5 10, 2 11, 5 13, 0 5,0 6,8 11, 5 15, 0 7 32 23, 5 18, 5 11, 0 8 34 8,0 9 28 27, 5 22, 5 15, 0 12, 2 16, 7 11, 5 10 53 11 52 15, 0 13, 0 15, 2 20, 7 12 13 39 21, 5 19, 5 21, 7 27, 2 15, 5 11, 5 19, 0 13, 5 18, 0 14, 5 14 98 18, 0 21, 0 25, 2 30, 7 19, 0 15, 0 22, 5 15, 0 24, 0 15 69 35, 0 30, 5 27, 0 24, 2 22, 0 16, 8 16, 0 27, 0 12, 0 33, 0 21, 8 10, 0 18, 2 24, 2 16 67 28, 5 26, 5 27, 2 28, 2 21, 0 15, 8 20, 0 20, 5 16, 0 21, 5 13, 5 17 18 19 76 37, 0 37, 5 39, 4 40, 4 33, 2 28, 0 32, 2 31, 5 28, 2 28, 0 24, 5 21, 2 18, 0 19, 0 20 90 32, 0 35, 0 39, 2 44, 7 33, 0 29, 0 36, 5 29, 0 36, 5 23, 0 24, 0 29, 5 18, 5 14, 0

99 85 95 12, 21, 13, 0,0 5,0 5 2 0 16, 5,0 0,0 7,5 2 8,5 12, 5 7,5 0,0 8,7 6,2 21, 16, 14, 2 2 8,7 0,0 9 13, 14, 0 8,5 6,2 9 0,0 18, 13, 11, 15, 2 7 4 7 5,2 23, 18, 11, 12, 5 5 0 8,2 7 11, 19, 8,0 6,0 2 9 5,0 27, 22, 15, 12, 16, 5 5 0 2 7 12, 17, 25, 11, 9,0 0 2 9 0 15, 13, 15, 20, 0 0 2 7 9,0 25, 20, 18, 19, 12, 0 5 2 2 0 21, 19, 21, 27, 15, 5 5 7 2 5 18, 21, 25, 30, 19, 0 0 2 7 0

6,0 11, 2 19, 8,2 9 12, 7 5,0 10, 7,5 2 17, 0,0 7 17, 7 0,0 21, 4,0 7 20, 5 6,0 12, 5 7,0 11, 17, 0 0 19, 13, 0 5 22, 15, 5 0

9,0 12, 0 17, 2 25, 9 11, 0 13, 0 5,0 6,8 20, 12, 11, 4,0 5 5 0 21, 17, 7 6,0 7,0 0 24, 16, 0,0 5 5 7,0 24, 23, 5 0,0 8,0 0 16, 11, 5 8,0 0,0 8 23, 11, 7,0 0 8 0,0 18, 14, 11, 0 5 6,5 0 24, 10, 17, 0 9,0 0 0

21 25, 0 20, 5 18, 2 19, 2 12, 9,0 0

9,0 10, 6,5 0 11, 17, 0 0 0,0 6,0 6,0 0,0

22 27, 0 27, 5 29, 7 35, 2 23, 5 19, 5 27, 0 21, 5 26, 0 18, 0 14, 5 19, 9,0 0

54 40, 5 38, 5 38, 0 35, 2 33, 0 27, 8 27, 0 32, 5 23, 0 33, 5 25, 5 21, 0 19, 7,0 8,0 0 13, 25, 0 9,0 0

35, 30, 27, 24, 22, 16, 16, 27, 12, 33, 21, 10, 18, 24, 0,0 11, 24, 11, 21, 34,

0 16 17 18 19 20 28, 5 27, 0 40, 5 37, 0 32, 0

5 26, 5 27, 5 38, 5 37, 5 35, 0

0 27, 2 29, 7 38, 0 39, 4 39, 2

28, 21, 15, 20, 20, 16, 21, 13, 13, 11, 2 0 8 0 5 0 5 5 9,0 7,0 0 2 0,0 35, 23, 19, 27, 21, 26, 18, 14, 19, 24, 13, 2 5 5 0 5 0 0 5 0 8,0 9,0 2 0 35, 33, 27, 27, 32, 23, 33, 25, 21, 19, 25, 11, 12, 2 0 8 0 5 0 5 5 0 0 0 0 0 40, 33, 28, 32, 31, 28, 28, 24, 21, 18, 19, 21, 12, 4 2 0 2 5 2 0 5 2 0 0 0 2 44, 33, 29, 36, 29, 36, 23, 24, 29, 18, 14, 34, 23, 7 0 0 5 0 5 0 0 5 5 0 5 5 Cuadro 3.3: Poblacin de cada nodo y distancias entre nodos

13, 12, 0 0 20, 0,0 0 20, 0 0,0 10, 10, 0 0 10, 23, 5 5

12, 23, 2 5 10, 10, 0 5 10, 23, 0 5 13, 0,0 5 13, 5 0,0

Ahora es necesario conocer, para cada nodo de demanda, cules son las ubicaciones potenciales donde, si se abre un centro en ellas, el nodo de demanda estar cubierto dentro de la distancia estndar D. Por ejemplo, si D = 10, el centro de demanda 4 tiene, como ubicaciones potenciales de cubrirlo, los nodos 3, 4 y 7. En el Cuadro 3.4, se indican, para cada nodo, las ubicaciones potenciales de cobertura. Nodo a Cubrir 1 2 3 4 5 6 7 8 9 Ubicaciones Potenciales 1,2,8,10 1,2,3,5,8 2,3,4,5 3,4,17 2,3,5,6,8,11 5,6,7,11,12 4,6,7,9 1,2,5,8,10,11 7,9,12 Nodo a Cubrir 11 12 13 14 15 16 17 18 19 Ubicaciones Potenciales 5,6,8,10,11,13,14 6,9,12,15,16 11,13,14,16,17 10,11,13,14,17 12,15 12,13,16 13,14,17,19 18,19 17,18,19

10 1,8,10,11,14 20 20 Cuadro 3.4.: Ubicaciones potenciales de cobertura por nodo. D = 10 Por ejemplo, si ubicamos un centro en el nodo 8, los nodos 1, 2, 5, 8, 10 y 11 estarn cubiertos, ya que l est incluido en el conjunto de ubicaciones potenciales de cada uno de estos nodos de demanda. Definamos Xj como una variable binaria (0 1) que, si es igual a 1, indicar que estamos abriendo un centro en el nodo j, y que, en caso contrario (igual a 0), el nodo j estar vaco. Tendremos tantas variables como ubicaciones potenciales. Podemos utilizar estas variables para formular el modelo. Por ejemplo, tenemos que, para el nodo 4, podemos escribir la siguiente restriccin: X3 + X4 + X7 1

que indica que como mnimo una de las tres variables tiene que ser igual a 1, o, en otras palabras, que para que el nodo 4 est cubierto tenemos que abrir como mnimo un centro en 3, 4, 7. Si definimos Ni como el conjunto de ubicaciones potenciales que cubrirn el nodo i dentro de la distancia estndar D, (Ni = {j / dij D}, para cada nodo demanda i podemos escribir la restriccin siguiente:

101

Este conjunto de restricciones forzarn a que cada nodo est cubierto. Ahora falta formular el objetivo. Como queremos minimizar en nmero de centros a ubicar, cuantas menos Xj sean igual a 1, mejor. Por lo tanto, el objetivo lo podemos formular de la siguiente forma:

Si definimos m como el nmero total de nodos de demanda y n como el nmero de total de ubicaciones potenciales, la formulacin final del Problema de Localizacin con Cobertura es:

Se puede utilizar el mdulo Solver de Excel para resolver el problema con distancias estndar diferentes. En el Cuadro 3.5 se presentan algunos resultados para coberturas diferentes: Distancia Estndar D 15 12 11 10 9 Nmero mnimo De Centros Ubicaciones Finales

3 8,9,19 4 3,8,15,17 5 3,10,12,18,20 6 4,8,12,17,18,20 8 4,8,12,15,17,18,19,20

8 9 4,5,8,9,13,15,18,19,20 Cuadro 3.4: Resultados con diferentes coberturas Este problema suele tener a veces bastantes soluciones ptimas alternativas. El PLSC puede modificarse para considerar, por ejemplo, la minimizacin del presupuesto. Si cada nodo potencial de obtener un servicio tiene asociado un costo fijo de apertura fj, podemos reformular el objetivo del problema de la siguiente forma:

En este caso estamos minimizando el costo total de apertura de centros. Es muy improbable que aparezcan soluciones alternativas ptimas. En este problema, la fijacin de la distancia estndar D es determinante de los resultados, por lo que hay ir con mucho cuidado al determinarla. Supongamos que, en nuestro ejemplo, la distancia estndar est fijada en 10. Al resolver el PLSC encontramos que la solucin ptima es igual a 6 centros, ubicados en los nodos 4, 8, 12, 17, 18 y 20. Pero el sistema no tiene suficiente presupuesto para construir 6 centros. nicamente tiene un presupuesto para 4 centros. Como el nmero mnimo de centros para cubrir la poblacin es igual a 6, con 4 centros no podremos cubrirla por completo. En este caso, si fijamos en nmero de centros, podemos intentar 102

encontrar sus ubicaciones de forma a maximizar la cobertura de la poblacin. Este problema es conocido como el Problema de Localizacin con Cobertura Mxima (PLCM). El Problema de Localizacin con Cobertura Mxima (PLCM). Este problema puede ser descrito de la siguiente forma: Dnde tenemos que localizar p centros para maximizar la cobertura de la poblacin dentro de la distancia estndar D? Este problema es una extensin del PLSC. Para formular el modelo tenemos que aadir un nuevo grupo de variables binarias Yi, que denominaremos de cobertura, que sern igual a 1 si el nodo i est cubierto por un centro dentro de la distancia estndar D; e igual a 0 si no lo est. Como en la solucin final algunos nodos de demanda quedarn descubiertos (ya que no tenemos suficientes centros para cubrir toda la poblacin), algunas de estas variables sern 0. Cojamos de nuevo como ejemplo el nodo 4. Para que el est cubierto se tiene que localizar como mnimo un centro en uno de los nodos 3, 4 o 7. Ahora tendremos que escribir la restriccin siguiente: X3 + X4 + X7 Y4

Si como mnimo una de las variables de localizacin X es igual a 1, la variable Y4 podr ser tambin igual a 1, y por lo tanto el nodo de demanda 4 estar cubierto. Si, en cambio, todas las variables X de la restriccin son iguales a 0, la variable de cobertura Y4 ser forzosamente igual a 0 y el nodo 4 no estar cubierto. Para cada nodo de demanda escribiremos la siguiente restriccin:

Otra restriccin es la limitacin del nmero de centros a localizar. En nuestro ejemplo hemos fijado el nmero de centros en 4. Esto quiere decir que nicamente cuatro variables de ubicacin Xj podrn ser igual a 1. La restriccin, en trminos matemticos, es:

Finalmente, el objetivo consiste en la maximizacin de la cobertura de la poblacin de la regin en cuestin. En el modelo PLSC todos los nodos quedaban cubiertos, por lo que no haca falta preocuparse de la poblacin. En el nuevo modelo, como algunos nodos de demanda quedarn descubiertos, tenemos que considerar la poblacin de cada uno de ellos. El modelo intentar cubrir, en primer lugar, aquellos nodos con mayor poblacin (o demanda). El objetivo se formula matemticamente de la forma siguiente:

En donde ai es un parmetro que denota el volumen de demanda (en nuestro ejemplo, poblacin) asociada al nodo i. Contra ms Yi sean igual a 1, ms cobertura obtendremos. La formulacin final del problema es:

103

La formulacin del problema de mxima cobertura para nuestro ejemplo, con D = 10 y p = 4. El resultado final se presenta en el Cuadro 3.6. Nmero de Centros Distancia estndar Poblacin Cubierta 4 10 88%

Ubicaciones 4,8,12,17 Nodos no cubiertos 18,20 Cuadro 3.6: Resultados del PLCM en el ejemplo Vemos que con 4 centros pasamos a cubrir el 88% de la poblacin. En otras palabras, mientras que el nmero mnimo de centros necesarios para cubrir toda la poblacin era igual a 6, con 4 centros cubrimos el 88% de ella y nicamente dos nodos no estn cubiertos. Modelo de Localizacin P-Mediano El modelo P-Mediano de localizacin (MPML) tiene que objetivo principal la minimizacin de la distancia media entre los nodos de demanda y los centros. El problema, en palabras, es el siguiente: Dnde se ubicarn p centros de forma a minimizar la distancia media entre stos y los nodos de demanda? Para formular este problema necesitamos conocer, como en el problema anterior, la matriz de distancias y la demanda que se genera en cada uno de los nodos. En este caso no se utiliza una distancia estndar. Las variables de modelo sern: Xij = 1, si el nodo de demanda i es atendido por el centro ubicado en j; 0, en caso contrario Wj = 1; si ubicamos un centro en j; 0, en caso contrario A continuacin definimos las restricciones. En primer lugar, un nodo de demanda tiene que estar asignado a un nico centro. Para forzar esta situacin, para cada nodo de demanda i, la suma de las Xij con respecto a l ndice j tiene que ser igual a 1. En trminos matemticos:

Ahora bien, el nodo i no podr ser asignado al nodo j si no existe un centro en j. Como la variable Wj indica si existe un centro en j o no, tendremos que:

104

Si no existe ningn centro en j, Wj = 0, lo que implica que ningn nodo de demanda podr ser asignado a j. En este caso, todas las variables Xij sern igual a 0. Finalmente, tenemos que fijar el nmero de centros a abrir. La siguiente restriccin tiene que ser aadida al modelo:

Finalmente, tenemos que formular el objetivo de distancia media. Tenemos que aidij ser la distancia total entre la poblacin (o demanda) en i y el centro en j. Si sumamos aidij para todas las i tendremos toda la demanda asignada a j. Luego tenemos que sumar para todas las j, y tendremos la distancia total del sistema. El objetivo es:

Una vez obtenido el valor de Z, tenemos que dividirlo por la demanda (o poblacin) total del sistema para obtener la distancia media entre la demanda y los centros. En resumen, la formulacin del problema P-mediano es:

Esta formulacin suele tener muchas variables y restricciones. Por ejemplo, si m=n=100 tendremos 10.100 variables y 10.101 restricciones. Existen varias formas de reducir el nmero de variables y restricciones, pero an as este modelo suele ser bastante grande. Se han desarrollado varios mtodos heursticos para poder encontrar soluciones del MPML. El Problema de Localizacin de Plantas con Capacidad En muchos casos el objetivo principal es encontrar una serie de ubicaciones que minimicen tanto los costos de transporte como el costo de apertura de los centros. El modelo de Localizacin de Plantas con Capacidad (MLPC) se describe de la forma siguiente: Cuntos centros se necesitan y dnde hay que ubicarlos para minimizar los costos totales del servicio sin exceder su capacidad? Para poder formular el modelo, necesitamos los siguientes parmetros: ai = demanda en el nodo i dij = distancia entre el nodo de demanda i y el nodo de ubicacin potencial j. fj = costo de apertura de un centro en el nodo j cij = costo de transporte por unidad de demanda y unidad de distancia 105

Cj = capacidad de un centro si se ubica en j y las variables que a continuacin se describen: Xij = demanda del nodo i atendida por el centro en j Wj = 1, si ubicamos un centro en j; 0, en caso contrario. Un vez definidos los parmetros y las variables del modelo, se tienen que formular las restricciones. En primer lugar, no podemos exceder la capacidad de cada centro. Para que esto se cumpla, la demanda asignada a cada uno de los centros potenciales j no puede exceder su capacidad. En trminos matemticos:

Por otro lado, la demanda de cada uno de los nodos tiene que ser atendida. Es decir:

Finalmente, un nodo de demanda i no puede ser servido por j si no existe un centro en j. Matemticamente,

en donde M es un parmetro con un valor muy elevado (por ejemplo, 1010). Si Wj es igual a 0, forzosamente todas las Xij sern igual a 0. En caso contrario, si Wj es igual a 1, las variables Xij podrn tomar cualquier valor, ya que no tendrn ninguna cota superior. Ahora falta definir el objetivo. Por un lado tenemos los costos de apertura, o costos fijos. Por otro lado, tenemos que minimizar los costos de distribucin o transporte. Estos dos tipos de costos juegan un papel opuesto en relacin al nmero de centros a ubicar. Mientras que, contra ms centros abramos, menor ser el costo de transporte al reducirse las distancias, por otro lado los costos de apertura aumentarn considerablemente. El modelo buscar el nmero de centros que minimice los costos totales. El objetivo se define matemticamente como:

El primer trmino de del lado derecho de la ecuacin refleja los costos de apertura. El segundo trmino formula los costos totales de transporte. En resumen, el modelo se formula de la siguiente forma:

106

Este problema es de programacin lineal entera mixta, ya que mientras que algunas de las variables son enteras (en este caso las Wj son binarias), otras son continuas (las Xij pueden tomar cualquier valor nonegativo). Este problema es muy utilizado para ubicar plantas de produccin y depsitos de distribucin. Existe un sinfn de problemas de localizacin basados en este modelo. 3.3.6 Conclusiones En este captulo hemos examinado como formular algunos problemas de programacin entera mixta y binaria y como resolverlos con el algoritmo de bifurcacin y acotamiento. Mientras que algunos problemas son relativamente fciles de resolver con este algoritmo, otros pueden ser extremadamente caros en trminos de tiempo de ordenador, ya que la ramificacin es exponencial, y en cada rama del rbol del algoritmo tenemos que resolver un programa lineal. La mayora de programas lineales incorporan un modulo de programacin entera por lo que no hay que realizar el algoritmo; el propio programa se encarga del proceso. En la hoja de clculo Excel, para resolver programas con algunas o todas las variables enteras, basta declararlas como enteras o binarias (si procede) dentro de la ventana de restricciones. 3.4 Actividades para el Aprendizaje. Luego de visitar estas direcciones de pginas web, elaborar un resumen y/o desarrollar los ejercicios propuestos para el tema correspondiente: Investigacin de operaciones: http://www.investigacion-operaciones.com/contenido.htm Resolver los ejercicios al capitulo correspondiente: Ctedra de Mtodos Cuantitativos para los Negocios. http://www.unsa.edu.ar/mcneco/mcn_tps.html Programacin Matemtica http://www.uv.es/~sala/programacion.htm Bienvenidos a los cursos del rea de Operaciones Descargar ejercicios: http://ucreanop.org/descarga_ejercicios.php

107

108

MODELOS DE INVENTARIOS.
Objetivos del Captulo. Anlisis de la estructura de los modelos de gestin de inventarios Procesos de gestin de inventarios. Polticas de control y seguimiento de inventarios Utilizacin de software para gestin de stocks 4.0 Introduccin La Gestin de Inventarios es la tcnica que permite mantener una existencia de productos a un nivel adecuado, segn sean las necesidades de las Unidades Productivas que estn relacionadas, y en consecuencia de las Estrategias de Produccin. Si miramos al Inventario del punto de vista de Anlisis del Valor, este no adiciona valor al Sistema de Produccin, por lo tanto, lo ideal es que el tamao del inventario que manejemos sea lo ms pequeo posible. Su tamao, en este caso, es dependiente de consideraciones de variabilidad que se manejan dentro del Sistema Productivo y de los Niveles de Riesgo que sean aceptables para un determinado Sistema de Produccin. Por lo tanto, el principal objetivo de analizar un Sistema de Inventario es encontrar respuestas a preguntas como las que se presentan a continuacin: Qu artculos deben mantenerse en inventario? Qu cantidad de artculos debe ser ordenada o producida? Cundo deben generarse las Ordenes para que el costo total de manejo de inventarios sea el mnimo posible? Qu Sistema de Control de Inventario deber utilizarse para cada caso? Dentro de la filosofa de produccin JIT, lo ideal es que no existieran inventarios, o que estos sean mnimos. Por lo tanto, la filosofa JIT trabaja desde la perspectiva de entregar y recibir la cantidad especificada en el instante preciso. Pero si analizamos con detenimiento lo que propone la filosofa JIT, podramos decir que es demasiado idealista, ya que fsicamente es imposible eliminar completamente la existencia del inventario, ya que su papel bsico es permitir el acoplamiento entre dos unidades productivas de distinta capacidad, lo que no debemos obviar. 4.1 Definiciones y Funciones. Inventario: se puede definir inventarios de Materias Primas, Partes en Proceso y de Productos Terminados, ya que se encuentran en algn lugar y en un determinado tiempo dentro del Sistema de Produccin. Objetivo del Inventario: permitir y/o facilitar la produccin entre dos unidades de produccin o dos etapas de produccin que estn ubicadas secuencialmente. Por lo tanto, el inventario cumple una funcin de capacitor entre ambas unidades, permitiendo por un lado, absorber las distintas capacidades y formas de produccin, y por otro, las variaciones que experimenta cada unidad dentro del Proceso de Produccin. 109

A continuacin, presentaremos dos Sistemas de Produccin, A y B, los cuales funcionan con distinta Tasa de Produccin y en el que el sistema A alimenta al sistema B. Sistema Productivo A Sistema Productivo B

Figura 4.1 Sistemas Productivos A y B De las figuras anteriores se pueden observar dos situaciones bsicas: a. En la medida que exista un Inventario, es posible "acoplar" dos Unidades Productivas con distinta "Capacidad de Produccin" (entendiendo por Capacidad de Produccin como la cantidad producida por unidad de tiempo).

b. En la medida que el Tamao del Inventario es mayor, es posible establecer mayor independencia entre ambas Unidades de Produccin. En caso contrario, cuando el Tamao del Inventario es menor, mayor es la dependencia entre ambas unidades. 4.2 Clasificacin de los sistemas PRODUCTIVOS segn la demanda. Podemos destacar que desde el punto de vista de la demanda final sobre el producto, se puede inferir que existen dos esquemas bsicos de administracin de inventarios. Dependiendo del tipo de Demanda Final que tenga un producto, se puede decir que existen dos Esquemas Bsicos de Administracin de Inventarios: a. Con DEMANDA INDEPENDIENTE: cuando se tiene una demanda independiente, la cantidad de productos en inventario no depende slo de las decisiones internas del Sistema de Produccin, sino que fundamentalmente de las condiciones del mercado. Estas condiciones del mercado se ven reflejadas como el consumo de un determinado bien en un determinado momento. Los Modelos que permiten dimensionar el Volumen del Inventario cuando se tiene una demanda independiente se llaman MODELOS DE TIPO REACTIVO, y se aplican para dimensionar el volumen de productos finales a fabricar y a dimensionar el stock de productos que tendremos en inventario. Los modelos de tipo reactivos tambin son usados, desde una perspectiva tradicional, para dimensionar los Lotes de Produccin que deben ser manufacturados bajo condiciones de estructura de costos similares a las que se definen para el caso de compras y almacenamiento.

110

b. Con DEMANDA DEPENDIENTE: en este caso, como su nombre lo indica, la demanda que experimenta un determinado producto depende de las negociaciones y acuerdos que se tomen entre el cliente y la empresa, a nivel del Sistema de Planificacin de la Produccin. Los Modelos que permiten cuantificar el nivel de inventarios bajo este esquema son llamados MODELOS DE TIPO PROACTIVOS, o de Calculo de Necesidades. (MRP). Al ver estos dos enfoque, podemos ver que existe una diferencia fundamental con relacin a como se origina una decisin y cuales son las variables y/o parmetros considerados para tomar una decisin. As en el caso de los Modelos de tipo Reactivo, la pregunta bsica que se plantea es: Qu debo hacer cuando se llega a cierto nivel crtico, llamado punto de reorden? Es decir, un modelo de tipo reactivo nos lleva a definir un cierto punto de reorden, l nos avisa cuando tenemos que realizar un reaprovisionamiento. Este punto de reorden va a depender de la Poltica de Reposicin que definamos (tema que tocaremos ms adelante). En el caso de los Modelos de tipo Proactivos, el problema bsico esta en definir que se va hacer en un determinado futuro, por lo tanto las preguntas bsicas que se plantean son: Qu es la que se necesitar a futuro? Qu cantidad y en qu momento? Es decir, un modelo de tipo proactivo me lleva a definir un Plan Maestro de Produccin, de acuerdo a la demanda que se fija a nivel de Sistema de Planificacin de la Produccin. Ahora si hacemos un anlisis desde una perspectiva histrica, podemos decir que en un principio las Empresas planificaban las existencias de materiales usando modelos de tipo Reactivo, lo que les traa las siguientes ventajas y desventajas: 1. Ventajas de la utilizacin de Sistemas de Tipo Reactivo: La facilidad de controlar los niveles de inventario. Se pueden llevar, de manera ms sencilla, los Registros productos. 2. Desventajas de la utilizacin de Sistemas de Tipo Reactivo: El volumen de material almacenado es voluminoso. El problema (peligro) de obsolescencia de productos que se almacenan. El deterioro y prdida de productos. Posteriormente, surgieron los modelos de tipo proactivos o de Calculo de Necesidades, los cuales son aplicados a Sistemas de Manufactura y, especficamente, cuando existen productos de tipo Estandarizado o Semiestandarizado. 1. Ventajas de la utilizacin de Sistemas de Tipo Proactivo: Permiten dimensionar los inventarios de acuerdo a las necesidades del produccin. 2. Desventajas de la utilizacin de Sistemas de Tipo Proactivo: Slo se pueden implementar si en la empresa que utiliza este sistema existe una infraestructura computacional adecuada. 111 sistema de tanto de entrada o salida de

En consecuencia, en este captulo se analizar, preferentemente, lo relacionado con demanda independiente. 4.3 Estructura de Costos de Inventarios. Muchos problemas de decisin de inventarios pueden resolverse empleando Criterios Econmicos. Sin embargo, uno de los prerequisitos ms importantes para aplicar un criterio econmico es tener una Estructura de Costos adecuada. Muchas de estas estructuras de costos involucran alguno o todos de los 4 tipos de costos siguientes: a. Costo Unitario del Articulo (C): es el costo derivado de comprar o producir los artculos individuales de inventarios. Su unidad de medida es ($/unidad).

b. Costos de Ordenar o Pedir (S): es el costo relacionado a la adquisicin de un grupo o lote de artculos, tambin se dice que es el costo de las acciones necesaria para realizar una nueva compra. Este costo de pedir no depende del nmero de artculos que tenga el lote respectivo, sino que esta asociado a las actividades de hacer el pedido si es desde el punto de vista de comprar, o de los costos de transformar el sistema (costos de set up) y adecuarlo a la fabricacin de un nuevo lote o corrida de produccin.Su unidad de medida es ($/orden). c. Costos de Mantener o Poseer Inventarios (h): este costo est asociado a la permanencia del artculo durante un perodo de tiempo. Su valoracin se determina en funcin del tiempo almacenado y del valor del bien involucrado. Por lo tanto, el costo de mantener, involucra aspectos tales como: Costo de capital. Costo de almacenamiento. Costo de obsolescencia y perdida. d. Costos de Inexistencia (W): son los costos que reflejan las consecuencias de quedarse sin material en un determinado momento. Entre estos costos podemos indicar: Falta de materia prima (debido a paro de la produccin, mano de obra ociosa, etc...). Falta de productos terminados (perdida por no ventas, necesidad de subcontratacin, prdida de prestigio frente a clientes, etc...). Falta de repuestos. Su unidad de medida es ($/unidad). 4.3.1 Nomenclatura Asociada a Inventarios. Para establecer los diferentes modelos de costos asociado a cada sistema de inventario, es necesario en primer lugar definir una nomenclatura adecuada para entender las ecuaciones respectivas. Sean las siguientes definiciones: D C = Demanda Anual. (unidades/ao) = Costo de Compra (si el artculo es comprado) o Costo Unitario Variable (si el artculo ha sido producido). ($/unidad) Q = Cantidad Ordenada por Lote. (unidades / lote) Q* = Cantidad Lote Econmico. (unidades/lote) r = Punto de Reorden. (unidades) tl = Tiempo de espera. (das) 112

S P dl CT h

= Costo de Preparacin o Emisin de la Orden. ($/orden) = Tasa de Produccin. (unidades/ao) = Demanda durante el Perodo de Espera.(unidades/da) = Costo total ($/ao) = Costo de mantener una unidad en trminos % del valor de la unidad y por unidad de tiempo T = Longitud del periodo de anlisis. (unidad de tiempo, das o aos) 4.4 Decisiones sobre inventarios Las decisiones en inventarios son tomadas en funcin de como se espera que sea la demanda futura, la cual puede ser clasificada en los siguientes trminos:

Figura 4.2 Decisiones en Inventarios La figura 4.2 da origen a distintos Modelos de Inventarios, en funcin del tipo de demanda: a. Modelos de Inventarios con Demanda Determinstica Esttica: estos modelos se utilizan cuando la demanda es conocida y constante para todos los perodos. b. Modelos de Inventarios con Demanda Probabilstica Esttica: estos modelos se utilizan cuando demanda es aleatoria y tiene una distribucin de probabilidades, pero es igual para todos los perodos. Modelos de Inventarios con Demanda Determinstica Dinmica: estos modelos se utilizan cuando la demanda es conocida y constante, pero vara para cada perodo. d. Modelo de Inventarios con Demanda Probabilstica Dinmica: estos modelos se utilizan cuando la demanda es probabilstica con una distribucin de probabilidades, y es variable en cada perodo. 4.5 Anlisis de la Tasa de Demanda y Tasa de Reposicin. Desde el punto de vista de su comportamiento o variacin en el tiempo (tasa de cambio), la demanda se puede clasificar en: a. Demanda Infinita Uniforme. b. Demanda Fuente Uniforme. c. Demanda Exponencial. Las siguientes figuras nos ayudaran a visualizar de mejor forma lo anteriormente dicho: c.

113

Figura 4.3 Cantidad de Inventario Q En general, el nivel del inventario en un momento determinado esta dado por la expresin:

Q0 = Inventario Inicial en el tiempo 0. X = Tamao de lo demando durante un perodo T t = tiempo considerado. n = Indice del exponente de la demanda. T = Longitud del Perodo. Para el caso de la Tasa de Reposicin de Inventarios, se pueden postular diversos modelos de comportamiento: a. b. c. d. Tasa de Reposicin Uniforme. Tasa de Reposicin Exponencial. Tasa de Reposicin infinita. Tasa de Reposicin en Lotes.

Las siguientes figuras nos ayudaran a visualizar de mejor forma lo anteriormente dicho:

Figura 4.4 Tasa de Reposicin de Inventarios Tipos de decisiones sobre inventarios. Con relacin a las decisiones que se deben tomar sobre la gestin de los inventarios, las podemos clasificar en base a lo siguiente: a. Polticas de Inventarios, para las cuales se definen diferentes Modelos de Anlisis. b. Dimensionamiento de las Cantidades a Ordenar, las cuales estn en funcin de las Polticas definidas. c. Sistemas de Control a Implementar. 4.6 Polticas de inventario.

114

La Poltica de Inventario se refiere a la Revisin y Disciplina utilizada para ordenar y controlar los inventarios. La poltica de Inventario trata de responder a las siguientes interrogantes: Cundo debe ser emitida la orden? Cunto se debe comprare (tamao del lote)? Existen dos tipos de Polticas de Revisin de Inventarios: Poltica de Revisin Peridica y Poltica de Revisin Continua. 4.6.1 Poltica de Revisin Peridica. Bajo esta poltica, los Niveles de Inventario son monitoreados a intervalos de tiempo T, donde T es la longitud de tiempo determinada segn sea el criterio ordenado. La cantidad a ordenar est dada en funcin de como sean las decisiones de reposicin. a. Revisin peridica con reposicin bajo un punto de quiebre (r). En este sistema, la reposicin del inventario se realiza siempre que el nivel de existencia en el inventario sea menor que un punto mnimo aceptable o de quiebre (r).

Figura 4.5 Revisin Peridica As la cantidad ordenada es: 0 si It > r; Imax It si It < r Revisin Peridica y Emisin de Orden de Compra. En este sistema, toda vez que se cumple el periodo T, se emite una orden igual a Imax It, por lo tanto, la cantidad ordenada siempre es variable. 4.6.2 Poltica de Revisin Continua. Bajo esta poltica, el monitoreo del inventario es permanente y una vez que se alcanza el punto de reorden r es emitida una orden de compra. El punto r se determina en funcin de un nivel de seguridad aceptado y en funcin de la cantidad consumida durante el tiempo que demora en obtenerse la reposicin b.

Figura 4.6 Reposicin Instantnea La eleccin de un sistema de revisin depender de varios factores: 1. En el caso de Sistemas de Revisin Peridica, estos sistemas estn asociados bsicamente a modelos de reaprovisionamiento. 115

Como ventajas de estos sistemas de revisin peridicos se pueden mencionar: Fcil de llevar. Es bueno para coordinar tems relacionados, ya que aprovecha mejor la infraestructura de transporte. Es bueno en el caso de que se quiera manejar artculos baratos. Como desventajas de los sistemas de revisin peridicos se pueden mencionar: Es ms caro, del punto de vista de que maneja una mayor cantidad de mercadera en inventario. Es susceptible a que ocurran faltas cuando la demanda es variable. 2. En el caso de los Sistemas de Revisin Continua, como ventajas tenemos que: Optimiza los niveles de recursos involucrados. El nivel de servicio es mejor, ya que mejora la probabilidad de que el pedido sea abastecido con el inventario existente. Es apropiado para artculo caros. Pero el sistema de revisin continua tiene los siguientes inconvenientes: Tiene un alto costo por manejos de registro y requiere una constante atencin en el producto. 4.7 Dimensionamientos de las Cantidades a Ordenar. 4.7.1 Modelo de un nico Producto: Para este caso, consideramos: Una tasa de Demanda D. Una tasa de Produccin P (es decir, una unidad es adicionada al inventario 1 a la vez). Las Faltas son permitidas, de manera que no se sobrepase un mximo Zmx. El siguiente diagrama nos permita visualizar de mejor forma el modelo de dimensionamiento de inventario para un nico producto:

Figura 4.7 Modelo Dimensionamiento de Inventario

116

Por definicin: Tp = Q/P y T = Q/D. En este modelo, la produccin parte en el punto a, y en ese momento, se inicia el llenado a una tasa de PD que primero en un principio sirve para reponer las faltas y posteriormente para acumular inventario, hasta llegar a un nivel mximo en el punto k. A partir de este punto, el nivel del inventario empieza a disminuir, llegando a un nivel 0 (cero) o al punto J y un nivel de falta mximo en el punto a del ciclo siguiente. El nivel mximo del inventario es:

Composicin del costo para el ciclo dado: a. Costo de colocar una orden o (set up) este un costo fijo S.

b. El costo de llevar el inventario durante un ciclo, este costo es efectivamente incurrido donde existen materias T2 y T3. As corresponde calcular el inventario medio durante el ciclo total. Recordar que

As el es el rea b, k, j dividida por T

Como Q/D = T y como se conoce T2 y T3, y de (*)

y el costo promedio de mantener por un perodo es igual c. El costo de falta se debe a dos situaciones: 1. 2. As:

Por el hecho de deber material y se mide como Zmax * W, donde W representa el costo por falta independiente de la duracin.($/unidad). Costos por la falta promedio durante el perodo T. Tiempo para eliminar los atrasos.

117

Tiempo en construir los atrasos Utilizando el mismo procedimiento que en el caso anterior, se tiene que:

As el costo de falta promedio ser: donde es el costo de falta por unidad/por unidad de tiempo.

d. El costo de compra finalmente es = C * Q por lo tanto, el Costo Total por Ciclo es el siguiente:

Como nuestro objetivo es el Costo Total Anual, tenemos que: El nmero de rdenes es D/Q = n h = i*c, donde i: representa la tasa anual de costo de inventario

Lo anterior es la ecuacin general de costos en funcin de Q, Zmax. Alternativas de Solucin: La situacin es derivar con respecto a: Cantidad y a Zmax.: , e igualar a 0.

Casos Especiales en que No se Permitan Faltas. Caso A: Tasa de Llenado del inventario es P-D.

118

Figura 4.8 Tasa de Llenado de Inventario: P-D

Caso B: Tasa de llenado P= infinita.

Figura 4.9 Tasa de Llenado Infinito

4.7.2 Modelos con Tiempo de Espera. Los modelos determinsticos pueden ser fcilmente ajustados cuando los tiempos de espera se conocen con certeza. As, el punto de Reorden se calcula como: r* = Existencia de seguridad + demanda durante el tiempo de espera. Si las existencias de seguridad son iguales a 0, entonces: r* = 0 + tiempo de espera * dL = tL * dL

119

Con dL representando la demanda diaria del producto. Ejemplo: Una cadena de venta de hamburguesas consume anualmente 750 cajas vacas, el costo de pedir cajas al proveedor es de 15 US$ por orden y de manejo de las cajas en inventario, es de un 30%. Si el valor de cada caja es 12 US$ y se sabe que la entrega es en 5 das. Cul es la doctrina de operacin que debemos seguir? El valor de cada caja es 12 US$

Figura 4.10 Tiempo de Espera

Supuesto = operacin 365 das al ao.

La Poltica Optima a seguir, es ordenar 78 unidades, cuando la existencia es 10 cajas 4.7.3 Anlisis De Sensibilidad. Ejemplo: Una empresa fabricante de insignias tiene un contrato por 50.000 (unidades) de venta anual. La empresa tiene una poltica de ordenar lotes de 40.000 (unidades) con un costo de colocar la orden de 16.000 ($/pedido). Costo de manejo es del 20%. Costo del producto es 60 ($/unidad). La empresa desea mejorar el error que comete al seguir su actual poltica Solucin: Tenemos los siguientes costos: Costos Relevantes = Costos de Mantencin + Costos de Pedir.

120

El CT segn poltica actual, es el siguiente:

El Costo total de la Poltica Optima:

A continuacin, calcularemos el incremento en el Costo total que acarrea la poltica que actualmente utiliza la empresa:

El costo total sufri un incremento de 25%, por no seguir la poltica ptima Alternativamente, podramos haber obtenido el mismo resultado haciendo el siguiente clculo:

Lo importante es considerar los costos relevantes y sensibilizar. Ejemplo de Tarea: El restaurante dulce rico para su uso de venta de bebidas, enfrenta una deman da de 120 vasos diarios, y opera 360 das al ao. Los vasos tienen un Costo de 40 ($/docena). Para enviar una orden de pedido, el restaurante tiene que pagar 2.000 ($/orden). El mantener inventario le significa un costo de mantencin del orden del 50% debido a muchas prdidas producidas por su operarios, que diariamente quiebran muchos vasos o los trisan. Determine el error que se comete debido a que hace pedidos una vez al mes.? Solucin: D = (120 /12) * 360 = 3600 .(docenas de vasos/ao) S = 2000.($/orden) i = 0,5 C = 40 ($/docena)

121

Como realiza pedidos anuales: CT = 2000 * 12 * 0,5 * 40 * 150 = 24000 + 3000 = $27000 Con la poltica ptima el costo total es:

4.7.4 Cantidades Descontinuadas. Lo anterior sucede cuando existen descuentos por volumen, es decir, el precio vara a medida que el volumen es mayor. As si: Cantidad Ordenada 0 < Q < q1 q1 q2 q3 Q < q2 Q < q3 Q < q4 Precio Unitario P1 P2 P3 P4

Cuadro 4.1 Cantidades Descontinuadas En este caso, el valor de CD es relevante, ya que segn el volumen de compra existe un Cj.

Para el caso anterior el supuesto que se tiene es una reposicin instantnea, tasa infinita de reposicin y una demanda constante. Ejercicio: Suponga que un depsito de equipos electrnicos enfrenta una demanda de 250.000 unidades/ao y el costo de hacer el pedido es de 100 $/orden. El costo anual es de 0.24% Las cantidades y precios son los siguientes: Rango de Cantidades 0 Q < 5.000 5.000 20.000 Q < 20.000 Q < 40.000 Q Precio unitario $12 $11 $10 $9

40.000

Cuadro 4.2 Cantidades Descontinuadas (2) Cul es el tamao de lote ptimo de equipos electrnicos que conviene comprar?

Solucin:

122

d.

Un supuesto razonable es utilizar el mejor precio que en este caso de 9 $/U Cj = 9 ($/unidad)

Esto quiere decir que si nos ofrecieran vendernos los equipos a 9 $/unidad, nos conviene pedir en lotes de 4811 (unidades/pedido). Como esta cantidad Qj = 4811 (unidades/ pedido), es mucho menor que las 40.000 (unidades/pedido), el tamao mnimo de lote por el que el proveedor est dispuesto a pedir un precio de 9 ($/unidad) es de 40.000 (unidades/pedido).

Costo total de la alternativa para esta situacin es: (Q*=40.000, C=9) = $2.293.825 d. Si Cj = 10 ($/unidad) el lote optimo en esta nuevas condiciones es:

En este caso el lote ms cercano en esta condicin es 20.000 (unidades/pedido)

e.

Para

C = 11 ($/unidad)

En consecuencia el lote esta fuera del rango considerado. Q* = 4352 < 5000 (unidades/pedido) Costo total de la alternativa: CT (C=11, Q = 5000) = $ 2.761.600 f. Para C = 12 ($/unidad)

Q* = 4166 < 5000 (unidades/pedido)

123

En este caso el Lote esta dentro del rango considerado. Costo total de la alternativa: CT (Q* =4166, C = 12) = $ 3.012.000 As se tiene que: Q*(unidades/pedido) Cj ($/unidad) 40 20 5 4.166 9 10 11 12 CT ($) 2.493.825 2.525.250 2.761.600 3.012.000 la mejor poltica

Cuadro 4.3 Cantidades Descontinuadas (3)

Figura 4.11 Costo Total 4.7.5 Situaciones Con Mltiples Inventarios. Existen casos donde existen: Varios tipos de productos. Varios lotes econmicos ptimos (uno para cada producto a considerar). Varias restricciones, ya sea de capital para comprar, espacio para almacenar o transportes, presupuesto, peso, etc... Cada producto tiene una demanda independiente. Para el caso anterior, se pueden plantear las dos Polticas de Inventario antes analizadas: Lote econmico. Perodo econmico. Ejercicio: Sea una fbrica que produce tres tipos de lmparas que presentan demandas distintas. Para conceptos de fabricacin, la fbrica dispone de un presupuesto de $16.000. El costo de mantener una unidad de inventario es de 0,18 (18%). En la siguiente tabla, presentamos la demanda, costos de fabricacin y costos de set-up (costos de echar a andar) para esta fbrica:

124

Lampara Lampara Lampara tipo 1 tipo 2 tipo 3 Demanda Dj (unidades/ao) Costo de Fabricacin ($/unidad) Costo de set-up ($/orden) 1.5 60 60 1.5 30 60 2.5 80 60

Cuadro 4.4 Mltiples Inventarios Solucin: Como los tres tipos de lmparas son unidades independientes, podemos calcular el lote econmico para cada una de ellas por separado, entonces:

Los anteriores son los lotes econmicos ptimos a fabricar, pero si calculamos el costo total de fabricacin en que incurriramos al seguir esta poltica, tendramos: Costo de Fabricacin totales = (60*129) + (30*183) + (80*144) = 24759 > 16000. Si observamos, al fabricar los lotes econmicos anteriores, estaramos sobrepasando el presupuesto lmite del que disponemos. Por esto debemos disminuir de alguna forma los lotes econmicos de cada una de las lmparas, lo que se logra al calcular el llamado COEFICIENTE DE LAGRANGE (Le). Desarrollo: Se debe tomar como supuesto base, el que no existen desfases entre los pedidos de los productos considerados.

Para optimizar = Sujeto a: Se calcula Donde B son restricciones de presupuesto en este caso. y se reemplaza en

125

Si no se cumple lo anterior se plantea el Lagrangiano:

Derivando con respecto a Q y

, y finalmente reordenando la ecuacin es posible establecer que:

B: Es de parmetro dado por la restriccin. E: Es el valor del parmetro de la restriccin en condiciones optimas. Q*jL = Es el valor optimo del tem considerando la restriccin de Lagrangiano.

Para nuestro ejemplo E = 24750

Considerando que

se puede evaluar los Ti.

Nota: El problema se produce al inicio del anlisis, es decir al efectuar en primera compra o el primer traslado, etc. 4.7.6 Calculo del Periodo Optimo. Para la situacin anterior puede plantearse el clculo de un tiempo de ciclo fijo para todos los tems sujeto a la restriccin de presupuesto. Sabiendo que

Derivando con respecto a T y minimizando 0

126

Debido a que existen restricciones de presupuesto y puede existir un T 0 que es distinto, entonces nos interesa: Maximizar T0 , tanto como sea posible. Por resolucin del Lagrangiano, similar al del caso anterior, puede calcularse un T 0 de la siguiente forma:

y el desfase ptimo entre las rdenes est dado por:

Por lo tanto el T ptimo es aquel que minimiza CT que es funcin de: CT que es funcin de: CT (T*c To)

Figura 4.12 T ptimo q minimiza CT Si aplicamos esto en el ejemplo anterior, tendramos que:

El perodo T0 con restricciones, sera:

= 0,0660 aos = 24 das Por lo tanto, el min. T{24, 28} = 24 das, y las cantidades ordenadas

127

Qj = Dj*T =

Q1 = 1500 x 0,0660 = 99 (unidades) Q2 = 1500 x 0,0660 = 99 (unidades) Q3 = 2500 x 0,0660 = 165 (unidades)

Figura 4.13 T que minimiza CT (2) Ejemplo: Una maestranza atiende varios centros comerciales en una serie de productos industriales, entre los que se encuentra la fabricacin de tornillos de banco. La demanda total de este producto es de 30.000 (unidades/ao). La capacidad de produccin de la maestranza en este producto es de 45000 (u/ao). El costo de elaboracin de una unidad es de $4.000. - y el mantener stock involucra un monto del 15%. El costo de ajuste de mquinas es del orden de $30.000. Se desea saber una doctrina de operacin ptima. El tiempo en preparar las mquinas toma cinco das. a. A qu nivel de Inventario es necesario empezar a preparar la mquina b. Qu cantidad se debe fabricar. c. Que cantidad se acumula como mximo. Respuesta: a. b. El nivel r = dxT = 30.000 (u/ao) x 5/365 = 410 unidades

c.
4.8 Modelos con Demanda Probabilstica En los modelos de inventario se asumi lo siguiente: Demanda conocida y estable Tiempo de espera constante

128

La realidad prctica no es as, ya que si pueden ocurrir ambas situaciones como lo indica la figura siguiente:

Figura 4.14 Demanda Probabilistica En este caso tenemos que: a. Existe una demanda variable b. Existe un tiempo de espera variable Por lo tanto, la solucin de ese problema es bastante complejo y puede ser logrado en funcin de un procedimiento de prueba y error de manera dirigido para obtener convergencia, asumiendo un valor de demanda constante se calcula un punto de reorden, y con este valor se recalcula un nuevo Q para otra demanda y nuevamente otro r, finalmente convergen a valores en el tiempo de Q y r. 4.8.1 Modelo Simple Asumir que tL= contante, es decir, el tiempo de espera conocido no as la demanda la cual vara. En este modelo se desea encontrar la doctrina de operacin que tome en cuenta la posibilidad de falta de existencias. As, se desea establecer existencias de seguridad adecuadas que permitan proporcionar un nivel especificado de proteccin para dar servicio a los clientes cuando se desconoce la demanda. Definicin de NIVEL DE SERVICIO: Es el porcentaje de demanda del comprador que se satisface con material proveniente del inventario, as un nivel de 100% representa la satisfaccin de todos los requerimientos de comprador con material existente en bodega. El porcentaje de inexistencia es igual a 100% - el nivel de servicio. Importante existen definiciones diversas de nivel de servicio y que dan valores distintos de puntos de reorden.

129

Figura 4.15 Modelo Simple 4.8.2 Clculo de Inventario de seguridad para la Poltica de Revisin Continua. Variables: m = consumo efectuado durante el tiempo de espera. Z = factor de seguridad. s = inventario de seguridad. tL = desviacin estndar de la demanda durante el tiempo de espera. dL = demanda diaria promedio. diario= desviacin estndar diaria de la demanda. tL = tiempo de espera.

Donde: S:

Por lo tanto

Resumiendo:

Ejemplo: La demanda diaria de camotes se encuentra distribuida normalmente con una media d = 50 (unidades/da) una desviacin de diario =5(unidades/da). El abastecimiento tiene un tiempo de espera de 6 (das). El costo de solicitud la orden es de 8 (US$/orden), el costo unitario de cada camote es de 1.2 (US$/unidad) y los costos de manejo son del 20% del precio unitario. Se desea dar un nivel de servicio de 95%. Cul sera la Poltica Optima? Supuesto: 365 das al ao. D = d x 365 = 50 x 365 = 18250 130

S = 8 $/orden i = 0,2 % C= 1.2

De la distribucin normal con un 95%, obtenemos que el rea bajo la curva es 0,5 + 0,45. Con este ltimo valor se entra a tabla de Z y u = 0. El valor de Z es 4.645. Luego:

Pero, como conocemos la

diario

=5(unidades/da), tenemos que:

12.2 (unidades) por el perodo de 5 das. r* = 300 + 1,645 * 12,2 = 300 + 20 = 320 (unidades) Resultado: a. La poltica es ordenar lotes de 1103 unidades b. El punto de orden es de 320 unidades. c. El Inv. Seguridad = 20 Unidad.

Figura 4.16 Poltica de Revisin Continua 4.8.3 Calculo de Inventario de Seguridad en Poltica de Revisin Peridica. A diferencia del modelo EOQ este sistema funciona diferente debido a que: 1. No tiene un punto de reorden sino un objetivo de inventario 2. No tiene una cantidad econmica del pedido sino que la cantidad vara de acuerdo a la demanda. 3. El sistema peridico (T) el intervalo de compra es fijo y no la cantidad.

131

Figura 4.17 Poltica de Revisin Peridica Sustituyendo T = Q/D en la frmula de EOQ, tenemos que:

Esta ecuacin proporciona un intervalo de revisin T aproximadamente ptimo. El nivel de inventario objetivo I, puede establecerse de acuerdo a un nivel de servicio especificado. As el inventario objetivo se fija lo suficientemente alto para cubrir la demanda durante el tiempo de entrega ms, el perodo de revisin. Este tiempo es el que condiciona el nivel mximo. Se requiere este tiempo previsin, debido a que el material en almacn no ser restablecido sino hasta el siguiente perodo de revisin, ms el tiempo que tomar esa segunda entrega. As, el tiempo total tLT = T + tL I = m + s Desde P m s s Z Ejemplo: Sea una demanda d tL = = diario= s = i = c = 200 (cajas/da) 4 (das) 150 (cajas/da) 20 20% 10($/caja)
tL+t

= = = = = =

nivel de inventario objetivo demanda promedio durante el tiempo de T + tL Inventario de seguridad z * tL La desviacin estndar durante T + tL Factor de seguridad

Suponga que el almacn abre 5 das a la semana, 50 semanas, 250 das al ao I. Poltica de Revisin Permanente:

132

m = 200 x 4 = 800 (unidades) tL2= tL+ t*


2 diario

tL2 = 4 x(150)2 = 90.000 tL = 300 (cajas/durante tL) Nivel de servicio 95% Z = 1,645 Inventario de Seguridad: s=z*
tL

= 495 (unidades)

Pto. de Reorden: r = (d* tLT)+( z *


tL)=200

x 4 + 1,65x300 = 800 + 495 = 1295 (unidades)

II. Para la poltica Revisin Peridica, tenemos que

I= m + s I = m + Z
tL+T

m = d * tL+T = 200 x 9 = 1800 (unidades) = 9 * 1502 = 202.500


2 Lt+T =

(tL+T)*

d=

202500

Lt+T =

450 (unidades)

Inventario de seguridad s: s = 1.65 * 450 = 742 (unidades) Por lo tanto: I = m + s = 1800 + 742 = 2542 (unidades) La regla de revisin peridica es ordenar para lograr un nivel objetivo de I= 2542 unidades y hacer revisin cada 5 das. Si comparamos los inventarios de seguridad para cada una de las polticas, tenemos: Poltica de Revisin Continua: s = 495 (unidades) Poltica de Revisin Peridica: s = 742 (unidades) 133

Porqu se produce tal diferencia? En el Sistema de Revisin Peridica el Inventario de Seguridad sirve para cubrir un perodo de tiempo (T + tL), mientras que en el Sistema de Revisin Permanente el Inventario de Seguridad cubre un perodo t L 4.9 Resumen Final de Inventarios. Los modelos bsicos de inventario son:

Figura 4.18 Modelos Bsicos de Inventarios 1. En el caso de sistema peridico, es ms fcil de llevar ya que slo se verifica una vez cada perodo, se pide un mximo que es variable. 2. El sistema Q/r debe ser revisado permanentemente y hacer registros cada vez que se hace un egreso, requiere de mayor esfuerzo. 3. El sistema peridico requiere de ms existencia de seguridad, ya que esta se dimensiona para un tiempo tL = T + tL. 4. El Sistema de Revisin Peridica puede dar como resultado ms falta, ya que puede trabajar con una demanda normalmente alta, puede haber falta. 5. En el sistema Q, r la cosa es diferente, ya que existe un monitoreo permanente y se puede reaccionar ms rpido. 4.9.1 Enfoque Japons. La filosofa rpida es producir lo que el cliente desea. Hacer la cantidad exacta, en el tiempo exacto y en las condiciones solicitadas. Elaborar el producto con la frecuencia que se pide. Producir con calidad perfecta (especificaciones dadas). Fabricacin con tiempo de espera mnimo. Lote econmico EOQ = 1 (teorico) Produccin sin desperdicio de mano de obra, material, equipo, etc.., de forma que por ningn motivo exista material o inventario ocioso. Por lo tanto, como resultado final de esta filosofa, tenemos una drstica cada de inventarios con el consiguiente aumento de rotacin. El enfoque JIT nace como una filosofa de administracin o gestin de la produccin y, con su tcnica de Kanban, como herramienta de CONTROL de la produccin. Ejemplo de un anlisis de produccin:

134

Plantas Toyota 1980 Japn Kaeasaki 1981 Japn Kawasaki (USA) 1982

Disponibilida des das de Rotacin Inventario Anual 4 62 3,2 5,0 78 50

6 - 25 Compaas Americanas 1982 10 - 41 Cuadro 4.5 Anlisis de Produccin Rotacin es igual = 250 das de disponibilidad 4.9.2 Sistema de Costeo ABC. Este sistema se basa en la propuesta de PARETO (1906), donde observa que unos cuantos artculos en cualquier grupo, controlaran una proporcin significativa del grupo entero. As se observo que: Unos pocos individuos parecen obtener la mayora de los ingresos. Unos pocos productos parecen obtener la mayora de los ingresos y as por adelante. En inventario sucede algo parecido. Un ejemplo que aclara la situacin, donde un total de 10 artculos de los cuales 2 representan el 73,2% del costo o uso. Clase N de Artculos 3,6 2,4,9 1,5,7,8,10 Porcentaje Porcentaje del uso total en 73,2 % 16,3 % 10,5 % 100% Cuadro 4.6 Sistema de Costeo ABC

A B C

20 30 50

Figura 4.19 Costeo ABC En resumen: este concepto se fundamenta en los pocos significativos en los muchos significativos, lo bsico es que me permite orientar mis esfuerzos.

135

Consideraciones adicionales Otros aspectos a considerar en manejo de inventarios es que no son costos son: Lead time Obsolescencia Disponibilidad Sustitutibilidad Criticidad As se deben considerar aspectos de: no producir por falta. rapidez de la compra. cuando un sustituto est disponible. descuentos segn fecha de compra. Estos aspectos pueden tener un mayor impacto que lo determinado econmicamente, en determinados casos. 4.10 Sistemas de Control de Inventarios Hasta este punto la atencin se ha centrado en las reglas de decisin que pueden usarse para determinar Cundo y Cunto Ordenar?. En las operaciones, estas reglas deben enmarcarse dentro de un sistema de control de inventarios, de la forma como se registra la informacin (transacciones). Un sistema de control de inventarios puede ser manual o computarizado o una combinacin de ambos. Sin embargo, hoy en da la gran mayora de los sistemas de control son computarizados, exceptundose aquellos que tienen un numero pequeo de artculos, donde su costo no justifica que se implemente un sistema sofisticado. Independiente de si un sistema de control es o no computarizado, deben ejecutarse las siguientes funciones: Conteo de las transacciones. Todo sistema de inventario requiere de un mtodo de registro de las operaciones de entrada y salidas del sistema con el fin de dar apoyo a las funciones contables y de administracin de inventarios. Estos registros pueden mantenerse en forma perpetua o solo por un periodo de tiempo. Pronsticos. Las decisiones de inventario deben basarse en pronsticos de demanda. En todo sistema es necesario considerar tcnicas cuantitativas que apoyen lo juicios subjetivos, esto ultimo con el fin de modificar los pronsticos cuantitativos en caso de que ocurran eventos poco probables. Informes a la alta administracin. Un sistema de control de inventarios debe generar informes para la alta administracin, as como para los gerentes de inventarios. Estos informes deben medir el funcionamiento global del inventario y deben ayudar en la formulacin de polticas generales para lo inventarios. Tales informes deben incluir el nivel de servicio que se proporciona, los costos de operacin del inventario, los niveles comparados con otros periodos. 4.10.1 Tipos de Sistemas de Control Son muchos los tipos de sistemas de control de inventarios que actualmente estn en uso, sin embargo los 4 de mayor uso son los siguientes: a. Sistema de Un Solo Dispositivo: Es un sistema de un solo dispositivo el caja o estante se llena en forma peridica (por ejemplo los estantes de las tiendas minoristas, los cajones para partes

136

pequeas en las fabricas, etc.) . Este sistema donde el tamao es la meta. y el inventario se ajusta a esta medida en forma peridica, No se mantienen registros de cada una de las entradas y salidas. b. Sistemas de Dos Depsitos. La idea bsica es que existen dos compartimentos, el primero es de donde se saca el material y el segundo es una cantidad tal que es igual al punto de reorden. Una vez que el primero se ha agotado se inicia el segundo, emitindose una orden por una nueva cantidad igual al lote Q a ordenar determinado en funcin de un modelo respectivo. d. Sistema de Cardex. Con este sistema, se lleva un cardex, en el que generalmente se tiene una tarjeta para cada artculo del inventario. Conforme se venden los artculos, se localizan las correspondientes tarjetas y se actualizan. Similarmente. las tarjetas son actualizadas cuando llega material nuevo. Sistema Computarizado. Se conserva un registro para cada artculo en una memoria de almacenamiento de lectura computarizada. las transacciones se asientan contra este registro conforme los artculos son despachados o recibidos. Un buen ejemplo de la actualidad son los supermercados con sus registros de cdigos de barras pueden automticamente saber la cantidad vendida de un determinado producto, su rotacin, prdidas, etc. 4.11 Actividades para el Aprendizaje. Luego de visitar estas direcciones de pginas web, elaborar un resumen y/o desarrollar los ejercicios propuestos para el tema correspondiente: Modelos de Inventario http://www.inca.inf.utfsm.cl/~Pablo/files/ModeloInventario2006.pdf Resolver los ejercicios al capitulo correspondiente: Ctedra de Mtodos Cuantitativos para los Negocios. http://www.unsa.edu.ar/mcneco/mcn_tps.html Programacin Matemtica http://www.uv.es/~sala/programacion.htm Bienvenidos a los cursos del rea de Operaciones Descargar ejercicios: http://ucreanop.org/descarga_ejercicios.php e.

137

138

MODELACION DE COLAS.
Objetivos del Captulo. Identificar el nivel ptimo de capacidad del sistema que minimiza el costo 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 costos y las cualitativas de servicio. Prestar atencin al tiempo de permanencia en el sistema o en la cola. 5.0 Introduccin. En la mayora de las organizaciones existen ejemplos de procesos que generan colas de espera. Estas colas suelen aparecer cuando un usuario, un empleado, una mquina o una unidad tiene que esperar a ser servidas debido a que la unidad de servicio, operando a plena capacidad, no puede atender temporalmente a este servicio. Un tpico ejemplo de colas de espera que ilustra el problema es un viaje en avin. Primero, para comprar el billete podemos tener que hacer cola en la ventanilla correspondiente. Una vez obtenido el billete, tendremos que hacer cola para facturar el equipaje y obtener las tarjetas de embarque. Despus hacemos cola para pasar por el detector de metales y finalmente esperamos en cola en la sala de embarque. Una vez dentro del avin, tendremos que esperar a que los pasajeros coloquen sus bolsas de mano para poder llegar a nuestro asiento. Cuando el avin se dirige hacia la pista de despegue puede encontrar con una cola de aviones esperando su turno para despegar. Cuando llega a su destino, puede dar unas cuantas vueltas antes de tener permiso para aterrizar. Y finalmente, cuando se asigna una puerta de desembarque para el avin, tendremos que esperar a que lleguen las maletas. En este viaje, es posible que hayamos sido miembros de por lo menos diez colas. Y eso sin considerar la experiencia en colas de la propia compaa area para este mismo viaje. El avin en el cual viajbamos tiene que esperar en cola para repostar, ser inspeccionado, asignarle una puerta determinada, una tripulacin, una carga de comidas, una ruta especfica, etc. De ah que las compaas areas se preocupan de gestionar sus operaciones lo ms eficientemente posible, y tratar de reducir al mnimo el tiempo de espera en realizar dichas operaciones. Los sistemas sanitarios tambin se enfrentan a este tipo de problemas. Las listas de espera son muy comunes en muchos procesos quirrgicos dentro de una red sanitaria, y a nivel ambulatorio es muy comn la existencia de personas esperando a ser atendidas en un Centro de Asistencia Primaria. Los sistemas de urgencias muchas veces se ven congestionados siendo el tiempo de espera crucial. Los modelos de gestin de colas intentan simular el sistema en donde puede existir congestin (y por lo tanto, colas) y generan una serie de parmetros que veremos en este captulo- que permiten evaluar el sistema actual y evaluar la realizacin de modificaciones en el servicio en cuestin. 5.1 Descripcin de un sistema de colas Un sistema de colas tiene dos componentes bsicos: la cola y el mecanismo de servicio. En la figura 5.1 se presenta un esquema de una cola simple.

139

Figura 5.1: Esquema de Cola Simple Pueden existir varias configuraciones de colas ms complejas. En la Figura 5.2 se exponen otros tipos de configuraciones de sistemas de colas.

Figura 5.2: Configuraciones de colas El proceso bsico en la mayora de los sistemas de colas es el siguiente. Los clientes que vienen a procurar un determinado servicio se generan a travs del tiempo en una fuente de entrada. Estos clientes entran dentro del sistema y se unen a una cola. En un determinado momento, se selecciona uno de los clientes para poder proporcionarle el servicio en cuestin, mediante lo que se denomina la disciplina de servicio. Esta disciplina es la que rige el mecanismo de atencin. Una vez seleccionado el cliente, este es atendido por el mecanismo de servicio. Una vez terminado el servicio, el cliente sale del sistema. En general, un sistema de colas tiene una poblacin potencial infinita. Es decir, que el tamao de la cola es muy pequeo respecto al potencial de usuarios del sistema. Por ejemplo, un ambulatorio de urgencias en general cubre una regin con poblacin grande comparado con las posibles urgencias que se puedan generar. Ahora bien, existen casos en donde la poblacin es finita respecto del tamao de la cola. Esto puede suceder en la farmacia de un hospital, en donde la poblacin potencial la forma las enfermeras y ATS. En un momento dado puede formarse una cola considerable. Como los clculos son mucho ms sencillos para el caso infinito, esta suposicin se emplea casi siempre. Otro factor a tener en cuenta es el patrn estadstico mediante el cual se generan los clientes a travs del tiempo. La suposicin normal es que el proceso se genere siguiendo un proceso de Poisson, que veremos ms adelante. Si el proceso de llegada es Poisson, el tiempo entre cada una de las llegadas sigue una distribucin exponencial. Otro factor importante a tener en cuenta en un sistema de colas es la fuga de algn cliente. Al modelizar la cola hay que considerar si una persona que lleva dentro de la cola un rato, desiste de ser atendida, cansada de esperar, abandonando la cola. Como hemos mencionado anteriormente, la disciplina de la cola rige el sistema de entrada en el mecanismo de servicio. La mayora de los sistemas utiliza el m todo First In First Out, conocido como 140

FIFO. Otros sistemas pueden ser de tipo aleatorio, o de acuerdo con un sistema de prioridad previamente establecido. El mecanismo de servicio consiste en una o ms instalaciones de servicio, con cada una de ellas con uno o ms canales de servicios, llamados servidores. Los clientes son atendidos en estos servidores. El tiempo que transcurre desde el inicio del servicio para un cliente hasta su terminacin se llama el tiempo de servicio (o duracin del servicio). Un modelo de sistema de colas tiene que especificar la distribucin de probabilidad de los tiempos de servicio de cada servidor (y tal vez para distintos tipos de clientes), aunque normalmente se supone la misma distribucin para todos los servidores. Una vez ms, la distribucin exponencial es la ms empleada en los tiempos de servicio. 5.2 Objetivos de la gestin de colas En los modelos de colas existen dos objetivos: por un lado la minimizacin del tiempo de espera y por el otro la minimizacin de los costos totales de funcionamiento del sistema. Estos objetivos suelen ser conflictivos, ya que para reducir el tiempo de espera se necesitan poner ms recursos en el sistema, con el consiguiente aumento de los costos de produccin. En muchos casos el tiempo de espera es difcil de determinar, sobretodo cuando se trata de un sistema en donde seres humanos estn implicados. En la Figura 5.3 podemos ver la disyuntiva entre el costo de espera y el costo de produccin.

Figura 5.3: Costos de un sistema de colas Si pudiramos sumar ambos costos, el costo total alcanzara su mnimo en el punto H. En este punto el nivel de servicio es ptimo. Sin embargo, en muchos casos la obtencin objetiva de este resultado puede ser muy complicada ya que, como se ha indicado anteriormente, la cuantificacin del tiempo de estera en valores monetarios puede ser harto complicada y subjetiva. Por lo tanto, en general se intenta llegar a una solucin que sea lgica en funcin de los valores que adopten los diferentes parmetros del modelo. En la seccin siguiente se examinan estos parmetros. 5.3 Medidas del sistema Existen dos tipos de medidas para poder valorar un sistema en donde pueden aparecer colas: medidas duras y medidas blandas. Estas ltimas estn relacionadas con la ca lidad del servicio. Por ejemplo, no es lo mismo esperar 15 minutos de pie haciendo cola en un ambulatorio sin refrigeracin y poco ventilado que esperar el mismo tiempo en una sala de espera con butacas confortables, revistas, aire acondicionado y msica clsica de fondo. El paciente valorar mucho ms 1 minuto de espera en el primer caso ya que representa un costo mucho ms elevado en trminos de confort. En otras palabras, seguramente un minuto de cola en el ambulatorio equivale a muchos minutos de espera en la sala de espera confortable. La gestin cuantitativa de las colas no se ocupa de estos aspectos cualitativos (que no por ello dejan de ser importantes) sino que da valores a una serie de medidas fras o duras. Las medidas duras ms utilizadas en los modelos de gestin de colas y su notacin estndar son las siguientes: Tasa media de llegada, Tasa media de servicio, Tiempo medio de espera en la cola, Wq Tiempo medio de estancia en el sistema, Ws Nmero medio de personas en la cola, Lq 141

Nmero medio de personas en el sistema, Ws Porcentaje de ocupacin de los servidores, Pw Probabilidad de que hayan x personas en la en el sistema, Px En los siguientes apartados iremos examinando estos conceptos. 5.4 Un sistema de colas elemental: tasa de llegada y de servicio constantes Supongamos que tenemos un sistema en donde tanto la tasa de llegada (en personas por unidad de tiempo) como el tiempo de servicio son constantes. En este caso, podemos tener las tres situaciones siguientes: 5.4.1 No hay cola, tiempo ocioso del servidor Supongamos que tenemos un sistema en donde cada 6 minutos, exactamente, llega una persona a un ambulatorio. O, en otras palabras, la tasa de llegada es exactamente de 10 personas por hora. Supongamos que la tasa de servicio del mdico (del servidor en trminos tcnicos) es de 12 personas por hora siempre, ni una ms ni una menos. En esta situacin nunca se formar una cola porque el servidor puede manejar perfectamente las llegadas. Incluso ya sabemos que el servidor estar ocioso un 16,6% de su tiempo, ya las llegadas necesitan nicamente de 10/12, o 83,33% de la capacidad de servicio. 5.4.2 No hay cola ni tiempo ocioso del servidor. Siguiendo el ejemplo anterior, supongamos que la tasa de servicio pasa a ser igual a 10 personas por hora, es decir, exactamente igual que la tasa de llegada. En esta situacin es imposible que se forme una cola, pero por otro lado el servidor estar ocupado 100% de su tiempo y trabajar a plena capacidad. 5.4.3 Formacin de cola y sin tiempo ocioso en el servidor Ahora supongamos que la tasa de servicio pasa a ser igual a 8 personas por hora, mientras que siguen llegando pacientes cada 6 minutos exactamente. En esta situacin se formar una cola que ir creciendo, ya que el servidor no puede absorber toda la demanda de servicio y los pacientes se irn acumulando. La cola de llegadas no servidas inmediatamente ir creciendo a una tasa de 2 personas por hora, el es decir el exceso de llegadas partido por las personas servidas. Por ejemplo, al cabo de ocho horas, tendramos 16 personas en la cola. El hecho de que hayamos asumido unas tasas de llegada y de servicio constantes hasta ahora facilita los clculos para obtener informacin sobre el sistema. Pero la situacin se complica si nos trasladamos a la situacin ms realista, en donde las tasas de llegada y de servicio no son constantes, sino que siguen una determinada distribucin probabilstica. Por ejemplo, si las llegadas y los tiempos de servicio estuviesen distribuidos aleatoriamente a lo largo de la jornada, aunque la capacidad de los servidores sea suficiente para absorber la demanda, puede pasar que un grupo de pacientes llegue en bloque y formen durante un tiempo una cola. Y, por otro lado, si durante un tiempo no llegan ms pacientes, la cola puede ser reducida por el mecanismo de servicio. En las siguientes secciones examinaremos algunos de estos casos. 5.5 Las distribuciones de Poisson y Exponencial 5.5.1 La distribucin de Poisson Esta distribucin es muy frecuente en los problemas relacionados con la investigacin operativa, sobre todo en el rea de la gestin de colas. Suele describir, por ejemplo, la llegada de pacientes a un ambulatorio, las llamadas a una centralita telefnica, la llegada de coches a un tnel de lavado, el nmero de accidentes en un cruce, etc. Todos estos ejemplos tienen un punto en comn: todos ellos pueden ser descritos por una variable aleatoria discreta que tiene valores nonegativos enteros (0,1,2,3,4). El nmero de pacientes que llegan al ambulatorio en un intervalo d e 15 minutos puede ser igual, a 0, 1, 2 3 Sigamos con el ejemplo del ambulatorio. La llegada de pacientes se puede caracterizar de la forma siguiente: 1. El nmero medio de llegadas de los pacientes para cada intervalo de 15 minutos puede ser obtenido a travs de datos histricos. 2. Si dividimos el intervalo de 15 minutos en intervalos mucho ms pequeos (por ejemplo, 1 segundo), podemos afirmar que: 142

2.1 La probabilidad de que exactamente un nico paciente llegue al ambulatorio por segundo es tiene un valor muy reducido y es constante para cada intervalo de 1 segundo. 2.2 La probabilidad de que 2 o ms pacientes lleguen dentro del intervalo de 1 segundo es tan pequea que podemos decir que es igual a 0. 2.3 El nmero de pacientes que llegan durante el intervalo de 1 segundo es independiente de donde se sita este intervalo dentro del periodo de 15 minutos. 2.4 El nmero de pacientes que llegan en un intervalo de 1 segundo no depende las llegadas que han sucedido en otro intervalo de 1 segundo Si al analizar un proceso de llegada este cumple estas condiciones, podemos afirmar que su distribucin es de Poisson. La frmula para obtener la probabilidad de que un evento ocurra (que lleguen 3 pacientes, por ejemplo) es la siguiente:

En donde x representa en nmero de llegadas, la tasa media de llegadas y P(x) la probabilidad de que el nmero de llegadas sea igual a x. 5.5.2 La distribucin Exponencial Mientras que la distribucin de Poisson describe las llegadas por unidad de tiempo, la distribucin exponencial estudia el tiempo entre cada una de estas llegadas. Si las llegadas son de Poisson, el tiempo entre ellas es exponencial. Mientras que la distribucin de Poisson es discreta, la distribucin exponencial es continua, porque el tiempo entre llegadas no tiene por qu ser un nmero entero. Esta distribucin se utiliza mucho para describir el tiempo entre eventos, ms especficamente, la variable aleatoria que representa el tiempo necesario para servir a la llegada. Ejemplos tpicos de esta situacin son el tiempo que un mdico dedica a una exploracin, el tiempo de servir una medicina en una farmacia, o el tiempo de atender a una urgencia. El uso de la distribucin exponencial supone que los tiempos de servicio son aleatorios, es decir, que un tiempo de servicio determinado no depende de otro servicio realizado anteriormente, ni de la posible cola que pueda estar formndose. Otra caracterstica de este tipo de distribuciones es que no tienen edad, o en otras palabras, memoria. Por ejemplo, supongamos que el tiempo de atencin de un paciente en una sala quirrgica sigue una distribucin exponencial. Si el paciente ya lleva 5 horas siendo operado, la probabilidad de que est una hora ms es la misma que si hubiera estado 2 horas, o 10 horas o las que sea. Esto es debido a que la distribucin exponencial supone que los tiempos de servicio tienen una gran variabilidad. A lo mejor el prximo paciente operado tarda 1 hora porque su ciruga era mucho ms simple que la del anterior. La funcin de densidad de la distribucin exponencial es la siguiente:

En donde t representa el tiempo de servicio y la tasa media de servicio (pacientes servidos por unidad de tiempo). La densidad exponencial se presenta en Figura 5.4. En general nos interesar encontrar P(T < t), la probabilidad de que el tiempo de servicio T sea inferior o igual a un valor especfico t. Este valor es igual al rea por debajo de la funcin de densidad.

143

Figura 5.4: Distribucin Exponencial Si, por ejemplo, queremos saber cual es la probabilidad de que el tiempo de servicio sea de 2 o menos horas cuando el tiempo medio es de 3 horas (una tasa de servicio de 1/3), podemos aplicar la frmula siguiente: En este caso, P(T 2) = 0,486, casi un 50% de probabilidad. 5.6 Modelo de Colas Simple: Llegadas en Poisson y Tiempos de Servicio Exponencialmente Distribuidos. El modelo que presentaremos a continuacin tiene que cumplir las condiciones siguientes: 1. 2. 3. 4. 5. 6. 7. El nmero de legadas por unidad de tiempo sigue una distribucin de Poisson Los tiempos de servicio siguen una distribucin exponencial La disciplina de la cola es de tipo FIFO La poblacin potencial es infinita Existe un nico canal de servicio La tasa media de llegadas es menor que la tasa media del servicio El tamao potencial de la cola es infinito

Si estas condiciones se cumplen y si conocemos la tasa media de llegada , y la tasa media de servicio , las ecuaciones para obtener valores de las medidas descritas anteriormente son: Nmero medio en la cola: Nmero medio en el sistema: Tiempo medio de espera en la cola: Tiempo medio en el sistema: Factor de utilizacin: Un ejemplo Consideremos el caso de un gran laboratorio farmacutico que tiene en su almacn un nico estacionamiento de carga de que sirve a todas las farmacias de una regin, y existe un nico trabajador para buscar los medicamentos del pedido de cada furgoneta y cargarlos en ella. Se observa que de vez en 144

cuando las furgonetas de transporte se acumulan en el estacionamiento formando cola, y de vez en cuando el trabajador est ocioso. Despus de un estudio del sistema observamos que ste cumple las condiciones expuestas anteriormente. Despus de examinar las llegadas de las camionetas durante varias semanas, se determina que la tasa media de llegada es de 4 camionetas por hora, y que la tasa de servicio es de 6 camionetas por hora. Los gestores del almacn estn considerando el aadir un trabajador adicional, o incluso dos de ellos, para aumentar la tasa de servicio. El problema consiste en evaluar estas opciones diferentes. Si se aade un trabajador, el sistema seguir siendo de cola simple, porque una nica camioneta puede cargarse a la vez. Si usamos dos trabajadores, la tasa de servicio ser igual a 12. Si utilizamos tres trabajadores, la tasa de servicio ser igual a 18. En el Cuadro 5.1 se han utilizado las ecuaciones expuestas anteriormente para obtener las medidas de eficiencia del sistema. Hemos supuesto que la capacidad de trabajo es proporcional al nmero de trabajadores. Trabajadores 1 Nmero medio de camionetas en la cola Nmero medio de camionetas en el sistema Tiempo medio de la camioneta en cola Tiempo medio de la camioneta en el sistema Lq Ls Wq Ws 1,333 2,000 0,333 0,500 2 0,167 0,500 0,042 0,125 3 0,063 0,286 0,016 0,071 0,222

Ocupacin del servicio Pw 0,667 0,333 Cuadro 5.1: Resultados del modelo simple de colas

Supongamos que los costos de operacin de cada camioneta por hora son de 2000 U.M. y los trabajadores cobran 1800 U.M. por hora de trabajo y que estos trabajan 8 horas al da. En el Cuadro 5.2 se presentan los costos asociados. Al interpretar los tiempos, hay que ir con cuidado ya que estos estn en fracciones de hora. Costo de Trabajadores Camioneta por dia 1 2 320 80 Costo de mano de obra por dia 144 288

Costo total Por dia 464 368 478

3 46 432 Cuadro 5.2: Costos de operacin del sistema

Los gestores tendran que aadir un nuevo trabajador al sistema ya que esto representar una reduccin de los costos totales operacionales, aunque el factor de utilizacin pasar a ser de 33%. Es decir, que los dos trabajadores tendrn 5 horas y 20 minutos para dedicarse a otras tareas dentro del laboratorio farmacutico. Extensin del modelo simple a colas con capacidad limitada Existen casos en los que el sistema (cola ms servicio) tiene una cierta capacidad. Si un cliente llega cuando hay M o ms personas en el sistema, el cliente se va inmediatamente y no vuelve. Este tipo de modelo es caracterstico de los problemas de colas que se pueden encontrar en algunos servicios. Por ejemplo, un restaurante con un estacionamiento limitado. En este caso, las ecuaciones del modelo son: Probabilidad de 0 personas en el sistema: 145

Factor de utilizacin: Proporcin de clientes perdidos porque el sistema est lleno: Nmero medio en el sistema: Nmero medio en la cola: Tiempo medio de espera en el sistema: Tiempo medio en la cola: 5.7 Modelo mltiple de Colas: Llegadas en Poisson y Tiempos de Servicio Exponencialmente Distribuidos. En muchos casos podemos tener situaciones en donde existe ms de un servidor en el sistema. A medida que van llegando los clientes, los servidores se van ocupando y cada vez que un de ellos acaba su servicio, el primero de la cola lo vuelve a ocupar. El sistema est representado en la Figura 5.5.

Figura 5.5: Sistema mltiple de colas En este tipo de modelos la tasa de llegada siempre tiene que ser inferior a la tasa agregada de servicio, que no es ms que la tasa de servicio individual multiplicada por el nmero de canales. En este modelo se supone, adems de las condiciones expuestas anteriormente, que la tasa individual de cada canal es la misma. Las expresiones matemticas para la obtencin de las medidas de eficiencia del sistema dependen de P0 que es la probabilidad de que no haya nadie en el sistema se pueden calcular los valores de P0 .Los valores de las medidas de eficiencia son funcin de P0 y se obtienen a partir de las siguientes frmulas: Factor de utilizacin: Nmero medio en el sistema: Nmero medio en la cola: Tiempo medio de espera en el sistema: Tiempo medio en la cola: Tenemos que tener presente que en estas ecuaciones representa la tasa de servicio por canal. En la pgina web (archivo colas.xls) se pueden calcular estos valores tanto para sistemas mltiples de colas con capacidad infinita como con capacidad limitada. 146

Un ejemplo El ambulatorio de una regin tiene dos mdicos de cabecera que atienden a los pacientes que van llegando. En general los pacientes tienen que esperar a ser atendidos y la gerencia est estudiando la posibilidad de contratar un nuevo mdico para aligerar el sistema. Como es muy difcil estimar en trminos monetarios el costo de espera de los pacientes, la gerencia realizar la nueva contratacin si se consiguen reducir los tiempos totales del servicio (espera ms atencin) a la mitad. Despus de observar y recoger datos sobre las llegadas y sobre el tiempo de servicio, la gerencia calcula que en media llegan 8 pacientes por hora, y que cada uno de los mdicos puede atender 5 pacientes por hora. En el cuadro 5.3 se presentan los resultados despus de aplicar las frmulas del modelo con dos y tres mdicos.

Mdicos 2 Probabilidad de que todos los mdicos estn libres Probabilidad de que todos los mdicos estn ocupados Nmero medio de pacientes en el sistema Nmero medio de pacientes en cola Tiempo medio de un paciente en el sistema P0 Pw Ls Lq Ws 0,111 0,710 4,442 2,842 0,555 3 0,190 0,278 1,918 0,318 0,240 0,040

Tiempo medio de un paciente en cola Wq 0,355 Cuadro 5.3: Resultados del modelo mltiple de colas

En el cuadro podemos observar que si aadimos un mdico adicional el tiempo de espera de cada paciente en el sistema pasa de 0,555 horas a 0,240 horas. Por lo tanto, el objetivo de la gerencia se cumple al aadir un nuevo mdico. Tambin se puede observar que con tres mdicos el tiempo de espera en la cola es insignificante. 5.8 Limitaciones de los modelos de gestin de colas Los dos modelos que hemos presentado en este captulo son los ms comunes cuando se trata de sistemas en donde estn implicados seres humanos. Sin embargo, pueden existir casos en donde la poblacin potencial del sistema es finita, la cola de la disciplina no es FIFO, la tasa de servicio depende de las personas en la cola, y las distribuciones de las llegadas no son de Poisson. En estos casos estos modelos son inservibles. Las distribuciones juegan un papel esencial en estos modelos. Los sistemas en donde las variaciones de las llegadas en diferentes horarios son muy grandes no pueden ser examinados con las formulaciones presentadas. Cuando tenemos sistemas ms complejos se utiliza la simulacin como mtodo de anlisis. En la siguiente seccin simularemos un sistema de colas. 5.9 Ejemplo de simulacin de un sistema de colas. La farmacia de un hospital tiene dos personas para atender a 10 enfermeras que vienen a buscar medicamentos para los pacientes. La gerencia observa que de vez en cuando se forman colas para recoger las medicinas y que el servicio resulta un tanto ineficiente. Por otro lado, la poblacin potencial es bastante reducida y no puede considerarse como infinita. Por otro lado la distribucin del nmero de llegadas no es Poisson ni el tiempo de servicio exponencial. Por lo tanto no se puede aplicar el modelo mltiple de gestin de colas. 5.9.1 Recogida de datos

147

La gerencia observ el funcionamiento de la farmacia durante periodos de 1 hora distribuidos a lo largo de un mes. Estos periodos de una hora fueron aleatoriamente escogidos durante el da para obtener una muestra representativa de la actividad. Los resultados de la observacin se muestran en el Cuadro 5.4. Duracin del Nmero de tiempo de Servicio Observaciones (minutos) 8 9 10 11 15 30 45 60

Total de llegadas 150 Cuadro 5.4: Resultados de la muestra Adems, la gerencia dividi el tiempo de observacin en intervalos de 5 minutos y anot las llegadas de enfermeras que llegaron durante estos intervalos. Se observ que en promedio llegaba una enfermera cada 5 minutos. Al final del periodo de observacin, la gerencia present los resultados obtenidos de la siguiente forma: Distribucin porcentual de los tiempos de servicio: 15/150 = 10% (8 min) 30/150 = 20% (9 min) 45/150 = 30% (10 min) 60/150 = 40% (11 min) Media ponderada de los tiempos de servicio: 10% _ 8 min = 0,8 min 20% _ 9 min = 1,8 min 30% _ 10 min = 3,0 min 40% _ 11 min = 4,4 min Tiempo medio de servicio: 10,0 min Con esta informacin, la gerencia pudo empezar a realizar la simulacin con la ayuda de nmeros aleatorios. 5.9.2 Simulacin de llegadas. En primer lugar la gerencia simula las llegadas de las enfermeras a la farmacia. sta sabe que las llegadas son aleatorias, aunque en promedio llega una cada cinco minutos. Como los nmeros aleatorios tienen 10 dgitos (0,1,2,3,4,5,6,7,8,9,10), la gerencia escoge (aleatoriamente) el 7 como representativo de una llegada. Si cogemos al azar un nmero de la tabla, la cantidad de sietes que contenga el nmero indicar la cantidad de llegadas en un intervalo de 5 minutos. La gerencia simula las llegadas a la farmacia durante 24 periodos de 5 minutos. Quizs no sea una cantidad muy representativa en este caso, pero para efectos de explicacin de la simulacin es suficiente. En un caso real simularamos el sistema con muchos ms periodos, pero la mecnica seguira siendo la misma. Para ilustrar el procedimiento de simulacin de llegadas, hemos escogido los 12 primeros nmeros aleatorios del apndice (por columna) y contado las veces que sale el nmero 7. 1239650125 0 1370937859 2 0926561938 0 1639438732 1 148 6749281769 2 8912349495 0 9172674928 2 9916253764 0 0178780337 3 9128374452 1 4412773934 2 0112378549 1

En el Cuadro 5.5 se muestran los resultados para los 24 periodos.

Periodo 1 2 3 4 5 6 7

Cantidad de Llegadas 0 2 0 1 2 0 2

Periodo 9 10 11 12 13 14 15

Cantidad de Llegadas 3 1 2 1 0 0 1

Periodo 17 18 19 20 21 22 23

Cantidad de Llegadas 1 1 1 0 0 1 0

8 0 16 4 24 2 Cuadro 5.5: Simulacin del nmero de llegadas en cada intervalo 5.9.3 Simulacin de los tiempos de servicio Despus de obtener los resultados de la simulacin de las llegadas, la gerencia tiene que realizar la simulacin de los tiempos de servicio. Recordemos la distribucin de los tiempos de servicios observada anteriormente: Minutos 8 9 10 11 Porcentaje 10 20 30 40

Como seguimos utilizando los nmeros aleatorios de 10 dgitos, consideraremos que el 0 representa un tiempo de servicio de 8 minutos, el 1 y el 2 un tiempo de 9 minutos, el 3, 4 y el 5 un tiempo de 10 minutos, y el 6, 7, 8 y 9 un tiempo de 11 minutos. De esta forma podemos representar exactamente la probabilidad de los tiempos de llegada. Por ejemplo, observamos en el Cuadro 5.5 que en el segundo periodo hubieron dos llegadas al servicio. Para simular el tiempo de servicio, escogemos la ltima fila de nmeros aleatorios de la tabla comenzando por la izquierda. El primer nmero es 9 y el segundo 8. Esto quiere decir que la primera y la segunda llegada tendrn asociadas un tiempo de atencin de 11 minutos. Este proceso se repite para todos los periodos en los que hay llegadas. El resultado se presenta en el Cuadro 5.6. Nmero de Nmero de periodo Llegadas 1 2 3 4 5 6 7 8 9 0 2 (1) 11min, (2) 11 min 0 1 (3) 10 min 2 (4) 11 min, (5) 10 min 0 2 (6) 9 min, (7) 10 min 0 3 (8) 10 min, (9) 10 min, (10) 11 min Tiempo de servicio de cada una

149

10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 (11) 11 min 2 (12) 10 min, (13) 8 min 1 (14) 11 min 0 0 1 (15) 11 min 4 (16) 10 min, (17) 11 min, (18) 11 min, (19) 11 min 1 (20) 9 min 1 (21) 8 min 1 (22) 11 min 0 0 1 (23) 11 min 0

24 2 (24) 9 min, (25) 11 min Cuadro 5.6: Resultados de la simulacin de los tiempos de servicio 5.9.4 Simulacin conjunta del sistema Ahora ya podemos simular el sistema. El objetivo de la gerencia es encontrar el nmero ptimo de trabajadores en la farmacia de forma a minimizar el costo total del servicio. Se considera que el sistema es FIFO, es decir, primer en llegar, primero en ser atendido. Ahora se tienen que definir los criterios de cada llegada dentro de cada periodo. Se definen los criterios siguientes: 1. Si en un periodo llega una nica enfermera, sta lo har al principio del periodo 2. Si en un periodo llegan 2 enfermeras, la primera lo hace al principio y la segunda en el tercer minuto 3. Si en un periodo llegan 3 enfermeras, la primera llega al principio, la segunda en el minuto 3, y la tercera en el minuto 5 4. Si en un periodo llegan 4 enfermeras, se asume que llegan en los minutos 2, 3, 4 y 5 respectivamente. En la Figura 5.6 se presenta el patrn de llegadas de los 24 periodos. Cada llegada viene indicada por un cuadro conteniendo su correspondiente nmero de orden, y encima del recuadro se indica el tiempo de espera correspondiente. Por ejemplo, si examinamos el periodo entre las 10:15 y las 10:20, vemos que se producen 5 llegadas (de la 16 a la 20), y, como veremos ms adelante, seguramente se producir una cola considerable. El comportamiento del sistema simulado con dos trabajadores atendiendo a los clientes (nivel de congestin, personas en cola, duracin del tiempo de espera) puede representarse tal como se muestra en la Figura 5.7. En la Figura 5.8 se representa la simulacin con tres trabajadores. Si se comparan las dos figuras, visualmente se puede observar que el tiempo de espera se reduce considerablemente. Si se examina desde un punto de vista econmico, con dos trabajadores atendiendo a las enfermeras, stas esperaran un total de 213 minutos, un tiempo medio de espera igual a 8,52 minutos. Para obtener un valor monetario del tiempo de espera, la gerencia considera que el costo por hora de cada trabajador es igual a 7 nuevos soles y el costo de cada enfermera es de 12 nuevos soles. Si recordamos que el tiempo medio entre cada llegada era de 5 minutos, en media las enfermeras realizaran 96 viajes por da (8 horas diarias por 12 viajes por hora). Y si el tiempo medio de espera es de 8,52 minutos por viaje, el tiempo total de espera es igual a 817,9 minutos (13,63 horas perdidas), lo que representa un costo total de espera de 163,56 nuevos soles. Si aadimos el costo de los dos trabajadores 150

(112 nuevos soles), el costo diario total es igual a 275,56 nuevos soles. Si realizamos el mismo ejercicio pero modificando el nmero de trabajadores atendiendo a las enfermeras (Figura 7.6) el tiempo total de espera es igual a 47 minutos, o 1,88 minutos de espera por llegada. Si tenemos 96 llegadas por da, el tiempo total perdido es igual a 180,48 minutos (3 horas diarias). El costo de la espera es igual a 36 nuevos soles y el sueldo de los trabajadores igual a 168 nuevos soles, lo que da un costo total igual a 204 nuevos soles. Por lo tanto, la operacin con tres trabajadores parece ser ms eficiente en trminos monetarios. Qu pasara si contratramos un cuarto trabajador que eliminara completamente el tiempo de espera de las enfermeras? En este caso el nico costo sera el sueldo de los trabajadores, que sera igual a 224 nuevos soles, superior al costo con tres trabajadores.

Figura 5.6: Representacin de las llegadas

151

Figura 5.7: Operacin de la farmacia con dos trabajadores

Figura 5.8: Operacin de la farmacia con tres trabajadores 5.10 Actividades para el Aprendizaje. Luego de visitar estas direcciones de pginas web, elaborar un resumen y/o desarrollar los ejercicios propuestos para el tema correspondiente: Investigacin de operaciones: http://www.investigacion-operaciones.com/contenido.htm Resolver los ejercicios al capitulo correspondiente: Ctedra de Mtodos Cuantitativos para los Negocios. http://www.unsa.edu.ar/mcneco/mcn_tps.html Programacin Matemtica http://www.uv.es/~sala/programacion.htm Bienvenidos a los cursos del rea de Operaciones Descargar ejercicios: http://ucreanop.org/descarga_ejercicios.php

152

ANALISIS DE LA TEORA DE LA DECISIN


Objetivos del Captulo. Capacitar en la identificacin de criterios a tener en cuenta en un proceso de toma de decisiones, Desarrollar la capacidad de modelizacin matemtica de problemas empresariales atendiendo a diversos criterios. Desarrollar la capacidad de identificar cul es la metodologa matemtica ms adecuada para un problema concreto dentro de las varias que se estudian. Estar preparado para la elaboracin, resolucin y posterior refinamiento de un modelo matemtico para la toma de decisiones empresariales. 6.0 Introduccin La caracterstica principal de la gestin econmica de la empresa es la del proceso de convertir informacin en accin, a este proceso lo llamamos toma de decisiones. Decisin: Es una eleccin entre dos o mas lneas de accin diferentes. El objeto de la teora de la decisin es racionalizar dicha eleccin. Para ello hay que proceder de modo sistemtico, evaluando todas las posibilidades de eleccin como las consecuencias que puedan derivarse de cada opcin. El estudio de la teora de la decisin provee de herramientas para la toma de decisiones importantes. La teora de la decisin adopta un enfoque cientfico, contrapuesto a la intuicin y experiencia como nicos criterios que se utilizaban anteriormente. 6.1 Las decisiones en la empresa El mtodo cientfico utilizado por la teora de la decisin presenta un esquema lgico de actuaciones a la hora de plantear la solucin de un problema. Este esquema cumple las siguientes fases: 1. Definicin del problema 2. Enumeracin de posibles alternativas (Ai: Alternativas o estrategias) 3. Identificacin de los posibles escenarios o estados de la naturaleza en la que las diferentes alternativas pueden desarrollarse. Variable o no controlables por el sujeto decisor: temperatura, actuaciones de la competencia ect. (Ej: Estados de la naturaleza) 4. Obtencin de resultados y valoracin de los mismos: Desenlaces asociados a una alternativa concreta dado un estado especfico de la naturaleza. (X ij: Resultados) 5. Prediccin de probabilidad sobre la ocurrencia de cada estado de la naturaleza.(P j: Probabilidad) 6. Fijacin de criterios de decisin que permitan la eleccin de una estrategia o alternativa. Es una forma de utilizar la informacin para seleccionar una alternativa concreta. 7. Identificacin del tipo de decisin: Para ello clasificamos las decisiones en estticas y en decisiones secuenciales. Decisiones estticas Son aquellos problemas de decisin en los que slo se adopta una decisin y no se analizan las posibles alternativas/decisiones posteriores a una alternativa/decisin previa. Decisiones secuenciales: Problema de decisin en el que se consideran una secuencia de decisiones, es decir, decisiones posteriores dependientes de una decisin inicial. 8. Identificacin del contexto en el que se toma la decisin: A su vez, el problema de decisin, tanto en la perspectiva esttica como secuencial, puede ser de tres tipos, en funcin del grado de

153

conocimiento que se tenga sobre la ocurrencia de los estados de la naturaleza (incertidumbre, riesgo, certeza) Certeza: Cuando conocemos con seguridad el estado de la naturaleza que se va a producir. En un problema esttico se traduce en una matriz de una sola columna con un slo estado de la naturaleza, en un problema secuencial se refleja en un slo estado de la naturaleza para cada una de las decisiones adoptadas. Situaciones de riesgo: cuando no conocemos el estado de la naturaleza que se va a producir, pero si conocemos las probabilidades de ocurrencia de cada uno de ellos. Situaciones de incertidumbre: Cuando desconocemos qu estado de la naturaleza se va a producir y la probabilidad de ocurrencia de cada uno de ellos. 6.2 Problemas de decisin estticos El proceso de decisin se sintetiza en una matriz de decisin, matriz de consecuencias o matriz de ganancias.. Es una matriz que consta de tantas filas como alternativas o estrategias se contemplen, y de tantas columnas como estados de naturaleza sean posibles, siendo sus elementos los resultados correspondientes a cada alternativa en un estado de naturaleza especfico. Ai = {a1, a2, .. an} Ej = {e1, e2, .. em}

Ejemplo: Jhon Prez ha heredado $1.000. El ha decidido invertir su dinero por un ao. Un inversionista le ha sugerido cinco inversiones posibles: oro, bonos, negocio en desarrollo, certificado de depsito, acciones. Jhon debe decidir cuanto invertir en cada opcin. La siguiente tabla representa las ganancias que obtendra para cada escenario posible de comportamiento del mercado. MATRIZ DE GANANCIAS ALTERNATIVAS Oro Bonos Negocio Cert. de depsito Acciones Gran alza -100 250 500 60 ESTADOS DE LA NATURALEZA pequea sin pequea gran alza cambios baja baja 100 200 250 60 200 150 100 60 300 -100 -200 60 0 -150 -600 60 -150

200 150 150 -200 Cuadro 6.1 Matriz de Ganancias 6.3 Eleccin del criterio de decisin en condiciones de incertidumbre:

Situacin en la que podemos descubrir los estados posibles de la naturaleza pero desconocemos la probabilidad de ocurrencia de cada uno de ellos. Los criterios de decisin ms empleados en estos casos son un reflejo de la actitud hacia el riesgo que tienen los responsables en la toma de decisiones. El criterio de decisin se toma basndose en la experiencia de quien toma la decisin, este incluye un punto de vista optimista o pesimista, agresivo o conservador. Los criterios aplicados son: Maximin o de Wald, Minimax o Savage, Maximax, Principio de razonamiento insuficiente o criterio de Laplace, Criterio de Hurwics

154

Criterio maximin o de Wald: Perfil pesimista (el decisor cree que el peor caso ocurrir) o conservador (el decisor quiere asegurar una ganancia mnima posible). Se llama mximo porque elige el mximo resultado entre los mnimos resultados. Se elige lo mejor dentro de lo peor. Para encontrar una solucin ptima: se marca la ganancia mnima de todos los estados de la naturaleza posible y se identifica la decisin que tiene el mximo de las ganancias mnimas. EL CRITERIO MAXIMIN Gran alza -100 250 500 60 ESTADOS DE LA NATURALEZA pequea sin pequea gran alza cambios baja baja 100 200 250 60 200 150 100 60 300 -100 -200 60 0 -150 -600 60 -150 Mnimas Ganancias -100 -150 -600 60 -200

ALTERNATIVAS Oro Bonos Negocio Cert. de depsito Acciones

200 150 150 -200 Cuadro 6.2 Criterio Maximin

La decisin ptima con este criterio sera invertir en certificados de depsito. Criterio mnimax o Savage: Este criterio se ajusta tambin a criterio pesimista o conservador. La matriz de ganancias es basada en el costo de oportunidad. El decisor incurre en una prdida por no escoger la mejor decisin. Para encontrar la solucin ptima se determina la mejor ganancia de todas las alternativas en cada estado de la naturaleza (mejor ganancia por columna) y se calcula el costo de oportunidad para cada alternativa de decisin (como la mejor ganancia por columna menos la ganancia de cada una de las celdas de la columna), posteriormente se encuentra el mximo costo de oportunidad para todos los estados de la naturaleza y se selecciona la alternativa de decisin que tiene el mnimo costo de oportunidad. MATRIZ DE GANANCIAS ESTADOS DE LA NATURALEZA Gran pequea sin pequea gran ALTERNATIVAS alza alza cambios baja baja Oro Bonos Negocio Cert. de depsito Acciones -100 250 500 60 100 200 250 60 200 150 100 60 300 -100 -200 60 -200 0 -150 -600 60 -150

200 150 150 Cuadro 6.3 Matriz de Ganancias MATRIZ DE COSTO DE OPORTUNIDAD

ESTADOS DE LA NATURALEZA Gran pequea sin pequea gran ALTERNATIVAS alza alza cambios baja baja Oro Bonos Negocio 600 250 0 150 50 0 0 50 100 0 400 500 60 210 660

Mximo costo de oportunidad 600 400 660

155

Cert. de depsito Acciones

440

190

140

240

440

300 100 50 500 210 500 Cuadro 6.4 Matriz de Costo de Oportunidad La decisin ptima con este criterio invertir en bonos por tener el menor costo de oportunidad El criterio maximax: Este criterio se basa en el mejor de los casos. Considera los puntos de vista optimista y agresivo. Un decisor optimista cree que siempre obtendr el mejor resultado sin importar la decisin tomada. Un decisor agresivo escoge la decisin que le proporcionar una mayor ganancia. Para encontrar la decisin ptima se marca la mxima ganancia para cada alternativa de decisin y se selecciona la decisin que tiene la mxima de las mximas ganancias. EL CRITERIO MAXIMAX ALTERNATIVAS Gran alza Oro Bonos Negocio Cert. de depsito Acciones -100 250 500 60 ESTADOS DE LA NATURALEZA pequea sin pequea gran alza cambios baja baja 100 200 250 60 200 150 100 60 300 -100 -200 60 0 -150 -600 60 -150 Mximas Ganancias 300 250 500 60 200

200 150 150 -200 Cuadro 6.5. El Criterio Maximax

La decisin ptima sera invertir en un negocio en desarrollo por presentar la mxima ganancia posible. Criterio de razonamiento insuficiente o criterio Laplace: Puede ser tomado por un tomador de decisiones que no sea optimista ni pesimista. El decisor asume que todos los estados de la naturaleza son equiprobables. Para encontrar la decisin ptima se selecciona la decisin con el mayor valor esperado.

E(X1) = E(Oro) = 100*0,2 + 100*0,2 + 200*0,2 + 300*0,2 + 0*0,2 = 100 E(X2) = E(Bonos)=250*0, 2 + 200*0,2 + 150*0,2 100*0,2 150*0,2 = 70 E(X3) = E(Negocio) = 500*0,2 + 250*0,2 + 100*0,2 200*0,2 600*0,2 = 10 E(X4) = E(Certif.) = 60*0,2 + 60*0,2 + 60*0,2 + 60*0,2 + 60*0,2 = 60 E(X5) = E(Acciones) = 200*0,2 + 150*0,2 + 150*0,2 200*0,2 150*0,2 = 30 La decisin ptima sera invertir en Oro. Criterio de Hurwicz: Es un criterio intermedio entre maximin y el maximax: Supone la combinacin de ponderaciones de optimismo y pesimismo. Sugiere la definicin del llamado coeficiente de optimismo (), y propone que se

156

utilice como criterio de decisin una media ponderada entre el mximo resultado asociado a cada alternativa, y el mnimo resultado asociado a la misma. 01 cuanto ms cercano a 1 mayor es el optimismo.

Para hallar la solucin ptima se marca el mximo y el mnimo de cada alternativa. Segn el coeficiente de optimismo del decidor (), se multiplica el mximo por ste y el mnimo se multiplica por (1 -). Luego se suman los dos. Luego elegimos el mximo entre todas las alternativas. En nuestro ejemplo, si suponemos que el empresario es neutral =0,5 EL CRITERIO HURWICS ESTADOS DE LA NATURALEZA ALTERNATIVAS Gran pequea sin pequea gran alza alza cambios baja baja Oro Bonos Negocio Cert. de deposito Acciones -100 250 500 60 100 200 250 60 200 150 100 60 300 -100 -200 60 0 -150 -600 60 -150 Se elige Maximas Ganancias Con =0,5 100 50 -50 60 0

200 150 150 -200 Cuadro 6.6 El Criterio Hurwics T(Xi)=T(Oro)=0.5*300 + 0.5*(100)=100

6.4 En situacin Riesgo. Conocemos la lista de estados de la naturaleza y su probabilidad de ocurrencia. Como los eventos son excluyentes tenemos: La suma de probabilidades de todos los estados de la naturaleza debe ser iguales a la unidad. El criterio que se utiliza para comparar los resultados correspondientes a cada lnea de actuacin es la mayor esperanza matemtica. EL CRITERIO DE LA GANANCIA ESPERADA ESTADOS DE LA NATURALEZA ALTERNATIVAS Gran pequea sin pequea gran alza alza cambios baja baja Oro Bonos Negocio Cert. de depsito Acciones Probabilidad -100 250 500 60 200 100 200 250 60 150 200 150 100 60 150 300 -100 -200 60 -200 0 -150 -600 60 -150 Ganancias Esperada 100 130 125 60 95

0,2 0,3 0,3 0,1 0,1 Cuadro 6.7 El Criterio de la Ganancia Esperada

El utilizar como nico criterio de decisin la esperanza matemtica supone asumir ciertas hiptesis: Que al sujeto decisor no le importe la dispersin del resultado (no tiene en cuenta la desviacin tpica) 157

Que no exista riesgo de ruina: Es el riesgo que el desenlace de una estrategia pueda suponer un quebranto econmico tal que no pueda ser superado por la empresa. En dicho caso el decisor pasara a elegir slo entre aquellas alternativas cuyos resultados ms desfavorables puedan ser asumidos por la empresa. Tiene que ver con la capacidad de asumir prdidas. Para solucionar estas limitaciones se construyen unas funciones de utilidad. a. Consideracin de la variabilidad de los resultados: Penalizar la esperanza econmica por una medida que d idea de la variabilidad de los datos, considerando la multiplicacin de dicha medida de variabilidad por un coeficiente indicativo de temor al riesgo (a) del sujeto decisor. La funcin de utilidad se halla restando al valor esperado de cada alternativa el coeficiente de aversin por la desviacin tpica. Si a1 Mayor aversin al riesgo. El inversor presenta un perfila ms conservador Si a0 Poca aversin al riesgo. El inversor presenta un perfil ms arriesgado. Funcin de utilidad = U(Xi) = E(Xi) a*X Observemos que cuando a tiende a 1 la cantidad a restar es mayor, por tanto la utilidad esperada es menor lo que corresponde a un perfil conservador.

En nuestro ejemplo: Si Jhon Prez tiene una aversin al riesgo del 15%: a = 0,15

158

Se elige la alternativa que maximiza la funcin de utilidad: En nuestro ejemplo sera: X2 = Bonos =71,71 Mximo beneficio teniendo en cuenta la aversin al riesgo b. Consideracin del riesgo de ruina: La probabilidad de ruina es la probabilidad de que un resultado Xij sea menor que un cierto ingreso (si la matriz que estamos analizando es de costos) o beneficio crtico que como mnimo ha de obtener la empresa. Es decir, en el peor de los casos, cules seran las prdidas que se estara dispuesto a asumir, o beneficio que cmo mnimo se exige a la inversin. En nuestro ejemplo, si estamos dispuestos a asumir prdidas hasta 180 unidades monetarias, se rechazan las inversiones en negocio y en acciones ya que podran generar prdidas que no se podran asumir (-600; 200). Se tendra que elegir entre el oro, bonos o certificados de depsito a travs de la esperanza matemtica o bien considerando la funcin de utilidad que penalice la dispersin de resultados ( a travs de la desviacin tpica). 6.5 Problemas de decisiones estticas Problema 1: Un empresario agricultor se plantea escoger entre tres alternativas de cultivo (trigo, remolacha o patata) con tres estados de la naturaleza (tiempo lluvioso, tiempo normal o tiempo seco) y la probabilidad de tiempo respectivamente (30% lluvioso, 50% normal y 20% seco). Y una aversin al riesgo del 20% y un beneficio crtico de 100 u.m. Para el criterio Hurwicz se considera un coeficiente de optimismo del 50% P1= 0,3 lluvia Trigo Remolacha Patata a. Situacin de riesgo: E(X1) = E(trigo) = 250*0,3 + 290*0,5 + 200*0,2 = 260 E(X2) = E(remolacha) =100*0,3 + 450*0,5 + 350*0,2 = 265 E(X3) = E(patata) = 150*0,3 + 200*0,5 + 250*0,2 =195 Para solucionar estas limitaciones se construyen unas funciones de utilidad. Consideracin de la variabilidad de los resultados 250 -100 150 P1= 0,5 normal 290 450 200 P1= 0,2 seco 200 350 250

En nuestro ejemplo: Si el empresario agricultor tiene una aversin al riesgo del 20%: a=20%:

159

Se elige la alternativa que maximiza la funcin de utilidad: En nuestro ejemplo sera: X1 = trigo = 253Mximo beneficio teniendo en cuenta la aversin al riesgo Consideracin del riesgo de ruina: Si fijamos un ingreso tpico de 100 unidades monetarias: Se rechaza el cultivo de remolacha ya que puede llegar a presentar un ingreso inferior (-100 u.m.) al ingreso crtico. Se tendra que elegir entre el trigo y la patata a travs de la esperanza matemtica o bien considerando la funcin de utilidad que penalice la varianza. b. En situacin de incertidumbre b1. Criterio Laplace

T(X1) = 250 + 290 + 200 = 740 Se elige el trigo T(X2) = -100 + 450 + 350 = 700 T(X3) = 150 + 200 + 250 = 600 b2. Criterio pesimista, de Wald Maximin: Se elige lo mejor dentro de lo peor. Trigo = 200 Se elige Remolacha = -100 Patata = 150 b3. Criterio optimista o maximax: Se elige el mximo de los mximos. Trigo = 290 Remolacha = 450 Se elige Patata = 250 b4. Criterio de Hurwicz: Es un criterio intermedio entre maximin y el maximax: Supone la combinacin de ponderaciones de optimismo y pesimismo. Sugiere la definicin del llamado coeficiente de optimismo (), comprendido entre cero y uno: 0 1 cuanto ms cercano a 1 mayor es el optimismo T(Xi) = * MaxXij + (1) MinXij 160

En nuestro ejemplo, si suponemos que el empresario es neutral =0,5 T(X1) = 0.5*290 + 0.5*200 = 245 T(X2) = 0.5*450 + 0.5*(-100) = 175 T(X3) = 0.5*250 + 0.5*(150) = 200 b5. Criterio de Savage Se construye una matriz de perjuicios o de costo de oportunidad matriz de consecuencias E1 Trigo Remolacha Patata 250 -100 150 E2 290 450 200 E3 200 350 250

matriz de arrepentimientos o costo de oportunidad E1 Trigo Remolacha Patata 0 350 100 E2 160 0 250 E3 150 0 100

Arrepentimiento mximo para la opcin trigo = 160 Se escoge el trigo Arrepentimiento mximo para la opcin remolacha = 350 Arrepentimiento mximo para la opcin patata = 250 6.6 La Utilizacin de la Informacin Perfecta y el Concepto de Valor Esperado en Contexto de Riesgo. Como es lgico, en un contexto de riesgo se debe decidir con el mximo valor esperado. La Ganancia que se espera obtener al conocer con certeza la ocurrencia de ciertos estados de la naturaleza se le denomina: Ganancia Esperada de la Informacin Perfecta (GEIP). Este concepto corresponde al costo de oportunidad de la decisin seleccionada usando el criterio de la ganancia esperada. Esta decisin es la que genera una menor prdida para quien tiene que tomar la decisin. En este caso nos aseguran con toda probabilidad la ocurrencia de cierto estado de la naturaleza, por eso la llamamos informacin perfecta. El GEIP se calcula como el producto de la mxima ganancia para cada estado de la naturaleza por su respectiva probabilidad, y a este resultado le restamos el mximo valor esperado.

En nuestro ejemplo de Jhon Prez, podramos calcular, por ejemplo, el valor mximo que podemos pagar por un estudio donde nos aseguren la ocurrencia de cierto estado de la naturaleza. Podemos entonces calcular la ganancia esperada de la informacin perfecta (GEIP)

161

EL CRITERIO DE LA GANANCIA ESPERADA ESTADOS DE LA NATURALEZA ALTERNATIVAS Gran pequea sin pequea gran alza alza cambios baja baja Oro Bonos Negocio Cert. de depsito Acciones Probabilidad -100 250 500 60 200 100 200 250 60 150 200 150 100 60 150 300 -100 -200 60 -200 0 -150 -600 60 -150 Ganancias Esperada 100 130 125 60 95

0,2 0,3 0,3 0,1 0,1 Cuadro 6.7 El Criterio de la Ganancia Esperada

GEIP= (500*0,2 + 0,30*250 + 0,3*200 + 300*0,1 + 60*0,1) 130 = 141 Quiere decir esto, que si puedo obtener informacin, que me asegure la ocurrencia de cierto estado de la naturaleza, puedo pagar por ella un mximo de 141 unidades monetarias. 6.7 La utilizacin de la informacin imperfecta y el concepto de valor esperado en contexto de riesgo. La informacin adicional, no siempre es perfecta, muchas veces los estudios adicionales que se encargan tienen cierto margen de error. La informacin adicional mejora la probabilidad obtenida de la ocurrencia de un determinado estado de la naturaleza y ayuda al tomador de decisiones a escoger la mejor opcin. La estadstica Bayesiana construye un modelo a partir de informacin adicional obtenida a partir de diversas fuentes. El teorema de Bayes:

donde = probabilidad revisada = probabilidad a priori = probabilidad condicionada = sumatoria probabilidad conjunta A partir del teorema de Bayes podemos calcular la Ganancia esperada con la Informacin Adicional (GECIA): La expresin matemtica para su clculo es la siguiente:

donde: = Mximo valor esperado a posteriori

162

= Sumatoria de probabilidades conjuntas Para su clculo seguimos los siguientes pasos: 1. Clasificamos la informacin adicional obtenida como probabilidad condicionada distinguiendo cada uno de los escenarios planteados. 2. Calculamos la probabilidad conjunta con la frmula de Bayes para cada alternativa en cada escenario planteado. 3. Calculamos la sumatoria de probabilidades conjuntas para cada escenario planteado. 4. Calculamos la probabilidad revisada para cada alternativa en cada escenario. 5. Calculamos la ganancia esperada con la probabilidad revisada para cada uno de los escenarios planteados. 6. Calculamos el GECIA Tambin podemos calcular el valor esperado de la informacin adicional, es decir, el mayor valor esperado por contar con una mejor informacin. Se calcula como la diferencia entre el GECIA y el mayor valor esperado con la informacin a priori.

Ejemplo: Retomemos el ejemplo de Jhon Prez. Supongamos que hemos contratado un informe adicional que nos indica la probabilidad de ocurrencia de una gran alza, pequea alza, etc. condicionada a que el crecimiento econmico sea positivo o negativo. Los resultados se pueden ver en la siguiente tabla. ESTADOS DE LA NATURALEZA Gran pequea sin pequea ALTERNATIVAS alza alza cambios baja 0,800 0,700 0,500 Probabilidad Crec. Positivo Condicionada Crec, Negat. 0,200 0,300 0,500 Cuadro 6.8 Estados de la Naturaleza Pasos: 1. Clasificamos la informacin adicional obtenida como probabilidad condicionada distinguiendo cada uno de los escenarios planteados. En este caso viene ya en la tabla. 2. Calculamos la probabilidad conjunta con la frmula de Bayes para cada alternativa en cada escenario planteado. En caso de crecimiento positivo la probabilidad conjunta que se produzca una gran alza sera Probabilidad conjunta = = 0.80*0.20 = 0.16 0,400 0,600

Gran baja 0,000 1,000

En caso de crecimiento positivo la probabilidad conjunta que se produzca una pequea alza sera: Probabilidad conjunta = = 0.70*0.30 = 0.21

163

Y as vamos completando para cada escenario (crecimiento positivo, crecimiento negativo), la probabilidad de ocurrencia de cada alternativa. De esta forma vamos completando una tabla que nos permita recoger toda la informacin de forma ordenada como la que se presenta ms adelante. 3. Calculamos la sumatoria de probabilidades conjuntas para cada escenario planteado. Para el caso de crecimiento positivo la sumatoria sera: Sumatoria Probabilidad Conjunta = Para el caso de crecimiento negativo la sumatoria sera: Sumatoria Probabilidad Conjunta = = 0.04 + 0.09 + 0.15 + 0.06 + 0.10 = = 0.16 + 0.21 + 0.15 + 0.04 + 0 = 0.56

0.44 4. Calculamos la probabilidad revisada para cada alternativa en cada escenario. En caso de crecimiento positivo la probabilidad revisada que se produzca una gran alza sera

5. Calculamos la ganancia esperada con la probabilidad revisada para cada uno de los escenarios planteados. En caso de crecimiento positivo la probabilidad revisada que se produzca una gran alza para la alternativa del oro sera: = -100*0.286 + 100*0.375 + 200*0.268 + 300*0.071 + 0*0 = 84 6. Calculamos el GECIA: para ello marcamos el mayor valor esperado para cada uno de los escenarios planteados = 249*0.56 + 120*0.44 = 193 7. Calculamos GEIA = 193 130 = 63 EL CRITERIO DE LA GANANCIA ESPERADA CON INFORMACION ADICIONAL ALTERNATIVAS Oro Bonos Negocio Cert. de depsito 164 ESTADOS DE LA NATURALEZA sin Gran pequea cambio pequea gran alza alza s baja baja -100 250 500 60 100 200 250 60 200 150 100 60 300 -100 -200 60 0 -150 -600 60

Ganancias Ganan Esperada Revisada cias Espera da a Crec.Pos Crec.Neg priori itivo ativo 100 130 125 60 84 179 249 60 120 67 -33 60

Acciones

200

150

150

-200

-150

95

139

39

Probabilidad 0.2 0.3 0.3 0.1 0.1 S = 1 Probabili Crecim. Positivo 0.8 0.7 0.5 0.4 0 dad Condicio Crecim. nada Negativo 0.2 0.3 0.5 0.6 1 Crecim. 0.16 0.21 0.15 0.04 0 0.56 Probabili Positivo dad Crecim. Conjunta Negativo 0.04 0.09 0.15 0.06 0.1 0.44 Crecim. 0.286 0.375 0.268 0.071 0.000 1.000 Probabili Positivo dad Crecim. Revisada Negativo 0.091 0.205 0.341 0.136 0.227 1.000 Cuadro 6.9 El Criterio de la Ganancia Esperada con Informacin Adicional GECIA=GANANCIA ESPERADA CON LA INFORMACIN ADICIONAL

GECIA = 249*0,56 + 120*0.44 = 193 GEIA=GANANCIA ESPERADA DE LA INFORMACIN ADICIONAL

GEIA = 193 130 = 63 CONCLUSIN: Cantidad mxima que puede pagar por un informe externo es de 63 u.m. 6.8 Decisiones secuenciales y rboles de decisin: Problema de decisin en el que se consideran una secuencia de decisiones, es decir, decisiones posteriores dependientes de una decisin inicial. El anlisis del problema de decisin bajo el enfoque secuencial suele ser preferible al enfoque esttico, dado que es normal que una decisin tomada en el momento inicial condicione decisiones en los momentos posteriores de tiempo. En este caso, se sintetiza la representacin del problema a travs de un rbol de decisin dado que su representacin en una matriz no es viable. Un rbol de decisin es un grafo o dibujo que explica las secuencias de las decisiones o alternativas a tomar y los diversos estados de la naturaleza que se pueden presentar o acontecimientos que pueden suceder. Es una forma de abordar el problema de decisin cuando hay que adoptar una secuencia de decisiones excluyentes. Los elementos fundamentales del problema de decisin se representan en un rbol de decisin de la siguiente forma: Puntos o nudos de decisin entre alternativas o estrategias: Nudos aleatorios: Ocurrencia de los posibles estados de la naturaleza: Resultados esperados: El primer nudo (1) siempre es decisional: representa la decisin inicial que ha de tomar el decisor. El rbol toma la siguiente forma:

165

Se supone que la eleccin de una alternativa supone el abandono del resto. El resultado de dicha decisin depende a su vez de un suceso incierto como es el estado de la naturaleza que se produzca. Una vez producido un posible estado de la naturaleza, es posible elegir de nuevo entre distintas alternativas, siendo sus resultados dependientes del estado de la naturaleza que se produzca. La solucin de un problema de decisin secuencial, consiste en buscar la secuencia de decisiones ptimas a adoptar. Vamos a resolverlo en un contexto de riesgo. La tcnica de resolucin consiste en ir determinando los valores monetarios esperados en cada punto de decisin, hacindolo de derecha a izquierda, empezando por los resultados finales. Distinguimos entre. El valor de los nudos aleatorios (que son de los que parte los estados de la naturaleza) es la media ponderada de los resultados posibles. El valor de los nudos decisionales se obtiene tomando la esperanza matemtica correspondiente a la mejor decisin posible. Para la construccin del rbol seguiremos los siguientes pasos: 1. Identificacin clara del problema. 2. Establecer las estrategias o alternativas primarias entre las que debera elegir el momento actual 3. Establecer las diferentes alternativas y los diferentes sucesos que se van a ir produciendo a lo largo de este horizonte temporal. Hay dos matizaciones: 3.1 Sucesos inciertos: tienen que ser mutuamente excluyentes. 3.2 Sucesos aleatorios: Tienen que ser definidos de manera exhaustiva, es decir, la suma de las probabilidades de los diferentes sucesos debe ser igual a uno. 4. Representacin completa del rbol de decisin con los diferentes nudos y ramas. Las secuencias alternativas que hemos representado tienen que reflejar fielmente la informacin con la que cuenta el sujeto decidor en cada momento para tomar diferentes decisiones en el horizonte temporal. 5. Valoracin de cada una de las alternativas y sucesos aleatorios que nos lleva al final a una valoracin de las diferentes ramas de un rbol. 6. Determinar las decisiones optimas, y para ello utilizaremos el mtodo de resolucin de marcha atrs. Para esto tenemos que valorar todos los nudos del rbol. Limitaciones del mtodo: El mtodo es valido si el decisor utiliza como criterio decisor maximizar el valor esperado. Se puede corregir con la desviacin tpica. En cada nudo aleatorio se calcula la funcin de utilidad de los resultados posibles. En cada nudo decisional se toma la alternativa con mayor funcin de utilidad. El mtodo exige que el decisor pueda soportar el riesgo de ruina.

166

En caso de que los resultados no sean temporalmente homogneos habrn de ser actualizados a la misma fecha. Otra situacin puede ser tomar el criterio de eleccin de maximizar la probabilidad de ganancia y no la de maximizar el valor esperado. Este criterio de eleccin es til cuando existen muchas situaciones de ganancia nula. Ejemplo: Frank Jones es un estudiante de ltimo semestre de la Facultad de Ciencias Econmicas y Administrativas y quiere empezar a hacer currculo. La Universidad ha convocado unas becas para trabajar en el servicio. Los solicitantes deben superar dos pruebas: una terica que se realizara y una prctica para quienes superen la prueba terica. La beca esta dotada de una retribucin mensual de 1.000 nuevos soles libres de toda carga. Por otra parte, municipio de la ciudad ha convocado mediante concurso la provisin de un puesto de Ayudante de Administracin que se dedicara a la formacin tcnica de los empleados. El puesto tiene una remuneracin mensual de 1500 nuevos soles y habr que superar una entrevista personal con el jefe de personal y un examen terico practico para quienes superen la prueba terica. Frank esta nervioso, pues no sabe a que carta jugar. Por un lado se siente seguro de sus conocimientos tericos y piensa que si solicita la beca tiene un 70% de posibilidades de aprobar la prueba terica y un 40% de aprobar la practica, pero si se decanta por concursar en el municipio considera que con su nerviosismo las posibilidades de superar la entrevista se reducen al 40% y la probabilidad de superar el examen terico practico la estima en el 50%. Dado que la primera prueba para la beca de la Universidad y para el municipio coinciden, decidir: a. a cual deber asistir si lo que desea Frank es maximizar su ganancia mensual esperada? b. a cual deber asistir si lo que desea Frank si su objetivo es maximizar la probabilidad de obtener alguna ganancia? Solucin: a) Lo primero es construir el rbol con las alternativas, probabilidades asociadas y resultados

Una vez representados los nudos y las ramas, con sus probabilidades, as como los resultados asociados a ese cada camino, se procede de derecha a izquierda para determinar el valor asociado a cada vrtice. El valor asociado a un nudo aleatorio es la esperanza matemtica de los valores situados al final de las ramas que parten de el:

167

Comenzamos por el nodo 4: E(4) =1.0000.4 + 00.6 = 400 Tal ser el valor asociado al nodo 4, que se ha de situar junto a el en el rbol. Y del mismo modo se opera con los dems nodos. E(2) = 4000.7 + 00.3 = 280 Del mismo modo, procediendo de derecha a izquierda, se calculan los valores asociados a los nodos 5 y 3. E(5) = 1.500*0.5 + 0*0.5 = 750 E(3) = 750*0.4 + 0*0.6 = 300 El valor asociado a cualquier nudo decisional es igual al mayor de los valores asociados a los nudos en los que tienen destino las ramas que se desprenden de el. Si Frank sigue el criterio de elegir la opcin a la que le corresponda la mayor ganancia mensual esperada, se decidir por asistir a la prueba del municipio con un valor esperado de 300 nuevos soles mensuales. El rbol queda de la siguiente forma:

b. Si se decide por la Beca, la probabilidad de obtener alguna ganancia mensual, ser la probabilidad de aprobar las dos pruebas de la misma, es decir superar la primera prueba y luego la segunda:

Del mismo modo se obtienen:

168

Con respecto al concurso convocado por el ayuntamiento

Por consiguiente el rbol de decisin tambin puede representarse de la siguiente forma:

Las distribuciones de probabilidad asociadas a las dos opciones se recogen en la siguiente tabla: Opciones Beca Ayuntamiento Valores probables 1000 0 1500 Probabilidades 0,28 0,72 0,20 Valor esperado 280 300

0 0,80 Cuadro 6.10 Opciones y Probabilidades

Respuestas: a. a cual deber asistir si lo que desea Frank es maximizar su ganancia mensual esperada? Segn los valores esperados reflejados en la tabla, se debe elegir Ayuntamiento (300) por presentar mayor valor esperado frente al Ayuntamiento (280). Los resultados deben corregirse con medidas de dispersin y medidas que incluyan el riesgo que se quiere asumir.

Correccin de la dispersin de los resultados con la desviacin tpica y construccin de las respectivas funciones de utilidad si el coeficiente de aversin al riesgo () es del 10%:

169

Dado que para la beca, la esperanza matemtica vale 280 nuevos soles, su desviacin tpica ser:

Por tanto, la dispersin de los valores posibles de la variable ganancia mensual, en relacin a su media, es mayor en la opcin del Municipio que en la opcin de la Beca. b) a cual deber asistir si lo que desea Frank si su objetivo es maximizar la probabilidad de obtener alguna ganancia? Segn los valores esperados reflejados en la tabla, se debe elegir Beca (28%) por presentar mayor probabilidad de ganancia frente al Ayuntamiento (20%). 6.9 Actividades para el Aprendizaje. Luego de visitar estas direcciones de pginas web, elaborar un resumen y/o desarrollar los ejercicios propuestos para el tema correspondiente: Decisin: Herramientas para el Anlisis de Decisin: Anlisis de Decisiones Riesgosas: http://home.ubalt.edu/ntsbarsh/opre640S/SpanishP.htm Resolver los ejercicios al capitulo correspondiente: Ctedra de Mtodos Cuantitativos para los Negocios. http://www.unsa.edu.ar/mcneco/mcn_tps.html Programacin Matemtica http://www.uv.es/~sala/programacion.htm Bienvenidos a los cursos del rea de Operaciones Descargar ejercicios: http://ucreanop.org/descarga_ejercicios.php

170

ADMINISTRACIN Y GESTIN DE PROYECTOS CON PERT CPM


Objetivos del Captulo Elaborar la lista de actividades de un proyecto. Representar el proyecto con el uso de una red y/o diagrama. Calcular el tiempo total requerido para terminar el proyecto. Calcular cundo debe iniciarse y terminarse las actividades individuales para cumplir con la fecha de terminacin del proyecto. Determinar las holguras y las actividades crticas. Realizar un estudio de costo contra tiempo para un proyecto. Programar y controlar los costos de un proyecto. 7.0 Introduccin Grandes proyectos han existido desde el inicio de las civilizaciones en nuestro planeta. Cuando pensamos en la construccin de las pirmides egipcias o mayas, de los templos romanos o de las catedrales gticas, en enviar astronautas a la luna, en conocer planetas inexplorados hasta hoy en da, en descubrir el secreto del genoma humano, etc., nos viene a la cabeza miles de personas trabajando en innumerables tareas y actividades durante aos, e incluso siglos, coordinando las actividades con un nico fin: el conseguir acabar una obra maestra. En general, los proyectos suelen ser grandes y caros. Construir un hospital, desarrollar un nuevo medicamento, realizar una campaa masiva de vacunacin en frica son proyectos que necesitan una buena coordinacin y utilizacin de los recursos disponibles para obtener una eficiencia en trminos de tiempo y de costo. Completar estos proyectos en un periodo determinado y cumpliendo las expectativas presupuestarias no es tarea fcil. Si, por ejemplo, falla el suministro de un material determinado en una fecha concreta, el proyecto puede sufrir retrasos que implican un aumento considerable del costo. Una buena gestin y administracin del proyecto es crucial. Normalmente los proyectos estn divididos en muchas tareas, dependientes entre ellas. En muchos casos no podemos empezar una tarea sin haber finalizado otra. Es posible que en grandes proyectos existan muchsimas actividades interdependientes, por lo que los administradores tienen que encontrar mtodos y mecanismos para poder gestionar eficientemente ellas. En este captulo examinamos los mtodos actuales utilizados para la gestin y administracin de proyectos que tienen muchas tareas. 7.1 Definicin de la Gestin y Administracin de Proyectos Un proyecto puede ser definido como una serie de tareas relacionadas entre ellas con un claro objetivo y que adems requiere una larga duracin temporal. La Gestin y Administracin de Proyectos consiste en la planificacin, direccin y control de recursos (personal, equipos, materiales) necesarios para satisfacer las necesidades tcnicas, econmicas y temporales del proyecto. Un proyecto empieza por lo que se denomina Declaracin Del Trabajo11 (DDT). Bsicamente, el DDT es una declaracin escrita de las intenciones del proyecto en cuestin y la agenda prevista indicando el inicio y la finalizacin de ste. A veces tambin se especifica datos tcnicos sobre los costos, el presupuesto y las diferentes etapas 12 del proyecto.
11 12

En ingls, statement of work En ingls, milestones 171

Una tarea (o actividad) es una subdivisin determinada del proyecto. En general tiene una duracin de algunos meses y es realizada por un grupo o unidad de trabajo. Una sub-tarea no es ms que una divisin de una tarea, ya que a veces es necesario dividir las tareas en porciones ms significativas. Normalmente un proyecto tiene una estructura jerarquizada de tareas y subtareas (ver Cuadro 7.1.) Las tareas tienen asociados en general una serie de atributos, cuya funcin es la de facilitar la definicin perfecta de cada tarea en el marco de la planificacin y gestin del proyecto. Estos atributos pueden ser los siguientes, entre otros: Atributos de identificacin: o o o Cdigo: conjunto de caracteres alfanumricos que permite identificar la actividad. Designacin: descripcin breve de la actividad Ejecutor: sirve para identificar la entidad o la persona responsable de la tarea.

Atributos temporales: o o o Duracin de la tarea: nmero de periodos previstos para llevar a cabo segn una asignacin previa de recursos. Fechas previstas: las ms destacables son las de inicio y finalizacin previstos para la tarea. Fechas reales: El control sobre el proyecto permitir fijar las fechas reales de inicio y finalizacin de les tareas una vez realizadas; y tambin el grado de realizacin de una tarea, que puede ser medido en funcin del porcentaje del trabajo realizado sobre el total previsto.

Atributos de necesidades de recursos: o o Tipo de recurso: atributo cualitativo que determina qu elementos son necesarios en cada actividad Cantidad de recurso: atributo cuantitativo que establece cuantas unidades se necesitan de cada recurso

Cuadro 7.1: Jerarqua De tareas Un paquete de trabajo13 consiste en un grupo de actividades combinadas que pueden asignarse a un nico grupo o unidad de trabajo u organizacin. En este paquete se determina la descripcin de las tareas a realizar, cuando se tienen que iniciar y finalizar, el presupuesto, algunas medidas sobre el rendimiento y eventos o etapas especficas a ser alcanzadas. Algunos ejemplos pueden ser la produccin de un
13

En ingls, work package

172

prototipo, el teste de una mquina en concreto o la puesta en funcionamiento de una campaa de mercado. El objetivo principal de la planificacin y gestin de un proyecto consiste en el establecimiento de: Un calendario de la realizacin de las actividades (tareas), que implica el establecimiento de unas fechas de inicio y de finalizacin de todas las ellas Una asignacin de recursos a las actividades, que implica el escoger una modalidad para llevar a cabo cada actividad en funcin de los recursos disponibles. Ms concretamente, la gestin y administracin de proyectos pretende contestar a las siguientes preguntas14: Cul es la fecha de finalizacin de proyecto? Cul es la variabilidad esperada de esta fecha? Cules son las fechas programadas del principio y terminacin de cada actividad especfica? Cules actividades son crticas en el sentido de que deben terminar con exactitud como fueron programadas para llegar a la meta de la finalizacin de l proyecto? Cunto se pueden demorar las actividades no crticas antes de provocar un retraso en la fecha de conclusin del proyecto? Qu controles se deben ejercer en el flujo de recursos financieros para las diversas actividades durante el proyecto? Actualmente existen dos grandes mtodos para poder responder a estas preguntas: el PERT 15 y el CPM16. Ambos mtodos son similares. El primero fue desarrollado a finales de la dcada de los 50 para construir el misil Polaris, un complejo proyecto con ms de 250 contratistas primarios y 9000 subcontratistas. El segundo fue diseado tambin a finales de los aos 50 por DuPont y Remington Rand para la gestin de grandes proyectos. 7.2 Representacin grfica de un Proyecto La representacin grfica de un proyecto es importante, ya que permite analizarlo de forma eficiente, identificando las actividades crticas y, por otro lado, simplifica las tareas de control y de actualizacin de la evolucin del proyecto. La representacin grfica se realiza a travs de una red. Una red es un conjunto de nodos conectados por arcos. Los arcos vienen representados por los nodos con los cuales est asociado. Por ejemplo, supongamos la red siguiente:

Figura 7.1 Red el conjunto de nodos viene representado por N={1,2,3,4,5}, y el conjunto de arcos A es el siguiente: A={(1,2),(1,3),(2,3),(2,4);(5,4),(5,2),(3,5)}. Un camino entre dos nodos consiste en una secuencia de arcos conectados, en donde el nodo final de un arco coincide con el nodo inicial del arco siguiente. Por ejemplo, el camino entre los nodos 1 y 4 es:

14 15 16

Ver Eppen y Gould (1999) En ingls, PERT: Program Evaluation and Review Technique En ingls, CPM: Critical Path Method 173

(1,2);(2,3),(3,5),(5,4). Un ciclo (o circuito) es un camino en donde los extremos coinciden. Por ejemplo, la secuencia (2,3),(3,5),(5,2) es un ciclo. Existen dos tipos de representaciones de los proyectos: las redes ANA (actividades en los arcos), en donde las actividades se representan por los arcos de la red, o las redes ANN, en donde las actividades se representan en los nodos, si bien que las redes ANA son las ms comunes. Ms concretamente, las redes ANA tienen las caractersticas siguientes: las actividades se representan en los arcos las relaciones de precedencia se definen a partir del orden de los arcos los sucesos se representan en los nodos el nodo inicial representa el inicio del proyecto el nodo final representa su finalizacin Por otro lado, las redes ANN tienen las caractersticas siguientes: las actividades se representan en los nodos las relaciones de precedencia vienen definidas por los arcos los sucesos son actividades con una duracin nula Redes ANA. Las redes ANA tienen una serie de convenciones que hay que seguir para su diseo grfico. Estas son: Las actividades secuenciales son aquellas que estn en el mismo camino (y por tanto, son de alguna manera dependientes) Las actividades paralelas son las que se encuentran en caminos diferentes (y por tanto son independientes).

Figura 7.2 Red ANA La convencin ANA indica que la red tiene que dibujarse de izquierda a derecha. Consecuentemente, la numeracin de los sucesos se realizar en el mismo sentido, aumentando a medida que nos desplazamos hacia la derecha. Cada actividad se representa por un nico arco (no podemos tener actividades que tengan los mismos sucesos de inicio y finalizacin).

174

Figura 7.3 Red ANA Doble Sentido La construccin de una red tiene que realizarse por fases, aadiendo las actividades una a una. Para proyectos grandes, es ms fcil empezar la construccin de la red desde el final e ir retrocediendo. De vez en cuando, al construir la red, ser necesario introducir actividades ficticias para respetar correctamente las relaciones de precedencia y tambin para evitar que dos actividades compartan el mismo nodo de salida y de llegada. Estas actividades ficticias tienen una duracin igual a cero y no consumen ningn recurso. A continuacin se ilustra el uso de las actividades ficticias. Caso 1: Representacin correcta de las relaciones de precedencia Supongamos las siguientes relaciones de precedencia: A C, B C, B E. No se puede representar esta relacin sin la utilizacin de una actividad ficticia, ya que tendramos la figura siguiente:

Figura 7.4 Relaciones de Precedencia En la cual se comente el error de relacionar la actividad E con la actividad A, cuando en realidad no hay ninguna relacin de precedencia entre ellas. Por eso es necesario el introducir una actividad ficticia para evitar este error.

Figura 7.5 Actividad Ficticia En este caso, las relaciones de precedencia se mantienen. La actividad ficticia une a las actividades B y C y a su vez impide que las actividades A y E estn relacionadas. Caso 2: Evitar que dos actividades tengan el mismo nodo de origen y destino. En este caso, las actividades B y C tienen los mismos nodos de origen y destino (nodos 3 y 4) y tenemos que aadir una actividad ficticia para que esto no ocurra. La representacin incorrecta es la siguiente:

175

Figura 7.6 Nodos con Mismo Origen y Destino Al aadir una actividad ficticia, podemos obtener dos situaciones correctas diferentes:

Figura 7.7 Nodos Corregidos Ambas situaciones implican el mismo resultado de relacin de precedencia, al no tener las actividades ficticias ni utilizacin de recursos ni costo temporal. Como veremos ms adelante, el impedir que dos actividades tengan el mismo nodo de origen y destino es bsico para poder determinar las actividades que son crticas para la buena ejecucin del proyecto. Una vez que se ha construido la red, se tiene que verificar si se cumplen las condiciones siguientes: Se han representado todas las actividades Todas las relaciones de precedencia tambin estn representadas La red no tiene relaciones de precedencia inexistentes Hay unos nicos nodos inicial y final Finalmente, se han de enumerar los nodos de la red, utilizando el mtodo explicado anteriormente, asociando un valor que identifique cada suceso. Ejemplo: Actividad A B C D E F G H I J K L Actividad Precedente A A C C B E,F D D G H,I K Duracin de la actividad 1 1 2 7 4 4 3 2 1 1 5 3

176

La red ANA correspondiente es la siguiente:

Figura 7.8 Red ANA Como hemos mencionado anteriormente, la red ANA tambin se puede transformar en red ANN. En este ejemplo, la configuracin ANN sera la siguiente:

Figura 7.Red ANN 7.3 Planificacin Temporal del Proyectos CPM El mtodo CPM17 consiste e una metodologa simple para poder gestionar cada una de las actividades que componen el proyecto. Para cada actividad, el CPM determina unos tiempos de inicio y de finalizacin y tambin la posible existencia de holguras temporales que determinen en nivel crtico de su importancia para la consecucin del proyecto en el menor tiempo posible. Ms concretamente, los objetivos del CPM son: Determinar la duracin mnima del proyecto Determinar las fechas de inicio de cada una de las actividades que lo componen Identificar las actividades que son crticas18 Determinar que atrasos posibles pueden sufrir las actividades sin afectar la duracin mima del proyecto. El CPM utiliza como base las redes ANA y realiza las siguientes hiptesis: Las actividades tienen una duracin determinada conocida (determinista) Se tienen que ejecutar todas las actividades No hay repeticin de actividades No hay restricciones significativas de recursos En principio, el CMP determina el momento ms avanzado y el momento ms retardado de realizar cada suceso. Estos valores se utilizarn posteriormente para calcular las fechas de inicio, fin, ms avanzadas y ms retardadas de cada actividad. A continuacin veremos como se obtienen estos parmetros.

17 18

Critical Path Method Una actividad crtica del proyecto es aquella que se tiene que realizar exactamente en el mismo intervalo de tiempo igual a su duracin. 177

7.3.1 Primera fase: anlisis temporal de los sucesos Notacin: i, j = sucesos (i=1 inicio del proyecto, j=n final del proyecto) (i,j) = actividad tij = duracin de la actividad (i,j) Ei = Momento ms avanzado posible para realizar el suceso i (nodo i), suponiendo que no se han realizado retrasos en las actividades anteriores. Li = Momento ms atrasado posible para realizar el suceso i (nodo i), sin que la duracin mnima se vea afectada. El proceso se desarrolla de la forma siguiente: 1. Para cada nodo j calcular Ej: 1. E1 = 0; 2. Para j = 2,..., n, Ej = max(i,j) {Ei + tij} 3. En = duracin mnima del proyecto. 2. Para cada nodo j calcular Lj: o Ln = En ; 4. Para i = n-1, ..., 2, Li = min(i,j) { Lj - tij} o Notar que Li = 0 y que tij = Lj - Ei 3. Calcular el margen Fi para cada suceso i, es decir el retraso que cada suceso puede sufrir sin modificar la duracin mnima del proyecto. Fi = Li - Ei Notar que los elementos crticos tienen un margen nulo. Utilizando el ejemplo anterior, y aplicando las frmulas descritas, tenemos que los tiempos de los sucesos son los siguientes: Suceso 1 2 3 4 5 6 7 8 9 10 11 Ej 0 1 2 3 7 10 10 11 12 17 20 Li 0 1 4 3 8 10 11 12 12 17 20 Fi 0 0 2 0 1 0 1 1 0 0 0

A veces, un proyecto puede tener una fecha de finalizacin fijada de antemano, que no tiene porque coincidir necesariamente con la mnima. En este caso el proceso se modifica de la siguiente forma: 178

Para cada nodo j calcular Lj: Ln = Fecha de finalizacin; Para i = n-1, ..., 2, Li = min(i,j) { Lj - tij} 4. Calcular el margen Fi para cada suceso i, es decir el retraso que cada suceso puede sufrir sin modificar la duracin mnima del proyecto. Fi = Li - Ei Notar que los elementos crticos son los que tienen un margen mnimo. Supongamos que en el ejemplo anterior se fija a priori el tiempo de ejecucin del proyecto en 25 semanas. En este caso, el anlisis temporal de los sucesos es el siguiente: Suceso 1 2 3 4 5 6 7 8 9 10 11 Ej 0 1 2 3 7 10 10 11 12 17 20 Li 5 6 9 8 13 15 16 17 17 22 25 Fi 5 5 7 5 6 5 6 6 5 5 5

Los sucesos crticos son los mismos que en el caso anterior. 7.3.2 Segunda fase: anlisis temporal de las actividades 1. Para cada actividad (i,j) calcular las fechas siguientes: Fecha de inicio ms avanzada (FIA) = Ei Fecha de inicio ms retardada (FIR) = Lj - tij Fecha de finalizacin ms avanzada (FFA) = Ei + tij Fecha de finalizacin ms retardada (FFR) = Lj Margen total de la actividad (i,j) = Lj - Ei - tij Las actividades crticas son aquellas que tienen un margen total igual a 0. El camino crtico es el camino ms largo entre el origen (1) y el nodo final ( n); por lo tanto, es el camino con el margen mnimo total (el camino compuesto por las actividades crticas). En una red puede existir ms de un camino crtico. En nuestro ejemplo, el anlisis temporal de las actividades es el siguiente:

179

Arco (1,2) (2,3) (2,4) (4,6) (4,5) (3,5) (5,7) (6,9) (6,8) (8,9) (7,9) (9,10) (10,11)

Actividad A B C D E F G H I Ficticia J K L

Duracin 1 1 2 7 4 4 3 2 1 0 1 5 3

FIA 0 1 1 3 3 2 7 10 10 11 10 12 17

FIR 0 3 1 3 4 4 7 10 11 12 11 12 17

FFA 1 2 3 10 7 6 10 12 11 11 11 17 20

FFR 1 4 3 10 8 8 11 12 12 12 12 17 20

Margen 0 2 0 0 1 2 1 0 1 1 1 0 0

El tiempo de ejecucin mnimo del proyecto es de 20 semanas. No se podr nunca realizar en menos tiempo. Ahora tambin podemos analizar las actividades individualizadamente. Por ejemplo, la actividad E tiene una duracin de 4 semanas, se puede iniciar en la tercera semana lo ms temprano posible (FIA), aunque tenemos un margen, ya que si empieza en la cuarta semana (FIR) el proyecto no se ve afectado en su conjunto, debido al margen total de una semana. Por otro lado, la actividad D no tiene margen, por lo que se tiene que empezar obligatoriamente en la tercer a semana, ya que si se retrasa, aunque sea un poco, el conjunto del proyecto se ver afectado y no podr ser realizado en las 20 semanas. Por lo tanto la actividad D es crtica en el proyecto. El camino crtico est formado por las actividades con margen nulo. En este caso, el camino es: A C D H K L

Grficamente, el camino crtico es el siguiente:

Figura 7.8 Camino Crtico 7.3.3 Tercera fase: anlisis ms detallado de los mrgenes A continuacin examinaremos con ms detalle el margen total de cada una de las actividades ( i,j), desglosndolo en varios apartados. Margen Total = Lj - Ei - tij

180

Representa el atraso mximo permitido en la duracin de una actividad sin afectar a la duracin total del proyecto. Se supone que las actividades precedentes empiezan lo ms pronto posible y que las actividades posteriores se inician lo ms tarde posible. Margen de seguridad = Lj - Li - tij Consiste en el atraso mximo permitido en la ejecucin de una actividad sin imponer restricciones temporales en las actividades precedentes. En este caso las actividades precedentes pueden acabar lo ms tarde posible y las posteriores empiezan lo ms tarde posible. Margen libre = Ej - Ei - tij Representa el atraso mximo permitido en la duracin de una actividad sin imponer restricciones temporales en las actividades posteriores. Aqu las actividades precedentes finalizan lo ms pronto posible y las posteriores pueden empezar lo ms pronto posible. Margen independiente = Ej - Li - tij Representa el atraso mximo que puede tener una actividad sin afectar a las precedentes y a las posteriores. En este caso, las actividades precedentes pueden acabar lo ms tarde posible y las posteriores se pueden iniciar lo ms pronto posible sin que afecte por ello al proyecto. Ejemplo de aplicacin: Actividad F (arco(3,5)) Margen total = 2. Si esta actividad se retrasa 2 semanas, el proyecto se puede acabar en el tiempo mnimo previsto si ninguna de las actividades precedentes y posteriores sufre retrasos. Margen de seguridad = 0. Nos indica que no tenemos margen si las actividades anteriores y posteriores se ejecutan lo ms tarde posible. Margen libre = 1. En este caso, si la actividad se retrasa en una semana, el proyecto puede finalizarse en el tiempo previsto siempre que las actividades precedentes se ejecuten lo ms pronto posible. Margen independiente = 0. Nos indica que cualquier retraso de la actividad F tendr efecto en las otras actividades. Por lo tanto, la actividad F (5,7) est formada por los sucesos 5 (E=2, L=4) y 7 (E=7, L=8). Si las actividades precedentes han sufrido retrasos, las actividades posteriores no pueden compensar este retraso porque su margen es inferior. 7.4 El Grfico Gantt El diagrama o grfico Gantt es una manera sencilla y sinttica de representacin de las actividades de un proyecto. Se compone de un eje de abcisas que representa la escala temporal y de un eje de ordenadas que representa las actividades. En este caso se supone que todas las actividades se inician en su fecha de inicio ms avanzada, aunque no necesariamente sea esto obligatorio (por ejemplo, podra suponerse que todas las actividades se inician lo ms tarde posible). El grfico Gantt puede construirse una vez se ha realizado el CPM (o el PERT, que veremos ms adelante). La duracin de cada actividad y los mrgenes se presentan en el grfico en forma de barra horizontal, y a medida que avanza la ejecucin del proyecto se va modificando la configuracin de cada barra (por ejemplo, el color) para indicar su estado. Ejemplo de grfico Gantt

181

7.5 El PERT

Figura 7.9 Grfico Gantt

El PERT19 es un mtodo similar al CPM. La gran diferencia estriba en que los tiempos de las actividades no son determinsticos, sino que tienen un componente aleatorio. La versin original del PERT se basa en el conocimiento, para cada actividad, de tres estimaciones de su duracin: La estimacin ms probable (m) que es la estimacin ms realista de la moda de la distribucin de la probabilidad para el tiempo de la actividad. La estimacin optimista (a) procura ser el tiempo poco probable pero posible si todo sale bien, o sea, una estimacin de la cota inferior de la distribucin de probabilidad La estimacin pesimista (b) se basa en una estimacin poco probable de que todo vaya mal. Es decir, una estimacin de la cota superior de la distribucin de probabilidad. Para poder operar y calcular el tiempo total mnimo del proyecto, necesitamos conocer el valor esperado y la varianza de cada una delas actividades. Se supone en general que la dispersin entre a (el valor ms optimista) y b (el ms pesimista) es de 6 desviaciones estndar, es decir = b a. Por lo tanto, la varianza del tiempo de cada actividad es:

Esta suposicin se basa en que las colas de muchas distribuciones de probabilidad estn a 3 desviaciones estndar de la media, y por lo tanto las colas estn a 6 desviaciones estndar. Por otro lado, tambin se tiene que conocer qu tipo de distribucin de probabilidad sigue el tiempo de las actividades. En general, se asume que los tiempos siguen una distribucin Beta. Este tipo de distribucin tiene un rango entre dos valores a y b determinados y representa la variabilidad dentro de este rango. La distribucin tiene la forma siguiente:

Figura 7.10 Distribucin de Probabilidad


19

En ingles, Program Evaluation and Review Technique

182

Y el tiempo esperado de cada actividad se obtiene de la siguiente forma: t = 1/3[2m + 0,5(a + b)] Para poder calcular el tiempo esperado mnimo del proyecto y la probabilidad de que el proyecto finalice en una fecha determinada necesitamos que se cumplan las condiciones siguientes: que los tiempos de las actividades sean variables aleatorias estadsticamente independientes, es decir, que el punto de distribucin en que ocurra el tiempo de una actividad en particular no influya en el punto de su distribucin en que los tiempos de otras variables ocurrirn. que la ruta crtica siempre requiera un tiempo mayor total que cualquier otra trayectoria. que la distribucin de probabilidad del tiempo del proyecto sea (aproximadamente) una distribucin normal. Esta ltima hiptesis se basa en que la distribucin de probabilidad de una suma de muchas variables aleatorias independientes es aproximadamente normal bajo una amplia variedad de condiciones20. Una vez conocido el tiempo esperado para cada una de las actividades, se utiliza ste en el CPM para obtener el camino crtico y las actividades crticas. Una vez se saben stas, si sumamos sus tiempos medios, obtenemos el tiempo medio mnimo esperado del proyecto. Tambin obtenemos la varianza del tiempo medio mnimo sumando las varianzas de las actividades crticas. En caso de que haya varios caminos crticos, se escoge aquel con la mayor varianza total. Para saber que la probabilidad de que un proyecto se realice en la fecha D, tenemos que buscar la media y desviacin estndar en base a las Tablas (0,1) de la distribucin normal. Si Z es una variable aleatoria normal (0,1), tenemos que calcular la frmula siguiente:

Y consultar el valor de la probabilidad correspondiente en una Tabla de la normal. Ejemplo de PERT Supongamos el proyecto siguiente: Ms Ms Actividad optimista probable a m A B C D E F G H I J 1 2 1 1 0,5 1 1 6 3 4 2 2 2 1,5 1 2,5 2 7 4 6 Ms pesimista Actividades b precedentes 3 8 3 11 7,5 7 3 8 11 8 A B B C,D C,D C,D,E C,D,E F,H

20

Esto se conoce como el Teorema del Lmite Central 183

Primer paso: encontrar el tiempo medio esperado y la varianza de cada actividad: Actividad A B C D E F G H I J Valor esperado 2 3 2 3 2 3 2 7 5 6 Varianza 0,11 1 0,11 2,78 1,36 1,00 0,11 0,11 1,78 0,44

Segundo paso: Encontrar el camino crtico. La red del proyecto es la siguiente:

Figura 7.11 Red Camino Crtico Y el CPM se presenta en la tabla siguiente: Actividad Duracin A B C D E F G H I J El camino crtico del proyecto es B varianza es igual a 4,33. 184 2 3 2 3 2 3 2 7 5 6 D FIA 0 0 2 3 3 6 6 6 6 13 H FIR 2 3 4 6 5 9 8 13 11 19 FFA 2 0 4 3 4 10 17 6 14 13 FFR 4 3 6 6 6 13 19 13 19 19 Margen 2 0 2 0 1 4 11 0 8 0

J y el tiempo medio esperado es de 19 semanas y su

Supongamos que queremos calcular la probabilidad de que el proyecto finalice en 20 das. Tendremos que:

Por lo tanto, y despus de consultar una tabla Normal (0,1) hay una probabilidad de 68,44% de que el proyecto finalice en un periodo de 20 das. 7.6 Planificacin de Recursos: Tiempo-Costo Como hemos visto hasta ahora, tanto el CPM como el PERT se dedican bsicamente a gestionar el tiempo relacionado con la ejecucin de cada una de las actividades que componen el proyecto. Sin embargo, a veces los tiempos de las actividades se ven afectados por la cantidad recursos que empleamos en su ejecucin. Por lo tanto, existe un intercambio entre el tiempo de ejecucin del proyecto y el costo de realizarlo. Aqu supondremos que esta relacin es lineal, como muestra la figura siguiente:

Figura 7.12 Costos y Tiempos En este caso, la pregunta que intentamos resolver es la siguiente: Qu tiempos de actividad conviene elegir para que se produzca el tiempo deseado de terminacin del proyecto con un costo mnimo? Para poder responder a esta pregunta, necesitamos conocer la informacin siguiente de cada actividad: Tiempo de ejecucin normal, Tn Costo de ejecucin normal, Cn Tiempo de ejecucin acelerada, Ta Costo de ejecucin acelerada, Ca Tenemos que la relacin [Ca Cn]/[Ta - Tn] representa la pendiente de la recta del grfico anterior. En otras palabras, en cuando se reduce el costo si incrementamos el tiempo de ejecucin en una unidad. Es decir, el costo marginal del tiempo. Esta relacin es muy til conocerla para las actividades crticas. Esto es debido a que, como vimos anteriormente, las actividades crticas son las que determinan el tiempo mnimo de ejecucin del proyecto. Un pequeo retraso en una de ellas provoca inexorablemente un aumento del tiempo de ejecucin, y al contrario, si ponemos ms recursos en las actividades crticas, su tiempo de ejecucin puede reducirse y con ello se podra realizar el proyecto en un tiempo menor. En general, primero se realiza el CPM con los tiempos normales de las actividades para obtener el camino crtico, la duracin mnima del proyecto y el costo total normal. Una vez se obtienen estos datos, se fija un objetivo de reduccin del tiempo de ejecucin del proyecto. Si existe un nico camino crtico, se escoge la actividad del camino crtico que tiene el costo marginal ms pequeo para acelerarla. Cuando hay ms de un camino crtico, si queremos acelerar el proyecto, para cada camino reducimos la actividad con el menor costo marginal hasta conseguir el objetivo de reduccin. Al realizar este proceso hay que ir con

185

cuidado ya que la reduccin de la duracin de una actividad puede crear la aparicin de nuevos caminos crticos. A continuacin ilustraremos el mtodo tiempo-costo con un ejemplo. Supongamos el proyecto siguiente: Actividades (1,2) (1,3) (2,4) (2,5) (3,4) (4,5) Coste Duracin Costo Duracin Costo Marginal 8 4 2 10 5 3 100 150 50 100 100 80 6 2 1 5 1 1 200 350 90 400 200 100 50 100 40 60 25 10 Normal Acelerado

Suceso 1 2 3 4 5

Ej 0 8 4 10 18

Li 0 8 10 15 18

Fi 0 0 6 5 0

En condiciones normales, el proyecto tiene una duracin de 18 das y un costo de 580. El camino crtico es (1,2),(2,5). Ahora aplicamos la regla de reduccin de tiempos escogiendo las actividades crticas que tienen un costo marginal menor. Reducir la duracin de la actividad (1,2) en 2 unidades: duracin = 16 y costo = 680 Reducir la actividad (2,5) en 4 unidades: duracin = 12 y costo =920 Debido a estas reducciones ha aparecido un camino crtico nuevo (1,3),(3,4),(4,5). Reducir la duracin de las actividades (2,5) y (4,5) en una unidad: duracin = 11 y costo = 990 En este punto ya no podemos realizar ms reducciones, ya que todas las actividades de los caminos crticos han llegado a su lmite de reduccin. 7.7 Conclusiones En este captulo hemos examinado varios mtodos que nos ayudan a gestionar y planificar proyectos complejos. Los mtodos PERT y CPM son relativamente sencillos de aplicar, pero permiten obtener mucha informacin importante para la planificacin y control de grandes proyectos. Debido a su aplicacin en situaciones reales, la gestin de proyectos es una de las reas ms importantes de los 186

mtodos cuantitativos para la toma de decisiones en la industria, en los servicios y en la formacin de profesionales. Una de las principales razones de su xito es la facilidad de obtener diferentes escenarios de un proyecto y de actualizarlo a lo largo de su ejecucin. Existen varios programas de ordenador dedicados a la gestin de proyectos. Entre ellos, destacan el Microsoft Project y el Superproject. 7.8 Actividades para el Aprendizaje Luego de visitar estas direcciones de pginas web, elaborar un resumen y/o desarrollar los ejercicios propuestos para el tema correspondiente: Investigacin de operaciones: http://www.investigacion-operaciones.com/contenido.htm Resolver los ejercicios al capitulo correspondiente: Ctedra de Mtodos Cuantitativos para los Negocios. http://www.unsa.edu.ar/mcneco/mcn_tps.html Programacin Matemtica http://www.uv.es/~sala/programacion.htm Bienvenidos a los cursos del rea de Operaciones Descargar ejercicios: http://ucreanop.org/descarga_ejercicios.php

187

188

INTRODUCCION AL MTODO DE SIMULACIN MONTE CARLO


Objetivos del Captulo Introducir los conceptos e ideas clave de la simulacin Monte Carlo. Introducirse en las capacidades que ofrece Excel en los campos de modelado y simulacin. Conocer algunas aplicaciones de la simulacin Monte Carlo. 8.0 Introduccin Bajo el nombre de Mtodo Monte Carlo o Simulacin Monte Carlo se agrupan una serie de procedimientos que analizan distribuciones de variables aleatorias usando simulacin de nmeros aleatorios. El Mtodo de Monte Carlo da solucin a una gran variedad de problemas matemticos haciendo experimentos con muestreos estadsticos en una computadora. El mtodo es aplicable a cualquier tipo de problema, ya sea estocstico o determinstico. Generalmente en estadstica los modelos aleatorios se usan para simular fenmenos que poseen algn componente aleatorio. Pero en el mtodo Monte Carlo, por otro lado, el objeto de la investigacin es el objeto en s mismo, un suceso aleatorio o pseudo-aleatorio se usa para estudiar el modelo. A veces la aplicacin del mtodo Monte Carlo se usa para analizar problemas que no tienen un componente aleatorio explcito; en estos casos un parmetro determinista del problema se expresa como una distribucin aleatoria y se simula dicha distribucin. Un ejemplo sera el famoso problema de las Agujas de Bufn. La simulacin de Monte Carlo tambin fue creada para resolver integrales que no se pueden resolver por mtodos analticos, para solucionar estas integrales se usaron nmeros aleatorios. Posteriormente se utiliz para cualquier esquema que emplee nmeros aleatorios, usando variables aleatorias con distribuciones de probabilidad conocidas, el cual es usado para resolver ciertos problemas estocsticos y determinsticos, donde el tiempo no juega un papel importante. La simulacin de Monte Carlo es una tcnica que combina conceptos estadsticos (muestreo aleatorio) con la capacidad que tienen los ordenadores para generar nmeros pseudo-aleatorios y automatizar clculos. 8.1 Inicios del Mtodo de Monte Carlo El mtodo fue llamado as por el principado de Mnaco por ser ``la capital del juego de azar'', al tomar una ruleta como un generador simple de nmeros aleatorios. El nombre y el desarrollo sistemtico de los mtodos de Monte Carlo datan aproximadamente de 1944 con el desarrollo de la computadora. Sin embargo hay varias instancias (aisladas y no desarrolladas) en muchas ocasiones anteriores a 1944. El uso real de los mtodos de Monte Carlo como una herramienta de investigacin, proviene del trabajo de la bomba atmica durante la Segunda Guerra Mundial. Este trabajo involucraba la simulacin directa

189

de problemas probabilsticos de hidrodinmica concernientes a la difusin de neutrones aleatorios en material de fusin. An en la primera etapa de estas investigaciones, John von Neumann y Stanislao Ulam refinaron esta curiosa ``Ruleta rusa'' y los mtodos``de divisin''. Sin embargo, el desarrollo sistemtico de estas ideas tuvo que esperar el trabajo de Harris y Herman Kahn en 1948. Aproximadamente en el mismo ao, Fermi, Metropolos y Ulam obtuvieron estimadores para los valores caractersticos de la ecuacin de Schrdinger para la captura de neutrones a nivel nuclear. Alrededor de 1970, los desarrollos tericos en complejidad computacional comienzan a proveer mayor precisin y relacin para el empleo del mtodo Monte Carlo. La teora identifica una clase de problemas para los cuales el tiempo necesario para evaluar la solucin exacta al problema crece con la clase, al menos exponencialmente con M. La cuestin a ser resuelta era si MC pudiese o no estimar la solucin al problema de tipo intratable con una adecuacin estadstica acotada a una complejidad temporal polinomial en M. Karp(1985) muestra esta propiedad para estimar en una red plana multiterminal con arcos fallidos aleatorios. Dyer(1989) utiliza MC para estimar el volumen de un convex body en el espacio Euclidiano M-dimensional. Broder(1986), Jerrum y Sinclair (1988) establecen la propiedad para estimar la persistencia de una matriz o en forma equivalente, el nmero de matching perfectos en un grafo bipartito. Los orgenes de esta tcnica estn ligados al trabajo desarrollado por Stan Ulam y John Von Neumann a finales de los 40 en el laboratorio de Los Alamos, cuando investigaban el movimiento aleatorio de los neutrones. En aos posteriores, la simulacin de Monte Carlo se ha venido aplicando a una infinidad de mbitos como alternativa a los modelos matemticos exactos o incluso como nico medio de estimar soluciones para problemas complejos. As, en la actualidad es posible encontrar modelos que hacen uso de simulacin MC en las reas informtica, empresarial, econmica, industrial e incluso social. En otras palabras, la simulacin de Monte Carlo est presente en todos aquellos mbitos en los que el comportamiento aleatorio o probabilstico desempea un papel fundamental -precisamente, el nombre de Monte Carlo proviene de la famosa ciudad de Mnaco, donde abundan los casinos de juego y donde el azar, la probabilidad y el comportamiento aleatorio conforman todo un estilo de vida. Son muchos los autores que han apostado por utilizar hojas de clculo para realizar simulacin MC. La potencia de las hojas de clculo reside en su universalidad, en su facilidad de uso, en su capacidad para recalcular valores y, sobre todo, en las posibilidades que ofrece con respecto al anlisis de escenarios (what-if analysis). Las ltimas versiones de Excel incorporan, adems, un lenguaje de programacin propio, el Visual Basic for Applications, con el cual es posible crear autnticas aplicaciones de simulacin destinadas al usuario final. En el mercado existen de hecho varios complementos de Excel (Add-Ins) especficamente diseados para realizar simulacin MC, siendo los ms conocidos: @Risk, Crystall Ball, Insight.xla, SimTools.xla, etc.. 8.2 Simulacin: Mtodo Monte Carlo Simulacin: es el proceso de disear y desarrollar un modelo computarizado de un sistema o proceso y conducir experimentos con este modelo con el propsito de entender el comportamiento del sistema o evaluar varias estrategias con las cuales se puede operar el sistema. Modelo de simulacin: conjunto de hiptesis acerca del funcionamiento del sistema expresado como relaciones matemticas y/o lgicas entre los elementos del sistema. Proceso de simulacin: ejecucin del modelo a travs del tiempo en un ordenador para generar muestras representativas del comportamiento. 8.2.1 Mtodos de simulacin Simulacin estadstica o Monte Carlo: Est basada en el muestreo sistemtico de variables aleatorias.

190

Simulacin continua: Los estados del sistema cambian continuamente su valor. Estas simulaciones se modelan generalmente con ecuaciones diferenciales. Simulacin por eventos discretos: Se define el modelo cuyo comportamiento vara en instantes del tiempo dados. Los momentos en los que se producen los cambios son los que se identifican como los eventos del sistema o simulacin. Simulacin por autmatas celulares: Se aplica a casos complejos, en los que se divide al comportamiento del sistema en subsistemas ms pequeos denominadas clulas. El resultado de la simulacin est dado por la interaccin de las diversas clulas. 8.2.2 Etapas del proceso de simulacin Definicin, descripcin del problema. Plan. Formulacin del modelo. Programacin. Verificacin y Validacin del modelo. Diseo de experimentos y plan de corridas. Anlisis de resultados 8.2.3 Diagrama de flujo del modelo de simulacin

8.3 Algoritmos El algoritmo de Simulacin Monte Carlo Crudo o Puro est fundamentado en la generacin de nmeros aleatorios por el mtodo de Transformacin Inversa, el cual se basa en las distribuciones acumuladas de frecuencias: Determinar la/s Variable Aleatoria y sus distribuciones acumuladas(F) Iterar tantas veces como muestras necesitamos o Generar un nmero aleatorio o Uniforme (0,1). o Determinar el valor de la V.A. para el nmero aleatorio generado de acuerdo a las clases que tengamos. Calcular media, desviacin estndar error y realizar el histograma . Analizar resultados para distintos tamaos de muestra.

191

Otra opcin para trabajar con Monte Carlo, cuando la variable aleatoria no es directamente el resultado de la simulacin o tenemos relaciones entre variables es la siguiente: Disear el modelo lgico de decisin Especificar distribuciones de probabilidad para las variables aleatorias relevantes. Incluir posibles dependencias entre variables. Muestrear valores de las variables aleatorias. Calcular el resultado del modelo segn los valores del muestreo (iteracin) y registrar el resultado Repetir el proceso hasta tener una muestra estadsticamente representativa Obtener la distribucin de frecuencias del resultado de las iteraciones Calcular media, desvo. Analizar los resultados Las principales caractersticas a tener en cuenta para la implementacin o utilizacin del algoritmo son: El sistema debe ser descripto por 1 o ms funciones de distribucin de probabilidad (fdp) Generador de nmeros aleatorios: como se generan los nmeros aleatorios es importante para evitar que se produzca correlacin entre los valores muestrales. Establecer lmites y reglas de muestreo para las fdp: conocemos que valores pueden adoptar las variables. Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el modelo a simular. Estimacin Error: Con que error trabajamos, cuanto error podemos aceptar para que una corrida sea vlida? Tcnicas de reduccin de varianza. Paralelizacin y vectorizacin: En aplicaciones con muchas variables se estudia trabajar con varios procesadores paralelos para realizar la simulacin. Ejemplo Tenemos la siguiente distribucin de probabilidades para una demanda aleatoria y queremos ver que sucede con el promedio de la demanda en varias iteraciones:

Utilizando la distribucin acumulada(F(x) es la probabilidad que la variable aleatoria tome valores menores o iguales a x) podemos determinar cual es el valor obtenido de unidades cuando se genera un nmero aleatorio a partir de una distribucin continua uniforme. Este mtodo de generacin de variable aleatoria se llama Transformacin Inversa. Unidades 42 45 48 192 Frecuencia Frecuencia Acumulada 0.1 0.2 0.4 0.1 0.3 0.7

51 54

0.2 0.1

0.9 1

Generando los valores aleatorios vamos a ver como se obtiene el valor de la demanda para cada da, interesndonos en este caso como es el orden de aparicin de los valores. Se busca el nmero aleatorio generado en la tabla de probabilidades acumuladas, una vez encontrado (si no es el valor exacto, ste debe se menor que el de la fila seleccionada pero mayor que el de la fila anterior), de esa fila tomada como solucin se toma el valor de las unidades (Cuando trabajamos en Excel debemos tomar el lmite inferior del intervalo para busca en las acumuladas, para poder emplear la funcin BUSCARV(), para 42 sera 0, para 43 0,100001 y as sucesivamente). Ejemplo: Supongamos que el nmero aleatorio generado sea 0,52, a qu valor de unidades corresponde? Nos fijamos en la columna de frecuencias acumuladas, ese valor exacto no aparece, el siguiente mayor es 0,70 y corresponde a 48 unidades.

Se puede apreciar mejor en el grfico, trazando una recta desde el eje de la frecuencia hasta que interseca con la lnea de la funcin acumulada, luego se baja a la coordenada de unidades y se obtiene el valor correspondiente; en este caso 48. Cuando trabajamos con variables discretas la funcin acumulada tiene un intervalo o salto para cada variable (para casos prcticos hay que definir los intervalos y luego con una funcin de bsqueda hallar el valor). Para funciones continuas se puede hallar la inversa de la funcin acumulada. De esta forma logramos a partir de la distribucin de densidad calcular los valores de la variable aleatoria dada. Nmero de Nmeros Simulacin aleatorios 1 2 3 ... n 0.92 0.71 0.85 ... 0.46 Valor de la Demanda 54 51 51 ... 48

En la siguiente tabla, vemos como a medida que aumenta el numero de simulaciones, el valor simulado se acerca al valor original de la media y desviacin estndar, adems de la disminucin del error tpico. Cantidad de simulaciones 10 100 Media 48.6 48.12 Desvo 3.41 3.16 Error 1.08 0.32 193

1000 10000 8.4 Qu es la Simulacin de Monte Carlo?

47.87 47.87

3.28 3.3

0.1 0.03

La simulacin de Monte Carlo es una tcnica cuantitativa que hace uso de la estadstica y los ordenadores para imitar, mediante modelos matemticos, el comportamiento aleatorio de sistemas reales no dinmicos (por lo general, cuando se trata de sistemas cuyo estado va cambiando con el paso del tiempo, se recurre bien a la simulacin de eventos discretos o bien a la simulacin de sistemas continuos). La clave de la simulacin MC consiste en crear un modelo matemtico del sistema, proceso o actividad que se quiere analizar, identificando aquellas variables (inputs del modelo) cuyo comportamiento aleatorio determina el comportamiento global del sistema. Una vez identificados dichos inputs o variables aleatorias, se lleva a cabo un experimento consistente en (1) generar con ayuda del ordenadormuestras aleatorias (valores concretos) para dichos inputs, y (2) analizar el comportamiento del sistema ante los valores generados. Tras repetir n veces este experimento, dispondremos de n observaciones sobre el comportamiento del sistema, lo cual nos ser de utilidad para entender el funcionamiento del mismo obviamente, nuestro anlisis ser tanto ms preciso cuanto mayor sea el nmero n de experimentos que llevemos a cabo. Veamos un ejemplo sencillo: En la imagen inferior se muestra un anlisis histrico de 200 das sobre el nmero de consultas diarias realizadas a un sistema de informacin empresarial (EIS) residente en un servidor central. La tabla incluye el nmero de consultas diarias (0 a 5) junto con las frecuencias absolutas (nmero de das que se producen 0, 1, ..., 5 consultas), las frecuencias relativas (10/200 = 0,05, ...), y las frecuencias relativas acumuladas.

Podemos interpretar la frecuencia relativa como la probabilidad de que ocurra el suceso asociado, en este caso, la probabilidad de un determinado nmero de consultas (as, p.e., la probabilidad de que se den 3 consultas en un da sera de 0,30), por lo que la tabla anterior nos proporciona la distribucin de probabilidad asociada a una variable aleatoria discreta (la variable aleatoria es el nmero de consultas al EIS, que slo puede tomar valores enteros entre 0 y 5). Supongamos que queremos conocer el nmero esperado (o medio) de consultas por da. La respuesta a esta pregunta es fcil si recurrimos a la teora de la probabilidad. Denotando por X a la variable aleatoria que representa el nmero diario de consultas al EIS, sabemos que:

194

Por otra parte, tambin podemos usar simulacin de Monte Carlo para estimar el nmero esperado de consultas diarias (en este caso se ha podido obtener el valor exacto usando teora de probabilidad, pero ello no siempre ser factible). Veamos cmo: Cuando se conozca la distribucin de probabilidad asociada a una variable aleatoria discreta, ser posible usar la columna de frecuencias relativas acumuladas para obtener los llamados intervalos de nmeros aleatorios asociados a cada suceso. En este caso, los intervalos obtenidos son: [0.00, 0.05) para el suceso 0 [0.05, 0.15) para el suceso 1 [0.15, 0.35) para el suceso 2 [0.35, 0.65) para el suceso 3 [0.65, 0.85) para el suceso 4 [0.85, 1.00) para el suceso 5 El grfico siguiente nos muestra cada una de las probabilidades sobre el nmero de consultas. En l, se aprecia claramente la relacin existente entre probabilidad de cada suceso y el rea que ste ocupa.

Esto significa que, al generar un nmero pseudo-aleatorio con el ordenador (proveniente de una distribucin uniforme entre 0 y 1), estaremos llevando a cabo un experimento cuyo resultado, obtenido de forma aleatoria y segn la distribucin de probabilidad anterior, estar asociado a un suceso. As por ejemplo, si el ordenador nos proporciona el nmero pseudo-aleatorio 0,2567, podremos suponer que ese da se han producido 2 consultas al EIS. Asignamos pues la funcin ALEATORIO a una casilla (la G1 en el caso de la imagen):

Seleccionando la celda y arrastrando con el ratn desde el borde inferior derecho de la misma podemos obtener un listado completo de nmeros pseudo-aleatorios: A continuacin, podemos usar la funcin SI de Excel para asignar un suceso a cada uno de los nmeros pseudo aleatorios generados (como veremos, otra forma de hacer esta asignacin ser usando la funcin BUSCARV):

195

Repitiendo el proceso de seleccionar y arrastrar obtendremos algo similar a:

Finalmente, usando la funcin PROMEDIO ser posible calcular la media de los valores de la columna H:

En este caso, hemos obtenido un valor estimado que corresponde exactamente con el valor real anteriormente calculado va la definicin terica de la media. Sin embargo, debido a la componente aleatoria intrnseca al modelo, normalmente obtendremos valores cercanos al valor real, siendo dichos valores diferentes unos de otros (cada simulacin proporcionar sus propios resultados). Se puede comprobar este hecho pulsando repetidamente sobre la funcin F9 (cada vez que se pulsa dicha tecla, Excel genera nuevos valores aleatorios y, por tanto, nuevos valores para la columna H y la casilla I1). Si en lugar de usar una muestra aleatoria formada por 100 observaciones hubisemos usado una formada por 10, los valores que obtendramos al pulsar repetidamente F9 no seran estimaciones tan buenas al valor real. Por el contrario, es de esperar que si hubisemos usado 1.000 (o mejor an 10.000) observaciones, los valores que obtendramos en la casilla I1 estaran todos muy cercanos al valor real. 8.4.1 Simulacin MC con Variables Discretas Veamos un ejemplo algo ms complejo del uso de Excel para construir modelos de simulacin MC cuando las variables aleatorias sean discretas: Supongamos que trabajamos en un gran almacn informtico, y que nos piden consejo para decidir sobre el nmero de licencias de un determinado sistema operativo que conviene adquirir las licencias se suministrarn con los ordenadores que se vendan durante el prximo trimestre, y es lgico pensar que en pocos meses habr un nuevo sistema operativo en el mercado de caractersticas superiores. Cada licencia de sistema operativo le cuesta al almacn un total de 75 dlares, mientras que el precio al que la vende es de 100 dlares. Cuando salga al mercado la nueva versin del sistema operativo, el almacn podr devolver al distribuidor las licencias sobrantes, obteniendo a cambio un total del 25 dlares por cada una. 196

Basndose en los datos histricos de los ltimos meses, los responsables del almacn han sido capaces de determinar la siguiente distribucin de probabilidades por lo que a las ventas de licencias del nuevo sistema operativo se refiere:

Construimos nuestro modelo usando las frmulas que se muestran en la figura inferior. En la casilla H2 usaremos la funcin ALEATORIO para generar el valor pseudo-aleatorio que determinar el suceso resultante; en la celda I2 usamos la funcin BUSCARV para determinar el suceso correspondiente asociado al valor pseudo-aleatorio obtenido notar que usamos tambin la funcin MIN, ya que en ningn caso podremos vender ms licencias que las disponibles. El resto de frmulas son bastante claras:

En la imagen anterior se muestra cmo construir el modelo con una observacin (iteracin). A fin de generar nuevas observaciones, deberemos seleccionar el rango H2:N2 y "arrastrar" hacia abajo (tantas casillas como iteraciones deseemos realizar):

Finalmente, es posible estimar el valor esperado de la variable aleatoria que proporciona los beneficios sin ms que hallar la media de las 100 observaciones que acabamos de realizar. Asimismo, usaremos las funciones DESVEST e INTERVALO.CONFIANZA para hallar, respectivamente, la desviacin estndar de la muestra obtenida y el intervalo de confianza (a un nivel del 95%) para el valor esperado:

197

La apariencia final de nuestro modelo ser:

A partir del modelo anterior es posible tambin realizar what-if anlisis (anlisis de escenarios o preguntas del tipo qu pasara si cambiamos tal o cual input?). Para ello es suficiente con ir cambiando los valores de las celdas C11:C14 (inputs del modelo en este ejemplo). Asimismo, podemos ampliar fcilmente el nmero de iteraciones (observaciones muestrales) sin ms que repetir los procesos de seleccionar y arrastrar. En el caso actual, hemos optado por tomar 1.000 iteraciones para cada una de los posibles inputs asociados a la cantidad de pedido (estos posibles inputs son: 100, 150, 200, 250, y 300). Si se realizase el experimento, se obtendran unos resultados similares a los que se muestran a continuacin (ya que 1.000 es un nmero ya bastante considerable para este ejemplo): Resultados para n=1000 iteraciones N Licencias Benef.Medio 100 150 200 250 300 2500 2569 2079 333 -1868 Desv.Est. 0 1743 3250 4154 4555 Intervalo confianza 95% 2500 0 -2500 -5000 -7500 2500 3750 5000 6250 7500

198

A partir de los resultados, parece claro que la decisin ptima es hacer un pedido de 150 unidades, ya que con ello se consigue el beneficio mximo. 8.4.2 Generacin de Nmeros Aleatorios Provenientes de Otras Distribuciones Las ltimas versiones de Excel incorporan un Add-In llamado Anlisis de datos. Este complemento proporciona nuevas funcionalidades estadsticas a la hoja de clculo. Entre ellas, nos interesa destacar la de Generacin de nmeros aleatorios:

Con esta opcin, es posible generar fcilmente observaciones provenientes de diversas distribuciones de variable discreta (Bernoulli, Binomial, Poisson, Frecuencia relativa, y Discreta) o de variable continua (Uniforme y Normal). Independientemente del complemento Anlisis de datos, es posible usar un resultado muy conocido de la teora estadstica, llamado mtodo de la transformada inversa, para derivar las frmulas que permiten obtener valores pseudo-aleatorios provenientes de distribuciones como la Weibull o la Lognormal. En la tabla siguiente se muestran algunas frmulas que, implementadas en celdas de Excel, nos permiten obtener valores pseudo-aleatorios de algunas de las distribuciones continuas ms usadas: 199

Distribucin Exponencial Weibull Normal Lognormal Uniforme entre a y b

Parmetros Media = b Escala = b Forma = a Media = Desv. Estandar = Media de Ln(X) = Desv. Estandar de Ln(X) = Extremo inferior = a Extremo superior = b

Formula Excel = -LN(ALEATORIO())*b = b*(-LN(ALEATORIO())^(1/a) = DISTR.NORM.INV(ALEATORIO(), , ) = DISTR.LOG.INV(ALEATORIO(), , ) = a+(b-a)*ALEATORIO()

Aadir, finalmente, que es relativamente sencillo implementar funciones VBA que, haciendo uso del mtodo de la transformada inversa o de otros mtodos similares, permita la generacin de valores provenientes de casi cualquier distribucin terica. 8.4.3 Simulacin MC con Variables Continuas Como hemos comentado, es posible usar las frmulas anteriores para generar, a partir de la funcin ALEATORIO(), valores pseudo-aleatorios provenientes de otras distribuciones continuas. En las pginas siguientes, veremos dos ejemplos de modelos que hacen uso de la distribucin normal (la distribucin estadstica ms importante y utilizada): Ejemplo: Tiempo de consultas a servidores en paralelo Supongamos que desde un ordenador cliente se realiza consultas SQL a bases de datos situadas en dos servidores distintos. Nuestro objetivo ser estimar el tiempo esperado (tiempo medio) que deberemos esperar para recibir la respuesta de ambos servidores. Dada la complejidad de la consulta que queremos realizar, y basndonos en experiencias anteriores, se calcula que el tiempo necesario para que cada uno de los servidores responda a la misma sigue una distribucin normal con los parmetros (media y desviacin estndar, en minutos) que se indican a continuacin:

Pediremos a Excel que genere valores pseudo-aleatorios provenientes de dichas distribuciones. Asimismo, usaremos la funcin MAX para obtener el tiempo de respuesta (que ser el mximo de los tiempos de respuesta de cada servidor), y la funcin SI para determinar qu servidor ha sido el ms rpido en responder:

Usaremos tambin las funciones CONTAR y CONTAR.SI para contar el nmero de iteraciones y el nmero de veces que un servidor es ms rpido que el otro:

200

Finalmente, las funciones PROMEDIO, DESVEST, e INTERVALO.CONFIANZA nos servirn para obtener, respectivamente, el tiempo muestral medio (esperado) de respuesta, la desviacin estndar de la muestra (observaciones que generaremos), y un intervalo de confianza, a un nivel del 95%, para el tiempo medio (este intervalo nos permitir saber si nuestra estimacin es buena o si, por el contrario, necesitaremos ms iteraciones). Una vez introducidas las frmulas anteriores, bastar con seleccionar y arrastrar hacia abajo el rango de celdas G3:J3, con lo que se generarn nuevas iteraciones. En la imagen siguiente se muestra el resultado obtenido al generar 2.077 iteraciones. Observar que el tiempo medio estimado de respuesta es de 22,98 minutos, y podemos asegurar, con un nivel de confianza del 95%, que dicho tiempo medio estar entre 22,88 y 23,08 minutos.

Finalmente, se observa tambin que el servidor 1 ha respondido ms rpido que el servidor 2 en el 68% de las iteraciones. Ejemplo: Inversin inicial y flujo de caja Consideremos ahora un nuevo problema: supongamos que disponemos de un capital inicial de 250 dlares que deseamos invertir en una pequea empresa. Supondremos tambin que los flujos de caja tanto los de entrada como los de salida- son aleatorios, siguiendo stos una distribucin normal.

Para el primer mes, el valor esperado del flujo de entrada es de 500 Euros, mientras que el valor esperado para el flujo de salida es de 400 Euros. En meses posteriores, el valor esperado ser el valor obtenido para en el mes anterior. Por su parte, las desviaciones estndar valdrn, en todos los casos, un 25% del valor

201

medio (esperado) asociado. En base a lo anterior, podemos construir un modelo como se muestra en las siguientes imgenes:

Seleccionando y arrastrando hacia abajo el rango G3:O3, hemos obtenido los siguientes resultados para 5.859 iteraciones:

Observamos que el valor esperado para el capital final es de unos 543 dlares, y que podemos afirmar, con un nivel de confianza del 95%, que dicho valor estar entre 527 y 558 dlares. 8.5 Actividades para el Aprendizaje. Luego de visitar estas direcciones de pginas web, elaborar un resumen y/o desarrollar los ejercicios propuestos para el tema correspondiente: Una Aplicacin del Mtodo de Monte Carlo en el Anlisis de Riesgo de Proyectos: Su automatizacin a travs de una planilla de clculo. http://www.abcbolsa.com/montecarlo_excel_cyta1.htm El mtodo de Monte Carlo: http://www.monografias.com/trabajos12/carlo/carlo.shtml Simulacin: Excel Avanzado, Macro, funciones. http://trucosexcel.blogspot.com/ Resolver los ejercicios al capitulo correspondiente: 202

Ctedra de Mtodos Cuantitativos para los Negocios. http://www.unsa.edu.ar/mcneco/mcn_tps.html Programacin Matemtica http://www.uv.es/~sala/programacion.htm Bienvenidos a los cursos del rea de Operaciones Descargar ejercicios: http://ucreanop.org/descarga_ejercicios.php

1. Alonso Sanz, Ramn. Problemas Tipos des Teora de la Decisin. Universidad Politcnica de Madrid. 1997. 2. Caballero Fernandez, Rafael. Gonzales Pareja, Alfonso. Mtodos Matemticos para la Economa. Mc GrawHill. 1992. 3. Castillo, Enrique. Conejo, Antonio J. Pedregal, Pablo. Garca, Ricardo. Alguacil, Natalia. Formulacin y Resolucin de Modelos de Programacin Matemtica en Ingeniera y Ciencia . Universidad de Oviedo. 2002. 4. Chiang, Alpha C. Mtodos Fundamentales de Economa Matemtica. McGraw Hill. 3ra Edicin. 1987. 5. Curso: Mtodos Cuantitativos para la Administracin Notas de Ctedra. Facultad de Ciencias Econmicas y Jurdica. Universidad Nacional de la Pampa. Argentina. 2007. 6. Delurgio, Stephen A. Pronsticos: Principios y Aplicaciones. Irwin McGraw Hill. 2007. 7. Departamento de Informtica. Aprendizaje de rboles de Decisin. Universidad Nacional de San Luis. Argentina. 2006. 8. Diebold, Francis. Elementos de Pronsticos. Thompson Editores. 1999. 9. Facultad de Ciencias Exactas. Simulacin, Mtodo Monte Carlo. Curso de Investigacin Operativa I. Universidad Nacional del Centro de la Provincia de Buenos Aires. 2005. 10. Faulin, Javier. Juan, Angel A. Mdulo: Simulacin de Monte Carlo con Excel . Proyecto e-Math. www.uoc.edu. 11. Font Belaire, Begoa. Programacin Matemtica: Cuaderno de Teora y Ejercicios . Departamento de Matemticas. Universidad de Valencia. 2004. 12. Garcia Quiles, Sergio. Investigacin Operativa. Notas de Clase. 13. Gupta, Vijay. Anlisis Estadstico con Excel. Excel para Profesionales. VJ books. 2002. 14. Kikut Velarde, Ana Cecilia. Muoz Salas, Evelyn. Quiros Solanoa, Juan Carlos. Aspectos Conceptuales Sobre Series de Tiempo Nociones Bsicas. Banco Central de Reserva Costa Rica. 2002. 15. Kosciuk, Nicolas H. Sistemas de Informacin Gerencial. Alfa Epsilon. Argentina. 2005. 16. Leroux, Rosa Maria Garcia de. El Conocimiento para la Toma de Decisiones . Gerentia. Ao 8, n8. Decanato de Investigacin y Desarrollo. Universidad Fermin Toro. Venezuela. 2006.

203

17. Linares, Pedro. Ramos, Andrs. Sanchez, Pedro. Sarabia, Angel. Vitoriano, Begoa. Modelos Matemticos de Optimizacin. Departamento de Organizacin Industrial. Universidad Comillas, Madrid. Espaa. 2001. 18. Pea, Daniel. Alonso, Andres M. Sanchez, Ismael. Anlisis de Series de Tiempo. Departamento de Estadstica. Universidad Carlos III Madrid. Espaa. 19. Pepi Vials, Montserrat. Series Temporales. Aula Politcnica / ETSEIT. Centro de Recursos de Soporte a la Docencia. Universidad Politcnica de Catalunya. Espaa. 2002. 20. Perez Gorostegui, E. Introduccin a la Teora de la Decisin . Departamento de Economa Financiera, Contabilidad y Direccin de Operaciones. Universidad de Huelva. 2007. 21. Quesada Ibargue, Victor Manuel. Vergara Schmalbach, Juan Carlos. Anlisis Cuantitativo con WINQSB. Grupo de Mtodos Cuantitativos de Gestin. Universidad de Cartagena. http://www.eumed.net/libros/2006c/216/index.htm 22. Serra de la Figueroa, Daniel. Mtodos Cuantitativos para la Toma de Decisiones. Centre de Recerca en Economia i Salud (CRES). Universidad Pempeu Fabra. 2002. 23. Vergara Schamalbach, Juan Carlos. La Programacin Lineal. Servicio de Optimizacin ON LINE. www.optimos.usach.cl/PM.htm 24. Yu Chuen Tao, Luis. Aplicaciones Prcticas de PERT y CPM. Gestin Deustuo. 5ta. Reimpresin. 1980.

204