OBJETIVOS DEL CONTROL DE PRODUCCIN Y STOCKS

Dentro de los cambios que se vienen adelantando en las organizaciones, se puede encontrar la
marcada importancia que se le brinda al control de produccin y al manejo de stocks; la finalidad de
todos estos cambios es el de obtener una "Organizacin Eficiente", que pueda mantener unos bajos
niveles de costos y un excelente servicio al cliente, sin incurrir en un nivel de gastos muy alto.

Es conocido por la mayora de empresarios, y personal directivo, que el manejo apropiado de los
niveles de stock, adems del control de produccin, son factores que generan grandes beneficios en
varios campos, como lo son:

1. Mnima inversin en stocks.

2. Eficiencia de las operaciones de la fbrica.
3. Mximo servicio al cliente.

Es preciso anotar que entre los parmetros anteriores existe una interrelacin directa, pues no se
puede cumplir ninguno de ellos independientemente de los otros, ya que son dependientes entre s.

Al interior de la organizacin esto proporciona gran ayuda a las personas involucradas en el

proceso de toma de decisiones, pues les brinda informacin confiable y objetiva que permite que se
tomen decisiones acertadas.

Otra de las grandes ventajas que proporciona el manejo de estos conceptos al interior de la
organizacin es que le ayuda a ser ms competente con respecto a las dems organizaciones del
entorno; adems le permite optimizar el manejo de sus recursos.

La Evolucin d e l Control d e Produccin y los Stocks

A la par con la evolucin que han venido presentando las organizaciones, se ha venido desarrollando
un proceso para el mejoramiento continuo en el manejo de los procesos de produccin y en la
administracin de los niveles de stock.

La importancia que se le daba en un principio al control de la produccin y al proceso productivo

era mnima, ya que lo ms importante era producir no importando cmo se haca, y sin detenerse a
buscar una mejor forma de hacer las cosas que permitiera la optimizacin de los procesos de produccin
y del manejo de los inventarios.

Por la necesidad de las empresas de optimizar sus procesos para permanecer en el mercado y
mantener un nivel aceptable con respecto a la competencia, se ha venido presentando una especializacin
en el manejo del control de la produccin, ya que anteriormente sta no se tomaba independientemente,
est incluida dentro de un conjunto de actividades que eran controladas por un solo individuo, y que por
el acceso de funciones no eran realizadas de una manera efectiva. Con el paso del tiempo se ha venido
separando esta actividad de las dems a las que estaba ligada, logrando con esto una organizacin ms
eficiente en estos aspectos.

351
El control d e Produccin en la a c t u a l i d a d

Este proceso se ha venido desarrollando de una manera independiente, ya que en la actualidad se

encuentra bajo la cobertura de un departamento especfico dentro de la organizacin; adems se han
establecido otras divisiones como la de control de materiales, lo cual facilita en determinado momento
descubrir cul es la parte del sistema que presenta fallas, por ejemplo, en el proceso productivo o en la
adquisicin de materiales; aspectos que eran muy difciles de establecer ya que, como se dijo
anteriormente, todas funcionaban en conjunto y para poder determinar alguna falla era necesario evaluar
todos los procesos necesarios, por lo cual se perda mucho y la empresa dejaba de percibir unos
recursos monetarios.

Con el paso del tiempo se ha venido ofreciendo ms importancia al manejo de los inventarios y el
control de produccin, ya que se reconoce la importancia que ello representa al momento de tener una
empresa eficaz y eficiente.

Relacin e n t r e el Control d e Stocks y el Control d e Produccin

Existe una relacin directa entre el nivel de stocks y las cantidades de produccin que deben
tenerse, ya que la produccin estar determinada por los niveles de inventarios que se tengan, pues ya
que si en algn momento los niveles de inventarios son menores a los que se deban tener, se incurrir
en unos costos innecesarios que estaran en contra de la eficiencia de la organizacin. Y por el contrario,
si los niveles de produccin son tan altos que sobrepasan los niveles deseados de inventarios, tambin
se generaran unos costos y gastos que no beneficiaran en nada a la empresa.

Poltica d e Direccin y Control d e Produccin

Para la fijacin de las polticas de rotacin de inventarios se deben tener en cuenta, no slo el
sector al que va dirigido el producto, ya que en ocasiones el funcionamiento del sector no es perfecto,
y presenta algunas deficiencias, lo que conllevara a que no se tuviera una planificacin apropiada para
la fijacin de las polticas de Control de Produccin. Se deben tener en cuenta variables como la
capacidad de almacenamiento, la demanda que se presente en el mercado, para que en ningn momento
se tengan problemas por exceso o carencia de inventarios.

DISTRIBUCIN EN FUNCIN DEL VALOR

Para cada clase de artculo una pequea cantidad de ellos representa la mayor parte del valor
total. Este concepto resulta muy interesante en el mundo de negocios ya que se puede aplicar al
control de stocks de produccin, calidad, etc. Es de fcil aplicacin y eficiente.

Aplicado a los stocks, este concepto se denomina clasificacin ABC que significa: cada stocks se
puede dividir en 3 partes diferentes.

352
SISTEMA DE CONTROL DE INVENTARIO A B C

El sistema de control A B C nos muestra cmo manejar el inventario de acuerdo con la clasificacin
de prioridades, sta puede realizarse de tres diferentes formas, de acuerdo al costo unitario, de acuerdo
al costo total de existencia y de acuerdo al orden de requerimientos sin tener presente el costo. Cada
una de ellas ser ampliada ms adelante, observando que cualquiera de las tres se subdivide en los
grupos A, B, y C.

Pueden observarse diferentes tcnicas que mejoren los mtodos de trabajo, especialmente en el
rea de produccin, una de ellas es el anlisis ABC, tambin llamado respuesta de esfuerzo, anlisis de
respuesta o anlisis de estructura de dos fenmenos.

"Esta tcnica se utiliza especialmente en: gestin de stock, anlisis de productos, anlisis de
ventas, anlisis de clientes, entre otros" 1

Este sistema pretende que el costo y el manejo del inventario disminuyan. Adems, puede
proporcionar una rotacin de inventario ms frecuente, incremento en las ventas y reduccin de sistemas
de trabajo que disminuirn costos.

"La filosofa del sistema dice: Muchas veces cuesta ms el control que lo que vale lo controlado.2"
Por esta razn sugiere clasificar segn la importancia y consumo, as:

A: Son aquellos que requieren mayor control por su costo de adquisicin y por el costo de tenerlo
en inventario, por su aporte directo a las utilidades y por ser material importante dentro del
trabajo fundamental. Generalmente un pequeo nmero de elementos pertenece a este grupo
y los pedidos se realizan por cantidades exactas o con base en las solicitudes hechas por los
clientes.

B: Los que no son tan necesarios como los anteriores por costos, por utilidad y por el control que
se ejerce sobre ellos. Para la realizacin de pedidos debe calcularse la cantidad ptima de
pedido.

C: Artculos que exigen mnima inversin por ser de poca importancia en la elaboracin del
producto final, requiriendo revisin sencilla sobre las existencias, pero que sern suficientes
para lo necesitado finalmente. Puede mantenerse una cantidad considerable en bodega, se
procura no sobrepasar ni estar por debajo de los que debe mantener de existencia.

Para la clasificacin de los artculos dentro del anlisis ABC pueden observarse varios aspectos:

Valor anual en dinero de las transacciones para un artculo.

Costo unitario.
Escasez del material utilizado para la fabricacin de ese artculo.

353
 - Disponibilidad de recursos, fuerza de trabajo e instalaciones para producir el artculo.
Tiempo necesario de obtencin.
Requerimientos de almacenamiento para un artculo.
- Costo de escasez del artculo.
- Volatilidad del diseo de ingeniera3

El anlisis ABC puede observarse con un solo criterio o con mltiples. En el primer caso se
separan los artculos en tres grupos de acuerdo a su consumo anual: A Elevado, B intermedio y C
bajo. Siendo "A" el 20%, que representa el 65% del consumo anual, "B" el 30% que representa el 30%
de los artculos y el 25% del consumo anual y "C" el 50% que representa el 10% del consumo anual.
Sin olvidar que estos porcentajes no son constantes en todas las empresas.

Con este mtodo pueden identificarse los artculos de mayor impacto en el costo total de inventarios.
Para observar el costo de inventario es conveniente hacerlo de acuerdo a los artculos del grupo A,
determinando un anlisis cuidadoso de decisiones de cantidades a solicitar, en qu momento pedirlas y
poder as realizar pronsticos.

Se tendr mayor atencin en los artculos de ms importancia pero nmero menor (A) y menor en
los menos significativos, aunque pueden llegar a pasarse muchas cosas por alto.

En el segundo pueden observarse puntos diferentes a tener en cuenta adems de los costos,
algunos de ellos son: disponibilidad, obsolescencia, grado de sustitucin y urgencia del artculo. Este
ltimo es quizs uno de los ms importantes ya que por ello puede incurrir en el incremento de costos,
pues la premura en la entrega de un pedido puede llevar a comprar donde se encuentre primero, sin
importar otros factores.

El procedimiento se debe seguir en estos pasos:

- Distribucin de consumo en dinero y las categoras asociadas.

- Establecer categoras de carcter crtico, discriminando stas as I, II, III; esta clasificacin
se hace intuitiva e implcitamente. El I podra ser aquellas que no tienen sustitutos, los III son
de menor importancia y los II son el punto medio entre unos y otros.

Debe tenerse una administracin concreta de lo que se hace, para ello se requiere: verificar los
registros, ya que en muchas ocasiones no coincide el conteo fsico con lo registrado, por lo que debe
realizarse una revisin fsica con ms frecuencia especialmente para los artculos A. El inventario de
seguridad y la cantidad de pedido se determinan segn el dinero y la urgencia con que se requiera.

Al utilizar este mtodo podremos tomar ciertas medidas, como:

- Aplicar un tipo de control especfico a cada grupo de artculos en funcin de su valor.

Concentrar los esfuerzos de control sobre los productos ms importantes.

354
 Gestionar las compras y controlar las entregas de mercancas en funcin de la importancia de las
compras en valor y no en cantidad"4.

Anlisis ABC

1. ARTCULO "A":
Valor alto: Artculos poco numerosos (15 - 20 % del total) su valor representa el 75.80% del valor
de la existencia.

2. ARTCULO "B":
Valor medio: Constituyen una parte importante del total de los artculos (30 - 40%) y su valor
representa el 15 % del total.

3. ARTCULO "C":
Valor pequeo: Es la gran masa de artculos (40 - 50%) cuyo valor es prcticamente despreciable
un 5 - 1 0 % del valor total.

Esta clasificacin es arbitraria; de acuerdo a las clases de artculos de la empresa algunos justifican
una atencin personal del encargado del control de produccin, especialmente por el volumen monetario
que representan.

Este concepto es aplicable a muchas fases de las actividades de control de produccin. Ej:
clientes, vendedores, artculos que originan la mayor parte de pedidos atrasados.

Reglas para este anlisis

1. Almacenar muchos artculos de poco valor.

2. Aplicar el esfuerzo de control ahorrando a la reduccin de los Stocks de los artculos de
mayor valor.

Ejemplos de aplicacin

a. Artculos A: Control severo, archivos completos, revisiones peridicas por personal de alto
nivel, estrecho seguimiento para reducir los tiempos muertos, etc.

b. Artculos B: Controles normales, con buenos archivos y atencin regular.

c. Artculos C: Controles sencillos, sin archivos, sino simples anotaciones sobre reabastecimiento,
importantes existencias y pedidos para evitar agotamiento de Stocks.

355
Procedimiento de Pedido

a. Artculos A: Determinacin minuciosa y exacta de las cantidades y puntos de pedidos, exmenes

frecuentemente para reducirlos.

b. Artculos B: Buen anlisis para especificar cantidades y puntos de pedido, pero con revisin
trimestral.

c. Artculos C: Ningn clculo de cantidades o puntos de pedido. Se solicitan una vez al ao.

PLANEACIN DE REQUERIMIENTO DE MATERIALES MRP I

MRP viene del ingls Material Requirements Planning y se traduce al espaol como: Planeacin
de Requerimiento de Materiales.

Observando este mtodo, podemos darnos cuenta que la planeacin de las actividades comerciales
de una empresa le atae a sta en su conjunto; que cada una de las dependencias tiene que ver con
ella. De igual forma es algo que no puede hacerse a la ligera, sino que lleva su tiempo.

Para el manejo del MRP el registro debe hacerse en forma exacta, ya que con l se podr saber
qu tanto se debe comprar y en qu momento, pidiendo as exclusivamente lo que se requiere, esto
puede hacerse con la ayuda de cuadros donde se encuentre la informacin de materiales.

Como ya dijimos, toda la empresa debe tener conocimientos sobre el MRP, de su manejo y en
general de la forma como opera, para alcanzar xito en l y as el producto final est en el momento
oportuno, teniendo de esta manera clientes satisfechos.

Definicin d e MRP I

"Sistema de planificacin de componentes de fabricacin que mediante un conjunto de

procedimientos lgicamente relacionados, traduce un programa maestro en necesidades reales de
componentes con fechas y cantidades"5.

M e c n i c a d e l MRP I

Las relaciones ms usadas dentro de la mecnica del mtodo son:

Requerimientos netos = Requerimiento Total - Inventario Disponible

Requerimientos totales = Requerimientos brutos + Asignaciones
Inventario disponible = Recepciones disponibles + Recepciones Programadas

5 DOMNGUEZ, Jos Antonio y otros. Direccin de Operaciones. Pg. 125

356
 - Los requerimientos totales ocurren en la mitad del perodo.
- El inventario disponible se mide al final de cada perodo.
- Los requerimientos netos son el inicio del perodo.

Lo planeado se pedir en el momento establecido para la realizacin del pedido, de manera que
los materiales lleguen cuando se requieren.

Caractersticas del MRP I

Orientado al producto; segn los requerimientos se establece lo que hace falta, para tener el
producto final.
- Toma como base el futuro; lo que se requerir ms tarde para la elaboracin del producto.
- No toma en cuenta las limitaciones del espacio.
Debe tenerse presente toda la empresa, en la informacin arrojada por el proceso.
Organiza el tiempo segn las fechas de emisin y entrega de pedidos.

PLANEACIN DE LOS RECURSOS DE FABRICACIN MRP II

Del ingls Manufacturing Resource Planning, traducido al espaol como: Planeacin de los
Recursos de Fabricacin.

Definicin MRP II

"Ampliacin del MRP de bucle cerrado que de forma integrada y mediante un proceso
informatizado en lnea, con una base de datos nica para toda la empresa, participa en la planificacin
estratgica, programa la produccin, planifica los pedidos de los diferentes componentes, programa las
prioridades y las actividades a desarrollar por los diferentes talleres, planifica y controla la capacidad
disponible y necesaria y gestiona los inventarios. Adems, partiendo de la produccin obtenida realiza
clculos de costos y desarrolla estados financieros en unidades monetarias. Todo ello con posibilidad
de corregir peridicamente las divergencias entre lo planificado y la realidad, pudiendo adems, simular
diferentes situaciones mediante la alteracin de los valores de las variables que incluye y expresando
las variaciones que se daran en los resultados".6

6 DOMINGUEZ, Machuca Jos Antonio y otros. Direccin de Operaciones. Pg. 156-

357
 7
BREVE DESCRIPCIN DEL MRP II: FLUJOGRAMA

Caractersticas del MRP II

Realiza la planeacin con base en el plan agregado.

Incluye la programacin de toda la empresa, para varios perodos de tiempo.
Toma en forma integrada toda la informacin.

/ NARASIMHAN, Simm y otros. Planeacin de lo produccin y control de inventarios. Pg. 352

358
 Lo que efecta lo hace en tiempo real.
Puede predecir lo que suceder si se hicieran cambios.
Va de arriba hacia abajo.
Participa en la planeacin estratgica.
Convierte unidades fsicas en unidades monetarias.
Proporciona la opcin de planificar, programar, gestionar y controlar los recursos.

Un vez definidos cada uno de los sistemas MRP estamos en condiciones de acometer el problema
de la confusin terminolgica existente, bsicamente entre MRP de Bucle Cerrado y MRP II. El MRP
II incluye al MRP de Bucle Cerrado, pero no son lo mismo. Sin embrago, son numerosos los autores
que utilizan la denominacin MRP II para referirse a lo que en realidad es el MRP de Bucle Cerrado o
viceversa, con lo que se da un alto grado de confusin entre los dos trminos. En otros casos se
emplean, incluso, nombres como MRP I, MRP II y MRP III (Schroeder, 1992, pgina 497).

CURVAS DE INTERCAMBIO

Las curvas de intercambio pueden utilizarse para determinar acciones concretas del manejo de
inventario que permitan identificar claramente los costos que implica el tener mercanca almacenada
o la escasez de ella.

A su vez, muestra de manera grfica el comportamiento de los costos anuales y la inversin

promedio del inventario.

Para la construccin de la curva se requiere establecer la cantidad de orden econmico (COE).

A: Consumo anual
S : Costo de pedido
I : Costo de tendencia del inventario

La cantidad econmica de pedido se determina para cada artculo, con un rango de valores de
tendencia de inventario, para cada uno de ellos se determina la inversin promedio para todos los
artculos acompaado del costo total de ordenamiento en un perodo general de un ao.

Hay medidas para que la empresa disminuya los costos anuales de almacenamiento: el valor
promedio del inventario en unidades monetarias (AI) y el costo anual de orden (AO).

359
 Esta frmula se deduce observando que el nivel promedio de inventario de un artculo es la mitad
de la cantidad de pedido.

La ecuacin AO se deriva del hecho de que se hace X cantidad de pedidos para un ao, de
determinado artculo.

En muchas ocasiones es comn no conocer el valor de almacenamiento de cada producto durante

un ao, situacin que afectara el valor promedio de inventario y costo anual.

La curva de estos dos puntos, asociada al valor de almacenamiento de cada artculo por ao, es
que la que se identifica como curva de intercambio para cualquier punto que observamos:

De igual manera todo punto en la curva de intercambio cumple con:

O sea,

Ejemplo:

COSTO DE ORDEN COSTO DE

PRODUCTO DEMANDA
PRODUCTO COMPRA

Drive 3.5 150 500 30.000

Teclado 110 550 20.000

360
EJERCICIOS PROPUESTOS

Suponga que la demanda de un producto es 30 unidades al mes y que los artculos se retiran a
una tasa constante; el costo de preparacin cada vez que se hace una corrida de produccin para
reabastecer el inventario es $450000 al mes; el costo de produccin es $3000 por artculo y el costo de
mantener un inventario es de $333 por artculo por mes.

a) No se permiten faltantes; determine cada cunto conviene hacer una corrida de produccin y
de qu tamao debe ser.

b) Si se permiten faltantes, pero cuestan $9000 por artculo por mes, determine cada cunto
debe hacerse una corrida de produccin y de qu tamao debe ser.

La demanda de un producto es 600 unidades a la semana y los artculos se retiran a una tasa
constante; el costo de colocar una orden para reabastecer el inventario es $75000. El costo unitario de
cada producto es $9000 y el costo de mantener un inventario es $1500 por artculo por semana.

a) No se permiten faltantes; determine con qu frecuencia debe ordenarse y de que tamao

debe ser la orden.

b) Si se permiten faltantes, pero cuestan $6000 por artculo por semana, determine qu tan
seguido debe ordenarse y de qu tamao debe ser la orden.

Debe planearse la produccin para los prximos cinco meses, para los que las respectivas
demandas son: d] = 2, d 2 = 4, d 3 -2, d 4 = 2 y d 5 = 3; el costo de preparacin es $12000000, el costo
unitario de produccin es $3000000 y el costo unitario de almacenar es $900000. Determine el programa
de produccin ptimo que satisface los requerimientos mensuales.

Un distribuidor de peridicos compra folletos a $540 y los vende a $750; el costo por faltantes
es de $750 por folleto (ya que el distribuidor los compra al menudeo para satisfacer estos faltantes). El
costo de mantener el inventario es $300; la demanda de folletos tiene una distribucin uniforme entre
200 y 300. Encuentre el nmero ptimo de folletos que debe comprarse.

Un fabricante de pan lo distribuye todos los das a las tiendas de abarrotes; el costo para la
compaa es $600 por pan. La empresa lo vende a las tiendas a $800, siempre y cuando sea pan fresco
(vendido el da que se hornea); el pan que no se vende se regresa a la compaa; sta tiene una
pequea tienda que vende pan de un da antes o ms a $400 unidad. No se incurre en costo de
almacenamiento significativo. El costo de faltantes por pan se estima en $600 cada uno; la demanda
diaria tiene una distribucin uniforme entre 1000 y 2000 panes. Encuentre el nmero ptimo de panes
que se deben producir al da.

361
CAPITULO XIII

TEORA DE COLAS

"Un buen pasatiempo matemtico vale ms y aporta ms a la Matemtica,

que una docena de artculos mediocres". Jonh Edenson Littlewood

INTRODUCCION
i
Los modelos de lneas de espera o filas o colas, tienen como pionero a A. K. Erlang, quien en
1909 comenz a analizar la congestin de trfico telefnico con el objetivo de cumplir la demanda
incierta de servicios en el sistema telefnico de Copenhague.

Un sistema de colas se puede describir como un sistema en el cual llegan "clientes", esperan para
ser atendidos, si no es inmediato y si tienen que esperar para el servicio, parten del sistema despus de
haber sido atendidos.

Clientes que llegan

oooooo

FIGURA N1

Caractersticas f u n d a m e n t a l e s

Hay algunas caractersticas bsicas en un proceso de teora de colas:

Patrn de llegada de los clientes.

Patrn de atencin del servicio.
Disciplina de la cola.
Capacidad del sistema.
Nmero de canales de servicio.
Nmero de etapas en cada servicio.

Ahora se presenta una breve descripcin de cada uno de ellos:

363
Patrn de llegada de los clientes

Es el ingreso al sistema (input) y se mide en trminos del nmero promedio de llegadas por alguna
unidad de tiempo (rata media de llegadas) o tambin por el tiempo promedio entre llegadas sucesivas
(tiempo medio entre llegadas). Cuando el proceso de llegada es alguna unidad de tiempo (rata media de
llegadas) o tambin por el tiempo promedio entre llegadas sucesivas (tiempo medio entre llegadas).
Cuando el proceso de llegada es determinstico, entonces el patrn de llegada es completamente definido
por cualquiera de las dos medidas anteriores.

Cuando hay incertidumbre en el patrn de llegada se usan naturalmente distribuciones de

probabilidad para su conocimiento y las medias expresadas anteriormente slo indican la tendencia
para el proceso de llegadas, y un mejor conocimiento requiere de una profundizacin de los modelos
probabilsticos.

Otro factor en el proceso de llegada es la posibilidad de que los clientes lleguen en grupos
simultneos en cambios de uno a uno. En este caso se dice que las llegadas ocurren en masa y pueden
suceder en el mismo instante.

Tambin el ingreso al sistema depende de la reaccin del cliente para entrar al mismo. Un cliente
puede llegar a la cola y de acuerdo al tamao de sta decidir si entra a la fila y espera el servicio, o se
va sin hacer la cola y entrar al sistema. En esta ltima situacin se tienen clientes frustrados. Tambin
puede suceder que a pesar de estar en la cola se impaciente y salga de ella antes de entrar al servicio,
se llama cliente renegado, cuando la distribucin de llegada no depende del tiempo en que llegan los
clientes se dice que es estacionaria, en caso contrario no estacionaria.

Patrn de atencin de los servidores

Es muy parecido a los modelos de llegadas anteriormente expuestos. El modelo de atencin se

puede describir por el nmero de clientes atendidos por unidad de tiempo, llamada rata de servicio, ella
est condicionada al hecho de que el sistema no est vaco o sea que alguien espere ser atendido. Si el
sistema est vaco el servicio est ocioso.

El servicio tambin puede modelarse determinstica o probabilsticamente.

La atencin a los clientes puede ser uno a uno o por grupos por un mismo servidor, y tambin la
rata de servicio puede depender del nmero de clientes en la cola en cuyo caso se dice que el servicio
es dependiente del estado de la cola. Tambin anlogo a las llegadas el modelo de servicio puede ser
estacionario o no estacionario. Por ltimo lo ms comn es asumir independencia entre los procesos
de llegadas y de servicios, aunque no es necesario.

Disciplina de la cola

Esto se refiere a la manera como los clientes son elegidos en la cola para ser atendidos por el
servidor. Lo ms comn es primero que llega primero que se atiende o first in first out que utiliza la
sigla Inglesa FIFO para la disciplina de la cola, o en espaol la sigla es PEPS (primeros en llegar
primeros en ser atendidos).

364
 Otra disciplina puede ser ltimo que llega primero que se atiende o last in frst out, cuya sigla es
LIFO utilizada en modelos de inventarios, o en espaol UEPS (ltimos en llegar primeros en ser atendidos).
Otra puede ser seleccionar al azar el cliente a ser atendido o service in randon order cuya sigla es
SIRO, o en espaol SEOA (servicio en orden aleatorio); algunos otros modelos empleados son el de
promedio ponderado y el de prioridades.

Las siglas FIFO (PEPS), LEFO (UEPS) y SIRO (SEOA) fueron recomendadas en 1971 por la
QUEUING ESTANDARDIZATION CONFERENCE REPORT porque poseen pronunciacin
inglesa para referirse a la disciplina en la cola, aunque no son las nicas.

Tambin se tiene, por ejemplo, clientes en prioridad, la cual debe especificarse completamente; se
utiliza la sigla PRI.

Capacidad del sistema

En algunos procesos de espera hay limitaciones fsicas en la cantidad de clientes que pueden
esperar, o sea cuando las lneas de espera pueden tener a lo ms cierta longitud respecto al nmero de
clientes. Hay mximos en el tamao de la cola, en estos casos hay prdida de clientes o deben esperar
hasta que disminuya la cola para poder ingresar al sistema (doble cola).

N m e r o de canales de servicio

Se refiere al nmero de servicios en paralelo, los cuales pueden atender clientes simultneamente
y se pueden esquematizar as:

U N A C O L A VARIOS SERVICIOS VARIAS C O L A S V A R I O S SERVICIOS

S E L E C C I N DEL SERVICIO S E L E C C I N DE LA C O L A

FIGURA N2

N m e r o de etapas en el servicio

Un sistema de colas con varias etapas en el servicio o atenciones en serie tambin se estudia en
la teora de colas.

365
 FIGURA N 3

En el diagrama se tiene un sistema con tres servicios en serie como, por ejemplo, en un examen
mdico completo con varias etapas o exmenes parciales, y reciclaje cuando se requiere mayor
profiindizacin en un examen.

Las caractersticas anteriores son suficientes para describir un sistema en estudio.

M e d i d a s d e eficiencia d e un sistema

Generalmente se observan tres medidas.

a. El tiempo que se espera debe permanecer un cliente en la cola antes de ser atendido. Se
supone que entre ms corta esta medida, el sistema es ms eficiente.

b. Una indicacin de la manera como los clientes se van acumulando.

c. El tiempo ocioso de los servidores.

Se debe buscar un punto ptimo de tal manera que el sistema brinde apropiadamente y no se
pierdan clientes por exceso en las colas, por lento el servicio o por pocos canales de servicio, etc. De
tal forma que se ajuste a los centros de funcionamiento y se adecen a limitaciones fsicas, etc.

M o d e l o d e Teora d e Colas

Llegadas: N (t) = nmero de llegadas durante el intervalo (0, t ] en N (0) = 0

Se asumen ahora los mismos postulados de un proceso de nacimiento donde h es la constante de

llegada independiente de N (t).

Se recuerda que se llega a:

366
 Lo cual implica las ecuaciones diferenciales:

Con las condiciones iniciales conocidas se tiene que:

conocido como proceso de Poisson para las llegadas.

Ahora, si consideramos el tiempo entre llegadas sabemos que dicha variable es exponencial con
parmetro , con media Lo anterior corresponde a la suma de variables de variables
exponenciales idnticas e independientes y se obtiene una distribucin

Que corresponde a la distribucin ERLANG una distribucin gamma con parmetros

(segn Mood, Graybill and Boes).

TEOREMA

Suponga que las llegadas se comportan como un proceso de Poisson. Dadas K llegadas durante
el intervalo [o, t] en las fechas entonces las llegadas se distribuyen con las
estadsticas de orden de K variables con distribucin uniforme sobre [o, t].

Sea llegadas en [O, t])

La funcin de densidad conjunta de x,, x 2 ,..., xk con decimal a las K llegadas en [0,t ].
De acuerdo a la definicin de funcin de densidad condicional se tiene

367
 Donde es la funcin de densidad conjunta de es la probabilidad de que k
llegadas ocurran en el intervalo [0, t]

Que es idntica a la obtenida con las estadsticas de orden conjuntamente de una uniforme sobre
[0, t]. Este resultado es de gran importancia en la simulacin de los procesos por la facilidad en su
generacin.

Notacin de Kendall

En los modelos de colas se emplea esta notacin con el propsito de identificar los diversos
modelos que se presentan:

Distribucin de llegadas o tiempo entre llegadas.

Distribucin de salidas o tiempo de servicio.
Nmero de canales de servicio en paralelo en el sistema.
Disciplina de la lnea de espera.
Nmero mximo de elementos permitidos en el sistema.
Poblacin o fuente.

Ecuaciones d e Little

En los modelos de colas, es posible demostrar en un sistema estable que las ecuaciones de flujo
son:

las cuales cumplen con la ecuacin de resultado general:

Modelo M / M / l

Se utiliza este caso para explicar la metodologa usada en el anlisis de la Teora de Colas. Se
siguen los siguientes pasos:

PASO 1: Enunciar las ecuaciones de diferencia para Pn (t).

368
 PASO 2: Enunciar las ecuaciones diferenciales para Pn ( t ) .

PASO 3: Explorar las soluciones para P n (t).

PASO 4: Establecer el sistema para distribucin lmite y explorar su solucin n T . En el modelo

M / M / 1 se tiene que:

Distribucin

Llegadas

Servicio

Rata de llegadas
Rata de servicios

Para la mayora de los modelos se supone que en caso contrario se dice que la cola
explota (el nmero de personas en lnea de espera aumentar sin lmite).

PASO 1: Ecuaciones de diferencia.

Es la misma ecuacin del proceso de nacimiento y muerte como era de esperarse.

Para n = 0 se hacen las restricciones conocidas y en resumen se tiene.

PASO 2: Ecuaciones diferenciales.

PASO 3: Establecer una solucin

369
 PASO 4: Establecer la ecuacin para n

La solucin por recurrencia nos lleva a:

se define factor de utilizacin

que corresponde a una distribucin geomtrica con parmetro p.

Su valor esperado ser:

Su varianza es:

M e d i d a s de Eficiencia

Dado que nn = Lmite = Pn (t)

t>00

370
 Se tiene que es la probabilidad de que haya n clientes en l. Entonces el valor esperado

en el nmero esperado de clientes en el sistema corresponde a L.

Ahora sea N q = el nmero de clientes en la cola y sea L q = E [Nq] entonces

Tambin de inters el valor esperado de la cola, dado que el sistema no est vaco.

Donde ; Hayan n en el sistema /

Ejemplo

Suponga que usted observa una peluquera los sbados en la maana y encuentra que los clientes
aparecen como un proceso de Poisson y que la rata de llegada es de 5 por hora. Adems que todos los
clientes que llegan esperarn hasta ser atendidos. Suponga ahora que la atencin en la peluquera por
tiempo es aproximadamente exponencial y en promedio dura 10 minutos cada corte de pelo, etc.

371
 Al modelar la anterior informacin como M / M / l se tiene que:

clientes por hora; clientes por hora

Lo anterior nos da y de acuerdo con la teora

Es el nmero esperado de clientes en la peluquera incluyendo el que est en la silla.

Es el nmero de clientes esperando sentados para ser peluqueados.

Es el nmero esperado de clientes en la cola dado que la peluquera no est vacia.

Ahora significa que el 16,7 % del tiempo permanece ocioso el sistema o que un

cliente que llegue encuentre vaca la peluquera.

representa que el 83.3 % de los clientes deben esperar antes de ser atendidos por
el peluquero.

Supongamos ahora que en la peluquera hay slo 4 asientos para espera, cul es la posibilidad de
que un cliente que llegue deba esperar de pie?

372
 Lo que quiere decir que el 33,5% de los clientes que llegan debe esperar de pie por falta de sillas
para estar sentado.

Otro problema que se pueda considerar es encontrar la distribucin del tiempo necesario para que
ocurra un nmero de veces del evento dado sea Yn la variable aleatoria que mide el tiempo transcurrido
hasta la ensima ocurrencia de un evento Poisson.

De acuerdo a las definiciones anteriores

donde son variables aleatorias distribuidas

exponencialmente. La funcin de densidad de es gamma con paramtras

Proceso Puro de Nacimiento

Es muy similar al proceso de Poisson, la diferencia esencial es que el parmetro A, del proceso de
Poisson en el proceso de nacimiento es variable y depende de K.

Similarmente al proceso de Poisson los axiomas de ocurrencia seran:

Probabilidad de que un evento suceda en

Probabilidad de que un evento no suceda:
Probabilidad de que un evento suceda ms de una vez:

Sea la probabilidad de que n eventos ocurran en el intervalo Anlogamente usando

la ecuacin de CHAPMAN - KOLMOGOROV para transiciones en los intervalos
podemos escribir

373
 Esto cuando 0 es equivalente a:

Lo cual constituye un sistema de ecuaciones diferenciales cuya solucin general ya no es tan fcil
por la variabilidad de

La respuesta es de la forma:

CASOS ESPECIALES

Proceso de Yule

De acuerdo a lo anterior no habra

y por tanto: usamos el Binomio de

Newton; observemos adems que es una distribucin geomtrica con

Si el nmero donde inicia la poblacin no es uno, si i > 1, entonces es fcil ver que:

que corresponde a una distribucin exponencial negativa.

374
Proceso Puro de Muerte

Sea la poblacin inicial y supongamos que los miembros de ella slo mueren.

Sea la tasa de mortalidad cuando hay n individuos (observe que depende de n). Los
axiomas siguen siendo muy parecidos a los de Poisson pero para definiciones.

Los axiomas se pueden resumir en :

lo cual equivale a :

con las condiciones iniciales:

Anlogo al proceso de Yule se puede considerar: y se obtiene:

la cual es una distribucin binomial

Proceso de Nacimiento y Muerte

Conocidos los anteriores procesos y sus correspondientes consideraciones se toma el problema

en forma conjunta.

lo cual es equivalente a:

con las condiciones iniciales:

375
 la solucin cuando

Donde observemos que es una distribucin geomtrica

con el trmino inicial modificado.

Probabilidad que la poblacin se extinga =

reemplazando se tiene:

siempre o sea, lo cual significa

si , entonces

Distribuciones Lmites

Teorema

Si un proceso de Markov es irreducible (todos los estados se comunican) entonces la distribucin

existe y es independiente de las condiciones iniciales del proceso. Los lmites
son tales que:

O son todos iguales a cero

376
 Este Teorema se aplica observando que si es independiente de t, o sea,

es constante, lo cual quiere decir que veamos en los procesos obtenidos anteriormente:

Proceso de Poisson

son las ecuaciones diferenciales obtenidas calculando en cada caso se tiene:

todos los estados son

transitorios, pues

Proceso puro de nacimiento (no se comunican)

cuando se tiene:

y por tanto

Proceso de muerte

sistema inconsistente.

Proceso de nacimiento y muerte

Las ecuaciones diferenciales son:

con la correspondiente restriccin para n = 0

ya que calculando los lmites cuando se tiene:

para los otros n > 1 :

de aqu se puede obtener una frmula recurrente:

377
 En general se tiene que:

con la condicin se tiene determinada la distribucin lmite s y

solo s existe, es decir, la anterior expresin es finita.

En el caso de proceso simple de nacimiento y muerte con

con Cuando se tiene se obtiene que

en caso contrario y esto indica que cuando es

la probabilidad que la poblacin se extinga.

Inferencia Estadstica

Se considera el caso general del proceso de nacimiento y muerte con como tasas de
nacimiento y muerte respectivamente

Consideremos entonces el proceso de nacimiento y muerte con una poblacin de tamao

en el tiempo t, sea Zn el tiempo transcurrido hasta la siguiente transicin (o novedad).

378
 Solucionando lo anterior obtenemos que: lo cual muestra que Z,, tiene distribucin

exponencial negativa con media . Para n = 0 se tiene Z0: que corresponde

a una distribucin exponencial con media

El problema de estimacin est considerado cuando observamos una muestra aleatoria de una
distribucin exponencial con parmetros (media) cuando y con parmetro
si n = 0; recordemos que Zn es el tiempo transcurrido entre la transicin de n a n+1. Para obtener una
idea de la estimacin anterior consideremos el caso ms sencillo ; sea las
estimaciones de y respectivamente.

I. Se debe observar el proceso de nacimiento y muerte durante un perodo de tiempo T.

II. Debemos anotar el tiempo para el cual la poblacin es cero y el tiempo para el cual es
diferente de cero.

T e = Tiempo cero vaco.

T b = Tiempo no cero ocupado.
T e + T b = T.

III. Anotar ahora durante el intervalo T.

mc = Nmero de cambios de cero a uno.

m u = Nmero de cambios de n a n+1 (n > 0).
m d = Nmero de cambios de n a n -1 (n > 0).

En resumen se conocen T e , Tb, n\,, mu, m d y el propsito es estimar y en trminos de las

anteriores.-

De acuerdo a los resultados tericos, se puede resumir el problema de inferencia en el proceso

simple de nacimiento y muerte en componentes, as:

1) Una muestra aleatoria de tamao me de una distribucin exponencial negativa con media
tal que la suma de las m tiempos de observacin en T intervalos que preceden las transiciones
0 -> 1.

2) Una muestra aleatoria de tamao mu + m^ de una distribucin exponencial con media

tal que la suma de los mu + n ^ tiempos de las observaciones es T b cuando la transicin se
efecta con poblacin diferente de cero.

3) Un nmero mu de eventos en una sucesin de m u + m< ensayos Bernoulli con probabilidad del

379
 suceso lo cual se refiere a transiciones del tipo n a n + 1 con n > 0 y md transiciones

del tipo n a n - 1 con n > 0.

4) La dependencia entre estas observaciones es tal que una transicin de cero a uno, puede
ocurrir slo despus de una de uno a cero.

5) Una realizacin parcial de una variable aleatoria cuya distribucin es exponencial negativa
con media si el tamao de la poblacin es cero al fmal del perodo y con media
si el tamao es diferente de cero.

Ahora usando el mtodo de mxima verosimilitud:

1 ) Supongamos que es una muestra aleatoria de tamao me de una distribucin

exponencial con media tal que la funcin sera

2) Si la poblacin es de tamao cero al final de la observacin donde es el

tiempo transcurrido despus de la ltima transicin de uno a cero. La funcin de verosimilitud

sera idntica a la funcin obtenida en el apartado

anterior.

3) Similarmente a 1 ) y 2) la funcin de verosimilitud de una muestra aleatoria de tamao mu + md

de una distribucin exponencial con media es dada por

4) La contribucin en la funcin de verosimilitud de mu + m,j ensayos de Bernoulli con probabilidad

de ocurrencia con mu sucesos (xitos) y md fallas est dad por:

5) Sea C) la funcin que representa la contribucin entre las transiciones, la cual es funcin de
m e , m u , m d y es independiente de

En conjunto la funcin de verosimilitud ser entonces el producto de todas.

380
 tomando logaritmos:

donde

Igualando a cero se tiene que:

Distribucin del Tiempo de Espera

Debemos derivar la distribucin de probabilidad del tiempo que transcurre entre el momento en
que llega un cliente hasta el momento en que entra al servicio. Sea Tq esa variable aleatoria y sea Wq
su funcin de distribucin ahora considera:

Probabilidad de que el sistema est vaco a la llegada del

cliente =

Sea ahora t > 0 y consideremos Wq (t).

dado que el tiempo transcurrido es Erlang

381
 En resumen:

Nos da la distribucin del tiempo de espera de un cliente en la cola, lo cual es una distribucin
compuesta (discreta y continua).

La funcin de densidad o probabilidad ser:

Observemos que:

si le sumamos ahora W q (0) tenemos: con lo cual se

tiene que la probabilidad total es uno.

Para el clculo del valor esperado denotado por W q se tiene:

382
 Es el tiempo esperado de permanencia en la cola. Tambin es de inters

y representa el tiempo de permanencia en la cola dado que dicho

tiempo es mayor que cero.

Observemos tambin que es la probabilidad de que un cliente

deba esperar mas de un tiempo c.

Por ltimo, el tiempo total que permanece un cliente en el sistema est dado por:

Relacin entre Longitud Esperada de la Cola y el Tiempo Medio de Espera

(Frmula de Little)

Ciertas relaciones entre medidas de eficiencia se pueden explorar sin grandes desarrollos tericos
en forma intuitiva; la primera es la relacin entre Wq y W. Comparando.

se tiene que:

Esta igualdad es verdadera y fcil de comprender intuitivamente.

383
 Sea S la variable aleatoria, "tiempo de servicio" entonces T = T q + S de donde
E [T] = E [Tq] + E [S] .

Como S es exponencial con media se tiene entonces

Otra relacin se presenta entre L q y W q (Lq el nmero de clientes en la cola y Wq el tiempo

esperado en la cola)

Entonces similar

La explicacin intuitiva es la siguiente: considere un cliente que acaba de llegar; en promedio l

llegar al servicio despus de que han transcurrido W q (unidades de tiempo). Pensemos ahora que el
cliente est a punto de ingresar al servicio y mira hacia atrs para contar la cola que qued detrs de

l; en promedio el nmero de clientes detrs de l ser L0 y ellos llegaron en promedio unidades de

tiempo cada uno, o sea que el tiempo que permane en espera ser:

o sea un argumento similar muestra que

Lo anterior es vlido cuando el proceso de llegadas es Poisson y la disciplina de la cola es FIFO

y solamente hay un canal (M / M / 1 FIFO) y adems ilimitada la capacidad del sistema.

Las anteriores frmulas se comunican como frmulas de Little:

ahora consideremos se tendra entonces

que argumento intuitivo similar a las frmulas de Little.

Para que transcurran L clientes en el sistema deben efectuarse L servicios cada uno dura en

promedio unidades de tiempo, entonces ser el tiempo que un cliente debe esperar en la

384
cola antes de entrar al servicio, dado que hay L clientes en el sistema cuando l llega, o sea

frmula vlida en M/M/l.

Modelo M / M / l con Capacidad Finita K

El valor k representa el nmero mximo de clientes en el sistema; en las ecuaciones de diferencia

del modelo M/M/l se adiciona la ecuacin

lo cual implica que:

es la ltima ecuacin diferencial.

Si trabajamos con las distribuciones lmites se terminara con:

en resumen se tendr:

con un procedimiento de

recurrencia se tiene que:

se expresara as:

respecto a las medidas de eficiencia

se tiene que:

385
 Tambin son vlidas las frmulas de Little: donde que es la tasa efectiva

de clientes que entran al sistema.

Colas con Canales Paralelos M / M / C

Consideraremos para todo n y si p es la rata de cada servicio, entonces c p es la rata de

los c servicios; si no todos los servicios estn ocupados, entonces se tiene:

siendo pn la tasa de servicio, que depende del nmero de clientes; dividiendo las ecuaciones de
diferencias en dos casos y pasando a las distribuciones lmite se tiene:

Para encontrar partimos de lo cual nos dara:

Llamemos y se tendr:

386
 La ltima parte del corchete se puede calcular as:

Entonces se tiene que:

con la condicin de existencia observemos que si C = 1, se tiene que M/M/l/ oo ; para

encontrar en este caso Lq se tiene:

despus de algunas operaciones con series geomtricas con el resultado anterior y las frmulas
de Little se tiene:

utilizando la relacin entre W y Wq se tiene:

387
 Ahora veamos cmo es la funcin de distribucin del tiempo de espera en la cola. Sea T q la
variable aleatoria que representa el tiempo de espera en la cola y sea W q (t) su funcin de distribucin,
entonces:

(Haya a lo ms c - 1 clientes en el sistema);

Para T q > 0 se tiene:

Ahora, cuando el promedio de salida es Poisson con media c p y el tiempo entre servicios

completos es exponencial con media y la distribucin del tiempo para que sucedan n - c + 1

servicios es Erlang del tipo n - c + 1; entonces:

388
 En forma similar el tiempo total de permanencia en el sistema tiene por funcin de densidad

Frmula de la llamada prdida de Erlang

Esta frmula no depende de las distribuciones de probabilidad que describen las llegadas o los
tiempos de servicio y permite determinar la probabilidad de una llamada perdida que llega a un conmutador,
debida a que quien la realiza obtiene seal de ocupado. En esta frmula se considera que el nmero de
lneas que llegan al conmutador son iguales al nmero de operadoras que estn listas para responder
las llamadas y es muy til para determinar la cantidad de lneas telefnicas que se requieren en un
centro de atencin de urgencias. La frmula es:

donde n es el nmero de lneas y Ejemplo:

Supongamos que tenemos tres lneas y tres operadoras con una tasa de llegada de 10 llamadas
por hora y una longitud promedio de las llamadas de 4 minutos.

llamadas por hora; servicios por hora; P (llamada perdida) = ?

P (llamada perdida)

389
 P (llamadaperdida) = 0,0573 Corresponde a la probabilidad que una llamada no se responda
para tres lneas y tres operadoras.

Ejemplo

Suponga que un hospital estatal en su seccin de oftalmologa ofrece exmenes gratuitos para
establecer la presencia del glaucoma, cada martes en la tarde. Hay tres mdicos simultneos y el
tiempo promedio de cada examen es de 20 minutos y se puede suponer exponencial. Los pacientes
llegan de acuerdo a un proceso de Poisson con media de 6 por hora y el primero que llega primero que
se atiende.

El hospital desea conocer:

a. Cuntas personas en promedio deben esperar.

b. El tiempo promedio que el paciente permanece en el hospital.
c. El porcentaje esperado de tiempo ocioso de los doctores.

Probabilidad de tiempo ocioso de un servidor (mdico) se calcula as:

390
Ejemplo

Considere una estacin de inspeccin de automviles con tres canales de observacin cada uno
para un solo carro. Suponga que los carros esperan en un callejn con capacidad a lo ms de 4 carros.
La llegada es Poisson con una media de un carro por minuto en las horas pico y el servicio es exponencial
con una duracin promedia de 6 minutos. El jefe de la estacin desea conocer el nmero esperado de
carros en el sistema, el nmero esperado que no pueda ingresar al sistema por tener capacidad mxima.

391
Solucin

Para encontrar el tiempo promedio de espera durante las horas picos podemos usar:

El nmero esperado de carros por hora que no puedan ingresar a la estacin es de

carros por hora

 Sugiere un estudio de ampliacin del servicio en general de la capacidad del sistema.

Si cada servicio deja una utilidad de $1000, cul sera el costo del sistema ocioso (sin un cliente).

muy barato

Ejemplo

En una estacin de servicio se tiene que p es la rata de servicio por hora, X es la rata de llegadas
por hora. Se puede asumir que el modelo es M / M / 1 Suponga que el costo de espera de un carro es
Cj pesos por hora y la operacin y el servicio por carro y por hora es p C 2 cuando la tasa de servicio
es p la idea es encontrar el valor de p y minimizar el costo total.

Es el nmero esperado de carros en la cola.

Ahora podemos suponer que hay Lq carros esperando ser atendidos en la cola;

entonces el costo por hora por la espera ser:

y el costo por su servicio es

El costo total es: para minimizar C con respecto a p se tiene:

Igualando a cero y despejando

tenemos:

Como es funcin de cuarto grado y su

solucin se encuentra por mtodos numricos para valores de dados

393
 tiene un M- cercano a uno.

394
395
 FRMULAS PARA SERVIDORES MLTIPLES S > 1; p =
S (X

396
397
EJERCICIOS RESUELTOS

I Frente a una ventanilla del Banco Estatal se presentan 5 6 0 personas diarias (ornada de
8 horas); el cajero puede dar servicio a 100 personas como promedio por hora. Con la hiptesis
de llegadas Poissonianas y servicios exponenciales, encontrar el factor promedio de utilizacin
del sistema, el tiempo ocioso promedio en el sistema, la probabilidad que haya 3 clientes en el
sistema, el nmero promedio de personas en el sistema, la cantidad promedio de clientes en la
cola, el tiempo promedio que permanece una persona en el sistema, el tiempo promedio de un
cliente en la fila, el tiempo promedio que tarda un servicio, la probabilidad que existan 4 personas.

Llegadas Poisson; servicios exponenciales;

El tiempo que permanece ocupado en promedio el sistema es el 70%.

El tiempo ocioso promedio del sistema es del 30%.

La probabilidad que en un momento

determinado haya en el sistema 3

clientes es del 10,29%.

En promedio la cantidad de personas en el sistema es de 2,3.

La cantidad de clientes promedio en la cola es de 1,63

personas.

En promedio una persona

espera en el sistema antes de ser atendido 2 minutos.

El tiempo de espera promedio en la

fila antes de la atencin es de 1,4 minutos.

398
 En promedio el tiempo que tarda un servicio
corresponde a ,6 minutos.

La probabilidad que haya en el sistema

en un momento determinado

ms de 4 personas es del 16,8%.

A un taller llegan los pedidos de reparaciones en forma de distribucin Poisson a un

promedio de 4 clientes / hora. El operario que los inspecciona para diagnosticar las reparaciones
a hacer efecta dicha actividad en una forma normal; en promedio tal inspeccin le toma 6
minutos. Realizando la evaluacin de tiempos y movimientos se encontr que el tiempo de

servicio normalmente distribuido tiene una Calcular las caractersticas de operacin

del sistema.

En promedio el tiempo que permanece ocupado el sistema es el 40%.

El tiempo promedio que permanece desocupado el sistema

La cantidad de personas promedio en la

cola es de 1,8 clientes.

L = p + Lq; L = 0 , 4 + 1,8; L = 2 , 2 En promedio la cantidad de clientes en el sistema es de 2,2

personas.

El tiempo de espera promedio en la cola

antes de ser atendido un cliente es de 2 7 minutos.

En promedio un cliente espera en el

sistema antes de ser atendido 33 minutos.

399
 VV = W - W q ; =0,55 - 0,45; W s = 0 , 1 h o r = 6 m i n En promedio el tiempo que dura

un servicio es de 6 minutos.

El Banco Departamental ha decidido instalar un cajero automatizado de atencin a

automovilistas para las personas que deseen hacer un solo deposito; el tabricante le ha
informado al Banco que en estos casos el tiempo de servicio es constante con 7,5 minutos. Para
determinar las caractersticas de operacin de este nuevo sistema se han evaluado las llegadas
de los automviles y se ha encontrado que se comportan en forma de distribucin Poisson a
una llegada de 4 automviles / hora. Encontrar la congestin en el sistema.

En promedio el factor de utilizacin del sistema es el 50%.

P 0 = 1 - p ; Po = 1 - 0 , 5 ; Po = 5 0 % El tiempo promedio que el sistema no est ocupado es del

50%.

La cantidad de vehculos promedio en la lnea de

espera es de 0 , 2 5 autos.

L = p + Lq; L =0,5 +0,25; L = 0,75 En promedio la cantidad de autos en el sistema es

de 0 , 7 5 vehculos.

hor = 3 , 7 5 min El tiempo de espera promedio

en la lnea de espera antes de ser atendido un auto es de 3 , 7 5 minutos.

En promedio un vehculo

espera en el sistema antes de ser atendido 11,25 minutos.

W =W-W q ; Ws = 0 , 1 8 7 5 - 0 , 0 6 2 5 ; Ws = 0 , 1 2 5 h o r = 7 , 5 m i n . En promedio el tiempo

de un servicio es de 7,5 minutos.

400
 En una empresa la reparacin de un cierto tipo de maquinaria existente en el mercado
se realiza en 5 operaciones bsicas que se efectan de una manera secuencial; si el tiempo que
se lleva en realizar cada uno de los 5 pasos tiene una distribucin exponencial con media de 5
minutos. Estas mquinas se descomponen segn una distribucin Poisson con una razn media
de 2 m q u i n a s / h o r a y en la fbrica slo hay un mecnico que las repara. Calcular las
caractersticas de operacin de la empresa.

En promedio el tiempo que permanece ocupado el sistema es el

El tiempo promedio que el sistema permanece ocioso es

En promedio la cantidad de mquinas a reparar en la empresa

es de 3.

La cantidad

de mquinas en promedio en cola es de 2 , 4 9 .

Wq = 1 , 2 4 9 hor = 1 hor 14 min En promedio las mquinas en la cola antes de ser atendidas
permanecen 1 hora 14 minutos.

En promedio una mquina

espera en el sistema antes de ser atendida 1 hora 3 9 minutos.

401
 w s = W - Wq; Ws = 1,66 - 1 , 2 4 9 ; Ws = O ,411 hor = 2 5 min . En promedio el tiempo de un
servicio es de 2 5 minutos.

Al Taller El Recambio para cambio de aceite, los autos llegan a un promedio de 1 8 carros
por hora en forma Poisson. La poblacin es infinita pero el espacio fsico en el sistema alcanza
solamente para 3 vehculos; puede servir a un promedio de 6 carros por hora de acuerdo a una
distribucin exponencial; determinar las estadsticas de congestin de este taller.

Llegadas Poisson; servicios exponenciales con cola finita; X = 18 carros / hora; p = 6 carros
/ hora; K = 3 ; P 0 = ?; p = ?; L = ?; Lq = ?; W = ?; W q = ?; Ws = ?; S = 1

En promedio el tiempo improductivo

del taller es el 2,5%.

El tiempo promedio que el taller permanece ocupado

es el 9 7 , 5 % .

L = 2 , 8 6 En promedio la cantidad de

autos a cambiar el aceite por hora es de 2 , 8 6 .

En promedio el nmero de vehculos en la

lnea de espera es de 1,88 por hora.

En promedio un auto permanece en el taller

9 , 5 3 minutos.

Los vehculos permanecen en promedio

en la fila 6 , 2 6 minutos.

Un cambio de aceite
tarda en promedio 3 , 2 7 minutos.

402
 Una mquina fotocopiadora es utilizada por 3 secretarias de una oficina para obtener las
copias que su seccin requiere; como la magnitud del trabajo difiere de acuerdo al nmero de
copias que cada quien traiga, se hizo un anlisis el cual dej concluir que la mquina tiende a
un proceso de Poisson con un promedio de 8 trabajos por hora. Los requerimientos de utilizacin
son tambin aleatorios de acuerdo a un proceso Poissoniano con una tasa media de 5 trabajos
por hora. Calcular las caractersticas de utilizacin de la fotocopiadora.

El tiempo ocioso promedio de la fotocopiadora es del 1 4 , 9 6 %.

En p r o m e d i o el factor de u t i l i z a c i n de la
fotocopiadora es del 85,04%.

En la fotocopiadora permanecen en

promedio 1,63 personas.

En la fila para acceder

a la fotocopiadora permanecen en promedio 0 , 7 8 personas.

El tiempo total promedio en el sistema es

de 1 9 , 5 6 minutos.

En promedio en la cola para llegar a

obtener un servicio en la fotocopiadora el tiempo gastado es de 9 , 3 6 minutos.

403
 ws = W - Wq; Ws = 0 , 3 2 - 0 , 1 5 6 ; W s = 0 , 1 6 4 hor = 9 , 8 4 min Un servicio promedio en
la fotocopiadora es de 9 , 8 4 minutos.

El Banco Departamental desea operar una nueva sucursal; luego de realizados los estudios,
el Banco considera que con 4 servidores es suficiente. Los clientes llegan en promedio a una
tasa de 2 0 por hora de acuerdo a una distribucin Poisson y se sabe que se requieren en
promedio 2 minutos para atender a cada cliente con una distribucin aproximadamente
exponencial. Calcular las estadsticas de operacin del Banco.

P0 = 50,56% En promedio el tiempo improductivo del sistema es del 50,56%.

del tiempo el sistema permanece ocupado.

En promedio la cantidad de personas en la lnea de espera es de 0 , 0 1 6 2 7 por

hora.

En el banco permanecen en promedio 0 , 6 8 2 9

personas por hora.

404
 min Las personas permanecen

en promedio 0 , 0 4 8 8 1 min en la lnea de espera.

U n a persona

permanece en promedio en el banco 2 , 0 4 8 8 min.

Ws = W - W q ; W s = 0 , 0 3 4 1 4 - 0 , 0 0 0 8 1 3 5 ; Ws = 0 , 0 3 3 3 2 hor = 1 , 9 9 9 2 min, Un servicio

en promedio dura 1 , 9 9 9 2 min.

Una Compaa debe tomar una decisin con respecto a su poltica de contratar un
mecnico para reparar un mecanismo que se descompone con una tasa promedio de 4 por
hora de acuerdo con una distribucin Poisson; el tiempo improductivo de cualquiera de los
mecanismos est costando $ 5 0 0 0 por hora a la Empresa. La Compaa puede contratar dos
tipos distintos de mecnicos: uno lento, pero poco costoso a $ 2 5 0 0 por hora y el otro rpido,
pero ms costoso a $ 4 5 0 0 por hora; el mecnico lento puede reparar exponencialmente los
mecanismos a una tasa promedio de 6 por hora, mientras que el mecnico rpido repara
exponencialmente a razn de 8 por hora. Basndose en los datos anteriores cul mecnico
debe contratarse?

Llegadas Poisson; servicios exponenciales; mecanismos / hora; reparaciones /

hora; = 8 reparaciones / hora; W L = ?; W R = ?; CT L = ? ; CT R = ?; S = 1 ;

COL = $ 2500; COR = $ 1250

Costo Total = Costo Ocioso * No de mquinas daadas en el perodo + Costo de M a n o de

O b r a en el perodo.

CT L = 2 5 0 0 * 4 + 2 5 0 0 ; CTL = $ 1 2 5 0 0

405
 CTR = 1 2 5 0 * 4 + 4 5 0 0 ; CTR = $ 9 5 0 0

Donde CO L , COR, CT l y CTR corresponden a costo ocioso para el mecnico lento, costo ocioso
para el mecnico rpido, costo total para el mecnico lento y costo total para el mecnico
rpido.

La decisin es entonces finalmente contratar el mecnico rpido, porque la Compaa ahorra

costos.

En una compaa de asesora computacional, los programadores necesitan usar un

terminal en lnea con el sistema de computacin central de la compaa para poder depurar sus
programas. La firma opera las 2 4 horas del da y 4 8 programadores, como promedio, necesitan
usar el terminal una vez al da. Los programadores llegan al terminal en forma de distribucin
Poisson; el tiempo que cada programador utiliza el terminal es exponencial y como promedio es
de 2 0 minutos.

La compaa recibe cada da varias quejas del personal de programacin en el sentido que las
esperas experimentadas en el terminal son demasiado largas y que se pierde productividad; los
programadores afirman que necesitan ms terminales. La administracin est preocupada porque
el terminal se emplea slo dos terceras partes del tiempo, por lo que considera innecesario
aumentar el nmero de terminales.

Analizar la situacin de esta compaa y determinar si se requieren terminales adicionales.

Llegadas Poisson; servicios exponenciales;

66,7% El tiempo que permanece ocupado en promedio el sistema es el

66,7%.

El tiempo ocioso promedio del sistema es del 33,3%.

En promedio la cantidad de personas en el sistema es de

2,03.

La cantidad de clientes promedio en la cola es de 1,36

personas.

406
 hor En promedio una persona espera en el sistema

antes de ser atendido 1 hora.

El tiempo de espera promedio en la fila antes

de la atencin es de 4 0 minutos.

Este resultado
significa que un 10% de los programadores, aproximadamente unos cinco (5) por da esperan
casi 1 1 4 minutos (cercano a las dos horas) en el terminal antes de poder utilizarlo.

El nmero promedio de llegadas por hora al consultorio de un hospital es de 6 0

pacientes. Si acaba de llegar un paciente, cul es la probabilidad que el prximo paciente
llegue dentro del siguiente minuto? y que se tarde ms de 4 minutos?

El nmero de personas que ingresan a un local comercial se comporta de acuerdo a

una distribucin de Poisson con una media de 3 0 personas por hora. Calcular la probabilidad
de la llegada de 5 0 clientes, sabiendo que el intervalo de tiempo es de 2 horas.

El intervalo de tiempo es de 2 horas, as que

Los clientes llegan a la tienda a razn de 3 0 personas por hora; de acuerdo a lo anterior la
funcin asociada de la exponencial es 3 0 exp (- 3 0 t). Entonces la probabilidad es:

407
 A un aeropuerto el nmero de personas que llegan es de 10 por minuto; las revisiones
de equipaje ligero se realizan a razn de 12 por minuto. Es de aclarar que las llegadas al
sistema son de tipo Poisson y los servicios son aproximadamente exponenciales.

A) Cul es la probabilidad que un pasajero tenga que esperar antes que le revisen el equipaje?

B) Cuntos pasajeros en promedio esperan en la cola?

C) Cunto tiempo total tienen que esperar en promedio los pasajeros?

A) Espera si hay alguien en el sistema, es decir, si el nmero de personas en el sistema es

diferente de cero.

Entonces la solucin es: es la probabilidad que un pasajero tenga

que esperar antes que le revisen el equipaje.

B) es el nmero promedio de pasajeros en la fila.

C) tiempo que tienen que esperar en promedio los pasajeros.

408
EJERCICIOS PROPUESTOS

Se tiene un sistema de colas con dos servidores en una condicin de estado estable en donde el
nmero de clientes en el sistema vara entre cero y cuatro. Para n = 0, 1, 2, 3, 4, la probabilidad Pn que

haya exactamente n clientes en el sistema es

determine:

A) El nmero de clientes esperado en el sistema.

B) El nmero de clientes esperado en la fila.
C) El nmero esperado de clientes que estn siendo servidos.
D) Dado que la tasa media de llegadas es de 2 clientes por hora, determine le tiempo de espera
en el sistema y en la lnea de espera.
E) Dado que ambos servidores tienen el mismo nmero esperado de servicio, utilice los resultados
de D) para determinar este tiempo esperado de servicio.

Un sistema de filas tiene dos servidores, una distribucin de tiempos entre llegadas exponencial
con media de 2 horas y una distribucin de tiempos de servicio exponencial con media de 2 horas para
cada servidor; lo que es ms a las 12:00 del da acaba de llegar un cliente .

A) Cul es la probabilidad que la siguiente llegada ocurra i) Antes de la 1:00 p.m.? ii) Entre la
1:00 y las 2:00 p.m.? iii) Despus de las 2:00 p.m.?
B) Suponga que no llegan ms clientes antes de la 1: p.m. ahora Cul es la probabilidad que la
siguiente llegada tenga lugar entre la 1:00 p.m. y las 2:00 p.m.?
C) Cul es la probabilidad que el nmero de llegadas entre la 1:00 p.m. y las 2:00 p.m. sea i) 0
ii) 1 iii) 2 o ms?
D) Suponga que ambos servidores estn atendiendo clientes a la 1:00 p.m. Cul es la probabilidad
que ningn cliente haya completado su servicio i) Antes de las 2:00 p.m. ? ii) Antes de la
1:10 p.m.? iii) Antes de la 1:01 p.m.?

Un sistema de lneas de espera tiene dos servidores, cuyos tiempos de servicio son variables
aleatorias independientes e idnticamente distribuidas con una distribucin exponencial con media de
15 minutos. El cliente X llega cuando ambos servidores estn ociosos; cinco minutos despus llega el
cliente Y, mientras que el cliente X est siendo atendido. Otros diez minutos ms tarde, llega el cliente
Z y los dos clientes X y Y estn todava siendo servidos; no llegan ms clientes durante este intervalo
de quince minutos.

A) Cul es la probabilidad que el cliente X complete su servicio antes que el cliente Y?

409
 B) Cul es la probabilidad que el cliente Z complete su servicio antes que el cliente X?
C) Cul es la probabilidad que el cliente Z complete su servicio antes que el cliente Y?
D) Determine la funcin de distribucin acumulada del tiempo de espera en el sistema para el
cliente X; encuentre adems la media y la desviacin estndar.
E) Repita D) para el cliente Y.
F) Determine el valor esperado y la desviacin estndar del tiempo de espera en el sistema para
el cliente Z.
G) Determine la probabilidad que lleguen exactamente dos clientes ms durante el prximo
intervalo de quince minutos.

Considere el proceso de nacimiento y muerte con todas las p n = 2 (n = 1, 2, ...), X0 = 3,

X, = 2, A,2= 1, A.n = 0 para n = 3, 4, ...

A) Construya el diagrama de tasas.

B) Calcule P0, P b P 2 , P 3 y Pn para n = 4, 5,...
C) Calcule L, Lq, W y W q .

En la compaa Seguros Atalaya, las funciones de depsito y retiro asociadas con cierto producto
de inversin estn separadas entre dos dependientes; las formas de depsito llegan aleatoriamente al
escritorio de Clara con una tasa media de 16 por hora; las formas de retiro llegan tambin de manera
aleatoria al escritorio de Claricia con una tasa media de 14 por hora. El tiempo requerido para procesar
cualquiera de las dos transacciones tiene una distribucin exponencial con tasa media de 3 minutos.
Para reducir el tiempo de espera en el sistema para ambas formas el Departamento de Actuara ha
hecho las siguientes recomendaciones: 1) Capacitar a las dos dependientes para que puedan manejar
depsitos y retiros. 2) Colocar a los dos tipos de transacciones en la misma cola con acceso a las dos
dependientes.

A) Determine el tiempo esperado en el sistema bajo los procedimientos actuales para cada tipo
de transaccin. Despus combine estos resultados para calcular el tiempo esperado en el
sistema para una llegada aleatoria de cualquier tipo.
B) Si se adoptan las recomendaciones, determine el tiempo esperado en el sistema para las
transacciones que llegan.

410
CAPTULO XIV

OPTIMIZACIN ESTOCSTICA

"Dos cosas son infinitas: el universo y la estupidez humana;

y yo no estoy seguro sobre el universo ". Albert Einstein

INTRODUCCIN

Hasta este momento todas las formulaciones que se han presentado de Programacin Matemtica
asumen que los datos son conocidos. Sin embargo, en muchos problemas reales los datos no pueden
ser conocidos con exactitud. En ocasiones por errores de medida o a falta de datos fiables, pero ms
generalmente porque son datos sobre circunstancias que se darn en el futuro y simplemente no pueden
ser conocidos con anticipacin.

La Optimizacin Estocstica resuelve problemas de Programacin Matemtica (en general), a

los cuales se les incorpora la incertidumbre en los parmetros.

Una variante de la misma especialmente interesante es la Programacin Lineal Estocstica, que

puede ser resuelta de modo ptimo, aunque con un coste computacional elevado.

Uno de los mecanismos para abordar la incertidumbre en los datos es el uso de los denominados
escenarios. Estos constituyen un posible conjunto de valores para los parmetros. Cada uno de estos
escenarios puede tener una probabilidad asociada, aunque no necesariamente.

Existen diferentes modos de formular mediante un problema de Programacin Lineal, un Problema

Estocstico aunque bsicamente consiste en obtener una decisin para el instante actual teniendo en
cuenta los escenarios futuros. De este modo, la decisin a tomar no ser ptima, en general, para
ninguno de los escenarios aunque s para el conjunto de ellos. Este modo de plantear y resolver el
problema tiene un elevado coste computacional pero se puede abordar mediante descomposiciones y
computacin en paralelo con ndice de paralelizacin elevado.

Otro modo de enfocar la estocasticidad en los parmetros es obtener el ptimo para cada escenario
y comparar el valor que esta decisin tendra para el resto de escenarios, eligiendo como decisin
definitiva la ms buena, o la menos mala o cualquier otro mecanismo que se considere oportuno.

Este tipo de problemas se dan con mucha frecuencia, puesto que en muchas ocasiones las
decisiones se toman de modo recurrente. Por ejemplo, el departamento de compras de una empresa
toma la decisin de adquirir cierta cantidad de materia prima atendiendo a una demanda conocida para
el presente pero estimada para el futuro. Y cuando ese futuro sea presente se tomar una nueva
decisin.

411
 El anterior es un ejemplo de reeursividad. sta es, bsicamente, la capacidad de emprender
acciones correctivas despus de que la situacin incierta ocurra.

Hay que destacar tambin la propiedad de no anticipacin que se exige a la Programacin

Estocstica. Se puede definir sta como la imposibilidad de vincular la decisin en el primer perodo, la
cual no depende de lo que de hecho ocurra en el segundo periodo. La decisin de hoy para hoy no
puede ser modificada maana.

Los modelos que se presentan en Optimizacin Estocstica son:

Funcin obj etivo estocstica y restricciones determinsticas.

Funcin obj etivo determin stica y restricciones estocsticas.
Funcin objetivo y restricciones estocsticas.

FORMULACIN DE UN MODELO DE OPTIMIZACIN ESTOCSTICA

La formulacin del Problema Lineal Estocstica es la siguiente:

con sus restricciones:

Donde son valores conocidos y Cj son valores aleatorios.

Los problemas estocsticos son especialmente complicados debido a su tamao que crece con el
nmero de escenarios. Pero adems, la propia generacin de los escenarios y la definicin de
probabilidades a los mismos pe es un tema de gran complejidad.

Una de las principales ventajas de la Optimizacin Estocstica es que las soluciones que obtiene
para los perodos congelados (x) son estables ante los diferentes escenarios.

Existen paquetes de computacin especficamente destinados a la solucin de problemas con

escenarios, pero tambin se pueden utilizar paquetes estndar, aunque la complejidad anteriormente
aludida es una limitacin evidente en su uso.

Para resolver problemas estocsticos se recurre bsicamente a:

412
 Se resuelven en primer lugar de forma determinstica para cada escenario de demanda por
separado; luego se soluciona el problema para el valor medio de la demanda.

Se contrastan las soluciones para ver semejanzas y diferencias entre ellas y a partir de enfoques
heursticos se construyen planes para resolver la incertidumbre. El procedimiento anterior no
garantiza la consecucin del ptimo; se debe tener en cuenta que la solucin ptima estocstica
no tiene por qu ser ptima para ningn escenario.

Es importante advertir que una forma de resolver modelos de Optimizacin Estocstica corresponde
a una manera de transformarlo en un modelo determinstico con la ayuda de las funciones de distribucin
de los coeficientes, equivalentes a los modelos estocsticos.

Finalmente, el tratamiento de esta situacin presenta diversos modelos segn las aplicaciones que
se realicen de acuerdo a los objetivos que se pretendan alcanzar; los enfoques ms importantes son:

Optimizacin de la esperanza de la funcin objetivo.

Minimizacin de la varianza de la funcin objetivo.
Maximizacin de la probabilidad que la funcin obj etivo sea mayor o menor que una constante
dada.
Teniendo una probabilidad, maximizar un valor de manera que la funcin objetivo sea mayor
que un valor con la probabilidad dada.
Optimizacin de la esperanza de una funcin de utilidad definida sobre la fncin objetivo.

Para el tratamiento de este tipo de problemas existen dos tcnicas, una conocida como restricciones
aleatorias y la obtencin de los equivalentes determinsticos.

Una idea bsica para la solucin de los problemas de Optimizacin Estocstica es la de recurso,
es decir, la posibilidad de corregir las decisiones una vez que ha ocurrido el evento; la dificultad es que
esto no siempre es posible, para lo cual se han desarrollado los siguientes procedimientos:

"Espere y observe": En las cuales las decisiones se toman una vez resuelta la incertidumbre,
se resuelve el problema independientemente para cada escenario, un caso particular es el
escenario para el valor medio de los parmetros, las decisiones sern diferentes para cada
escenario y la solucin de un escenario puede ser infactible en otro escenario. Finalmente,
una vez que se toma la decisin no es posible corregirla y se debe esperar el resultado general
del problema. El decidor espera que la naturaleza fije su estado, la observa y resuelve dicho
modelo tomando la decisin.

"Aqu y ahora": En este modelo las decisiones se toman antes de resolver la incertidumbre,
las decisiones slo pueden utilizar informacin disponible hasta ese momento, no informacin
futura, las nicas decisiones relevantes son las de la primera etapa, ya que son las que se
toman de manera inmediata, la solucin de un problema estocstico nos protege de la
incertidumbre y permite insertar opciones aversas al riesgo. El tomador de decisiones debe
decidir sin que la naturaleza haya determinado su estado.

413
 Decisin en dos pasos: Este es un caso intermedio entre los dos anteriores; es un caso
particular de los problemas polietpicos. El primer paso corresponde al modelo aqu y ahora y
en el segundo paso estamos en el modelo espere y observe, pues al final el problema de
decisin es determinstico, ya que la naturaleza se ha manifestado, lo cual no ha sucedido en
el primer caso.

MODELOS Y MTODOS DE SOLUCIN EN OPTIMIZACIN ESTOCSTICA

Est claro que luego de ver las diferentes situaciones presentadas en los problemas de Optimizacin
Estocstica, el enfoque de "espere y observe" es el ms sencillo de resolver, el cual termina en un
modelo de Programacin Lineal determinstico.

Existe un modelo llamado Programacin Lineal Estocstica; lo anterior nos indica que los elementos
aleatorios pueden estar en la funcin objetivo, en la matriz de coeficientes tecnolgicos y/o en los
recursos. Esto nos dice que, a diferencia del modelo determinstico, la naturaleza no est en un solo
estado sino que puede presentarse en varios con diferentes probabilidades. En el caso de ser conocida
esta ley nos encontramos en un ambiente de riesgo; si es desconocida esta ley nos encontramos en un
ambiente de incertidumbre. En el primer caso se dice que la naturaleza sigue una estrategia mixta pero
conocida y en el segundo caso decimos que la naturaleza sigue una estrategia mixta pero desconocida.
Un problema de incertidumbre se convierte en un problema de riesgo por medio de mtodos bayesianos.

El problema consiste en elegir sobre un vector X (xj) que pertenecen a la regin convexa que
est definida por las restricciones, antes de conocer los valores que toman los elementos aleatorios cj
del modelo:

con sus restricciones:

para lo cual se tienen, entre otros, los siguientes modelos:

M o d e l o d e V a l o r Esperado

Se comienza eligiendo el vector X y se realiza tomando como funcin objetivo:

donde c. es la esperanza matemtica de c, con las hiptesis que la distribucin de los elementos c, es
independiente de las variables a optimizar. Por tanto, la decisin x est dada por la solucin del problema:

414
 con sus restricciones:

el anterior es un problema de Programacin Lineal Deterministico. Cuando la hiptesis sobre la

distribucin de cj no es factible, lo cual ocurre a menudo, es decir, si c depende de x, se puede escribir
y como la esperanza es un operador lineal, la funcin objetivo es:

La solucin corresponde a la del problema:

con sus restricciones:

El anterior problema es deterministico, de programacin convexa separable.

Modelo de Mnima Varianza

El modelo anterior es un modelo optimista, pues se debe tener en cuenta la aleatoriedad de c.

Cuando con ese modelo seleccionamos un cierto se debe tener en cuenta la dispersin que
tendr en torno a su media ya que por la dispersin una vez tomada la decisin por nos
1
pueden dar valores de menores que los de e x con alguna frecuencia a pesar de ser
menores que Por lo anterior, este criterio slo es aplicable cuando el problema de decisin sobre
x se presente un gran nmero de veces.

Podemos encontrar una solucin X que nos satisfaga los valores de la funcin objetivo C X ms
concentrada, aunque tenga menor valor para su media. Lo anterior nos lleva a una segunda forma de
elegir el vector X tomando como funcin objetivo la varianza de OPT Z = C X .

415
 Si con este criterio buscamos entre todas las distribuciones C X1 (X1) que nos satisfagan las
restricciones, entonces sta puede ser una solucin ptima, la de menor varianza podemos estar en
peor situacin que con el modelo del valor esperado, pues los valores de la distribucin encontrada con
este modelo pueden ser muy pequeos. De acuerdo a lo anterior, lo que hacemos es buscar la distribucin
de mnima varianza entre un conjunto de distribuciones; este conjunto est formado por todas aquellas
distribuciones que tienen su media mayor que un valor dado z0 = C 0 X 0 .

La solucin x se encuentra minimizando la varianza de la funcin objetivo haciendo que la esperanza

de dicha funcin sea igual o mayor que un cierto nivel prefijado z, con lo cual el modelo nos queda:

OPT V

Sujeta a:

El cual es un modelo deterministico no necesariamente lineal.

Se supone que Cj es independiente de x y que se conoce la varianza as como la covarianza

La varianza V de la funcin objetivo viene dada por la funcin cuadrtica siguiente:

Se pueden plantear tres casos:

Lo cual da la siguiente igualdad: En este caso partimos de la funcin objetivo OPT

con las mismas restricciones, lo cual nos genera un problema de programacin lineal

determinstico. Se puede hacer variar zn, considerado como un parmetro para estudiar su efecto sobre V.

ii. Si los elementos c son independientes, es decir,

416
 Lo cual nos da un problema de programacin convexa separable.

iii. Si V es una forma cuadrtica cualesquiera, cuando es semidefinida positiva se puede pasar al
caso ii. considerando una transformacin lineal, se puede aplicar tambin un mtodo general de
programacin cuadrtica de Wolfe. En los dos criterios anteriores se toma en cuenta la subjetividad del
tomador de decisiones, teniendo en cuenta la funcin objetivo a optimizar. En el criterio del valor
esperado se opta por la solucin aproximada, de acuerdo a la ley de los grandes nmeros. En el criterio
de mnima varianza, de acuerdo al establecimiento de una cantidad zO de la funcin objetivo satisfactoria
y prefiriendo tener una solucin lo ms estable posible.

Un mtodo alternativo para eliminar las dificultades del mtodo del valor esperado sera:

Sujeta a:

Donde K es una constante predeterminada que indica el mximo grado de dispersin de los
valores de la distribucin C X en torno de su media que el tomador de decisiones fija y V es la
varianza. Se resuelve aplicando el criterio del valor esperado en el conjunto de distribuciones que
tienen su varianza V (z) menor que el nivel fijado a priori, con lo cual se evitan las grandes dispersiones
de valores en torno de la media de la distribucin, ya que con este modelo esas distribuciones no se
consideran: este nroblema es de nroeramacin convexa.

M o d e l o d e M n i m o Riesgo a Nivel k

Este modelo consiste en maximizar la probabilidad que la funcin objetivo sea menor que un valor
constante k predeterminado: en este caso los costos c son variables aleatorias de funcin de probabilidad
conocida.

Inicialmente transformaremos este modelo estocstico en un modelo equivalente y determinstico;

se supone conocida la funcin de distribucin de las variables aleatorias el problema original es:

417
 con sus restricciones:

El cual se convierte en:

Sujeta a:

En algunas situaciones reales se puede considerar que los costos cj son funciones aleatorias de
una sola variable t:

Donde c 0 j y cj son constantes y t una variable aleatoria de funcin de distribucin conocida, F (t).
En estas condiciones tenemos dos casos:

Como la funcin de distribucin es una funcin credente, el paso al modelo deterministico es:

418
 restricciones que el problema original.

El modelo determinstico equivalente es:

minimizar: Los casos i y ii se resuelven con algoritmos de programacin lineal

fraccionaria.

M o d e l o d o n d e los c. estn n o r m a l m e n t e distribuidos

En este caso trabajamos con la distribucin normal multivariante, como la variable aleatoria n -
dimensional.

419
 Donde es el vector de las medias y es la matriz de covarianza, a la que llamaremos V
por facilidad:

sigue una distribucin por tanto la variable aleatoria de las

su distribucin ser:

Donde es la varianza es la media de la variable

aleatoria . Luego:

. Esta nueva variable sigue una N (0,1). Luego el

modelo deterministico equivalente ser: sujeta a las restricciones originales. El modelo

anterior se transforma en el siguiente para aplicarle los algoritmos de programacin cuadrtica

fraccionaria:

Modelo de Kataoka

En este modelo se fija la probabilidad a y se desea maximizar el valor k; se considera como una
variante del modelo anterior; este problema se ha resuelto para el caso particular que las variables
aleatorias c estn normalmente distribuidas, siendo su distribucin conjunta, la distribucin normal

multivariante: Igual que en el caso anterior, la variable aleatoria tendr como

distribucin una distribucin normal:

420
 Escribimos entonces:

N (0, 1). Parametrizando se puede determinar el valor del cuantil de orden o la abscisa

correspondiente. Representando a este valor por . Luego despejando k:

reemplazando S y M por sus valores nos queda el siguiente problema:

sujeta al mismo sistema de restricciones que el modelo

original.

Modelos con Restricciones A l e a t o r i a s

El planteamiento de este modelo corresponde a:

Sujeta a:

Donde la significancia de la doble desigualdad corresponde a que la i - sima condicin

puede dejar de verificarse como mximo una proposicin de 1 - p veces.

Una manera de resolver este problema es:

i. Se supone conocida la distribucin de las variables aleatorias.

ii. El modelo se transforma en otro determinstico equivalente.

421
 iii. Se debe demostrar que las funciones que intervienen en este modelo son convexas o cncavas.
iv. Se resuelve aplicando modelos de Programacin No Lineal, teniendo en cuenta que las b son
variables aleatorias de funcin de distribucin conjunta conocida y las aj son variables aleatorias
y para cada i la distribucin de aj es independiente de la de ak, j ^ k.

Supongamos que y (bj, b2, b 3 , . . . , b n ) es la funcin de densidad conjunta, por lo cual es posible
calcular la marginal correspondiente a b:

Cuando le damos el valor a p se puede encontrar un b tal que:

Se debe observar que los valores de M y s contienen a x; entonces los valores encontrados para
tj dependen de los valores de x. De acuerdo a esto, lo anterior slo es vlido si la media y varianza

existen y si t es independiente de x. Se aplica si la distribucin de es la misma que la

de

422
i. Cuando las variables son independientes y normalmente distribuidas

Supone que para la restriccin i - sima las variables son independientes y normalmente

distribuidas con media y vananzas , luego si definimos por

entonces u est normalmente distribuida con media y varianza:

Luego se tipifica y como esta variable est distribuida segn una normal de media cero y desviacin

tpica uno, entonces la condicin , lo cual es equivalente a:

Donde es el fractil de orden p.

i. Cuando las variables son dependientes y normalmente distribuidas

Realizando las mismas consideraciones que en el caso anterior, obtendremos que la condicin

i - sima es equivalente a

Donde V es la matriz de covarianzas de los elementos de la fila i - sima.

M o d e l o s con Restricciones C o n j u n t a m e n t e Distribuidas

El modelo estudiado inieialmente era

Sujeta a:

423
 Las distribuciones marginales se suponen conocidas y continuas y la distribucin
conjunta es:

Es decir, las variables b], ... , b m son independientes.

Si se hace G = 1 - F entonces la condicin deterministica equivalente a la del modelo estocstico es:

En general se puede determinar que las funciones G no son cncavas, pero se pueden transformar

en otras que lo sean aplicando logaritmos: . La anterior funcin generalmente es

cncava y se le pueden aplicar los algoritmos de la Programacin No Lineal.

Luego se estudi un modelo con condiciones de la forma:

El anterior modelo se resuelve en dos casos particulares:

A) El nmero de restricciones queda limitado a dos y las variables aleatorias tienen como
distribucin la normal.

B) Se da una cota inferior de la restriccin anterior, teniendo en cuenta la desigualdad:

Los modelos determinsticos que se obtienen son:

424
 Modelo P,:

MIN c' X

Modelo P 2 :

MIN c' X

Donde las z son las variables tipificadas.

En lo anterior se ha supuesto que las variables aleatorias son los coeficientes y los , en tanto
que los Cj permanecen constantes. Luego de demostrar que todas las funciones que intervienen son
convexas o cncavas, el modelo se resuelve por Programacin No Lineal.

M o d e l o con Compensacin Lineal

Estos modelos permiten intercambios entre los atributos. Este modelo corresponde a la siguiente
formulacin:

Sujeta a:

Los elementos de las matrices c, q, A, M y T son variables aleatorias independientes con funcin
de distribucin conocida; W y representa la compensacin para los errores que tienen lugar en el
problema bajo riesgo siendo la correspondiente funcin de prdida d'y;Nz representa la compensacin

425
por las inexactitudes encontradas cuando se toma una decisin sin tener un conocimiento previo de M
y q, la prdida correspondiente debida a la incertidumbre viene reflejada en la funcin objetivo por la
expresin

En este modelo se supone la normalidad de las variables aleatorias, la transformacin del problema
en otro determinstico, la demostracin que las variables que intervienen en el nuevo modelo son convexas
o cncavas y se debe resolver aplicando uno de los mtodos de Programacin No Lineal.

PROGRAMACION LINEAL ESTOCASTICA

Una alternativa a la solucin deterministica corresponde a la Optimizacin Estocstica con Recurso,

la cual consiste en la posibilidad de corregir las decisiones tomadas inicialmente, o sea antes que se
realice el suceso aleatorio.

Los problemas lineales estocsticos los podemos modelizar como la adicin de minimizar
(maximizar) el costo de las decisiones del primer perodo ms el costo esperado de las decisiones
corregidas de la segunda etapa:

Sujeta a:

Donde Q (x, w) = MIN d (w) y

Sujeta a:

En la funcin objetivo Z el primer trmino minimiza el costo de las decisiones (x), mientras que el
segundo trmino es el costo esperado de O (x, w) sobre todos los posibles escenarios que satisfacen
las restricciones

El costo corregido Q depende tanto de las variables del primer perodo (x) como de los eventos
aleatorios (w). El segundo problema lineal describe cmo elegir las variables y (w), la cual corresponde
a una decisin diferente para cada uno de los escenarios, que minimiza el costo d (w) y, sujeto a la
funcin recursiva: T (w) x + W (w) y (w) = h (w). Esta restriccin puede interpretarse como la accin
necesaria para corregir el sistema despus de ocurrir el suceso w.

Se debe destacar que en los programas estocsticos, las decisiones del primer perodo (x), son
independientes del escenario que pueda suceder en el segundo perodo; dado que el futuro es incierto,
las decisiones de hoy no pueden tomar en consideracin lo que ocurrir en el futuro (propiedad de no
anticipacin). Ejemplo:

426
 Sujeta a:

Donde bj y b2 son variables aleatorias con idntica distribucin igual a F (b). Utilizando la teora
anterior el problema se convierte en:

Las condiciones de optimizacin conducen a:

De las anteriores ecuaciones obtenemos:

Donde es la distribucin inversa de F; la decisin ptima es producir un poco ms de la

mediana de la demanda.

En la Optimizacin Estocstica tambin se presenta el problema del transporte, en los cuales las
variables aleatorias con distribucin de probabilidad conocida corresponden a las demandas y/o ofertas.

O p t i m i z a c i n Estocstica d e Doble Etapa y M u l t i e t a p a

Si se tiene el siguiente modelo:

427
 MAX Z = c X

Sujeta a:

Donde los vectores c, b y la matriz A tienen componentes aleatorias. La funcin objetivo se

convierte en variable aleatoria, entonces el valor esperado es:

En estas estructuras aleatorias se encuentra un problema complejo de solucionar: si alguna

componente aj de A o b, de B es una variable aleatoria, su restriccin se debe resignificar en el sentido
de que una solucin es factible, slo si satisface la restriccin para todos los valores posibles de las
variables aleatorias.

En este algoritmo se suponen las siguientes hiptesis:

El valor de cada variable aleatoria es independiente de los niveles de todas las variables de
decisin.
Los niveles de las variables de decisin deben fijarse antes que se conozcan los valores
exactos de las variables aleatorias. Esta suposicin corresponde a la primera etapa; la segunda
etapa es estocstica.
Las restricciones contienen nicamente las variables de la primera etapa (las variables de
decisin) y los valores asociados de aj y b se conocen con exactitud.
Siempre existen valores factibles para las llamadas variables de la segunda etapa; stos se
establecen despus de conocer los valores de las variables aleatorias.
Existe un nmero finito de posibles valores de la variable aleatoria y de los coeficientes
determinsticos.

Los problemas de planificacin dinmica deben proporcionar decisiones ptimas para momentos
discretos en el tiempo; stos se conocen genricamente como problemas lineales multietapa. Aparecen
en el estudio de procesos dependientes del tiempo, donde las actividades de un perodo estn conectadas
con las del perodo anterior, pero no con otros.

Ejemplo

Suponemos una matriz M dada por:

428
 Donde los elementos c, c 2 , a 31 y a 32 son variables aleatorias; suponemos que los valores de c 1 y
a 31 son (3, 3) y (4, 2) y que para c 2 y a 32 son (5, 2) y (4, 3). Entonces la matriz puede adoptar las
siguientes estructuras:

Adems conocemos la probabilidad p k que M se convieta en M k , k = 1, 2, 3, 4 y que sta es igual

a
P i = P2 = P3 = P4 = 0,25. Tambin suponemos que los valores adoptados por cj, c 2 , a 31 y a 32 se conocen
antes de obtener una decisin final en la variable X[ y X 2 respectivamente. Por lo tanto:

Sea el valor asignado a la variable X| cuando se observan las matrices , es decir,

cuando se conoce que las variables aleatorias c y a 3) adoptan los valores (3, 3) respectivamente; sea
el valor que se asigna a la variable X) cuando se observan las matrices , es decir, cuando
se conoce que las variables aleatorias cj y a 3I adoptan los valores (4, 2) respectivamente. De igual
forma el valor asignado a la variable X 2 cuando se observan las matrices , es decir,

429
cuando se conoce que las variables aleatorias c 2 y a 32 adoptan los valores (5, 2) respectivamente; sea
el valor que se asigna a la variable cuando se observan las matrices , es decir, cuando
se conoce que las variables aleatorias C! y a 31 adoptan los valores (4, 2) respectivamente. Entonces:

El programa lineal equivalente al estocstico consiste en encontrar los vectores X1, X 2 , X3 y X 4 :

Sujeta a:

Como las restricciones 5, 7, 10 y 11 son redundantes se pueden eliminar; entonces el modelo

anterior es equivalente a:

430
 Sujeta a:

La solucin, por medio del programa WINQSB corresponde a:

OPTIMIZACIN NO LINEAL ESTOCSTICA

El problema de Optimizacin No Lineal Estocstica se puede plantear as:

Sujeta a:

Xj, j = 1, 2, 3, ... , n Xj variable no restringida en signo

Donde b y dj son variables aleatorias con valor esperado conocido para toda i = 1,2, 3,... , m y
j = 1, 2, 3, ... , n; los dems parmetros son determinsticos. Uno de los modelos sugeridos para este
problema consiste en el mtodo de solucin de doble etapa. En la primera etapa se definen los valores

431
de todas las variables que se deben conocer antes de saber los valores de cualquiera de las variables
aleatorias. Para resolver este problema se aplican los siguientes pasos:
Se reemplazan en el modelo anterior los valores esperados de d y b, j = 1, 2, 3, ..., n; i = 1,
2,3, ... ,m.

Se sustituye en la funcin objetivo.

Se agrupan trminos en en la funcin objetivo resultante.

El problema no restringido se resuelve igualando a cero todas las derivadas parciales de la
funcin objetivo con respecto a cada una de las Xj, j = m + 1 , . . . , n y solucionando el sistema
de (n - m) ecuaciones lineales resultante.

Conocidas las que resuelven el sistema de ecuaciones del paso anterior, se obtienen del
reemplazamiento del segundo paso las X ptimas, i = 1, 2, 3,... , m .
El procedimiento se repite cuando se conoce el siguiente conjunto de variables aleatorias.

Existen algunos problemas de stos de naturaleza cuadrtica y no restringida.

OPTIMIZACIN ROBUSTA

Consiste en una nueva aproximacin a la solucin de problemas en ambiente de incertidumbre,

que combina las aproximaciones del anlisis de sensibilidad y la programacin por objetivos; para
plantear un modelo de optimizacin estocstico, se definen dos grupos de variables:

x e Mnl que representa el vector de las variables de decisin cuyos valores ptimos no estn
condicionados por la realizacin de la incertidumbre de los parmetros.

y e IR."2 que representa el vector de variables de control que estn sujetas al ajuste una vez se
ha observado la incertidumbre de los parmetros; su valor depende, tanto de la realizacin del
escenario como del valor ptimo de las variables de decisin. Estas ltimas son las que
determinan qu tipo de estructura de proceso se debe utilizar.

Para definir un problema de optimizacin robusta se debe introducir un conjunto de escenarios;

con cada escenario se asocia un conjunto de realizacin de los coeficientes de las diferentes variables
de control y tambin la probabilidad de este escenario.

El trmino robusto lo podemos aplicar con dos significados: relacionado con la optimalidad y
relacionado con la factibilidad. La solucin ptima es robusta con respecto a la optimalidad si se mantiene
cerrada en el ptimo, es decir, si vara muy poco de la solucin ptima, para la realizacin de cualquier
escenario. En el caso que se mantenga factible para cualquier realizacin, entonces el modelo es
robusto con relacin a la factibilidad.

432
 Se presenta pocas veces que una solucin del problema se mantenga, tanto ptima como factible
para todos los escenarios. Por lo anterior, es necesario medir la desviacin entre la robustez de la
solucin y el modelo. Para realizar esta medicin se introduce el conjunto de variables de control para
cada escenario y el conjunto de vectores de errores que mide la infactibilidad de las restricciones de
control bajo cada escenario. El primer trmino de la funcin objetivo se llama funcin agregada; para
definirla se deben considerar mltiples escenarios. La funcin objetivo es una variable aleatoria; se
puede hacer que la funcin agregada tome el valor medio, lo cual representara la funcin usada en la
formulacin de los problemas lineales estocsticos o tomar el valor mximo, el cual corresponde al
mtodo del peor caso. Tambin se pueden introducir momentos de orden superior de la distribucin;
esta posibilidad es una de las diferencias con la programacin estocstica.

El segundo trmino de la funcin objetivo es una funcin de penalizacin de factibilidad; se usa

para penalizar las violaciones de las restricciones de control bajo los diferentes escenarios. La
ponderacin se usa para obtener el espectro de las respuestas de la desviacin de la solucin para la
robustez del modelo.

Lo que diferencia la optimizacin robusta de otros procedimientos con datos inexactos es la

introduccin de la funcin de penalizacin; el modelo reconoce que no es posible encontrar soluciones
factibles bajo todos los escenarios y genera decisiones que, analizadas por el tomador de decisiones,
pueden presentar el menor nmero de infactibilidades.

Algunas funciones de penalizacin son aplicables a problemas con restricciones de igualdad, en

donde las desviaciones de las restricciones, tanto positivas como negativas, son no deseables. Otras
funciones de penalizacin son aplicables a las restricciones de control de desigualdad, cuando slo
tienen inters las violaciones de las restricciones en sentido positivo. Se concluye que el modelo propuesto
anteriormente toma la forma de objetivo multicriterio.

REDES ESTOCSTICAS

Una red estocstica corresponde a un conjunto de nodos y arcos que corresponden a operaciones
lgicas y distribuciones de probabilidad asociadas a la realizacin de ciertos eventos aleatorios, estas
redes se conocen con el nombre de GERT (Evaluacin y Revisin Tcnica de Grficas). Por medio de
esta tcnica se analizan sistemas bastante complejos.

Las redes estocsticas se estructuran de tres maneras: en serie, en paralelo y en circuito. Los
elementos probabilsticas de GERT son de naturaleza multiplicativa y las variables de tiempo son aditivas;
se requiere de una transformacin para hacer congruente la naturaleza de ambos parmetros; la
transformacin sugerida para GERT corresponde a las funciones generadoras de momentos, que
convierten la caracterstica aditiva del parmetro tiempo en multiplicativa, hacindola congruente con
la del parmetro probabilstico.

Uno de los mtodos para solucionar analticamente una red estocstica genera los siguientes
pasos

433
 Se transforma la descripcin cualitativa del sistema bajo estudio en una red estocstica tipo
GERT.

Se consigue para la red toda la informacin asociada al tiempo necesario para realizar cada
actividad, as como la probabilidad de la realizacin.

Se emplean las funciones generadoras de momentos para compactar la red a su mnima

expresin posible.

Se realizan inferencias estadsticas (clculo de valores esperados, desviaciones estndar, entre

otros) de las diferentes porciones de la red, utilizando las derivadas de orden correspondiente
de las funciones generadoras de momentos.

Esta solucin analtica se ha aplicado a la solucin de diversos problemas, sin dificultades mayores.
Pero es de advertir que para sistemas complejos pueden resultar bastantes tropiezos, se ha generado
en FORTRAN un lenguaje de simulacin llamado GERTS III para analizar y solucionar este tipo de
redes. Algunas de las aplicaciones de GERT se presentan en problemas de sistemas de inventarios y
lneas de produccin.

Redes Bajo I n c e r t i d u m b r e

Resuelven problemas ms complejos que la programacin lineal bajo incertidumbre, debido a su

estructura de red.

En estas redes el flujo de salida de un nodo es una variable aleatoria con distribucin de probabilidad
conocida; la estructura bsica de las redes bajo incertidumbre considera dos tipos de nodos: de replicacin
y de recoleccin. Un nodo de replicacin tiene una entrada sencilla y varias salidas; se le asocia la
propiedad que el flujo en cada una de las salidas debe ser igual a la entrada. El nodo recolector
funciona de manera opuesta al anterior.

La esencia de este mtodo consiste en estructurar un problema aleatorio por medio de nodos de
replicacin y de recoleccin y construir una red con un solo origen y un solo destino; a esta red se le
aplica un algoritmo similar al del flujo mximo a costo mnimo, pero con ciertos ajustes.

EJERCICIOS RESUELTOS

I Encontrar el modelo determinstico equivalente a:

M I N W = ( 2 + 3 t ) X] + ( 1 + 2 t ) X 2 + ( 4 + t)X3

Sujeta a:

434
Donde t es una variable aleatoria con funcin de densidad:

y supuesto que se ha fijado un nivel de riesgo k.

La funcin objetivo en este caso es:

Para nuestro caso esta probabilidad es:

Este problema se transforma en:

Sujeta a:

Resolver el siguiente modelo mediante el mtodo de las dos fases:

M I N W = XI + X2 + X 3

Sujeta a:

435
 Donde V es una variable aleatoria con funcin de densidad:

suponiendo que los costos de penalizacin son gi = 4 y h] = 6.

Se introducen las variables auxiliares:

Este problema se puede escribir:

Sujeta a:

Fijando X i , X 2 y X 3 lo transformamos en el siguiente:

Sujeta a:

Para abreviar la notacin hagamos:

I = 2 X, + X 2 + 3 X 3

Entonces el mnimo es:

436