GEO Tutoriales, Autor en Gestión de Operaciones

Qué significa un Precio Sombra igual a Cero en Programación Lineal

Según hemos abordado en artículos anteriores el Precio Sombra de una restricción representa la tasa de cambio del valor óptimo ante una modificación marginal del lado derecho de una restricción. Se entiende por «marginal» aquella modificación que no cambia la geometría del problema, es decir, que la nueva solución óptima se puede encontrar a través de la resolución del sistema de ecuaciones al que da origen las restricciones activas originales (previa actualización del parámetro que estamos modificando). En este contexto el precio sombra puede ser un valor positivo, negativo o cero y en particular nos referiremos a este último caso en este artículo.

Consideremos el siguiente modelo de Programación Lineal en 2 variables:

El problema anterior lo podemos resolver gráficamente utilizando Geogebra, que da origen a un problema con infinitas soluciones óptimas en el tramo de recta que une los vértices B y C y que se puede denotar de forma general por: (X,Y)=λ(0,60)+(1-λ)(10,45) con λ en el intervalo entre [0,1]. El valor óptimo en consecuencia es V(P)=1.200.

¿Cuáles son las restricciones activas en el óptimo?. Por ejemplo si consideramos el vértice B (solución óptima) las restricciones activas son 3X+2Y<=120 y X>=0, sin embargo si seleccionamos el vértice C (también solución óptima) las restricciones activas son 5X+2Y<=140 y 3X+2Y<=120. Dado lo anterior ¿aumentará el valor óptimo si se dispone de unidades adicionales del recurso que representa el lado derecho de la restricción 5X+2Y<=140?.

Para ello buscaremos mantener activas las restricciones del vértice C identificando la máxima variación (aumentando el valor del lado derecho) que conserve las restricciones activas originales (esto genera un desplazamiento paralelo de la restricciones que hemos representado con la línea color punteada color rojo) lo cual se alcanza en la coordenada (X,Y)=(40,0). De forma análoga para determinar la mínima variación para el lado derecho desplazamos en un sentido de decrecimiento la restricción buscando conservar las restricciones activas originales hasta la coordenada (X,Y)=(0,60) (línea punteada color naranjo).

Evaluamos en la fórmula para el cálculo del precio sombra obteniendo lo siguiente:

Por tanto el precio sombra de la restricción 1 (5X+2Y<=140) es cero lo cual indica que si aumenta o disminuye el valor del parámetro que representa su lado derecho (actualmente b1=140) en el intervalo entre [120,200] no se verá afectado el valor óptimo del problema. Lo anterior es consistente con lo obtenido a través del informe de confidencialidad de restricciones de Solver de Excel:

En general un precio sombra igual a cero significa que la modificación del parámetro que representa el lado derecho de la respectiva restricción (en un intervalo que conserva la geometría del problema) no tiene un impacto en el valor óptimo del problema. Sin embargo, existen casos especiales como los problemas de Programación Lineal que admiten infinitas soluciones (como el descrito en este artículo) donde una restricción con precio sombra igual a cero puede ser activa en uno de los vértices óptimo (el caso más usual es que una restricción con precio sombra igual a cero no sea activa en el óptimo).

Análisis Cuantitativo de un Proceso Productivo y su relación con la Ley de Little

Existe una estrecha relación teórica y práctica entre el análisis cuantitativo de un Proceso Productivo (donde se calculan frecuentemente indicadores de gestión como capacidad, tiempo de ciclo, tiempo de flujo, utilización, entre otros) y las Líneas de Espera.

Lo anterior generalmente suele ser materia de estudios de cursos de Gestión de Operaciones e Investigación Operativa. En el siguiente artículo ilustraremos dicha relación a través de un ejemplo sencillo que fue compartido por uno de nuestros lectores.

En el taller ABC se dedican a la reparar carrocerías de autos, en particular desabollan y pintan. En la entrada del taller atienden las recepcionistas Mónica y Silvana quienes reciben a los clientes y revisan si viene con los papeles apropiados (documentos del auto, ven si el trabajo se puede hacer en el taller, presupuesto valido, etc). Si todo se encuentra en orden se genera una ficha para el automóvil y es ingresado al taller. Si no Mónica o Silvana, según corresponda, le informan al dueño del vehículo qué debe hacer, ya sea ir a otro taller o volver otro día.

En la entrada del taller esperando para ser atendidos hay, en promedio, 1 automóvil esperando además de los que están revisando Mónica y Silvana.

(a) Si los autos llegan al taller a una tasa promedio de 2 autos por hora, ¿cuánto tiempo en promedio espera un cliente para saber si su auto será ingresado al taller o no?

Para responder lo anterior aplicamos la ecuación de la Ley de Little donde nos interesa calcular el tiempo que en promedio permanece un cliente en el sistema (Ws), dado que recién luego de la entrevista con una recepcionista el cliente sabrá si su auto se ingresará al taller o no.

Continuando con el análisis consideraremos la siguiente información adicional: En el interior del taller el trabajo en los automóviles se divide en 4 etapas:

Desabolladura, en esta etapa hay un sólo trabajador (A).
Pintado, en esta etapa de pintado hay 4 trabajadores (B1, B2, B3, B4).
Secado, no necesita trabajadores, puede asumir que hay tantos espacio como autos se necesiten secar (D).
Entrega, en esta etapa hay un sólo trabajador (E).

En la siguiente figura puede ver como se organiza el taller y el tiempo promedio que toma cada tarea:

(b) Encuentre el cuello de botella del proceso, la capacidad de cada estación y la capacidad total.

La capacidad de cada estación de trabajo se detalla a continuación. Notar que los trabajadores de la etapa de pintado trabajan en paralelo, por tanto se suman sus respectivas capacidades. Adicionalmente como la etapa D (secado) no tiene restricciones en cuanto al número de vehículos que simultáneamente pueden pasar por dicha actividad, se considera en consecuencia que su capacidad es infinita.

El cuello de botella son los trabajadores de las actividades de Pintado, siendo la capacidad del taller de 19/12[autos/hora].

(c) Suponga que, de los 2 autos por hora que en promedio llegan al taller, entran a desabollarse efectivamente el 70%. ¿Cuál es la utilización de las etapas A y E?

La tasa de entrada (λ) efectiva de autos al taller es λ=0,7*2[autos/hora]=1,4[autos/hora] y representa la demanda del sistema. Por tanto la utilización de los trabajadores de las etapas A y E son:

Claramente la tasa de llegada tiene un impacto directo en la utilización de los trabajadores, más aun en un contexto de una empresa de servicios como el descrito en el ejemplo que hemos propuesto en este artículo, donde el taller responde a la demanda de los clientes y por supuesto no puede anticiparse a la demanda (como el enfoque de los procesos productivos de fabricación contra stock conocidos comúnmente como «make to stock»).

Intervalo de Confianza para un Pronóstico de Demanda

En el siguiente artículo abordaremos cómo calcular un Intervalo de Confianza para un Pronóstico de Demanda, lo cual permite incorporar de forma explícita el impacto que tiene la incertidumbre en la planificación de las actividades comerciales y operacionales de una empresa.

Para ello utilizaremos el Método de Alisado Exponencial o Suavizamiento Exponencial el cual hemos descrito previamente en nuestro sitio. (Ver también: Suavizamiento Exponencial Doble Ejercicios Resueltos).

Consideremos una serie histórica con la demanda de un producto para un periodo de 12 semanas. Se requiere desarrollar un intervalo de confianza del 95% para el Pronóstico de Demanda de la semana 13 utilizando el Método de Suavizamiento Exponencial Simple con α=0,3.

Para ello adoptaremos el supuesto que los errores del pronóstico se distribuyen normalmente lo cual es algo que por supuesto se puede verificar con una dedicación mayor de trabajo y para lo cual se puede utilizar un software de análisis estadístico como Easyfit.

En este contexto la tabla a continuación se muestra el pronóstico comenzando a contar de la semana 4 (esta es una decisión arbitraria dado que podría haber comenzado antes).

Notar que el primer pronóstico corresponde simplemente a la Media Móvil Simple de las primeras 3 semanas.

Luego el pronóstico de la semana 5 se obtiene de la aplicación de la siguiente fórmula: F5=F4+α(A4-F4) que al reemplazar se obtiene F5=1.775+0,3*(1.860-1.775)=1.800,5~1.801 (hemos aproximado éste y los otros pronósticos al entero más cercano según se puede apreciar en la fórmula de Excel utilizada):

Ahora necesitamos calcular la desviación estándar del error del pronóstico la cual se obtiene simplemente evaluando en los datos de la tabla anterior según se muestra a continuación:

Finalmente el intervalo de confianza de un 95% para el pronóstico de la semana 13 se obtiene: (notar que F13=1.766+0,3*(1.780-1.766)=1.770,2~1.770)

El resultado anterior es consistente con el proporcionado por la herramienta de Cálculos de Probabilidad de Geogebra donde para una distribución de probabilidad normal (recordar el supuesto de normalidad del error adoptado anteriormente) con media μ=1.770 (F13) y desviación estándar SF=71, el área achurada en color azul representa los valores contenidos en el intervalo de confianza de un 95% (% del área bajo la curva achurada).

Cómo utilizar una Regresión Lineal para realizar un Pronóstico de Demanda

El Método de Mínimos Cuadrados o Regresión Lineal se utiliza tanto para pronósticos de series de tiempo como para pronósticos de relaciones causales. En particular cuando la variable dependiente cambia como resultado del tiempo se trata de un análisis de serie temporal.

En el siguiente artículo desarrollaremos un Pronóstico de Demanda haciendo uso de la información histórica de venta de un producto determinado durante los últimos 12 trimestres (3 años) cuyos datos se observan en la siguiente tabla resumen:

La ecuación de mínimos cuadrados para la regresión lineal es la que se muestra a continuación donde β0 y β1 son los parámetros de intercepto y pendiente, respectivamente:

Estimar los valores de dichos parámetros es sencillo haciendo uso de una planilla Excel tal como muestra la tabla a continuación:

Luego evaluamos en las ecuaciones presentadas anteriormente para obtener los valores de β0 y β1:

Una vez obtenido los parámetros de la regresión lineal se puede desarrollar un pronóstico de demanda (columna color naranja) evaluando en la ecuación de la regresión para los distintos valores de la variable independiente (x).

Por ejemplo, para el primer trimestre el pronóstico es: Y(1)=441,71+359,61*1=801,3.

Observación: los valores de los pronósticos han sido redondeados arbitrariamente a un decimal para mayor comodidad.

Notar que con la información que hemos obtenido podemos calcular el MAD y la Señal de Rastreo y utilizar estos indicadores para validar la conveniencia de utilizar este procedimiento como dispositivo de pronóstico.

Adicionalmente puede resultar de interés consultar el artículo Ejemplo de una Regresión Lineal Múltiple para un Pronóstico con Excel y Minitab que muestra cómo abordar el caso de realizar una regresión lineal con más de una variable independiente (explicativa).

Siguiendo con nuestro análisis a continuación podemos desarrollar un pronóstico de demanda para los próximos 4 trimestres (un año) que corresponden a los trimestres 13, 14, 15 y 16:

Y(13)=441,71+359,61*13=5.116,64
Y(14)=441,71+359,61*14=5.476,25
Y(15)=441,71+359,61*15=5.835,86
Y(16)=441,71+359,61*16=6.195,47

Si bien el procedimiento anterior es válido puede ser resumido haciendo uso de las herramientas de análisis de datos de Excel o simplemente realizando un ajuste de una regresión lineal en un gráfico de dispersión de la misma forma que abordamos en el articulo sobre el Método de Descomposición. Para ello luego de realizar el gráfico nos posicionamos en una de las observaciones y luego botón derecho del mouse para seleccionar «Agregar línea de tendencia…».

Luego en la interfaz de Excel activamos las opciones «Presentar ecuación en el gráfico» y «Presentar el valor R cuadrado en el gráfico» (este último indicador según se aborda en los cursos de estadística consiste en una medida de la bondad de ajuste de la regresión).

Notar que los valores obtenidos para los parámetros de la regresión son similares salvo menores diferencias por efecto de aproximación.

Otra opción disponible para ajustar una Regresión Lineal haciendo uso de Excel es a través del Complemento llamado Herramientas para análisis.

Su activación es simple: en el menú Archivo (esquina superior izquierda en Excel) ir a Opciones, luego Complementos, a continuación a la derecha de donde dice Complementos de Excel presionar Ir… y luego activar la Herramientas para análisis.

Una vez activada las Herramientas para análisis, se puede encontrar ésta abajo del complemento Solver en el menú de Datos.

Luego de las opciones disponibles que nos ofrece este complemento seleccionamos Regresión.

A continuación seleccionamos el Rango Y de entrada las celdas correspondientes a la variable dependiente (Ventas) y en Rango X de entrada las celdas correspondientes a la variable independiente (Trimestre).

Debemos activar adicionalmente la casilla Residuos si deseamos obtener un pronóstico para las ventas del Trimestre 1 al Trimestre 12 (junto al cálculo del error o residuo de la estimación).

Finalmente presionamos Aceptar lo que generará una nueva hoja en nuestra planilla de cálculo.

Un extracto de los resultados es el que se presenta a continuación, donde en color celeste se destaca los coeficientes asociados a los parámetros de la regresión lineal β0 y β1, respectivamente, y en color naranjo el pronóstico obtenido para cada uno de los doce trimestres al utilizar la ecuación de la regresión.

Por ejemplo: Y(1)=441,67+359,61*1=801,28. El residuo o error correspondiente para dicho período (Trimestre 1) es: $e_{1}=A_{t}-F_{t}=600-801,28=-201,28$ .

¿Quieres tener el archivo Excel con el ajuste de la Regresión Lineal de este problema?.

[sociallocker]MUCHAS GRACIAS!. DESCARGA AQUÍ EL ARCHIVO[/sociallocker]

Cómo calcular el Instock y Fill Rate asociado a un Inventario

En la Gestión de Inventarios resulta como regla general tomar decisiones en un contexto de incertidumbre en el cual no se conoce por anticipado el valor o realización de la variable aleatoria que representa la demanda de un producto.

En este aspecto es importante detenerse un momento dado que según nuestra experiencia docente suele ser una fuente de confusión de los alumnos. Se puede asumir que en base a información histórica se puede construir una demanda empírica que represente razonablemente el comportamiento de la demanda de un producto o incluso buscar su representación a través de una función de probabilidad conocida o demanda teórica (por ejemplo distribución normal, distribución uniforme, distribución gamma y otras utilizadas frecuentemente para fines académicos) para la cual se deberá estimar los mejores valores de los parámetros respectivos (por ejemplo en el caso de seleccionar una distribución normal se deberá estimar los valores de la media µ y la desviación estándar σ).

Para este propósito se puede hacer uso de software estadístico como Easyfit. No obstante, independiente si trabajamos con una distribución empírica o distribución teórica que modele el comportamiento de la demanda, conocer con anticipación el valor que tomará ésta no es posible dado que esto corresponde a la realización de una variable aleatoria.

En el contexto anterior resulta necesario disponer de indicadores de gestión que permitan evaluar el desempeño de una política de mantenimiento de inventario que ayude a los tomadores de decisiones a tomar acciones correctivas de ser necesario.

Para ello presentaremos 2 indicadores frecuentemente utilizados en la actualidad, en particular en la industria de la venta al detalle o comercio minorista, conocida comúnmente como Retail.

Instock: Considerando una demanda aleatoria, y dado una cantidad de inventario Q decimos que su probabilidad de Instock es P[D<=Q].

Fill Rate: Es un indicador de servicio que representa el porcentaje de la demanda que se logra satisfacer. En fórmula:

Ejemplo Instock y Fill Rate

La panadería Bredi es conocida por producir el mejor pan fresco de la ciudad, por eso tiene ventas sustancialmente altas. Los siguientes datos fueron recolectados durante el último año y para cada valor de k en la segunda columna se indican que porcentaje de días del año pasado la demanda fue exactamente k (baguettes):

En base a la demanda esperada, el gerente de la panadería Bredi decide hornear 475 baguettes cada mañana (Q=475). ¿Cuál es el Instock y Fill Rate asociado a este tamaño de lote de producción?. (Es importante verificar que la suma de las probabilidades (días en que la demanda fue exactamente k unidades de producto) es un 100%).

Instock: P[D<=475]=25%+15%+10%+10%=60%, es decir, la probabilidad de que en un día cualquiera se puede satisfacer la demanda de forma íntegra es un 60%. Por ejemplo, si la demanda de un día es de 500 baguettes dado un tamaño de producción de 475 unidades se incurre en un quiebre de stock.

Fill Rate: Las ventas esperadas depende del tamaño de lote de producción (Q). Por ejemplo, si la realización de la variable aleatoria (demanda) resulta ser igual o superior a 475 baguettes, se venderán sólo lo que se produce (Q=475) y el remanente se considera como venta perdida.

En cuanto a la demanda esperada, ésta es independiente de Q por tanto corresponde simplemente a ponderar los distintos valores de k por la probabilidad de ocurrencia del escenario respectivo. En consecuencia en el ejemplo:

Lo anterior permite corroborar un resultado que se puede generalizar: Instock <= Fill Rate

Conclusiones: Naturalmente al aumentar el tamaño de Q se incrementa tanto el Instock como el Fill Rate, no obstante, esta decisión no necesariamente es la recomendable dado que aumenta la probabilidad de quedar con stock al final del día (el cual en el ejemplo podría no tener uso alternativo en caso que se decida botar el pan que sobre o podría venderse como pan frío al día siguiente obteniendo usualmente una fracción del costo de fabricación).

Este tipo de escenarios es al que usualmente los tomadores de decisiones se ven enfrentado en problemas de ciclo de vida corto (Modelo Newsvendor) ante lo cual se necesita disponer de estimaciones adicionales.