Problema de Planificación Financiera en Programación Lineal resuelto con Solver

El siguiente artículo trata de un problema de planificación financiera el cual se aborda a través de la Programación Lineal y se resuelve computacionalmente haciendo uso del complemento Solver de Excel. En este contexto se presenta un problema de inversión en distintos instrumentos financieros en los cuales se planifica invertir al inicio de cada uno de los próximos 10 años (horizonte de planificación), considerando los siguientes montos disponibles al comienzo de cada año (independiente de los retornos obtenidos producto de las mismas inversiones en años anteriores).

presupuestos-problema-de-in
Los instrumentos disponibles son:

  • Depósito a plazo (anuales) con un retorno de 4,5% anual.
  • Bono a 6 años plazo con retorno de 4,9% anual.
  • Bono a 9 años plazo con retorno de 5,2% anual.

Se busca formular un modelo de optimización que posea los mayores retornos al término del décimo año (o inicio del año 11). Para ello se propone el siguiente problema de Programación Lineal:

Problema de Planificación Financiera

Variables de Decisión: Se establecen las posibilidades de inversión en los distintos instrumentos financieros. Notar que dado el período de maduración de los mismos se define la factibilidad de invertir en ellos en cada uno de los años. Por ejemplo, como el depósito anual tiene una maduración de un año se puede invertir en él en cada uno de los años del período de planificación. No así, por ejemplo, con el Bono a 9 años plazo el cual se puede invertir sólo al inicio del año 1 y 2.

variables-problema-de-inver

Función Objetivo: Se desea maximizar el dinero obtenido al finalizar el período de planificación correspondiente al término del año 10 (o inicio del año 11).

funcion-objetivo-planificac

Restricciones: Para cada año se limita las posibilidades de inversión según los instrumentos disponibles, el presupuesto del período y el retorno de los instrumentos que ya maduraron. Por ejemplo, en el año 1 se puede invertir en cada una de las 3 alternativas respetando el presupuesto de MM$20. En el año 2 nuevamente se puede invertir en las 3 alternativas y el presupuesto disponible corresponderá a los MM$20 de dicho período (según se detalla en la tabla al inicio) y eventualmente se podrá hacer uso del retorno de la inversión del depósito anual realizado en el año 1. Si, por ejemplo, se invierte los MM$20 en el depósito anual a inicio del año 1, entonces el presupuesto disponible para el año 2 será: 20+1,045(20)=MM$40,9.

restricciones-planificacion

A continuación se presenta un extracto de los resultados que provee la implementación computacional del modelo anterior haciendo uso de Solver. Las celdas color amarillo corresponde a la solución óptima, alcanzando un valor óptimo de MM$402,64.

solucion-optima-planificaci

Es interesante analizar la estructura de la solución óptima alcanzada. En el año 1 y 2 se invierte la totalidad del presupuesto en el Bono a 9 años plazo; en los años 3, 4 y 5 se invierte de forma exclusiva en los bonos a 6 años plazo; finalmente del año 5 al año 10 se invierte en el depósito anual.

¿Quieres tener el archivo Excel con la resolución en Solver de este problema?. Recomiéndanos en Facebook, Google o Twitter utilizando la herramienta de redes sociales a continuación y accede de forma gratuita e inmediata a la descarga del archivo (el enlace de descarga con el nombre “Descarga el Archivo” se mostrará abajo una vez que nos hayas recomendado).

[l2g name=»Descarga el Archivo» id=»4694″]

Relación entre la Desviación Absoluta Media (MAD) y la Desviación Estándar del Error (σ)

El concepto de error en una proyección de demanda tiene que ver con la diferencia entre el valor real (observado) y el valor pronosticado. Esto da origen a errores de sobre estimación o sub estimación de la demanda real cuando dichos errores son negativos o positivos, respectivamente. En este contexto cuando los errores que ocurren en el pronóstico de demanda tienen una distribución normal (el caso más común) la Desviación Absoluta Media (MAD) se relaciona con la Desviación Estándar del Error (σ) de la siguiente forma:

relacion-mad-y-desviacion-e

Para ilustrar sobre esta relación consideremos el ejemplo utilizado en el artículo donde calculamos el Error Porcentual Absoluto Medio (MAPE) cuyos pronósticos Ft se obtienen al ajustar una Regresión Lineal a los datos reales de la demanda.

tabla-mape-mad-y-ts

Notar que el MAD calculado a Diciembre es de 36,1[u]. Luego para corroborar el cumplimiento de la relación aproximada entre el MAD y σ se requiere verificar si los errores del pronóstico se distribuyen normal. Para esta evaluación utilizaremos el software Easyfit y su herramienta de ajuste de distribuciones. Es importante en este punto destacar que es deseable contar con más datos para realizar el ajuste, no obstante, nos interesa mostrar el procedimiento.

ajustar-distribucion-normal

El programa nos entrega el siguiente histograma donde la curva de color rojo representa el comportamiento de una distribución normal (teórica). Adicionalmente en las estadísticas descriptivas se puede obtener que el error medio (considerando la naturaleza del signo del error) es -0,0833 (aproximado) lo cual constituye un elemento a favor de la relación que deseamos verificar.

ajuste-distribucion-normal-

Si volvemos a los resultados que da origen la planilla Excel podemos calcular la Desviación Estándar del Error σ (celda color naranjo) que es 45,50[u] a través de la fórmula =DESVEST(J3:J14).

calculo-desviacion-estandar

Con estos resultados corroboramos si efectivamente 1 MAD es equivalente (aproximadamente) a 0,8 desviaciones estándar del error. La conclusión es que para los datos de este ejemplo dicha relación es efectiva (por cierto aproximada) por lo cual luego de verificar que los errores del pronóstico se distribuyen normal (razonablemente) bastaría con calcular el MAD para poder generar una estimación razonable de la desviación estándar del error (o viceversa).

mad-y-sigma

Análisis Marginal en la Gestión de Inventarios de Productos Perecibles

En general la Gestión de Inventarios de productos perecibles enfrenta desafíos mayores en comparación a la determinación de tamaños de lotes de aquellos productos de ciclo de vida largo donde los productos se desvalorizan de forma más lenta y adicionalmente existe más de una oportunidad de venta. En este contexto el análisis marginal es una alternativa metodológica para enfrentar los problemas de determinación de tamaño de lote de producción o compra, bajo un contexto de incertidumbre (demanda incierta) donde existe una oportunidad única de orden o producción.

Si un producto es perecible (notar que bajo esta clasificación no sólo debemos considerar productos alimenticios) y la demanda excede la cantidad ordenada, entonces se pierde venta (lo que genera costos de quiebres de stock, los cuales son complejos de estimar según lo analizado en la clasificación de los costos de inventario). Por el contrario, si la demanda es menor que la cantidad ordenada entonces sobra inventario el cual puede o no tener un uso alternativo, no obstante por lo general el valor monetario que se logra rescatar de su uso alternativo no logra cubrir la totalidad del costo de compra o fabricación.

El análisis marginal enfrentar el problema de determinación de tamaño de lote de compra o producción de aquellos productos perecibles. Se enfoca en analizar lo que ocurre con el artículo a vender que tiene peor margen, y asegurar que este margen sea positivo. Si se venden “k” items, nos preocupa analizar el margen esperado (en probabilidad) del k-ésimo artículo en venderse. Si D representa la demanda (variable aleatoria) de un producto perecible, ¿cuál es la probabilidad de vender la k-ésima unidad del inventario?:

prob-demanda-mayor-o-igual-

La probabilidad de que la demanda total sea por lo menos k unidades!. Luego, la probabilidad de NO vender la k-ésima unidad es:

prob-demanda-menor-a-k

El margen esperado de la k-ésima unidad queda descrito por:

margen-k-esimo

Notar que la ganancia esperada es decreciente en la medida que aumenta el tamaño de pedido.

perdida-y-ganancia-esperada

En consecuencia, queremos encontrar el mayor valor de k tal que esta cantidad sea no negativa. Esto equivale a encontrar el mayor k tal que:

razon-critica-analisis-marg

Ejemplo Análisis Marginal en la Gestión de Inventarios

Un retailer especialista en artículos de moda debe decidir cuántas cajas de vestidos de la línea “Sass” pedir para la próxima temporada. Esta línea de vestidos es sumamente exclusiva y elaborada manualmente en Italia. Ya que se trata de un producto nuevo y altamente costoso, el Product Manager encargado de la compra pide ayuda a cinco expertos de la empresa. Juntos ellos pronostican que la demanda seguirá una distribución normal con media 10 cajas y desviación estándar igual a 2 cajas.

La ganancia por cada vestido vendido es de 24% del costo. Si no se vende un vestido, este debe ser liquidado, en cuál caso sólo se recupera el 64% del costo. Utilice el pronóstico de los expertos para modelar la demanda con una distribución normal, y determine la cantidad de cajas que debiera pedir el retailer a fin de maximizar sus ganancias. Indique el nivel de servicio instock que se ofrecerá a los clientes producto de esta estrategia. En su análisis suponga que es posible comprar (y vender) fracciones de cajas.

instock-analisis-marginal

El nivel de servicio instock es de un 40%. El tamaño óptimo de pedido (aproximado luego de ajustar el valor de Z(40%)) según el análisis marginal es:

solucion-analisis-marginal

Notar que el tamaño óptimo de pedido calculado anteriormente se puede corroborar haciendo uso del software Geogebra, donde luego de seleccionar la función de probabilidad teórica que representa el comportamiento de la demanda, se ingresan sus parámetros y el nivel de servicio (instock) objetivo.

z-alfa-0,4-geogebra

Otra alternativa es obtener Z(40%) haciendo uso de Excel. Para ello utilizamos la fórmula =DISTR.NORM.ESTAND.INV(0,4) según se muestra en la siguiente imagen:

z-alfa-excel-normal

Cómo construir una Curva Característica de Operación (CO) con Excel

La Curva Característica de Operación (o Curva Característica Operativa) consiste en una representación gráfica que muestra para un plan de muestreo específico (n,c) la probabilidad de aceptación del lote, para varios valores de calidad del lote a la entrada p (% de unidades defectuosas). Una Curva Característica de Operación tendrá entre sus puntos uno definido por el NCA y 1-α y otro punto definido por PTDL y β.

Para determinar la probabilidad de aceptación de un lote, se pueden utilizar las distribuciones Binomial o Poisson. Cuando el tamaño de la muestra es al menos 15 unidades (n>15), el tamaño del lote es al menos 10 veces el tamaño de la muestra (N>10*n) y el porcentaje de unidades defectuosas históricamente es menor a un 10% (p<10%), es preferible la Distribución de Poisson debido a la facilidad de los cálculos.

Consideremos el siguiente ejemplo: Un fabricante de pistones para motocicletas comenzará a vender diariamente 1.200 unidades para un nuevo cliente. Este último determina condiciones contractuales para la inspección del lote diario, especificando que tomará muestras de 100 unidades (n=100) y que sólo aceptará los pedidos con 4 o menos defectos (c=4). El fabricante menciona en el contrato, que históricamente ha obtenido un porcentaje defectivo del 2% (p=2%). Determinar la probabilidad de aceptación del lote por parte del cliente.

Para determinar la probabilidad de aceptación del lote podemos utilizar la siguiente fórmula haciendo uso de una planilla de cálculo Excel: =POISSON(4;100*2%;VERDADERO). En consecuencia la probabilidad de aceptación del lote por parte del cliente es de un 94,73% (aproximado).

poisson-probabilidad-acepta

Una alternativa a Excel para estos efectos es hacer uso de la herramienta de cálculo de probabilidades del software Geogebra donde se debe ingresar los parámetros de la distribución µ (equivalente a n*p=100*2%=2) y el valor correspondiente al número de aceptación c (en la imagen c=4).

poisson-geogebra

De esta forma se puede extender el procedimiento calculando la probabilidad de aceptación del lote Pa para distintos valores de calidades a la entrada p. Un extracto de ello se presenta en la siguiente tabla:

extracto-tabla-calculo-prob

A continuación se construye un gráfico con la Curva Característica de Operación. Se ha destacado con una etiqueta color amarillo el dato que hemos calculado previamente.

curva-caracteristica-operat

En un próximo artículo discutiremos el impacto que tiene en el plan de muestreo y en particular en la Curva Característica de Operación un cambio en el tamaño de la muestra o un cambio en el número de aceptación.

Error Porcentual Absoluto Medio (MAPE) en un Pronóstico de Demanda

El Error Porcentual Absoluto Medio (MAPE o Mean Absolute Percentage Error) es un indicador del desempeño del Pronóstico de Demanda que mide el tamaño del error (absoluto) en términos porcentuales. El hecho que se estime una magnitud del error porcentual lo hace un indicador frecuentemente utilizado por los encargados de elaborar pronósticos debido a su fácil interpretación. Incluso es útil cuando no se conoce el volumen de demanda del producto dado que es una medida relativa. Por ejemplo, afirmar que el «error porcentual promedio es de un 4%» es más fácil de comprender que cuando se dice «el error absoluto medio por período es de 1.000 unidades» (que sería la información que podríamos obtener del MAD y que en abstracto no provee información si esta magnitud de error es aceptable o no).

La fórmula para el cálculo del MAPEError Porcentual Absoluto Medio es:

formula-mape

La siguiente imagen representa una serie de tiempo de 12 meses donde At representa la demanda real de un producto cualquiera y Ft el pronóstico utilizando una Regresión Lineal. La ecuación de la regresión ajustada es y=5,6993*x+217,12 donde la variable y representa la demanda y la variable x el período (mes).

regresion-lineal-mape

El detalle de los resultados se presenta a continuación donde en la columna D se muestran los datos reales y en la columna E los pronósticos. Por ejemplo para el mes de Enero (mes 1) el pronóstico se obtiene como F1=5,6993*1+217,12=223 (aproximado arbitrariamente al entero más cercano).

excel-calculo-mape

Luego obtenemos el error porcentual absoluto para cada mes del período de evaluación (celdas amarillas de la tabla anterior). Notar que en el ejemplo dicho cálculo correspondería para el mes de Enero en la fórmula F3/D3 donde el numerador (F3) es el error absoluto del período y el denominador (D3) la demanda real del mes. Finalmente se repite el procedimiento para cada uno de los meses lo cual se facilita al hacer uso de una planilla Excel.

calculo-mape

En conclusión el Error Porcentual Absoluto Medio es de un 14,56%. De forma complementaria se puede calcular el MAD y la Señal de Rastreo (TS) de modo de tener un mayor número de indicadores para interpretar de forma adecuada el desempeño del pronóstico.

tabla-mape-mad-y-ts

Es conveniente graficar tanto el comportamiento del MAD como la Señal de Rastreo (TS) para facilitar la interpretación de los resultados. A continuación se presentan los resultados:

grafico-mad-y-ts

Notar que la magnitud media absoluta del error aumenta en los últimos períodos. En cuanto al comportamiento de la señal de seguimiento o TS si bien ésta varía en el rango comúnmente aceptable de [-4,4] MADs, las sub estimaciones sucesivas del valor real de la demanda de los meses de Agosto, Septiembre y Octubre marcan una tendencia creciente en su comportamiento, lo cual se compensa luego con las sobre estimaciones de los meses de Noviembre y Diciembre. A continuación un vídeo de nuestro canal de Youtube con la implementación en Excel del ejemplo descrito en este artículo:

¿Quieres tener el archivo Excel con el cálculo del Error Porcentual Absoluto Medio (MAPE) de este Ejemplo?

[sociallocker]

MUCHAS GRACIAS!. DESCARGA AQUÍ EL ARCHIVO

[/sociallocker]