Escolar Documentos
Profissional Documentos
Cultura Documentos
Roberto R. B. de Holanda
A Irma,
Tantos siglos, tanto espacio y coincidimos.
A mis hermanos:
Fiduca, por su lucidez
Cris, por su bondad
Teca, por su alegra
Fernanda, por su exigencia
Inah, por su solidaridad
AGRADECIMIENTO
Durante los ltimos 20 aos muchas personas participaron directa o
indirectamente en la elaboracin de este libro, ensendome o
ayudndome a contactar empresas, crear problemas, graficar o
escanear. Corriendo el riesgo de omitir a alguien, quiero mencionar a
todos. En orden cronolgico, no en orden de importancia:
Luis Guillermo Pen
Lucas lvarez
Eduardo Noboru Ito
Jos Luis Paz Bolaos
Miguel ngel Sato
dgar Villazn
Rato Pfranger
Hctor Ibarra
scar Berrios
Willmer Tellera
Dario Rosas
Rafael Santa Ana
Tania Sotelo
Karol Andrade
Alejandra Magaa
Javier Hernndez
Jess Muoz
Mariana Holanda
Muy especialmente, a Olga Ballin, responsable de gran parte de la
esttica de este libro.
A Mximo Cargnelutti y Stefania Biondi, quienes protegieron la
retaguardia mientras estbamos en el frente.
Por ltimo, agradezco el apoyo institucional de Rodolfo Loyola y Juan
Helgueros.
PREFACIO xi
I PRON~STICOSDE DEMANDA
1.1 Introduccin 2
1.1.1
1.1.2
1.1.3
1.1.4
1.1 .S
Generalidades 2
Conceptos 3
Principios 4
Variaciones de la demanda 4
Clasificacin de los mtodos de
pronsticos 5 .
11 PLANEACIN DE CAPACIDAD
2.1 Introduccin 64
vii
Introduccin 86
Relacin sncrona 86
Relacin asncrona con obrero inactivo 87
Relacin asncrona con mquina inactiva 89
Observaciones finales 91
Celdas de manufactura 91
IV CONTROL DE INVENTARIOS
4.1 Introduccin 126
4.1.1 Funcin de los inventarios 126
4.1.2 Costos relacionados con los inventarios 127
viii
Generalidades 151
Modelo de punto fijo 152
Modelo de ciclo fijo 157
Observaciones finales 161
PROGRAMACI~NDE SISTEMAS
PRODUCTIVOS
5.1 Introduccin 180
5.2 Los problemas de secuenciacin 180
5.2.1 Problemas de secuenciacin pura 181
5.2.2 D e f ~ c i ndel problema de
programacin 181
5.2.3 Clasificacin de los problemas de
programacin 183
5.2.4 Objetivos de los programas de
produccin 184
5.2.5 Costos relacionados con la programacin de
la produccin 185
VI BALANCEO DE LNEAS
6.1 Definicin del problema 216
6.2 Clasificacin de los problemas de
balanceo de lneas 218
6.3 Primer mtodo: c<&icon divisin del
trabajo 219
6.4 Segundo mtodo: c<&icon
concentracin del trabajo 225
6.5 Tercer mtodo: c>&icon divisin del
trabajo 228
6.6 Cuarto mtodo: C>&icon concentracin
del trabajo 232
6.7 Problemas mixtos 236
6.8 Mtodos heursticos de balanceo de
lneas 238
6.8.1
6.8.2
6.8.3
6.8.4
Introduccin 238
Mtodo de Kilbridge y Wester 239
Mtodo de los pesos posicionales 246
Mtodo de Arcus 249
MI ADMINISTRACIN DEL
MANTENIMIENTO
7.1 Introduccin 258
7.1.1 Generalidades 258
7.1.2 Objetivos, elementos y tipos de
mantenimiento 258
7.1.3 Ventajas de la Administracin del
Mantenimiento 259
calrica 282
8.3.3 Mtodos de control de la sobrecarga
calrica 285
IX
9.1
9.2
9.3
9.4
9.5
9.6
9.7
compromiso 328
9.10.4 Trabajo en grupo y crculos de calidad 329
9.10.5 Retroalimentacin, ingresos y
promocin 330
9.10.6 Capacitacin, rotacin en el trabajo,
8.5.1
8.5.2
8.5.3
8.5.4
8.5.5
8.6
X APLICACIONES DE
PROGRAMACI~NLINEAL
1O. 1 Introduccin 362
10.2 Administracin de proyectos 362
10.2.1 Determinacin de la ruta ms largalcorta
de una red 362
* Aplicacin 10.1 362
10.2.2 Compresin de proyectos 363
* Aplicacin 10.2 364
* Aplicacin 10.3
* Aplicacin 10.4
* Aplicacin 10.5
366
370
373
PREFACIO
Hay cientos de libros sobre Administracin de Operaciones y todos cubren ms o menos
los mismos temas. Entre stos puedo mencionar: Diseo de Productos y Procesos,
Control de Calidad, Planeacin de Capacidad, Localizacin de Planta, Distribucin de
Planta, Estudio del Trabajo, Pronsticos de Demanda, Administracin de la Cadena de
Abastecimiento, Control de Inventarios, Programacin de la Produccin, Reingeniera,
Teora de Restricciones, Justo-a-Tiempo, etc.. La gran mayora de estos libros son
escritos con la intencin de cubrir los temas principales de la Administracin de
Operaciones y de ser utilizados como libros de texto para cursos de licenciatura y10
maestras.
Por qu un libro ms de Administracin de Operaciones? No es mi intencin
escribir un libro de texto ms sobre Administracin de Operaciones, sino abordar slo
algunos temas sobre los cuales creo poder aportar algo diferente: reunir en un captulo
mtodos que estn dispersos en la literatura, aportar un modelo matemtico diferente,
compartir ejemplos de aplicacin interesantes, reportar mi experiencia en la implantacin
de sistemas o compartir un caso.
Por esta razn el libro se llama: "Administracin de Operaciones: Temas Selectos,
Aplicaciones y un Estudio de Caso". En l el lector encontrar temas selectos (como por
ejemplo los modelos presentados en el captulo de Control de Inventarios), aplicaciones
de los temas cubiertos en forma de problemas, experiencias o uso de la Programacin
Lineal y un caso muy interesante escrito por m en 1993 sobre un grupo industrial
mexicano dedicado a la produccin de cocinas y muebles.
En general, busqu un enfoque "prctico" y no "terico". Con algunas excepciones
en los captulos de Estudio del Trabajo y Control de Inventarios, las frmulas se
presentan sin demostracin y se usan para resolver problemas. Para entender el inciso 4.6
del captulo de Control de Inventarios se requieren conocimientos bsicos de derivacin e
integracin. Por otro lado, para entender el inciso 9.11 del captulo de Justo-a-Tiempo se
requieren conocimientos de anlisis multivariado.
Sintticamente, cada captulo abarca lo siguiente:
Captulo 1: Pronsticos de Demanda
Este captulo incluye los principales mtodos de anlisis de series de tiempo, como
promedio mvil, promedio ponderado exponencialmente, etc.. Adems, presenta un breve
resumen de la teora de regresin lineal mltiple y aplicaciones reales muy interesantes.
Por ltimo, se incluyen algunas corridas del paquete TSP (Time Series Processor) y su
interpretacin.
Captulo 11: Planeacin de Capacidad
El crecimiento de la capacidad productiva de la empresa debe llevarse a cabo de forma
planeada y no en el ltimo momento y anrquicamente. El enfoque de largo plazo difiere
mucho del enfoque de corto plazo. Por ejemplo, en el largo plazo tenemos que tener en
cuenta el cambio del valor del dinero con el tiempo, mientras que en el corto plazo
podemos ignorarlo; en el corto plazo puede aplicarse la Programacin Lineal mientras
xii
que esto es imposible en el largo plazo; etc.. En este captulo se consideran las distintas
fuentes de capacidad y se analizan separadamente los problemas de largo plazo y de corto
plazo.
Captulo 111: Estudio del Trabajo
Del campo del Estudio el Trabajo, este captulo incluye slo 4 temas: relacin hombremquina, curva de aprendizaje, nmero de ciclos a cronometrar y muestreo del trabajo.
Del primero se analiza cmo determinar el nmero ptimo de mquinas idnticas que
debe operar un obrero, tema que ha sido tratado superficialmente en la literatura. Aqu,
profundizo un poco ms en el tema y analizo a detalle las relaciones sncronas y
asncronas, con obrero inactivo o con mquina inactiva.
El tema de curva de aprendizaje se incluye por su gran importancia, su tratamiento
superficial en la literatura en general y por las interesantes aplicaciones reales que puedo
reportar.
El nmero de ciclos a cronometrar en un estudio de tiempos normalmente se
determina muy a la ligera. La frmula correcta para su clculo se deduce y se aplica a
algunos ejemplos numricos.
Finalmente, dentro del captulo de Estudio del Trabajo, tenemos el tema de
muestreo del trabajo. ste tambin ha sido tratado superficialmente y con frecuencia
observo que no se hace la distincin entre un muestreo por mquina, por persona o por
puesto. En libros de prestigio muy utilizados hay errores en la frmula para la
determinacin del nmero de observaciones a realizar. Todos estos aspectos se analizan,
y se deduce y se aplica la frmula correcta del muestreo el trabajo.
Captulo IV: Control de Inventarios
Este captulo empieza con una brevsima sntesis de los modelos bsicos de inventarios,
porque no es mi objetivo exponerlos. Su presencia en el captulo se justifica nicamente
para que el lector entienda ms fcilmente los modelos de materiales con descuentos por
cantidad y los modelos probabilisticos de punto fijo y ciclo fijo presentados
posteriormente. Se incluyen tres modelos con descuentos: costo de mantener proporcional
al precio, costo de mantener constante y costo de mantener constante con descuentos
progresivos. En cuanto a los modelos probabilsticos, presento modelos inditos para
punto fijo y ciclo fijo. Como son modelos inditos, incluyo toda su justificacin
matemtica que en ocasiones es relativamente compleja. Es opcional para el lector, sin
embargo, profundizar en ella.
Captulo V: Programacin de Sistemas Productivos
Programar implica establecer una secuencia y fechas de iniciacin y terminacin de
actividades dadas. Es una actividad sumamente compleja y, al mismo tiempo, muy
interesante. El enfoque del captulo est sesgado hacia la secuenciacin y las fechas de
inicio y terminacin van a ser consecuencia de sta. Pocos problemas han sido resueltos
analticamente, por lo que he decidido incluir todos ellos. Por lo tanto, el captulo consta
bsicamente de dos partes: resumen de la teora y soluciones ptimas de los problemas
que han podido ser resueltos analticamente.
xiii
xiv
PRONSTICOS DE DEMANDA
1.1 INTRODUCCION
1.1.1 Generalidades
1.1.2 Conceptos
1.1.3 Principios
1.1.4 Variaciones de la demanda
1.1.5 Clasificacin de los mtodos de
pronsticos
1.2 MTODOS DE A N ~ I S I SDE SERIES
DE TIEMPO
1.2.1 Ajuste de lneas: recta
1.2.2 Ajuste de lneas: curva exponencial
1.2.3 Ajuste de lneas: curva potencial
1.2.4 Mtodo del promedio mvil simple
1.2.5 Mtodo del promedio mvil con ajuste
de tendencia
1.2.6 Mtodo del promedio mvil ponderado
1.2.7 Mtodo del promedio ponderado
exponencialmente simple
1.2.8 Mtodo del promedio ponderado
exponencialmente con ajuste de
tendencia
1.2.9 Pronsticos para perodos menores que
un ao
1.1.1 Generalidades
Pronstico de demanda, como su propio nombre lo indica, es una estimacin cuantitativa
de la demanda futura de productos o servicios. La elaboracin de pronsticos de demanda
es fundamental, ya que todas las actividades de la empresa dependen del volumen de
negocios que se va a realizar. As, por ejemplo, podemos decir que las siguientes
actividades o reas de la empresa dependen directamente de los pronsticos de demanda:
* Programa de produccin.
* Poltica de inventarias.
* Capacidad productiva de la planta.
* Presupuestos.
* Sistemas de distribucin.
* Mtodos de produccin.
* Desarrollo de nuevos productos.
* Etc.
Para pronosticar la demanda de productos existentes, nos podemos basar en los datos de
demanda de perodos anteriores y de alguna manera extrapolar el comportamiento de la
misma hacia el futuro. En este caso, ser indispensable asegurarse de que las condiciones
futuras permanecern idnticas a las del pasado o que por lo menos se asemejarn.
Basarse en la informacin del pasado para pronosticar la demanda futura cuando las
condiciones sern significativamente diferentes, carece totalmente de sentido. Por lo
tanto, sera imposible exagerar la importancia de que se analicen cuidadosamente las
condiciones futuras del mercado cuando se utilice la informacin del pasado para la
elaboracin de pronsticos de demanda.
En este libro todos los mtodos estudiados utilizan la informacin de perodos
pasados para estimar la demanda futura. Consideramos como un hecho que las personas
que los utilicen tendrn el cuidado de asegurarse que las condiciones futuras sern, por lo
menos, semejantes a las del pasado.
En la elaboracin de pronsticos de demanda tambin es importante considerar el
"ciclo de vida" de los productos o servicios. Por ejemplo, el crecimiento de un
determinado producto puede ser exponencial (pendiente creciente) durante la parte inicial
del ciclo y potencial (pendiente decreciente) en la parte central del ciclo. En este caso,
simplemente extrapolar el comportamiento de los perodos anteriores, sera desconocer
que los productos y servicios presentan este ciclo de vida y consecuentemente .elaborar
pronsticos de muy poca precisin.
Para pronosticar la demanda de productos nuevos hay bsicamente 2 alternativas:
extrapolar el comportamiento de la demanda de un producto similar (si lo hay) o utilizar
mtodos cualitativos de pronsticos. La elaboracin de este tipo de pronsticos para
productos nuevos no ser tema de este libro, sin embargo el lector podr consultarlo en la
referencia [411.
1.1.2. Conceptos
En el campo de los pronsticos es importante diferenciar varios aspectos o conceptos que
comnmente se confunden:
a) Demanda potencial: es la cantidad total del producto o servicio que demanda la
sociedad. Por ejemplo, si un determinado pas tiene 100 millones de habitantes y stos
en promedio desean comprar 3 pares de zapatos al ao, entonces la demanda potencial
de zapatos sera de 300 millones de pares al ao.
b) Demanda solvente: como los productos o servicios no se regalan, muchas personas de
bajos recursos desean pero no pueden comprar 3 pares de zapatos al ao. En otras
palabras, el precio del producto o servicio y el ingreso per cpita reducen la demanda
de su valor potencial a una demanda solvente. Consecuentemente, podemos decir que
la demanda potencial es una sola (para determinado nivel poblacional) y est
directamente relacionada con las necesidades de la poblacin, mientras que la
demanda solvente depende del precio y del ingreso per cpita. De ah surge la teora
microeconmica de la elasticidad-precio y la elasticidad-ingreso, que estudia el
comportamiento de la demanda de los productos y servicios en funcin de los precios
y los niveles de ingresos de la poblacin. Los mtodos de "ajuste de lneas" y de
"regresin lineal" que sern estudiados en este captulo, pueden utilizarse para la
elaboracin de estos tipos de pronsticos.
c) Volumen de ventas: es la cantidad vendida de un determinado producto o servicio. Si
nunca ocurren faltas de existencia, el volumen de ventas ser igual a la demanda
solvente. Si ocurren faltas de existencias, el volumen de ventas ser inferior a la
demanda solvente (a no ser que dichas faltas no impliquen ventas perdidas, cuando
entonces el volumen de ventas se mantendra igual a la demanda solvente). Es
importante sealar que lo que se debe pronosticar siempre es la demanda y no las
ventas, lo que implica que, en la presencia de faltas de existencia, los datos pasados de
ventas no sirven para la elaboracin de pro
de demanda, a no ser que se haga
algn tipo de ajuste.
d) Volumen deproduccin: es la cantidad producida del producto o servicio. En el caso
de los servicios, podemos afirmar que el volumen de "ventas" siempre es igual al
volumen de c'produccin". Sin embargo, en el caso de los productos esto no ser
necesariamente verdadero, ya que los inventarios cumplen precisamente la funcin de
"desacoplar" las actividades de "ventas" y "produccin": puede venderse ms que lo
producido si el inventario final es menor que el inicial y puede venderse menos que lo
producido si el inventario final es mayor que el inicial. Los datos de produccin
a, cuando no ocurran faltas de
solamente sern idnticos a los datos de
ales de los inventarios.
existencias, ni variaciones en los nivele
e) Perodo del pronstico: es el perodo
corresponde el pronstico.
Por lo tanto, podemos tener pronsticos semanales, mensuales, anuales, etc..
f) Horizonte del pronstico: indica que tan lejos hacia el futuro est el perodo
stica la demanda de Enero de
pronosticado. Por ejemplo, si en
2003, el perodo ser de un mes y e
1.1.3 Principios
En la elaboracin de pronsticos es importante conocer los siguientes principios:
a) La probabilidad de no cometer errores en los pronsticos es cero. Consecuentemente,
nuestro objetivo nunca debe ser pronosticar exactamente la demanda, sino elaborar
pronsticos con un error rninimo e intentar evaluar dicho error.
b) Cuanto ms corto sea el perodo, mayor ser el error porcentual del pronstico.
c) Cuanto ms largo sea el horizonte, mayor ser el error porcentual del pronstico.
d) Cuanto ms especfico sea el pronstico, mayor ser el error porcentual, es decir, el
error ser menor si englobamos muchos productos o servicios y ser mayor si se
refiere a un solo producto o servicio.
1.1.4 Variaciones de la demanda
Antes de describir los mtodos para la elaboracin de pronsticos de demanda, es
indispensable analizar los diversos tipos de variacin que presenta la demanda de un
producto o servicio, cuando la analizamos respecto al tiempo. Estas variaciones pueden
ser:
a) Variaciones debido a la tendencia: el simple hecho de que la demanda est
aumentando o disminuyendo consistentemente conduce a que cada semana, cada mes
y cada ao esta misma demanda sea diferente. En este caso, la demanda vara porque
hay una tendencia y sta podr seguir una lnea recta, una curva exponencial o
cualquier otro tipo de lnea. Este tipo de variacin no es dificil de predecir.
a) Regresin lineal simple: cuando se considera una sola variable independiente que no
sea el tiempo.
b) Regresin lineal mltiple: cuando se considera ms de una variable (una de ellas
puede ser el tiempo).
c) Regresin no lineal.
En relacin a esta clasificacin, queremos resaltar algo que ser expuesto ms adelante:
el ajuste de lneas, considerado como mtodo de anlisis de series, debe considerarse
adems como un tipo especial de regresin lineal en la que la demanda slo depende de la
variable independiente "tiempo"; en el caso de la curva exponencial, se trata de una
regresin lineal del logaritmo de la demanda en funcin de la variable "tiempo"; y
finalmente, en el caso de la curva potencial, se trata de una regresin lineal del logaritmo
de la demanda en funcin de la variable ''logaritmo del tiempo".
1.2 MTODOS DE ANLISIS DE SERIES DE TIEMPO
1.2.1 Ajuste de lneas: recta
Este mtodo consta de la determinacin de la lnea recta que mejor se ajusta a los datos
de demanda. Para esto utilizaremos el mtodo de mnimos cuadrados, que nos
proporciona la recta para la cual la suma de los cuadrados de las distancias a los puntos es
mnima. Como sabemos, la ecuacin de cualquier recta es como la que sigue:
Las ecuaciones que proporcionai los valores de "a" y "b" de la recta de mnimos
cuadrados, son las siguientes:
donde 'X" y "Y" son las dos variables del problema y " N el nmero de datos de
demanda.
Ejemplo numrico 1.1:
Supongamos que los datos de demanda de una empresa dada fueron los que se muestran a
continuacin (toneladas). Ajustar una lnea recta y pronosticar la demanda del ao 2001.
A0
DEMANDA (T)
1996
200
1997
213
1998
218
1999
235
2000
244
Solucin:
En este caso la variable 'X" ser el ao y la variable "Y" ser la demanda de la empresa.
Inicialmente, tenemos que escoger un origen para la variable "Y.ste podr ser el ao
cero o cualquier otro ao. Si escogemos el origen 1995, la variable ''Y tendr entonces
los siguientes valores: 1,2,3,4 y 5, es decir, (1996-1995), (1997-1995), (1998-1995),
(1999-1995) y (2000-1995), respectivamente. Si observamos las ecuaciones
mencionadas anteriormente, deducimos que necesitamos calcular ZY, EX, ZXY y EX2.
Es conveniente realizar estos clculos como se muestra en el Cuadro 1.1 a continuacin o
hacer el ajuste mediante calculadora o computadora directamente.
CUADRO 1.1 Clculos para el ajuste de una recta
Origen = 1995
El origen 1998 es tal que la suma de las equis es cero. Siempre que esto ocurra,
utilizaremos para la variable una letra minscula. Por esta razn, en el Cuadro 1.2
aparece "x" en vez de "X.
1 Origen en 1998 1
A0
Y = abx
Como se indica en las Figuras l. 1(a) y l. 1(b), ajustar una curva exponencial a los datos
es equivalente a ajustar una lnea recta a estos mismos datos, pero marcndose en el eje
vertical el "log Y" en vez de "Y". Esto se debe a que si tomamos el logaritmo de "Y" en
la ecuacin de la curva exponencial, resulta lo siguiente:
log Y = log (abx) = log a + X*log b
Si hacemos log a = A y log b = By tenemos:
logY=A+B.X
que es obviamente la ecuacin de una lnea recta.
FIGURA 1.1 Cambio de variables para transformar una curva exponencial en lnea
recta
(a)
Solucin:
Si seguimos con el origen en el ao 1998, para calcular "A" y "B" slo necesitamos
determinar ZlogY, Zx.logY y Zx2. Estos clculos se presentan en el Cuadro 1.3 a
continuacin:
Como sabemos que A=log a y B=log b, entonces "a" y "b" ya pueden ser calculados:
a = antilog 2.3453 = 221.5
b = antilog 0.02155 = 1.O509
Por lo tanto, la ecuacin final de la curva exponencial ser la siguiente:
Y = (221.5)(1.0509)'
(jorigen en 1998!)
El valor b=1 .O509 indica que existe una tasa anual de crecimiento de la demanda igual a
5.09%. Finalmente, si queremos pronosticar la demanda del ao 2001, el valor de la
variable "x" ser 2001-1998=3:
Y2001= (221.5) (1.0509)~= 257.1
Esto quiere decir que la demanda de 2001 ser de 257.1 toneladas.
C ( 1 0 ~ x )*~C1ogY - lo@ * C 1 0 g X . 1 0 ~ ~
N * (log~)'- ( C l o g ~ ) '
El valor positivo b=0.1201 indica que esta curva potencial tiene la forma presentada en la
Figura 1.2(b).
12
Y = (197.4)o0.1201
El pronstico para 2001 ser entonces:
Y200L
= (197.4)(6)0.1201
= 244.8
1.2.4 Mtodo del promedio mvil simple
En varias ocasiones es lgico pensar que la demanda de un perodo dado pueda tomar un
valor ms parecido a los ms recientes que a los que ha tomado mucho tiempo atrs, a h
cuando no existe una tendencia marcada en los datos. En estos casos es conveniente
utilizar mtodos de pronsticos que den una mayor importancia a los datos ms recientes
o que nicamente tomen en cuenta los "k" ltimos datos, donde k = 1, 2, 3, etc.. El ms
sencillo de estos mtodos es el promedio mvil simple.
El promedio mvil simple para el perodo "i" es simplemente la media aritmtica
de los "k" ltimos datos, es decir:
Pi+i= Ms,i
Ejemplo numrico 1.4:
Aplicar el mtodo del promedio mvil simple con k=2 a los datos del ejemplo numrico
1.1 y pronosticar la demanda del ao 2001.
Solucin:
Utilizando un promedio mvil simple con k=2, los pronsticos para los aos de 1998,
1999,2000 y 2001 sern los que se muestran en el Cuadro 1.5 (obviamente no podemos
calcular pronsticos para los aos 1996 y 1997).
CUADRO 1.5 Promedio mvil simple de 2 trminos
AO
1 DEMANDA 1
Ms,~
Pi
= 215.5
Se puede observar claramente en el Cuadro 1.5 que el mtodo del promedio mvil simple
generalmente conduce a pronsticos que van atrasados con relacin a los datos reales de
demanda. Por ejemplo, para los aos de 1999 y 2000 la demanda es 235 y 244,
respectivamente, y los pronsticos son 215.5 y 226.5. Cuanto ms pronunciada sea la
tendencia de los datos y mayor sea el nmero de trminos del promedio, ms atrasados
sern los pronsticos.
1.2.5 Mtodo del promedio mvil con ajuste de tendencia
Como se mencion en el inciso anterior, el promedio mvil simple tiende a ir atrasado
respecto a los datos reales de demanda. Existe una forma de "ajustar" el promedio simple
de tal manera que ste siga ms de cerca la demanda real, y para esto primero se
necesitan determinar los promedios mviles dobles y ajustados. Para el clculo de los
promedios mviles dobles simplemente se aplica dos veces seguidas el mtodo del
promedio mvil simple. El procedimiento completo es el siguiente:
a) Se calcula el promedio simple "MSj".
b) Se calcula el promedio doble "MD,i,".
c) Se calcula el promedio mvil ajustado utilizando la siguiente frmula:
donde: MA i = Promedio mvil ajustado del perodo "i".
k = Nmero de trminos considerado.
d) El pronstico del perodo "i" es el promedio mvil ajustado del perodo (i-1).
Cuando la demanda no presenta cambios muy bruscos y el nmero de trminos es grande,
se puede estimar la tendencia lineal ms reciente a travs del valor de la expresin:
A0
1996
1997
1998
1999
2000
2001
PROMEDIO
SIMPLE
DEMANDA
(Ms,~)
200
213
206.5
218
215.5
235
226.5
244
239.5
PROMEDIO
DOBLE
("~,i)
211.0
221.0
233.0
PROMEDIO
AJUSTADO PRONSTICO
(M&i)
(Pi)
229.0
243.0
259.0
229.0
243.0
259.0
Obsrvese que el promedio mvil doble va mr atrasado que el promedio mvil simple y
por lo tanto nunca se utiliza dicho promedio para la elaboracin de pronsticos. Sin
embargo, se utiliza el promedio doble para corregir el retraso del promedio mvil simple.
De acuerdo al procedimiento, el promedio mvil ajustado conduce entonces a un
pronstico para 2001 de 259.0 toneladas.
Pronostiquemos ahora la demanda de 2002,2003,2004, etc.. En nuestro ejemplo, el
ltimo valor de "Ti" es :
2002
272
2003
285
2004
298
...
...
15
es de 2 trminos, se pondrn adoptar ponderaciones de 0.7 para el ltimo dato y 0.3 para
el dato anterior.
Ejemplo numrico 1.6:
Utilizando el promedio mvil con k=2 y ponderaciones de 0.7 y 0.3 en el problema
anterior, pronosticar la demanda del ao 2001.
Solucin:
Los pronsticos seran los del Cuadro 1.7. Como puede observarse en los Cuadros 1.6 y
1.7, cuando hay una tendencia marcada el promedio mvil ponderado va ms atrasado
que el promedio mvil con ajuste de tendencia.
DEMANDA
200
213
218
235
244
PRONOSTICO
(200)(0.3)+(213)(0.7) =209.1
(213)(0.3)+(218)(0.7) =216.5
(218)(0.3)+(235)(0.7) =229.9
(235)(0.3)+(244)(0.7) =241.3
209.1
216.5
229.9
241.3
16
palabras, el pronstico del d o d o (i+l) es igual al pronstico del perodo "i" ms una
fraccin "a" del error que se cometi en el perodo "i" (error = D rP ).
Las 2 primeras etapas que deben llevarse a cabo en la aplicacin del mtodo del
promedio ponderado exponencialmente simple, son la eleccin de la constante de
atenuacin "a" y del nmero de perodos pasados a considerar. La constante "a" est
generalmente entre 0.05 y 0.4. Como podremos observar ms adelante, si queremos dar
una mayor importancia a las demandas de los ltimos perodos, "a" deber ser grande, y
si queremos dar una importancia ms uniforme a todos los datos de demanda, "a" deber
ser pequea. En cuanto al nmero de datos a considerar, ste deber siempre ser grande
para que el pronstico sea ms preciso. Ms adelante volveremos a tocar este punto.
Para el clculo del promedio "Ms,? necesitamos el valor de "Ms,i_l";para el clculo
de "Ms,i-l" necesitamos conocer c'MS,i-2));etc.. Por lo tanto, no sera posible calcular
"Ms,~" puesto que no existe "Ms,)". Consecuentemente, la tercera etapa en la aplicacin
de este mtodo es la eleccin de un promedio inicial "Ms,~";generalmente se considera
ste igual a la demanda "Di" del primer perodo (hay otros mtodos ms precisos, vase
la referencia [27]).
1996
200
Di = Ms,i
1997
213
D2
1998
218
D3
1999
235
D4
2000
244
Ds
Solucin:
Tomemos como promedio inicial
calcular "MS,L"as:
Los dems promedios "MS,3", "MSP" y "MS,$' se calculan de la misma manera y los
resultados son los del (Cuadro 1.8).
Tenemos entonces:
Ms,i = Di
Ms,=
~ a D2 + (l-a) Ms,~= a D2 + (l-a) DI
Ms,~
= a D3 + (l-a) Ms,~
= a D3 + (1%) [a D2+ (1%) DI ]
= a D3 + a(1-a)D2 + (1-a12 D1
MSA= a D4 + (l-a) Mss = a D4 + (1%) [a D3+ a (1%) D2+
= a D4 + a(l-a)D3 + a(1-a12 D2+ (1-a13 DI
DI]
Esta ltima frmula incluye ahora solamente las demandas de los "N" perodos. Dado
que el factor (l- a )N-1se hace muy pequeo y se acerca a cero cuando "N" crece, se
puede ignorar el ltimo trmino. Al mismo tiempo, la suma de los otros coeficientes, es
decir, ~ a ( 1 - a l ise aproxima a 1, y as tenemos las condiciones de un autntico promedio
ponderado exponencialmente. Es precisamente por esta razn que este mtodo tiene el
nombre de promedio ponderado exponencialmente.
Tambin es fcil observar que la ponderacin conferida a cada una de las ''Di"
depende del valor de "a" y que a las demandas ms recientes se les asigna una
ponderacin mayor. El Cuadro 1.9 a continuacin proporciona algunos coeficientes para
los valores a=0.1 y a=0.3 y muestra dos cosas importantes: primero, que los coeficientes
o ponderaciones de las demandas ms recientes son mayores y por lo tanto se les da una
mayor importancia; y segundo, a la medida que "a" aumenta, se les da a las demandas
ms recientes una importancia todava mayor.
18
A0
DEMANDA
1996
200
Dl
1997
213
D2
1998
218
D3
1999
235
D4
2000
244
Ds
Tomamos entonces este promedio como nuestro pronstico para el perodo 6, es decir,
para el ao 2001: PeP2001=218.04toneladas. Debe observarse que este valor es
exactamente igual al que fue obtenido anteriormente cuando aplicamos sucesivamente la
frmula:
19
AO
DEMANDA
SIMPLE
DOBLE
1
2
3
4
5
6
1996
1997
1998
1999
2000
2001
200
213
218
235
244
200.00
202.60
205.68
211.54
218.04
200.00
200.52
201.55
203.55
206.45
AJUSTADO PRON~STICO
200.00
205.20
210.84
221.54
232.52
200.00
205.20
210.84
221.54
232.52
Los pronsticos para los siguientes 3 aos, por ejemplo, seran entonces:
Es importante observar que tanto el pronstico para 2001 como la tendencia lineal
estimada son demasiado pequeos en comparacin con los datos reales. Aparentemente,
el ajuste no fue s ciente y no logr mejorar mucho el promedio ponderado simple. Esto,
sin embargo, no es verdad y lo que realmente est ocurriendo es que el promedio
ponderado exponencialmente ajustado no conduce a buenos resultados cuando el nmero
de datos 'W' es pequeo y se hace Ms,l=Dl.Como veremos ms adelante, con un nmero
grande de datos de demanda, el mtodo es excelente y en la mayora de los casos result
20
ser el mejor de todos los mtodos- de anlisis de series de tiempo ,analizados en este
captulo (para el corto plazo).
Un valor grande de "a" (por ejemplo, mayor que 0.4) permite trabajar con un
nmero menor de datos de demanda, sin embargo conduce a una cierta inestabilidad del
pronstico, por lo que no recomendamos su utilizacin (vame los resultados de la
simulacin en el inciso 1.3 a continuacin).
Solucin:
Tomando como ejemplo el mtodo de la lnea recta (podramos, por supuesto, utilizar
otro mtodo), tenemos que el pronstico para 2001 es de 255 toneladas (este pronstico
fue obtenido ajustndose una lnea recta a los totales anuales 200, 213,218, 235 y 244
toneladas, como se vio anteriormente).
Cmo podemos determinar los pronsticos para los 4 trimestres de 2001 a partir
de este valor? Veamos inicialmente cmo hacerlo con estacionalidad y despus sin
estacionalidad.
Inicialmente, podemos calcular el porcentaje promedio que cada trimestre
representa de la demanda total de los 5 aos, lo que tambin se muestra en el Cuadro 1.11
(para el 1 trimestre, por ejemplo, tenemos 15.4%). Si suponemos que la estacionalidad se
repetir de la misma manera en 2001, podemos entonces multiplicar estos porcentajes por
el total anual de 255 toneladas para obtener los pronsticos trimestrales con
estacionalidad, es decir:
Pi = (0.154)(255) = 39.27
P2 = (0.362)(255) = 92.31
P3 = (0.229)(255) = 58.40
Pq= (0.255)(255) = 65.02
Total anual
255 .O0 (toneladas)
Los porcentajes 15.4%, 36.2%, 22.9% y 25.5% son llamados ndices estacionales y
obviamente solamente tiene sentido calcularlos cuando existe alguna estacionalidad en
los datos. El mtodo presentado puede ser aplicado siempre que tengamos un pronstico
anual, no importando el mtodo que fue utilizado para obtenerlo, y obviamente puede
utilizarse para pronsticos semanales, mensuales, etc.. Asimismo, es igualmente aplicable
para cualquier tipo de variacin cclica. Por ejemplo, si el ciclo es de 6 aos, tendramos
ndices de ciclicidad para cada uno de los aos y stos se multiplicaran por el total
pronosticado para los prximos 6 aos (ciclo completo).
Si no existe la estacionalidad, cmo llegaramos a los pronsticos sin
estacionalidad para los 4 trimestres de 2001? La primera alternativa sera ajustar una
lnea recta (otra vez la estamos tomando slo como ejemplo) a los 20 datos trimestrales y
pronosticar los 4 siguientes (sugerimos que los lectores lo hagan). La segunda alternativa
sera partir del total 255 toneladas ya pronosticado y "repartirlo" entre los 4 trimestres. Es
obvio que no podemos dividir este total entre 4, ya que as estaramos suponiendo una
tendencia horizontal.
Se puede demostrar (se sugiere tambin que los lectores lo intenten) que la
pendiente trimestral es 16 veces menor que la pendiente anual, por lo que la podemos
calcular a partir de la pendiente de la lnea que se ajust a los datos anuales. Recordando
que esta pendiente es 11 toneladas (vase el ajuste de la lnea recta), tenemos que la
pendiente trimestral es igual a 11/16 = 0.6875 (toneladas).
Como los pronsticos de los 4 trimestres tienen que sumar 255 toneladas, con esta
pendiente de 0.6875, tenemos:
Utilicemos los datos anteriores del Cuadro 1.11 y apliquemos (como ejemplo) el
mtodo del promedio mvil simple de 3 trminos. Los pronsticos trimestrales sin
estacionalidad se muestran en la 4a. columna del Cuadro 1.12 a continuacin:
CUADRO 1.12: Pronsticos con estacionalidad calculados trimestralmente
I
Ao
1996
I
TRIM.
Ti
T2
T3
T4
Ti
T2
T3
T4
Ti
T2
T3
T4
T1
T2
T3
T4
Ti
DEMAN.
EST.
29
70
47
54
48.7
1997
34
57.0
81
45.0
47
56.3
51
54.0
1998
59.7
32
75
43.3
55
52.7
56
54.0
1999
40
62.0
86
50.3
50
60.7
59
58.7
I
1 2000
36
65.0
90
48.3
l
7'2
5
5
61.7
T3
63
60.3
T4
ERROR MEDIO ARSOT .T JTO
(*) ~ r 6=r Pronstico - demanaa
*
-
-5.3
23.O
-36.0
9.3
3 .O
27.7
-31.7
-2.3
-2.0
22.0
-35.7
10.7
-0.3
29.0
-41.7
6.7
-2.7
NDICE
ESTACIONAL
EST.
**
8.3
4.7
4.3
11.7
0.8
3.3
1.8
7.2
1.1
4.8
7.2
0.7
1 .5
-5.3
23.O
-36.0
9.3
-1.2
25.3
-33.8
3.5
-1.4
24.2
-34.4
5.9
-1.2
59.3
36.7
79.3
43.3
55.2
36.7
84.2
57.2
60.1
40.8
82.8
55.8
61.5
(-3
krror absoluto
Se puede observar, como ejemplo, que el pronstico sin estacionalidad para el 2"
trimestre siempre es menor que la demanda real, es decir, los errores siempre fueron
negativos: -36.0, -31.7, -35.7 y 4 1 . 7 en los aos 1997, 1998, 1999 y 2000,
respectivamente. Esto se debe obviamente a la estacionalidad y para mejorar los
pronsticos podramos entonces en cada ao restar el error promedio acumulado de los
aos anteriores. El pronstico as obtenido sera un pronstico trimestral con
estacionalidad y el mtodo se llama aditivo. Veamos como ejemplo el pronstico con
estacionalidad para el 2" trimestre de 1998:
Pron. con est. 98 = pron. sin est. 98 -error 97 = 43.3 - (-36.0) = 43.3 + 36.0 = 79.3
Cuando hay ms de un error a considerar de aos anteriores, se resta la medio de stos.
Por ejemplo, para el 2" trimestre de 2000 tenemos los errores -36.0, -3 1.7 y -35.7, cuya
media es -34.4. El pronstico con estacionalidad ser entonces:
La primera simulacin que se llev a cabo fue para evaluar qu mtodo resultara mejor
para los pronsticos mensuales sin estacionalidad, es decir, tomando en cuenta los (i-1)
datos anteriores de demanda mensual, se pronostic sin estacionalidad la demanda del
mes "i", utilizando los distintos mtodos de pronsticos, y se compararon los resultados
obtenidos con las demandas reales.
MESES
L
Y C
n
V
>
C
( V C
MESES
m
W
m
V
MESES
DATOS
1977
1978
Ene
Feb
Mar
Abr
May
Jun
Jul
956.9
1142.1
1127.9
934.5
937.5
1621.2
Ago
Sep
Oct
Nov
Dec
Por ejemplo, utilizando los datos de Enero y Febrero del primer ao, se pronostic la
demanda de Marzo; a partir de los datos de Enero, Febrero y Marzo, se pronostic la
demanda de Abril; y as sucesivamente. Obsrvese que en este tipo de simulacin, a
partir de los datos hasta el mes (i-1), se pronostic la demanda del mes "i" nicamente,
por lo que la simulacin se llama mensual.
En el Cuadro 1.13 presentamos los resultados obtenidos en las empresas "A", " B y
"C",para cada uno de los mtodos estudiados. Obsrvese que se utilizaron promedios
mviles con valores de "k" entre 1 y 6, y promedios ponderados exponencialmente con
valores de"a" entre 0.1 y 0.4.
El Cuadro 1.13 nos proporciona, para cada empresa y para cada mtodo de
pronsticos, el error medio absoluto porcentual que se hubiera cometido si en cada mes
se hubiera pronosticado la demanda del mes siguiente. Por ejemplo, para la empresa "A"
el uso de la recta en cada mes para pronosticar el mes siguiente, hubiera conducido a un
error medio absoluto de 21.14%.
Los nmeros entre parntesis indican la bondad de los mtodos para cada empresa,
as el nmero (1) a la derecha del P.M.S., 6T (Promedio Mvil Simple de 6 trminos) de
la empresa "A" indica que dicho mtodo en esta empresa es el que hubiera funcionado
mejor durante el perodo analizado (18.83% de error medio absoluto porcentual).
1.3.2 Simulacin mensual con estacionalidad
26
los aos anteriores para este mismo mes. Los resultados obtenidos para las empresas "A",
"B" y "C" se presentan en el Cuadro 1.14.
"A"
21.14
23.14
19.75
(3)
25.73
23.12
21.69
21.49
19.51
(2)
18.83
(1)
35.24
29.8 1
31.50
26.78
19.97
(5)
22.93
19.95
(4)
20.21
20.83
20.02
21.67
23.62
25.04
23.27
EMPRESA
"B"
EMPRESA
27.31
26.41
29.04
33.81
32.99
29.91
26.95
26.08
(5)
27.14
48.01
44.69
36.25
30.59
30.59
25.80
(4)
24.88
(2)
25.38
(3)
26.77
24.48
(1)
27.61
31 .O0
34.22
30.45
20.19
20.86
19.97
16.12
(5)
15.08
(1)
16.61
17.45
19.15
19.38
16.69
20.52
22.49
26.56
27.94
18.44
16.23
15.69
(3)
15.49
(2)
16.00
(4)
16.83
17.53
17.49
17.84
"c"
IE%I
22.88
23.47
22.92
25.22
23.73
22.74
21.96
21.58
21.78
33.31
31.67
30.08
27.98
26.17
22.39
20.35
20.43
21.03
20.17
22.04
24.05
25.58
(10)
(7)
(5)
(6)
(9)
(2)
(3)
(4)
(1)
(8)
MTODOS
Recta
Curva exponencial
Curva de potencia
P.M.S., 1T
P.M.S., 2T
P.M.S., 3T
P.M.S., 4T
P.M.S., 5T
P.M.S., 6T
P.M.A., 2T
P.M.A., 3T
P.M.A., 4T
P.M.A., 5T
P.M.A., 6T
P.P.E.S., a = 0.1
P.P.E.S., a = 0.2
P.P.E.S., a = 0.3
P.P.ES., a = 0.4
P.P.E.A., a = 0.1
P.P.E.A., a = 0.2
P.P.E.A., a = 0.3
P.P.E.A., a = 0.4
IE%I
EMPRESA
"'A"
25.46
27.87
21.22 (2)
25.39
24.55
25.35
26.72
25.22
23.36
33.28
32.60
35.80
29.01
20.38 (1)
22.97
21.71 (3)
21.88 (4)
22.47 (5)
23.51
24.63
25.95
26.45
25.72
EMPRESA
"B"
24.40 (2)
23.30 (1)
26.29
33.22
27.03
27.14
27.95
26.22
26.58
39.55
35.98
32.55
30.49
32.49
24.94 (4)
25.11 (5)
25.51
25.99
25.01 (3)
26.27
27.55
29.71
28.33
EMPRESA
=c"
29.67
30.41
27.15
25.74
23.19 (3)
27.89
29.32
32.10
27.70
21.99 (1)
32.85
36.04
38.90
48.92
22.59 (2)
23.23 (4)
24.53
25.21
23.91 (5)
27.41
27.62
27.30
28.80
IE%I
26.51
27.19
24.89
28.12
24.92
26.79
28.00
27.85
25.88
31.61
33.81
34.80
32.80
33.93
23.50
23.35
23.97
24.56
24.14
26.10
27.04
27.82
(6)
(7)
(2)
(1)
(3)
(5)
(4)
En este inciso 'se describe el tercer tipo de simulacin, es decir, la simulacin anual sin
estacionalidad. Como veremos a continuacin, a pesar de que la simulacin fue anual,
seguimos trabajando con los datos de demanda mensuales.
En esta simulacin se pronostic la demanda de los 12 meses del ao "i" a partir de
toda la informacin existente hasta el ao (i-1), y se compararon los resultados con las
demandas reales del ao "P. Por ejemplo, a partir de los 12 meses de 1976 se pronostic
la demanda de los 12 meses de 1977 y se compararon los pronsticos con las demandas
reales de 1977; a partir de los 24 datos de 1976 y 1977 se pronostic la demanda de los
28
12 meses de 1978 y se compararon los pronsticos con las demandas reales de 1978; y as
sucesivamente. En esta etapa de la simulacin no se consider la estacionalidad.
Los resultados de la simulacin anual sin estacionalidad se presentan en el Cuadro
1.15, el cual tambin presenta los resultados de la simulacin anual con estacionalidad,
que se analiza en el inciso a continuacin.
1.3.4 Simulacin anual con estacionalidad
En la simulacin anual con estacionalidad, se pronostic inicialmente la demanda de los
12 meses del ao "i" a partir de los datos hasta el ao (i-1); en seguida se sumaron los 12
pronsticos para calcular el total anual del ao "i" y finalmente se multiplic este total
por los ndices estacionales acumulados hasta el ao (i-1). Los resultados obtenidos se
compararon entonces con los 12 datos de demanda real del ao "i".
Los resultados de la simulacin anual con estacionalidad tambin se presentan en el
Cuadro 1.15. Para cada empresa hay 2 columnas, en la columna de la izquierda se
presentan los resultados de la simulacin sin estacionalidad y en la columna de la derecha
los resultados de la simulacin con estacionalidad.
29
Para la empresa "B", puede observarse que para algunos mtodos los pronsticos
anuales con estacionalidad son ligeramente superiores a los pronsticos sin
estacionalidad y que para otros ocurre lo contrario (errores medios de 37.03% y 36.11%,
respectivamente). Como consecuencia, es difcil sacar una conclusin definitiva y,
considerando que lo mismo ocurri en la simulacin mensual, lo ms adecuado seria
seguir con la simulacin por algunos aos hasta que se definiera la situacin.
Promediando horizontalmente todos los errores del Cuadro 1.15, obtenemos un
error medio porcentual absoluto que de alguna manera es una medida de la eficiencia de
cada uno de los mtodos en las empresas estudiadas. Por ejemplo, dicho promedio es de
25.85% para la recta, 29.04% para la curva exponencial, etc..
1.3.5 Resultados finales de la simulacin
A continuacin presentamos las conclusiones finales que pueden sacarse del anlisis de
los Cuadros 1.13, 1.14 y 1.15. Obviamente, estas conclusiones no pueden tomarse como
definitivas, ya que corresponden nicamente a las empresas "A", "B" y "C" y a un
nmero de meses igual a 36, 48 y 24, respectivamente. Sin embargo, consideramos que
los resultados obtenidos nos dan una idea bastante precisa sobre la eficiencia de los
distintos mtodos utilizados.
Tomando en cuenta el Cuadro 1.13 y tambin la columna de "B" del Cuadro 1.14,
podemos sacar las siguientes conclusiones:
a) El mtodo del P.P.E.A., a=0.1 fue el que en promedio produjo los mejores resultados
(error medio de 20.17% en el Cuadro 1.13 para las tres empresas). Despus, en orden
de importancia, estuvieron los mtodos P.P.E.S, a=0.2, P.P.E.S., a=0.3, P.P.E.S,
a=0.4, P.M.S., 5T y P.M.S., 6T.
b) Tambin es interesante observar que para las 3 empresas la tasa de crecimiento y la
dispersin respecto a la lnea que mejor se ajusta son las siguientes (el clculo de estos
datos no se incluye):
EMPRESA
A
B
C
El P.M.S con un nmero pequeo de trminos (1,2 y 3) funcion bien cuando la tasa
de crecimiento era grande y la dispersin no era muy grande, como en el caso de la
empresa "C". Por otro lado, el P.M.S. con un nmero grande de trminos (4, 5, 6
ms) funcion bien cuando la tasa de crecimiento era pequea, independientemente de
la dispersin, como en el caso de la empresa "A" (recurdese, sin embargo, que puede
ir bastante atrasado con relacin a la demanda real). Este razonamiento explica porque
ningn nmero de trminos produjo buenos resultados en la empresa "B", ya que sta
tiene gran tasa y gran dispersin.
30
c) El promedio ponderado exponencialmente ajustado con un "a " mayor que 0.1 no
produjo buenos resultados, ya que en ninguno de los ejemplos estuvo entre los 5
mejores.
d) En trminos globales el mtodo del ajuste de lneas (recta, curva exponencial y curva
potencial) no parece ser muy bueno para los pronsticos mensuales ya que est fuera
de los 10 primeros del Cuadro 1.13. Sin embargo, la curva de potencia qued en
tercero para la empresa "A" (Cuadro 1.13), y la curva exponencial y la recta en
primero y segundo lugares para la empresa "B" (Cuadro 1.14). Viendo las grficas,
podemos observar que la de "A" tiene forma de potencia y la de "B" tiene forma
exponencial, lo que indica lo obvio: una determinada lnea slo conduce a resultados
satisfactorios cuando se ajusta bien a los datos.
e) Los promedios mviles ajustados son demasiado sensibles a los cambios bruscos de la
demanda y no produjeron buenos pronsticos mensuales. Sin embargo, el mtodo
mejora mucho a la medida que aumenta el nmero de trminos (esto en general,
porque la empresa "C" es una excepcin). Por ejemplo, para el caso de la empresa
"A", el error del P.M.A., 6T fue de slo 19.97%, mientras que el error del mejor
mtodo fue 18.83% (P.M.S., 6T).
Veamos ahora el Cuadro 1.15, que nos presenta un resumen de los pronsticos anuales.
Podemos sacar las siguientes conclusiones:
a) El mejor mtodo en promedio fue el P.P.E.A., a=0.2, aunque la diferencia entre el
error de ste y los errores medios del P.P.E.A., a=0.1 y de la recta, no fue muy
significante.
b) Para la elaboracin de pronsticos anuales no es conveniente usar un promedio mvil
ajustado con menos de 5 trminos y en promedio 6 trminos result mejor que 5
trminos. Obviamente, tambin se podr usar promedios con ms de 6 trminos y
cualquiera de ellos puede resultar el mejor en un ejemplo especfico.
c) Los valores a=0.1 y a=0.2 son mucho mejores que los valores a=0.3 y a=0.4,
probablemente porque estos ltimos dan demasiada importancia a las ltimas
demandas y extrapolan tendencias no representativas de la tendencia general de la
demanda. Lo mismo ocurre con el promedio mvil ajustado con un nmero de
trminos pequeo.
d) Los resultados correspondientes a las lneas son relativamente mejores que en el caso
de los pronsticos mensuales, habiendo un l o lugar en la empresa "C" (curva
exponencial), un segundo en la empresa "A" (recta) y un tercero en la empresa " B
(curva exponencial). Es difcil explicar en el caso de "A" porque la curva de potencia
funcion bien en los pronsticos mensuales y mal en los anuales. Quizs la
explicacin sea que al principio (parte izquierda de la grfica) el crecimiento no es
potencial, lo que slo ocurre realmente al final (parte derecha de la grfica), y esto
afect mucho ms los pronsticos anuales.
Podemos ahora hacer un resumen de todas las conclusiones que hemos sacado en lo que
se refiere a la elaboracin de pronsticos mensuales y anuales:
31
4.24
$ 1 2 /kg.
3.80
$15/kg
3.29
$2O/kg
Solucin:
(4.2405)(1.7243) - (3.5563)(2.0319)
= 14.3389
(3)(4.2405) - (3.5563)2
Y = (14.3389)
Si preferimos, podemos escribir :
DEMANDA = (14.3389) (PRECIO)-0.4908
Como queremos el precio para que la demanda sea de 6 millones de kilos en cada uno de
los meses de Mayo y Junio, sustituimos en esta ecuacin el valor de la demanda y
despejamos el precio:
6 = (14.3389) (PRECIO)-~.~~O~
PRECIO = $5.9O/kg.
1.4.3 Regresin lineal mltiple
1981
770
71.3
1.91
1982
780
73.O
3 .O4
1983
786
74.6
6.13
1984
795
76.3
10.14
1985
805
77.9
16.00
1986
800
79.5 (*)
29.80 (*)
1985 1 805
1986 1 800
TOTALES
77.9
79.5
16.00
1 29.80
2.4667
4.0667
O
6.0844
16.5378
47.0733
1985.6667
3253.3333
192.333
4.83
18.63
O
23.3289
347.0769
548.7128
3888.15
14904.00
540.26
11.9140
75.7620
149.0410
El lector debe recordar que la ecuacin est en funcin de "x" y "z" minsculas, que
corresponden a X-75.4333 y 2-1 1.1700, respectivamente. Si queremos regresar a las
variables originales, tenemos:
De acuerdo a los clculos de arriba, podemos concluir que si queremos, de una vez, que
el valor de "a" corresponda a los orgenes originales, debemos calcularlo as:
a=---
bX-CS
En general, es preferible utilizar esta ltima formula para evitar la confusin que pudiera
provocar el cambio de origen de las variables independientes.
COEFFICIENT
STD. ERROR
T-STAT.
2-TAIL SIG.
C
277.56108
65.284106
4.2515874
POB
6.9168348
O. 9014990
7.6725930
-3.3863398
0.2640463
1PC
-0.8941506
....................................................................
....................................................................
R-squared
Mean of dependent var
0.981387
Adjusted R-squared
0.968978
S.D. of dependent var
Sum of squared resid
2.314398
S.E. of regression
Durbin-Watson stat
2.356016
F-statistic
I
l
I
I
I
I
..*
.
Residual Plot
*
I
I*
I
*
I
1
*
I
1
1
1
1
1
1
obs
1981
1982
1983
1984
1985
1986
RESIDUAL
0.97640
0.22819
-2.07581
-1.24891
2.92388
-0.80376
ACTUAL
770.000
780.000
786.000
795.000
805.000
800.000
O. 024
O. 005
O. 043
789.3333
13.14027
16.06932
79.08835
FITTED
769.024
779.772
788.076
796.249
802.076
800.804
Hasta ahora, en todo el inciso 1.4, hemos estudiado cmo determinar ecuaciones de
regresin, sin cuestionar la calidad o bondad de las mismas. Esto lo haremos en el
presente inciso. Debe resaltarse la importancia de no usar una ecuacin de regresin antes
de evaluar su calidad.
Para evaluar la calidad de una ecuacin de regresin debemos analizar por lo
menos los siguientes aspectos: ajuste, signzj?canciay supuestos.
a) Ajuste
* Coeficiente de determinacin (R2).
* Coeficiente de determinacin ajustado (E2).
* Error estndar de la regresin (SE).
b) Significancia estadstica
* Prueba "t" de student.
* Otras pruebas estadsticas.
c) Supuestos
* Causalidad.
* Linealidad.
* Normalidad.
* Homocedasticidad.
* No-multicolinealidad.
* No-autocorrelacin.
1.4.4.1 Ajuste
a) Coeficiente de determinacin
El coeficiente de determinacin mide el porcentaje de la variacin total de la variable
dependiente que se explica mediante la ecuacin de regresin. En otro lenguaje: mide qu
porcentaje del comportamiento de "Y" las variables "Xi" son capaces de explicar. El
coeficiente de determinacin est dado por:
R 2 =1-
C('i-yi>'
= 1- Variacin no explicada
Z ( y i -g2
Variacin total
donde "qi" y 'Y? son los valores calculados y reales de la variable dependiente,
respectivamente. (En el listado de computadora de la Figura 1.6 los valores calculados
aparecen bajo el ttulo "fitted".) Se puede demostrar fcilmente que O 2 R22 1.
b) Coeficiente de determinacin ajustado
Desafortunadamente, el valor del coeficiente de determinacin siempre aumenta cuando
agregamos ms trminos a la ecuacin de regresin, an cuando disminuya la calidad de
la ecuacin. Por esta razn, se ha definido el "coeficiente de determinacin ajustado",
que est dado por la frmula que se proporciona a continuacin y que solamente
aumenta cuando aumenta la calidad de la ecuacin de regresin. Contrastando con el
coeficiente de determinacin, el coeficiente de determinacin ajustado toma en cuenta los
grados de libertad de la ecuacin de regresin:
donde "p" es el nmero de trminos o parmetros de la ecuacin de regresin (incluyendo
la constante), "N" el nmero de datos y (N-p) el nmero de grados de libertad de la
ecuacin. El coeficiente de determinacin ajustado tambin se ubica entre cero y uno.
c) Error estndar de la regresin
El error estndar es una estimacin de la desviacin estndar de las diferencias ( q i-Yi ),
es decir, de los errores. Est dado por la siguiente frmula:
donde (N-p) es, una vez ms, el nmero de grados de libertad de la ecuacin.
Coeficiente de determinacin:
Esto quiere decir que las dos variables independientes escogidas explican el 98% del
comportamiento de la variable dependiente, lo que es, sin duda, un excelente resultado.
Coeficiente de determinacin ajustado:
39
Para un nivel de confianza de 95%, tenemos el siguiente valor crtico de "t" (vase
cualquier tabla de la "t" de student):
que es menor que el T-STAT calculado por la computadora. Por lo tanto se rechaza la
hiptesis nula y debemos concluir que la variable "POB" contribuye significativamente a
la calidad de la ecuacin de regresin encontrada. Como el valor crtico de "t" tiene el
mismo valor para todos los dems parmetros, tambin podemos afirmar que tanto la
constante como la otra variable "IPC" contribuyen significativamente a la calidad de la
ecuacin (sus valores de T-STAT calculados son 4.2515874 y -3.3863398,
respectivamente). Obsrvese que, para realizar la prueba 'Y', es suficiente tomar los
valores absolutos de los T-STAT calculados.
Podemos realizar la prueba 'Y' directamente con la salida del paquete
computacional, sin la necesidad de consultar tablas. Para esto, es suficiente elegir un
error "a" y compararlo con los valores de la columna "ZTAIL SIG". Si "a" es mayor
que "2-TAIL SIG" se rechaza la hiptesis nula y se "a" es menor que "2-TAIL S I G se
acepta la hiptesis nula.
Ejemplo numrico 1.15:
Para un nivel de confianza de 0.95 (a=0.05), realizar la prueba "t" utilizando la salida del
TSP de la Figura 1.6.
Solucin:
Los valores de "2-TAIL SIG" son:
Constante: 0.024
Poblacin: 0.005
IPC: 0.043
Como todos los "2-TAIL SIG" son menores que "a", se rechazan todas las hiptesis
nulas.
Existen otras pruebas estadsticas como la prueba "F" y la prueba Durbin Watson.
El lector podr estudiarlas en las referencias [28] [29]. Indudablemente, la ms
importante es la prueba "t" descrita arriba.
1.4.4.3 Supuestos
Para que los criterios de ajuste y significancia descritos en los incisos anteriores sean
vlidos, varios supuestos tienen que cumplirse. A continuacin discutiremos brevemente
cada uno de ellos y veremos cmo podemos verificar que si se estn cumpliendo.
Afortunadamente, el cumplimiento de algunos supuestos puede verificarse graficando los
errores en el eje vertical y cualquier otra variable de la ecuacin en el eje horizontal. Sin
embargo, normalmente se pone en el eje horizontal la estimacin "9"o la variable
tiempo (T), como en las Figuras 1.7(a), 1.7(b), 1.7(c) y 1.7(d).
a) Causalidad
b) Linealidad
ste es el supuesto ms obvio. Si determinamos una ecuacin lineal, est implcita una
relacin lineal entre "Y" y cada una de las 'X:'. Si esto no se da, debemos cambiar a una
regresin no-lineal (no estudiada en este libro). El paquete SPSS (Statistical Package for
the Social Sciences), por ejemplo, ajusta modelos no-lineales.
c) Normalidad
La distribucin estadstica de los errores tiene que ser normal con media cero. En otras
palabras, si elaboramos un histograma de frecuencias con los errores, el resultado debe
ser una campana muy similar a la curva normal con media cero.
d) Homocedasticidad
(c) Heterocedasticidad
(b) No-linealidad
(d) Autocorrelacin
Cuando las variables 'X? de una ecuacin de regresin dada estn muy correlacionadas,
decimos que hay multicolinealidad. El mismo sentido comn sugiere que evitemos la
multicolinealidad. EScomo tener en un equipo de ftbol 2 delanteros que tienden a jugar
en la misma posicin! Por lo tanto, el supuesto es de no-multicolinealidad. La correlacin
entre variables disminuye el valor de "t", por lo que la prueba "t" elimina las que no
contribuyan a la calidad de la ecuacin. En otras palabras, "somos afortunados" porque la
prueba 'Y' se encarga de evitar los problemas serios de multicolinealidad.
Con mucha frecuencia (principalmente en pronsticos de demanda) hay un error para
cada perodo de tiempo y stos pueden aumentar o disminuir a la medida que transcurre
el tiempo. Si esto se da decimos que hay "autocorrelacin". La autocorrelacin afecta la
validez de las pruebas estadsticas, por lo que el supuesto a cumplir es la noautocorrelacin.
Si los supuestos de linealidad, homocedasticidad y autocorrelacin no se violan, la
grfica de errores debera presentarse como en la Figura 1.7(a). Normalmente dicho
patrn se llama "nulo" (del ingls "null plot"). En la Figura 1.7(b) la existencia de errores
predominantemente negativos al principio, positivos despus y negativos otra vez al final,
indica una violacin del supuesto de linealidad. Por otro lado, la Figura 1.7(c) muestra
42
"P"
Como hay 4 variables independientes hay 24 ecuaciones, incluyendo la que tiene cero
variables (sugerimos que el lector lo compruebe). Sin considerar sta por no tener inters,
nos quedamos con 24-1 = 15 ecuaciones. Las ecuaciones aparecen en la parte inferior del
Cuadro 1.18 y en sta puede apreciarse que cuanto mayor el nmero de variables, mayor
43
el valor del coeficiente de determinacin, por lo que este criterio de ajuste no sirve para
comparar las ecuaciones.
Teniendo en cuenta el coeficiente de determinacin ajustado y el error estndar, la
mejor
ecuacin es la del 7" rengln que incluye las variables "tiempo" y "bolsa", y tiene
R*=0.907926 y SE= 5.480312.
El "ok" en la columna "t de student" indica que todos los parmetros de la ecuacin
(incluyendo la constante) son significativos al nivel de significancia de 0.95. Por otro
lado, el "ok" en la columna "DW' indica que la prueba Durbin-Watson rechaza
problemas de autocorrelacin.
CUADRO 1.18 Captacin de dlares en funcin del "tiempo", "IPC", "bolsa" y "dlar"
MES
(1987)
ENE
FEB
MAR
ABR
MAY
JUN
JUL
AGO
SEP
OCT
NOV
DIC
CAPTACI~N
(US$ millones) TIEMPO
42
1
2
43
3
45
4
56
5
53
6
58
7
52
8
49
9
67
1O
86
11
89
12
98
VARIABLES
C, TIEMPO
C, IPC
C, DLAR
C, BOLSA
C, TIEMPO, IPC
C, TIEMPO, DOLAR
C, TIEMPO, BOLSA
C, IPC, DLAR
C, IPC, BOLSA
C, DLAR, BOLSA
C, TIEMPO, IPC, DLAR
C, TIEMPO, IPC, BOLSA
C, IPC, DLAR, BOLSA
C, TIEMPO, DLAR, BOLSA
C, TIEMPO, IPC, DLAR, BOLSA
R~
0.786527
0.855210
0.828761
0.004912
0.871585
0.844552
0.924667
0.867930
0.917069
0.832391
0.880546
0.925742
0.917777
0.931392
0.932324
IPC
(1978=1)
44.41
47.61
50.76
55.20
59.36
63.66
68.81
74.45
79.34
85.95
92.77
106.47
AJUSTE
R~
(ajustado)
0.765 180
0.840731
0.811637
-0.094597
0.843048
0.810008
0.907926
0.838581
0.898640
0.795144
0.835751
0.897895
0.886944
0.905665
0.893652
DLAR
973
1,040
1,097
1,193
1,274
1,337
1,400
1,474
1,552
1,621
2,340
2,190
SE
9.326854
7.681273
8.353436
20.13699
7.625188
8.389475
5.480312
7.732937
6.127736
8.711468
7.800442
6.150230
6.471652
5.911595
6.276717
BOLSA
(ndice)
60,281
79,825
98,524
122,303
143,308
161,667
226,988
287,395
343,545
200,018
113,628
105,670
PRUEBAS
DW
t
Student
NO
OK
?
NO
OK
NO
NO
NO
?
NO
OK
NO
OK
OK
?
NO
OK
NO
OK
NO
?
NO
OK
NO
?
NO
OK
NO
?
NO
44
Debo confesar que cuando realic este ejercicio no esperaba encontrar ninguna ecuacin
significativa, debido al pequeo tamao de la muestra (slo 12 datos) y a la inestabilidad
del ao 1987. Por lo tanto, result sorprendente encontrar 2 ecuaciones significativas (la
primera y la sptima). Quiero terminar este ejemplo repitiendo que ste es slo un
ejercicio acadmico y no propone ninguna teora econmica.
Ejemplo numrico 1.17:
45
<&-
ecuacin, presentando entre otras cosas con qu valor de "T" entraran. Para ahorrar
espacio y simplificar la explicacin dedicaremos una sola pgina a la entrada de cada
variable a la ecuacin y omitiremos la prueba "F" y algunas columnas. Es decir, el SPSS
proporcion ms informacin que la que se presenta en la Figura 1.8.
En la primera pgina (Step Number 1) vemos que entr la variable "C14", y con
ella en la ecuacin tenemos R2=0.16591. Su valor de "T" es 17.694 y su significancia es
0.0000. En la segunda pgina (Step Number 2) entr la variable "C23", y con "C14" y
"C23" en la ecuacin tenemos R2=0.25126. Sus valores de 'T' son 15.601 y 13.391,
respectivamente y la significancia de ambas es 0.0000. La tercera pgina (Step Number
3) est incompleta pero vemos que entr la variable "C13" y con "C14", "C23" y "C13"
en la ecuacin tenemos R2=0.30758. Y as sucesivamente.
Las siguientes pginas tambin estn incompletas (hubo un total de 8 pginas)
hasta que llegamos a la pgina 8, cuando entr la variable "C2l". Finalmente, entraron
las variables "C14", "C23", "C13", "C19", "C16", "C15", "C17" y "C21". Quedaron
afuera "C18", "C20" y "(222" por no ser significativas. La "R2" final fue de 0.36356.
En esta corrida de SPSS podemos observar cosas muy interesantes:
a) La "R~"final es de "slo" 0.36356. Aparentemente es un valor muy pequeo, sin
embargo en problemas del campo de las ciencias sociales, psicologa, etc., los valores
del coeficiente de determinacin son de esta magnitud. La satisfaccin de un empleado
depende de un nmero tan grande de factores que sera utpico querer explicar ms
que 36.356% de su comportamiento jcon slo 11 variables!
b) Comparando los coeficientes de las variables en la ecuacin final (pgina 8, columna
"B") podemos identificar aqullas que ms impacto tienen en la satisfaccin de los
empleados. Por ejemplo, la que ms impacto tiene es la "C 13" con coeficiente 0.17026
y la que menos impacto tiene es la "C21" con coeficiente 0.03673. Es muy interesante
observar que para los empleados encuestados hay muchas cosas ms importantes que
el salario...
O litro) puede afectar los coeficientes de las variables e
c) La escala (por ejemplo,
impedir el anlisis que se hizo en el inciso "b'arriba. Se pueden normalizar las
variables (restando su media y dividiendo entre su desviacin estndar) para eliminar
el efecto de la escala. Haciendo esto los coeficientes cambian a los que se presentan en
la columna "Beta". En nuestro ejemplo esto no tiene mucha importancia porque todas
las variables se midieron con la misma escala (de 1 a 5), sin embargo hay pequeas
diferencias entre la columna "B" y la columna "Beta".
d) En la pgina 1 el SPSS introdujo la variable "C14" con un valor de "T" igual a 17.694.
Cuando entr la variable "C23", el valor de "T" de la "C14" baj de 17.694 a 15.601.
A qu se debe esto? Existe correlacin entre "C14" y "C23" y cuando esta ltima
entr a la ecuacin provoc la disminucin del valor de "T" de la "C14". En
cuestionarios de este tipo es muy comn la correlacin entre variables, ya que el nivel
de satisfaccin respecto a un aspecto puede afectar el nivel de satisfaccin de otro.
46
SPSS
MLTIPLE REGRESION ****
Equation number 1
Dependent variable..
Variable Entered on Step Number
1.
C14
La casa.. .
R Square
.16591
Adjusted R Square
.16538
Standard Error
.54904
Variables in the Equation
B
SE B
Beta
Variable
C14
(Constant)
Variable
****
.31053
1.28344
.O1755
.O3794
A0732
C13
C15
C16
C17
C18
C19
c20
C21
C22
C23
Page 2
SPSS
MLTIPLE REGRESION ****
Equation number 1
Dependent variable..
Variable Entered on Step Number
2.
C23
El reconocimiento...
R Square
.25126
Adjusted R Square
.25031
Standard Error
.52035
Variables in the Equation
B
Variable
SE B
Beta
C14
C23
(Constant)
Variable
C13
C15
C16
C17
C18
C19
C20
C21
C22
Sig T
17.694
33.825
.O000
.O000
Sig T
12.130
12.991
10.646
9.929
10.781
13.319
9.954
9.306
8.253
13.391
.O000
.O000
O000
.O000
.O000
.O000
O000
.O000
.O000
.O000
Beta In
En general...
C24
****
.26489
.22221
36775
Beta In
.O1698
.O1659
.O4751
.34745
.29823
En general.. .
C24
Sig T
15.601
13.391
18.266
.O000
.O000
.O000
Sig T
11.307
8.858
5.694
5.567
5.972
10.784
4.720
5.710
4.955
.O000
.O000
O000
.O000
.O000
.O000
O000
.O000
.o000
SPSS
MULTIPLE REGRESION ****
Equation number 1
Dependent variable..
Variable Entered on Step Number
3.
C13
La relacin.. .
R Square
.30758
Adjusted R Square
.30626
Standard Error
-50056
****
Page 4
SPSS
MULTIF'LE REGRESION ****
Equation number 1
Dependent variable..
Variable Entered on Step Number
4.
C19
Compaeros...
R Square
.33771
Adjusted R Square
.33603
Standard Error
.48970
Variables in the Equation
Beta
Variable
SE B
B
C14
.O1695
.24454
.18643
C23
.O1611
.23177
.17269
.19309
.O2123
.20584
C13
.17569
.O2078
.19055
C19
.53803
.O5051
(Constant)
Page 7
Variable
C18
C20
C21
C22
Page 8
C24
En general...
C24
En general.. .
****
Beta In
SPSS
MULTIPLE REGRESION ****
Equation number 1
Dependent variable..
Variable Entered on Step Number
8.
C21
Sindicato...
R Square
.36356
Adjusted R Square
.36031
.48066
Standard Error
T
10.997
10.722
9.095
8.455
10.651
Sig T
.O000
.O000
.O000
.O000
.O000
T
1.268
1 305
2.256
1.386
Sig T
.2049
.O713
.O242
.1658
****
C24
En general.. .
Variable
C14
C23
C13
C19
C16
C15
C17
C21
(Constant)
Variable
C18
C20
C22
Beta In
Sig T
.o000
.o000
.o000
.o000
.O053
.O005
.o011
.O242
.o000
Sig T
e) Cada pgina indica el valor de "T"de las variables que estn haciendo cola para entrar.
El lector debe observar que en el siguiente paso siempre entra la variable con el mayor
valor de "T". Por ejemplo, en la pgina 2 la variable con el mayor valor de "T" es la
"C13" (11.307). Esta variable entr a la ecuacin en el paso 3 (pgina 3).
f) En la ltima pgina aparece "PIN=0.05 Lirnits reached". " PIN es una abreviacin de
"probability in" y 0.05 es el valor de "a". La frase quiere decir que el valor de
significancia elegido ha sido alcanzado y que las dems variables ya no entrarn a la
ecuacin. Si hubiramos adoptado un valor diferente para "a" la corrida hubiera
terminado antes o despus.
g) A pesar de que no lo incluimos, el SPSS tambin elabor un histograma de los errores.
La forma acampanada casi perfecta indic que se estaba cumpliendo estrictamente con
el supuesto de normalidad.
h) Las variables que ms impactan en la satisfaccin general de los empleados (C24) son
precisamente las preguntas "personales" (C13 y C14). Hay dos interpretaciones
posibles: (a) para la mayora de los empleados su vida personal es ms importante que
su vida laboral; (b) los empleados mal interpretaron la ltima pregunta y creyeron que
se refera slo a su vida personal. Posteriormente, cuando utilic un cuestionario muy
parecido a ste, para no correr el riesgo de la segunda interpretacin redact la ltima
pregunta as: "Teniendo en cuenta tanto los aspectos personales como laborales, la
vida que llevas es:".
i) Se utiliz la versin de "DOS" del SPSS. sta, as como las versiones posteriores del
SPSS, imprime mucha informacin que no hemos explicado ni estamos incluyendo en
la corrida presentada. El lector interesado en una explicacin ms detallada y completa
debe consultar los manuales del paquete (ya existe la versin de SPSS para Windows).
49
Supongamos que la demanda (Y) de una empresa dada en un pas hipottico depende de
la variable "ao" (X) y de la "inflacin" (Z). A partir de la siguiente informacin evaluar
la sinergia entre las variables independientes.
Ao
1994
1995
1996
1997
1998
1999
2000
DEMANDA
162
3O0
400
550
670
400
590
X
1
2
3
4
5
6
7
Z
21
16
20
3O
29
100
80
Solucin:
En la Figura 1.9 aparecen 3 corridas del paquete TSP: en la primera "Z" est sola en la
ecuacin; en la segunda " X est sola en la ecuacin; y en la tercera ambas variables
estn presentes en la ecuacin.
Puede observarse que cuando la variable "Z" est sola el valor de la "R2" es
0.070536; cuando la variable Y' est sola el valor de la "R2" es 0.585769; y que cuando
ambas estn presentes jel valor de la "R2" es 0.971374! Por lo tanto, es una decisin muy
precipitada desechar una variable cuando ella sola explica muy poco del comportamiento
de "Y". Recordemos, sin embargo, que cuando hay correlacin entre las variables, la
capacidad explanatoria final puede ser menor que la suma de las capacidades
explanatorias individuales. Sugerimos que el lector verifique en el Cuadro 1.18 que la
sinergia a veces ocurre y a veces no.
VARIABLE
C
INFLAC
-----
- --
COEFFICIENT
379.52952
1.4030181
STD. ERROR
119.40394
2.2776537
-------- ------
--
R-squared
Adjusted R-squared
S.E. of regression
Durbin-Watson stat
T-STAT.
3.1785344
O. 6159927
0.070536
-0.115356
186.7319
1.418632
2-TAIL SIG.
O. 025
O. 565
438.8571
176.8120
174344.0
0.379447
....................................................................
-----------------------------------------------------------------===
.................................................................
LS / / Dependent Variable is DEMAN
SMPL
1994 - 2000
7 Observations
-----------------------------------------------------------------===
.................................................................
VARIABLE
COEFFICIENT
STD. ERROR
T-STAT.
1.7871371
C
188.28571
105.35605
2.6590534
AO
62.642857
23.558330
2-TAIL SIG.
O. 134
O. 045
....................................................................
R-squared
Adjusted R-squared
S.E. of regression
Durbin-Watson stat
0.585769
0.502923
124.6590
1.864451
438.8571
176.8120
77699.29
7.070565
....................................................................
....................................................................
51
ser (N-1), ya que cuando todas las (N-1) variables son iguales a cero estamos en el
perodo n-simo (no necesariamente el ltimo). Es decir, para manejar meses necesitamos
11 variables "dummy", para manejar trimestres necesitamos 3 variables "dummy" y para
manejar semestres necesitamos 1 variable "dummy".
A continuacin presentamos un ejemplo de una empresa hipottica cuya demanda
presenta estacionalidad perfecta, para que el lector verifique que la regresin lineal
normal conduce a un ajuste mediocre mientras que la regresin lineal con estacionalidad
conduce a un ajuste perfecto (R2=1).
Ejemplo numrico 1.19:
Supongamos que los datos trimestrales de una empresa dada son los siguientes:
Ao+
Trimestre
T1
T2
T3
T4
1996
15
55
10
85
1997
55
95
50
125
1998
95
135
90
165
1999
135
175
130
205
2000
175
215
170
245
La Figura 1.10 muestra los valores de todas las variables del problema, incluyendo las
"dummy". La regresin lineal nicamente con la variable "tiempo" (que en el TSP se
llam trimes) es de hecho una recta cuyos valores aparecen bajo el ttulo "recta" y cuya
corrida del TSP aparece en la parte inferior de la Figura 1.10. Puede observarse que,
debido a la fuerte estacionalidad, el ajuste no es muy bueno y arroja una "R2" de
0.842426. La Figura 1.1 1 es una representacin grfica de los datos de demanda y de la
recta de regresin.
La Figura 1.12 muestra los valores de la demanda real, los valores de la regresin
con estacionalidad (bajo el ttulo "reg. con est.") y la corrida correspondiente del TSP.
Puede observarse que el ajuste es perfecto con R2=1.0! La ecuacin de regresin es la
siguiente (vase la columna "coefficient"de la parte inferior de la Figura 1.12):
Deman = 5 + (lO)(trimes)+ (30)(T2)- (25)(T3) + (40)(T4)
Los coeficientes de las variables "dumrny" tienen la siguiente interpretacin. El 30 de
"T2" indica que, en cada segundo trimestre, la regresin suma 30 al valor obtenido por la
recta deman=5+(1O)(trimes); anlogamente, en cada tercer trimestre la regresin resta 25
al valor obtenido por la recta y en cada cuarto trimestre la regresin suma 40 al valor de
la recta. En el primer trimestre la regresin no suma ni resta ninguna cantidad.
TRIMESTRES
obs
DEMAN
REG. CON EST.
................................
1996.1
15.00000
15.00000 ,
1996.2
55.00000
55.00000
1996.3
10.00000
10.00000
1996.4
85.00000
85.00000
1997.1
55.00000
55.00000
1997.2
95.00000
95.00000
1997.3
50.00000
50.00000
1997.4
125.0000
125.0000
1998.1
95.00000
95.00000
1998.2
135.0000
135.0000
1998.3
90.00000
90.00000
1998.4
165.0000
165.0000
1999.1
135.0000
135.0000
1999.2
175.0000
175.0000
1999.3
130.0000
130.0000
1999.4
205.0000
205.0000
2000.1
175.0000
175.0000
2000.2
215.0000
215.0000
2000.3
170.0000
170.0000
2000.4
245.0000
245.0000
..............................
..............................
....................................................................
LS / / Dependent Variable is DEMAN
SMPL 1996.1 - 2000.4
20 Observations
....................................................................
VARIABLE
COEFFICIENT
STD. ERROR
T-STAT.
2-TAIL SIG.
5.0000000
6.841D-15
C
7.309D+14
O. O00
TRIMES
10.000000
4.732D-16
2.113D+16
O. O00
T2
30.000000
7.586D-15
3.954D+15
O. O00
T3
-25.000000
7.631D-15
-3.27 6D+15
0.000
40.000000
T4
7.704D-15
5.192D+15
0.000
....................................................................
R-squared
1.000000
Mean o dependent var
121.2500
1.000000
S.D. o dependent var
66.03179
Adjusted R-squared
S.E. o regression
1.20D-14
Sum o squared resid
2.15D-27
Durbin-Watson stat
O. 423172
....................................................................
....................................................................
Si quisiramos elaborar pronsticos para los cuatro trimestres de 2001, stos seran:
......................................................
obs
DEMAN
X1
X2
X3
R-squared
0.945500
Mean o dependent var
S.D. o dependent var
Adjusted R-squared
0.942554
Sum o squared resid
S.E. o regression
21.47606
0.096449
E-statistic
Durbin-Watson stat
....................................................................
....................................................................
176.1250
89.60374
17065.18
320.9515
Como conclusin, queremos agregar que la regresin lineal mltiple es, quizs, la
herramienta de pronsticos ms poderosa y flexible que hay. Sin embargo, con fkecuencia
usamos y abusamos de la regresin. Para usarla con seriedad debemos verificar
cuidadosamente, su ajuste, significancia y cumplimiento de supuestos.
Su uso generalizado se debe a las siguientes razones principales:
a) Existen paquetes computacionales muy eficientes que no slo determinan la ecuacin,
sino que evalan el ajuste, la significancia y los supuestos.
b) Puede utilizarse para estudiar la relacin entre cualquier variable dependiente
(continua) y cualesquiera variables independientes (continuas). Por ejemplo, la
variable dependiente puede ser "dureza de un acero" y las independientes pueden ser
"temperatura del horno" y "tiempo en el horno".
c) Permite manejar fcilmente la estacionalidad a travs de las variables dummy.
d) Permite ajustar las lneas exponencial y potencial, adems de la lnea recta.
e) Permite ajustar polinomios.
(a)y=a+bx+cx2
(b) y=a+bx+cx2+dX3
PROBLEMS TIPO
1.1 Los datos de demanda de una determinada empresa en los ltimos aos han sido los
siguientes (debido a problemas internos y externos la empresa decidi no usar el dato
de 1997):
AOS
DEMANDA
1994
3,000
1995
3,400
1996
4,200
1998
4,300
Elaborar pronsticos para los aos 2000 y 2002 utilizando la lnea recta.
Resp.:Poniendo el origen en 1994 la ecuacin es Y=3,140+(334.29)0; Y(2000)=5,145.71;Y(2002)=5,814.32.
1995
5,000
1997
6,700
1996
6,000
1998
7,000
1995
1 O0
1996
120
1997
140
1998
170
1.4 Una empresa siempre ha utilizado el promedio mvil con K=4 y disponemos de la
siguiente informacin para 2001 (M~):
MESES
MAY JUN JUL AGO SEP OCT NOV DIC
DEMANDA 1,300 1,500 1,700 2,200 1,900 2,500 2,300 2,700
a) Qu pronstico calcul la empresa para Diciembre de 2001 usando el PMS y
qu error se cometi en
y % de la demanda real?
b) Qu pronstico calcul la empresa para Diciembre de 2001 usando el PMA y
qu error se cometi en
y %?
c) Cules son los pronsticos sin estacionalidad para los 12 meses de 2002,
utilizando el PMA?
d) Considerando el total anual del inciso anterior, cules son los pronsticos con
estacionalidad para los 4 trimestres de 2002, suponiendo que los ndices
estacionales fueran lo%, 20%, 30%y 40%, respectivamente?
Resp.: a) Promedio simple Noviembre=2,225; Pron6stico Diciembre=2,225;E(M3)=2,225-2,700=-475;E(%)=-17.59%.
b) Promedio ajustado Noviembre=2,683.33; Pron6stiw Diciembre=2,683.33;~(h4~)=2,683.33-2,700=-16.67;
E(%)=0.62%.
1 AGO 1 SEP
MESES 1 JlJL
PRONO. 1 3,660.44 1 3,814.61 1 3,968.78
Total del ao=43,000
d) P1=4,300; P2=8,600; P3=12,900; P4=17,200.
1
1
OCT
4,122.95
1
1
NOV
4,277.12
1 JUN
1 3,506.27
1 DIC
1 4,431.29
MAY JUN
MESES
DEMANDA 1,300 1,500
Ms
MD
JL
3,584
1
1
AGO
3,708
SEP
3,832
OCT
3,956
1
1
NOV
4,080
1 JUN
1 3,460
1 DIC
1 4,204
Resp.: 42.
1.7 American Express desea estimar las compras del ao 2000 con la tarjeta de crdito
en Mxico y para esto recopil la informacin del cuadro a continuacin
Utilizando
(informacin real procesada para mantener su c~~dencialidad).
cualquier paquete de regresin lineal mltiple:
a) Determinar la ecuacin de regresin lineal mltiple que relaciona "compras" (Y)
con "tarjetahabientes" (Xl) y "establecimientos" (X2).
b) Evaluar el ajuste de la ecuacin calculando "R" cuadrada, "R" cuadrada ajustada
y "SE".
c) Realizar una prueba 'Y' al nivel de confianza del 95% para determinar la
significancia estadstica de la ecuacin.
A0
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
COMPRAS CON
LA TARJETA
($ miles)
3,500
4,300
6,100
7,300
7,000
7,400
6,800
6,300
6,400
8,800
1 5,700
20,200
# DE TARJE-
# ESTABLECIMIENTOS
TAHABIENTES
(miles)
1,400
1,600
2,000
2,500
2,300
1,900
1,700
1,700
1,800
2,000
2,600
3,200
AFILIADOS
(miles)
150
160
160
170
180
180
190
200
250
330
440
540
Resp.: a) Y=-5,221.7423+(3.5391650)(TARJET)+(25.438486)@STAESL).
b) R cuadrada=0.969372;R cuadrada ajustada=0.962566;SE=929.4637.
c) Significancia de 'Y': constante 0.003<0.05,se rechaza Ho; tarjetahabientes 0.003<0.05, se rechaza Ho;
establecimientos 0.000<0.05,se rechaza Ho.
d) Y=25,724.32 miles.
TIEMPO
(min.)
70
69
78
75
LARGO
ANCHO
3.O0
3.O0
4.00
3.50
0.30
0.20
0.25
0.28
61
1
2
3
4
5
6
7
8
9
1O
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
QwL
3.670000
3.670000
2.940000
3.710000
3.230000
2.880000
3.380000
3.510000
3.350000
3.160000
3.130000
3.210000
3.110000
2.760000
3.040000
2.840000
3.250000
2.950000
3.050000
3.370000
3.160000
2.620000
3.100000
3.410000
3.270000
JIT
7.950000
15.37000
22.20000
11.74000
14.54000
13.83000
11.40000
11.40000
12.95000
15.51000
11.19000
17.96000
19.07000
16.68000
16.36000
21.75000
12.06000
19.85000
15.50000
13.40000
13.95000
21.70000
12.70000
20.37000
16.45000
EDU
1.450000
1.550000
1.520000
2.000000
1.950000
1.670000
2.050000
2.330000
1.350000
1.590000
2.360000
2.240000
2.470000
2.200000
1.860000
2.440000
2.260000
2.680000
2.250000
2.000000
2.500000
1.800000
1.800000
2.000000
1.940000
SEN
5.920000
17.21000
5.070000
3.570000
7.390000
5.710000
10.18000
3.080000
11.54000
2.960000
2.870000
4.120000
1.510000
2.400000
1.200000
2.780000
9.190000
4.980000
5.750000
4.410000
4.590000
4.040000
9.960000
4.930000
6.140000
a)
b)
c)
d)
2.1 INTRODUCCIN
2.2.3 Generacin de planes alternativos.
2.2 PLANEACIN DE CAPACIDAD
2.2.4 Evaluacin econmica de las
DE LARGO PLAZO
alternativas y seleccin final.
2.2.1 Elaboracin de pronsticos de largo 2.2.5 Optimizacin.
plazo.
2.3 PLANEACI~NDE CAPACIDAD
2.2.2 Transformacin de pronsticos en
DE CORTO PLAZO
requerimientos de capacidad.
Ninguna empresa puede darse el lujo de no hacer una adecuada planeacin de capacidad,
lo cual a grosso modo, significa combinar las fuentes alternas de capacidad de tal forma
que se pueda satisfacer econmicamente la demanda creciente o decreciente de sus
productos o servicios.
El trmino "capacidad" ha sido definido de distintas maneras: "volumen mximo
por unidad de tiempo que podemos obtener de una unidad productiva"; "volumen ideal o
terico por unidad de tiempo que podemos obtener de una unidad productiva; etc.. Estas
definiciones pueden ser tiles como una referencia pero no ayudan mucho a planear la
capacidad, precisamente porque estos volmenes "mximos", "ideales" o "tericos"
generalmente no se logran. Por ejemplo, el dato de que un VW sedn hace 15 Km. por
litro de gasolina no es muy til, ya que corresponde a 90 Km./hora de velocidad y a una
carretera sin vientos, pendientes o curvas. Si manejaremos a una velocidad de 110
Km./hora en una carretera "normal", para efectos de planeacin del viaje un dato como
10 Km. por litro seguramente ser mucho ms til.
Por estas razones, adoptaremos en este libro la siguiente definicin de capacidad:
"volumen por unidad de tiempo que podemos obtener de una unidad productiva en las
condiciones actuales de operacin". Esta definicin no implica una actitud conformista
de no intentar cambiar las condiciones para obtener ms volumen. Al contrario, con la
mejora continua las condiciones deben cambiar y la capacidad debe cambiar tambin.
Encontrar una medida de capacidad idnea no es una tarea fcil. Cuando el
producto es nico o presenta muy pocas variantes, normalmente "unidades fsicas" es la
mejor medida de capacidad. Por ejemplo, podemos tener computadoras/ao, coches/ao,
pasajeroslao, etc.. Sin embargo, esta medida no es adecuada para mltiples productos.
En estos casos, necesitamos una "unidad fsica c o m W como toneladas, metros cbicos,
pasajeros-km, etc. o una unidad monetaria ($). Por ejemplo, podemos tener T/ao,
~ ~ l a o $/ao.
o
Si se utiliza la ltima, siempre ser conveniente eliminar el efecto de la
inflacin. En algunos casos, tambin se mide la capacidad a travs de los recursos
disponibles, como por ejemplo, horas-hombre, aviones o salones de clases. Tenemos que
ser muy cautelosos con esta forma de medir, porque la disponibilidad de recursos no
necesariamente implica produccin y los recursos pueden ser utilizados con niveles muy
diferentes de eficiencia.
Cuando nos enfkentamos a un problema de capacidad, siempre habr la
disponibilidad de una o ms de las siguientes fuentes alternas de capacidad:
65
66
Supongamos que se trata de una empresa que fabrica muebles de acero, cuyas principales
etapas del proceso productivo son:
* Soldadura.
Los productos terminados son "A", "B", "C" y " D y todos pasan por todas las etapas del
proceso. Supongamos que los productos "A", "B", "C" y " D requieren las siguientes
horas-mquina (HM) en los departamentos de corte y doblado (por unidad producida):
PRODUCTO
CORTE
0.45 HM
0.30 HM
0.75 HM
0.90 HM
DOBLADO
0.25 HM
0.20 HM
0.40 HM
0.50 HM
Supongamos tambin que los pronsticos de demanda de estos cuatro productos para los
prximos 5 aos son:
2002
2003
2004
2005
2006
2,190
2,870
3,550
4,230
4,910
Supongamos que esta etapa del proceso trabaja un solo turno con un total de 2 mquinas
cortadoras (guillotinas), y que el nmero de das laborables del ao sea de 250. El total de
horas-mquina disponibles en cada uno de los 5 aos sera de:
(2 mquinas)@hlda)(250 daslao) = 4,000 HMao.
Podemos ver, por lo tanto, que a partir de 2005 la capacidad instalada de la planta (2
mquinas) no ser suficiente y que la empresa tendr que trabajar tiempo o turnos extras,
o aumentar su capacidad instalada (a 3 mquinas, por ejemplo).
Obsrvese que normalmente las mquinas no trabajan las 8 horas diarias, por lo que
el total de 4,000 HM/ao es demasiado elevado. Suponiendo una utilizacin de 85% del
tiempo disponible (fondo productivo utilizable), el total de horas-mquina al ao sera
(4,000 HMao)(0.85) = 3,400 HM/ao, lo que indica que ya en el ao de 2004 la
empresa empezara a tener problemas de capacidad.
Un clculo idntico podra ser hecho para analizar la capacidad del proceso de
doblado y de los dems procesos de la planta, tanto en trminos de horas-mquina (para
determinar el nmero de mquinas requeridas), como en trminos de horas-hombre (para
determinar el nmero de trabajadores requeridos).
Antes de pasar al siguiente inciso (generacin de planes alternativos), vale la pena
resaltar algunos puntos respecto al concepto de capacidad:
a) Como mencionamos antes, las mquinas ya instaladas en la planta o la fuerza de
trabajo ya contratada y entrenada, se llama capacidad instalada. sta ser siempre
constante hasta que se integren (o se retiren) hombres y10 mquinas. En el caso del
proceso de corte del ejemplo 2.1, la capacidad instalada era de 2 mquinas guillotinas
o de 3,400 HM/ao.
b) La capacidad requerida es aqulla que se necesita para satisfacer plenamente la
demanda, pudiendo ser por lo tanto mayor o menor que la capacidad instalada. La
capacidad requerida generalmente es variable, por lo que ser necesario calcular la
capacidad requerida media de un perodo y la capacidad requerida instantnea de un
determinado momento (da).
c) La capacidad se puede medir con cualquier unidad de tiempo, independientemente del
perodo o momento que se est analizando. Por ejemplo, podemos decir que la
capacidad instalada o requerida del mes de Octubre de 2002 es de 2,000 unidades al
ao; o decir que la capacidad requerida del lo de Enero de 2003 ser de 2,500
unidades al ao. Por simplicidad, en los problemas de largo plazo siempre
utilizaremos como unidad de tiempo el ao y en los problemas de corto plazo el mes.
d) Cuando se transforman los pronsticos en capacidades requeridas o requerimientos de
capacidad, esto no implica que durante todo el perodo analizado la capacidad
requerida ser la misma. Por ejemplo, en el caso del proceso de corte la capacidad
requerida en 2002 es de 2,190 HM, sin embargo, como la demanda es creciente, la
capacidad requerida al principio del ao ser menor que este valor y al final del ao
ser mayor que este valor. Si queremos satisfacer totalmente la demanda con la
capacidad instalada sin acumular inventario, sta debe ser suficiente para aumentar de
un valor inicial " X hasta un valor final "Y', de tal manera que la media sea
exactamente 2,190 HM/ao. Por este motivo, siempre hablaremos de las capacidades
requeridas al inicio y final de cada perodo (ao, semestre, mes, etc.), y de capacidad
requerida media.
INICIAL
10,000
12,000
14,400
17,280
FINAL
12,000
14,400
17,280
20,736
2010
51,598
61,917
* Economas de escala.
* Tasas de inters.
* Riesgo.
70
la alternativa de la Figura 2.l(b) puede ser muy superior. Por lo tanto, para cada caso
especfico, tendr que hacerse una evaluacin econmica para determinar la mejor
alternativa.
En muchos casos lo que determina la frecuencia y la magnitud de las ampliaciones
son las restricciones de capacidad. Por ejemplo, supongamos que en una planta
productora de bloques de concreto hay actualmente una mquina que produce 10,000
bloques en un turno de 8 horas. Si se requiere un aumento de capacidad instalada, se
podr llegar a un mximo de 30,000 bloques por da en tres turnos. A partir de este valor,
la empresa estar obligada a comprar otra mquina y el aumento de capacidad estar
condicionado por los tamaos disponibles en el mercado. Si la capacidad mnima de este
tipo de mquina es de 10,000 bloques18 horas, ste ser el aumento mnimo de capacidad
de la planta, independientemente de cualquier estudio econmico que se quiera realizar.
Con dos mquinas y requerimientos de 30,000 bloqueslda la planta podra empezar
trabajando 1.5 turnos por da o poner a trabajar una mquina dos turnos y la otra un solo
turno. Con las dos mquinas se podra llegar a una capacidad terica mxima de 60,000
bloqueslda, cuando entonces otro aumento de 10,000 se hara necesario.
Si graficamos una capacidad requerida hipottica, la capacidad instalada por turno
de 8 horas y la capacidad instalada total (3 turnos), obtendremos lo que se muestra en la
Figura 2.2. En esta figura la lnea continua superior indica la capacidad de la planta con 3
turnos y la lnea continua inferior la capacidad de la planta si solamente fuera posible
trabajar un turno. La figura muestra claramente que para satisfacer esta demanda
hipottica se tendrn que comprar nuevas mquinas de 10,000 bloqueslda al final de los
aos 2001 y 2009, respectivamente.
O0
O1
03
04
05
06
07
08
09
10
11
12
13
Aos
71
Si por alguna razn la planta pudiera trabajar slo un mximo de 2 turnoslda, los
incrementos de capacidad tendran que ser como lo indica la lnea punteada de la Figura
2.2. Obsrvese que en este caso, para reducir la sub-utilizacin de la maquinaria, la
empresa est planeando tener en los aos 2012 y 2013 una capacidad instalada
ligeramente inferior a la capacidad requerida, ya que en estos aos la lnea representativa
de la capacidad instalada pasa por debajo de la lnea representativa de la capacidad
requerida. Esto implica, obviamente, la necesidad de trabajar tiempo extra si se quiere
satisfacer totalmente la demanda.
La Figura 2.3(a) muestra la capacidad requerida para los prximos 4 aos, es decir, 2003,
2004,2005 y 2006 (estamos a finales de 2002). La capacidad instalada actual es de 6,000
unid./ao. En el mercado slo estn disponibles ampliaciones de 1,000 unid./ao y 3,000
unid./ao, por lo que hemos generado las alternativas #1, #2 y #3 (figuras 2.3(b), 2.3(c) y
2.3(d)). La alternativa #3 requiere tiempo extra durante todo el ao de 2004. Cualquiera
que sea la alternativa adoptada, la demanda se tiene que satisfacer en su totalidad, por lo
que los ingresos sern idnticos para cada alternativa. No est permitida la acumulacin
de inventarias. El costo del capital (tasa de inters compuesto) es de 10%lao.
Hay economas de escala tanto de inversin como de costo operacional. Una unidad
producida en tiempo normal por la ampliacin de 1,000 cuesta $6/unid., mientras que la
ampliacin de 3,000 produce a un costo de $5/unid. Para cualquier tipo de ampliacin el
tiempo extra provoca un costo adicional de $2/unid.. Por lo tanto, la informacin
correspondiente a cada una de las ampliaciones es la siguiente:
TAMAo
1,000
3,000
La planta actual trabaja a los mismos costos que la ampliacin de 1,000 unid./ao.
Determinar las unidades producidas en tiempo normal y tiempo extra en cada uno de los
aos y el valor presente neto para cada alternativa.
Solucin:
72
(b) Alternativa #1
'rcap.
(c) Alternativa #2
vap.
(d) Alternativa #3
Yap.
"")
Alternativa #1:
73
2005
2004
2006
$31,464
1r
$1,818,182
(5500)($6)
=$33,000
7r
$33,805
(6500)($6)
439,000
$2,000,000
(8500)($6)
=$51,000
'I
7r
(7500)($6)
=$45,000
$2,000,000
$2,000,000
$1,652,893
\r
$35,459
Flujos
}L
"
$1,502,630
Valores presentes
\r
$36,534
Alternativa #2:
Con la alternativa #2 la ampliacin de 3,000 estar disponible a partir del final de 2003.
Como sta es ms eficiente que la instalacin actual, es lgico utilizarla al mximo
siempre y producir el restante con la instalacin actual. Por ejemplo, para el ao de 2004
tenemos que ofrecer un total de 6,500 unid., por lo que producimos 3,000 unid. con la
nueva instalacin (a $5) y slo 3,500 con la antigua (a $6). Los egresos y valores
presentes se presentan en la Figura 2.5.
2004
2005
2006
$31,464
$5,000,000
(5500)($6)
333,000
(3000)($5)+
(3500)($6)
436,000
(3000)($5)+
(4500)($6)
442,000
(3000)($5)+
(5500)($6)
=$48,000
$31,204
$5,500,000
$33,095
$34,385
Valores presentes
Flujos
Alternativa #3:
$34,385
Valores presentes
Flujos
$4,679,070
Resumiendo, los valores presentes totales de los egresos de cada alternativa son:
ALTERNATIVA
#1
#2
#3
VALOR PRESENTE
$5,110,967
$5,130,148
$4,679,070
Se han hecho los siguientes pronsticos de demanda en una determinada empresa para los
prximos 3 aos:
A0
DEMANDA
2003
10,000
2005
14,000
2004
12,000
cR
c)
2003
(10000)($50)
3500,000
$476,731
$520,608
$563,410
2004
(1 1938)(($50)+
(62)($60)
3600,620
2005
v
(12500)($50)+
(1500)($60)
=$715,000
2.2.5 Optimizacin
En la literatura dicilmente encontramos formulaciones matemticas del problema de
planeacin de capacidad de largo plazo y su correspondiente optimizacin. En gran
medida el mtodo utilizado sigue siendo el de generar alternativas, evaluarlas
econmicamente y seleccionar la mejor. Slo se han encontrado soluciones ptimas para
casos muy especiales. A continuacin presentamos un ejemplo con las siguientes
caractersticas:
* Horizonte infinito.
En estas condiciones es fcil demostrar que la solucin ptima es ampliar cada "x" aos y
que, consecuentemente, cada ampliacin debe ser de un tamao (x.D). El problema
consiste entonces en encontrar el valor ptimo de "x".
Consideremos el siguiente esquema, en el cual se invierte f(y), correspondiente a
una ampliacin de tamao "y" cada "x" aos, y C(x) es el valor presente de todos los
flujos desde infinito hasta el punto indicado con el nmero 2.
..."........................
"..........................
X
>
Aos
es decir, el valor ptimo "xo" no puede ser despejado pero puede encontrarse por
iteraciones sucesivas. Es interesante observar que el valor ptimo de "x" no depende de
" D ni de "K". Para que haya economa de escala el valor de "a" tiene que ser positivo y
menor que uno. Si "a" fuera mayor que uno habra deseconoma de escala. El modelo
considera un horizonte infinito, lo que equivale a considerar que la empresa existir
siempre y que las condiciones ("r", "a", " D y "K") se mantendrn iguales.
Ejemplo numrico 2.4:
En este caso D=200, r=0.10, K=10,000 y a=0.70. El valor ptimo de "x" es el siguiente:
de donde se obtiene el valor &=6.75 aos. Por lo tanto, cada ampliacin tendr un
tamao y=(6.75)(200)=1,350 unid. y un valor de:
78
Una empresa quiere definir el programa de produccin para satisfacer las demandas de
los primeros cuatro meses del prximo ao:
MESES
DEMANDAS
ENERO
400
FEBRERO
600
MARZO
550
ABRIL
1,000
PROGRAMA 11:
Cul es el mejor?
Solucin:
'
79
Programa 1:
DICIEMBRE
DEMANDA
1.1.
I.F.
NORMAL
T.E.
MAQUILA
-
---
--O
--m
ENERO
FEBRERO
MARZO
400
O
100
500
600
1 O0
O
500
550
'50
O
500
--m
--m
---
---
--m
--m
50
5O
---
5O
25
ABRIL
1,000
O450
50
500
100
450
250
$220,000.
$13,000.
$80,000.
$5,625.
$318,625.
Programa 11:
DICIEMBRE
DEMANDA
1.1.
I.F.
NORMAL
T.E.
MAQUILA
--m
--0
-------
ENERO
FEBRERO
MARZO
ABRIL
400
O
200
500
100
600
200
200
500
100
550
200
250
500
100
1,000
250450
50
500
100
200
250
---
1 O0
--m
200
---
225
$220,000.
$52,000.
$32,000.
$11,625.
$315,625.
80
$2,000.
$25,000.
$5,625.
$32,625.
Programa 11:
Costo de la produccin en tiempo extra: (400)($20) =
Costo de la maquila: (200)($50) =
Costo de mantener: (100+200+225+250)($15)=
Costo total:
$8,000.
$10,000.
$11,625.
$29,625.
PROBLEMAS TIPO
2.1 Se han hecho los siguientes pronsticos para los prximos 4 aos:
- A0
DEMANDA
2003
15,000
2004
20,000
2005
25,000
2006
30,000
2003
12,000
2004
20,000
2005
28,000
2.3 Se han hecho los siguientes pronsticos para los prximos 3 aos:
AOS
DEMANDA
2003
10,000
2004
14,000
2005
18,000
INICIAL
FINAL
2.4 Se han hecho los siguientes pronsticos de demanda en una determinada empresa
para los prximos 3 aos:
AOS
DEMANDA
2003
12,000
2004
18,000
2005
24,000
83
d) Setia una curva que arranca de cero al inicio de 2003 y tiene pendiente decreciente que llega a cero al inicio del
ltimo 113 de 2004, cuando la ordenada es de 8,333; a partir de ah la pendiente es negativa y la curva termina con una
ordenada de 3,000 al fmal de 2005. Las ordenadas al inicio y final de cada ao seran las del cuadro arriba.
Recomendamos que el lector dibuje la curva.
2.5 Se han hecho los siguientes pronsticos de demanda para los prximos 3 aos:
AOS
DEMANDA
2003
16,500
2004
19,500
2005
22,500
1
1
2.6 La empresa BETA, S.A. ha elaborado los siguientes pronsticos para los primeros 4
meses de 2003:
MESES
DEMANDA
ENERO
500
FEBRERO
750
MARZO
900
ABRIL
700
2.7 La empresa BAJO, S.A. ha elaborado los siguientes pronsticos para los 4 primeros
meses de 2003:
MESES
DEMANDA
ENERO
4,000
FEBRERO
4,900
MARZO
5,800
ABRIL
4,500
MARZO
400
ABRIL
200
86
3.1.1 Introduccin
En varias situaciones un obrero puede operar varias mquinas que sean automticas o
semi-automticas. Por ejemplo, en una industria ptica un solo obrero puede operar
varias de las mquinas que realizan el proceso de corte de los cristales antes del ensamble
final en el marco.
En este inciso se estudiar la determinacin del nmero ptimo de mquinas
idnticas que el obrero debe operar en determinadas circunstancias. En algunos casos la
solucin es obvia, trivial, o est determinada por ciertos factores como por ejemplo las
polticas internas de la empresa y10 sindicato. En otros casos, existen muchas
posibilidades de asignacin de la(s) mquina(s) a lo(s) obrero(s), por lo que debemos
decidir cul es el numero "ptimo" de mquinas que el obrero debe operar. Para realizar
esto, consideraremos que el nmero ptimo de mquinas ser aqul que permita la
fabricacin del producto a costos mnimos, los cuales incluirn la mano de obra directa y
los costos directos de la maquinaria.
3.1.2 Relacin sncrona
Consideraremos inicialmente el caso de la Figura 3.1 en la cual llamamos "p" a todos los
elementos que el obrero slo puede hacer con la mquina parada (por ejemplo, cargar y
descargar); llamamos "f" a todos aquellos elementos que el obrero puede realizar con la
mquina funcionando (por ejemplo, caminar de una mquina a otra, inspeccionar la
pieza ya procesada, etc.); y finalmente llamamos "m" al tiempo condicionado por la
mquina, o el tiempo durante el cual la mquina trabaja automticamente sin la
intervencin del obrero.
FIGURA 3.1 Relacin sncrona
f2
f1
HOMBRE
MAQ. 1
.. .-
MAQ. 2
<..............................................................................................................................................................>
ciclo
Clave:
87
y trabaje automticamente durante "ml"; realiza "f" en la mquina 1 (fl), lo que incluye,
entre otras actividades, caminar de la mquina 1 a la mquina 2, por lo que el final de
"fl" debe coincidir con el inicio de la realizacin de "p" en la mquina 2 (p2); despus de
"p2" la mquina 2 arranca y funciona durante "m2", mientras el obrero realiza "f2", y
terminando ste, ya estar al lado de la mquina 1 para empezar todo otra vez (obsrvese
que estamos considerando 2 mquinas nicamente como un ejemplo).
En el punto que todo volvera a empezar, interrumpimos la grfica y el tiempo
transcurrido desde cero hasta el final de la grfica corresponde a un ciclo (c), como
tambin se indica en la Figura 3.1.
Puede observarse tambin en la Figura 3.1 que ni el obrero ni la mquina tienen
tiempo de inactividad. Esto se debe al hecho de que cuando el obrero termina "f2" esto
coincide exactamente con el final de "ml", y cuando termina "fl" esto coincide
exactamente con el final de "m2".
Cuando esto ocurre, la relacin hombre-mquina se llama "sncrona" y esto
implica, como se acaba de mencionar, que ni el hombre ni la mquina presentan tiempo
de inactividad.
Es fcil ver en la Figura 3.1 que el ciclo "c" est dado por:
donde: N = nmero de mquinas (en este caso N=2).
Tambin podemos escribir:
lo que indica que el cociente (p+m)/(p+f) nos dar el nmero de mquinas que el obrero
deber operar para que la relacin sea sncrona. Obviamente, si este cociente resulta
fraccionario, la relacin jams podr ser sncrona. Si "N" resulta un nmero entero, la
relacin sncrona existe, sin embargo podr ser asncrona con valores de "N" mayores o
menores que el obtenido por el cociente (p+m)/(p+f).
Si la relacin es sncrona, el nmero ptimo de mquinas ser siempre N,=
(p+m)/(p+f), a no ser que la solucin del problema est afectada por otros factores
adems de los costos de mano de obra y maquinaria. Por ejemplo, "N," puede ser 2 y hay
5 mquinas en la planta, lo que nos obliga a asignar 2 a un obrero y 3 a otro, 2 a un
primer obrero, 2 a un segundo obrero y 1 a un tercer obrero.
88
superior). Es fcil concluir que, siempre que asignamos "N:' mquinas al obrero, ste
estar inactivo (como en la Figura 3.2) y siempre que le asignamos "N,", sern las
mquinas las que estarn inactivas (lo que ser analizado en el siguiente inciso y en la
Figura 3.3).
f2
TI
....
MAQ. 1
MAQ. 2
ciclo
Clave:
Ahora bien, en condiciones como las de la Figura 3.2, cunto cuesta fabricar el
producto? Supongamos que el obrero gana "G'pesos por hora y que la mquina nos
cuesta "&," pesos por hora, est inactiva, siendo atendida o funcionando (es obvio que
esto es una aproximacin, ya que el costo de la mquina funcionando tendra que ser
superior debido al desgaste, consumo de energa elctrica y lubricantes, etc.).
Tenemos entonces:
= (&)(p+m)/Ni
Por lo tanto, el costo total por ciclo por mquina para "N:' mquinas sera
Ci = (K,,)(p+m)/Ni
+ (Km)(p+m)
~bservmosque este costo es por ciclo por mquina. Si de cada mquina en un ciclo sale
una sola pieza, este costo tambin ser por pieza; si de cada mquina en un ciclo salen
"x" piezas, habr que dividirse "C? entre "x" para obtener el costo por pieza.
Para poder determinar el nmero ptimo de mquinas, este costo "Ci" deber
entonces ser comparado con el costo correspondiente a la alternativa con %" mquinas,
que en nuestro ejemplo.sern 3 (vase el inciso 3.1.4 a continuacin).
MAQ. 1
MAQ. 2
TI
m3
m3
MAQ. 3
ciclo
Clave:
1-
Mquina inactiva
En el caso de la Figura 3.3, el ciclo "c" es igual a (3)(p+f) = (N,)(p+f), lo que es superior
a @+m), i n d i k d o otra vez que el cociente (p+m)/(p+f) tiene que estar entre 2 y 3. En
estas condiciones tenemos:
Una vez calculados 'C? y "C,", el siguiente paso ser su comparacin: si Ci<C,, desde el
punto de vista de costos la solucin ptima ser ''N? mquinas; si Ci>Cs, la solucin
ptima ser "N," mquinas.
El lector deber notar tambin que los costos "C? y "C,", as como el costo por
ciclo por mquina para cualquier valor de " N , pueden ser resumidos por la siguiente
frmula:
El valor de "p" incluye cargar y descargar, siendo por lo tanto igual a 0.80 min.; a su vez,
"f'incluye inspeccionar la pieza terminada y caminar, siendo 0.90 min.. El valor de "N"
ser entonces:
N=
0.80 + 7.00
= 4.6 mquinas
0.80 + 0.90
91
Para cualquier otro valor de "N", por ejemplo N=l y N=6, tendramos (recurdese que
para cualquier N I
Ni, el ciclo es @+m) y para cualquier N 2 N, el ciclo es (N)(p+f)):
Ci = (c)(Wl + Km) = (p+m)(Kdl + Km)= (7.80)($1011 + $20)/60 = $3.90/ciclo.mq.
De la misma manera estas ltimas frmulas podran ser generalizadas para aquellos casos
en que el salario del obrero inactivo sea "&1" y el salario del obrero trabajando sea
"&2". Sin embargo, es muy poco probable que esto ocurra.
92
En este inciso estudiaremos los efectos del proceso de aprendizaje en los niveles de
productividad. En otras palabras, estudiaremos cmo la productividad se incrementa o, lo
que es lo mismo, cmo el tiempo o las horas-hombre de realizacin de las actividades se
reducen, a la medida que los trabajadores adquieren una mayor prctica.
La curva que describe el proceso de aprendizaje (creciente si se trata de
productividad o decreciente si se trata de tiempo u horas-hombre de realizacin) puede
ser cualquiera, sin embargo siempre presentar una caracterstica principal: hay cambios
muy rpidos al principio y muy lentos despus de determinado volumen de trabajo o, lo
que es lo mismo, la curva siempre tiende a estabilizarse. Normalmente, la curva que ms
se utiliza para describir los procesos de aprendizaje es la curva potencial, cuya ecuacin
es:
,
94
O, lo que es lo mismo:
Generalizando tenemos:
M,, =t l .p X
= n;
x = log, n
Por lo tanto:
Mn= t 1.plog2
Haciendo ahora p10g2n=nk
y tomando los logaritmos base 2 de ambos miembros,
tenemos:
log, n . log, p = k . log, n
k = log p
--lag
log,, 2
log 2
Sustituyendo, tenemos:
95
realizacin de la pieza "n" siempre ser menor que la media acumulada despus de "n"
veces. Cmo podemos calcular "tt,"en funcin de "n"?
El tiempo total para realizar la operacin "n" veces (Tn),puede calcularse as:
Anlogamente, el tiempo total para realizar la operacin (n-1) veces, estar dado por:
El tiempo "t,," de la vez "n" ser:
Adems:
Mn=tl . nk
Mn-1= ti . (n-1) k
Sustituyendo tenemos:
Si "n" es grande, podemos despreciar los trminos que contienen (lln) con exponentes
mayores o iguales a 2, por lo que como aproximacin podemos escribir:
que es la frmula final aproximada para el clculo directo de "t," a partir de "M,", cuya
precisin estar determinada por el valor de "n": si "n" es grande la precisin es grande,
si "n" es pequea, la precisin es pequea.
Hagamos ahora la pregunta: si 'Y," puede calcularse exactamente mediante la
frmula:
La respuesta es que cuando tenemos un valor dado de 'Y,", resulta imposible despejar "n"
de la frmula exacta, mientras que no hay ningn problema en el despeje de "n" de la
frmula aproximada. Por lo tanto, slo en aquellos casos que necesitemos determinar "n"
para un "t," determinado, utilizaremos la frmula aproximada. Debe observarse, sin
embargo, que "n" puede determinarse a partir de la frmula exacta a travs de iteraciones
sucesivas, lo que en la actualidad, con las hojas electrnicas de clculo, puede ser muy
rpido.
3.2.3 Determinacin de la curva de aprendizaje: mtodo de mnimos cuadrados
y que las frmulas de mnimos cuadrados para el clculo de "a" y "b" son,
respectivamente:
a = antilog
x ( 1 0 g n ) ~. x l o g ~ -, ~ l o g n . ~ ( l o g n . l o g ~ , )
N.
(log nl2 -
log n)2
donde "N" es el nmero de pares de datos disponibles para el ajuste de la curva. Hoy en
da hay muchas calculadoras y paquetes computacionales que ajustan directamente la
curva potencial a partir de los valores de "M," y "n". Ms adelante daremos un ejemplo
de aplicacin del paquete computacional TSP.
Observemos que en la ecuacin de mnimos cuadrados no aparece el valor del
primer tiempo '%" como en el caso del modelo clsico. Esto es, obviamente, otra ventaja
para el mtodo de mnimos cuadrados, ya que la utilizacin del primer dato como
constante de la ecuacin puede distorsionarla y hacer que la curva obtenida no represente
con precisin todo el proceso de aprendizaje. En otras palabras, el mtodo clsico utiliza
97
para "a" el valor de "tl", mientras que el mtodo de mnimos cuadrados utiliza el mejor
valor de "a". Tambin veremos un ejemplo de esto ms adelante.
La nica ventaja del mtodo clsico es que puede resultar ms cmodo y rpido
para una persona que no disponga de una calculadora y10 medios computacionales.
Ejemplo numrico 3.2:
Supongamos que un obrero est siendo entrenado en un nuevo trabajo y que sus primeros
10 tiempos fueron los siguientes (datos hipotticos en centsimas de minuto):
A partir de aqu podemos empezar a contestar las preguntas. Empecemos con el mtodo
clsico:
a) La mejor estimacin de "p" ser la media de los valores calculados, o sea:
Esto quiere decir que, cada vez que "n" se duplica, el nuevo promedio acumulado "M$
es en promedio un 91.32% del anterior.
b) Para determinar la ecuacin de la curva hacemos:
T, =n.M, = n . t l .n k = t l .n k+l
(-0.1310+1)
= (50)
T40 = (50) (40)
T4, = 1,233.56 min.x
= 12.34 min.
= T40 - T39
20 = 50 n-0.1310(0.8690)
Despejando "n" tenemos:
n = 373 veces.
Veamos ahora el mtodo de mnimos cuadrados. Tenemos:
CUADRO 3.1 Clculos de mnimos cuadrados para el ejemplo numrico 3.2
n
1
2
3
4
5
6
7
8
9
1O
a = antilog
M"
50.00
49.00
47.00
46.50
45.20
43.50
41.86
40.38
39.22
38.10
log n
0.0000
0.3010
0.4771
0.6021
0.6990
0.7782
0.845 1
0.9031
0.9542
1.O000
6.5598
lag Mn
1.6990
1.6902
1.6721
1.6675
1.6551
1.6385
1.6218
1.6062
1.5935
1 S809
16.4248
(log n)
0.0000
0.0906
0.2276
0.3625
0.4886
0.6056
0.7142
0.8156
0.9 105
1.O000
5.2152
(5.2152)(16.4248) - (6.5598)(10.6652)
= 52.60
(10)(5.2152)- ( 6 . 5 5 9 ~ ) ~
Supongamos que un obrero est siendo entrenado en un nuevo trabajo y que en la primera
semana de trabajo produjo lo siguiente (datos hipotticos):
1 O0
DIAS
PROD ./DA
LUN
100
MAR
150
MIE
190
JUE
210
VIE
220
SAB
225
k=
log 1.265
= 0.3392
log 2
"7"
b) Para contestar esta pregunta conviene hacer un cambio en las letras. Utilicemos
(volumen de produccin diario medio acumulado al da "n") en vez de "M,";
anlogamente, para el volumen de produccin del da "n" utilizaremos "V,,".
Tenemos entonces:
(1.3392)
No debemos confiar mucho en esta solucin porque para una "n" pequea (n=l 1), la
frmula aproximada tiene poca precisin. Utilicemos la frmula exacta y obtengamos
"n" por iteraciones sucesivas. Llamemos "VA," el volumen de produccin total
acumulado al da "n". Tenemos entonces:
SEMANA
PRODUCCION
(cajas)
SEMANA
I'RODUCCION
(cajas)
1
1,642
2
2,080
3
2,152
4
2,430
5
2,431
6
2,204
7
1,941 .
8
2,418
9
2,453
1O
2,391
11
2,523
12
2,504
Determinar, graficar y comparar las curvas potenciales de aprendizaje del mtodo clsico
y de mnimos cuadrados para este proceso de aprendizaje.
Solucin:
a) Mtodo clsico:
M,
= 1,642
n0.1097
102
definitivamente tiene la forma.de la curva potencial, y por otro lado que el ajuste de la
curva del mtodo clsico deja mucho que desear, ya que en todo momento se sita por
debajo de los puntos correspondientes a las producciones medias semanales
acumuladas.
En este caso, el resultado insatisfactorio del mtodo clsico se debe a la ubicacin muy
abajo (respecto a los dems puntos) del primer punto de la grfica, es decir, el 1,642,
el cual se utiliza como constante "a". Lo opuesto hubiera ocurrido (y esto sera
igualmente insatisfactorio) si este punto estuviera demasiado arriba respecto a los
dems. Por otro lado, por las caractersticas especficas de la curva de este proceso de
aprendizaje, se est subestimando el valor de "p", lo que agrava todava ms el
problema del ajuste insatisfactorio. Veamos el ajuste de la curva .de mnimos
cuadrados.
b) Mnimos cuadrados
M,
= 1,702
n0.1200
103
MAR
ABR
MAY
JUN
FEB
MESES
ENE
JUL
PRODUCCIN 100,900 105,300 144,500 151,000 181,300 188,100 189,560
(cajas)
PRODUCCIN 100,900 103,lO0 116,167 117,792 136,600 145,183 151,523
(media)
La direccin general de esta empresa desea saber en qu mes el volumen de produccin
llegar a 200,000 cajas. Resolver este problema utilizando el mtodo de mnimos
cuadrados.
Solucin:
Las producciones originales, las producciones medias mensuales acumuladas y esta curva
potencial se encuentran graficadas en la Figura 3.8. Veamos, adems, cundo el volumen
mensual de produccin "V,," llegar al valor de 200,000. Tenemos (usando la frmula
aproximada):
Utilicemos tambin este ejemplo para mostrar cmo la ecuacin de la curva potencial
puede ser determinada con una calculadora o con un paquete computacional. En este caso
utilizaremos el paquete estadstico TSP. Partiendo de la ecuacin y=a.nb, podemos
escribir:
logY = log a + b.log n
Por lo tanto, cambiando "Y" a "logY" y "n" a "log n" y ajustando una recta a estas dos
ltimas variables, obtendremos que la interseccin en el origen ser "log a" y la
pendiente ser "b".La corrida del TSP se encuentra en la Figura 3.9 y en ella podemos
ver que:
105
* La variable independiente es log n = logaritmo natural del nmero de mes (en la corrida
"LMESES').
LCAJAS
11.52188
11.54346
11.66278
11.67668
11.82481
11.88575
11.92849
COEFFICIENT
C
LMESES
11.451599
O .2208356
STD. ERROR
T-STAT.
2-TAIL SIG.
219.75479
5.8186367
O. O00
....................................................................
R-squared
Adjusted R-squared
S.E. of regression
Durbin-Watson stat
0.871322
0.845586
0.063665
1.525470
O. 0521108
O. 0379532
0.002
11.72055
0.162015
0.020266
33.85653
106
107
elemento un nmero diferente de veces, el tamao de muestra para todos ellos siempre
ser el mismo, por lo que ser inevitable que para cada elemento se cometa un error
diferente. Como regla general, el elemento con mayor coeficiente de variacin
(desviacin estndar entre media) ser el nico a considerarse para efectos de
determinacin del tamao de la muestra.
3.3.2 Frmula para la determinacin del nmero de ciclos
Supongamos que la media poblacional (real, correcta) de los tiempos de realizacin de un
elemento dado sea "p." y que sacamos un nmero grande de muestras de tamao "N",
cada una de ellas con su media "X" y su desviacin estndar "S,". Sabemos de la
estadstica que la variable aleatoria
-
Tv =
x-p.
S, 1
presenta una distribucin "t" de student, la cual, al igual que la distribucin normal, est
tabulada (vase cualquier tabla de la "t" de student). La letra "v" significa grados de
libertad (en este caso N-1), y tiene que tomarse en consideracin porque para cada "v" (o
"N") diferente obtendremos una distribucin "t" de student diferente.
Si la distribucin de "X" (poblacin) es normal, entonces podemos escribir que:
1 X - p I<
IX-,ISE.X
Hay entonces que buscar una "N" tal que:
EX= (t,,,d2).S, 1f i
es decir, tal que:
108
Resolver esta ecuacin no es nada sencillo, ya que la variable "N" aparece en los dos
trminos. Se debe entonces tomar una muestra de cualquier
tamao " N , de preferencia
pequeo (por ejemplo, 10); se calcula tV,d2,S, y X , y se determina N' mediante la
frmula. Si N' resulta menor, esto quiere decir que la solucin de la ecuacin es una " N
menor que el tamao de muestra que hemos sacado y que consecuentemente ste ya es
satisfactorio; sin embargo, si N' resulta mayor que la " N tomada, hay que hacer las
N'- N observaciones faltantes y volver a empezar. Se parar cuando la N' calculada sea
menor que el tamao de la muestra tomada.
Ejemplo numrico 3.6:
Determinar:
a) Cuntas veces debemos cronometrar la operacin para que en ningn elemento se
cometa un error mayor que 3% de la media, con un nivel de confianza del 95%
(a=5%).
b) Si no se cronometran ms veces, Qu error se cometer en cada elemento, para el
mismo nivel de confianza?
Solucin:
= 3.40
Elemento 2:
X2 = 15.10; S,
= 2.42
Observando la frmula para el clculo de N' nos damos cuenta de que el elemento que
tenga el mayor cociente S, 1% conducir al mayor valor de N', por lo que ser
conveniente determinar dicho cociente para cada elemento (el cual se llama coeficiente
de variacin "CV"):
ciente
Siguiendo el procedimiento descrito en el inciso anterior, tenemos ahora que hacer las
136 observaciones que nos faltan y volver a calcular N'. Si sta sale igual o menor que
146, paramos; si sale mayor que 146, repetimos el procedimiento. Supongamos, por
ejemplo, que se hicieron las 146 observaciones y para el elemento 2 los resultados
fueron los siguientes:
Como 115446, se termina el proceso y ahora si estamos seguros de que hay una
probabilidad de por lo menos 95% de que la media calculada no est alejada de la real
(correcta) ms que 3% de esa misma media. 0, en otras palabras, hay una probabilidad
del 95% de que la media correcta "p" est adentro del intervalo:
( x - 0.03%
x + 0.03x)
Sustituyendo, tenemos:
Esto quiere decir que, si no cronometramos ms, hay una probabilidad del 95% de que
las medias correctas de los elementos 1 y 2 estn en los siguientes intervalos:
Elemento 1: (40.3 - (0.06)(40.3), 40.3 + (0.06)(40.3)
(37.88, 42.72)
Elemento 2: (15.1 - (0.115)(15.1), 15.1 + (0.115)(15.1)
(13.36, 16.84)
3.4 MUESTRE0 DEL TRABAJO
3.4.1 Introduccin
Como sabemos, el muestre0 del trabajo es una de 'las tcnicas de medicin del trabajo. Es
una tcnica extremadamente sencilla y al mismo tiempo extremadamente poderosa. Su
110
nica desventaja es que requiere mucho tiempo para que se obtenga una precisin
aceptable.
En la mayora de los casos, el muestreo del trabajo se utiliza slo para deteminar la
"composicin" de la jornada de trabajo de personas o mquinas, es decir, qu porcentaje
de la jornada corresponde a cada actividad de las personas o mquinas. Slo en casos
especiales el muestreo del trabajo se utiliza para la determinacin de tiempos estndares.
El procedimiento bsico del muestreo consta de la realizacin de un nmero grande
de observaciones instantneas (peridicas o aleatorias) del elemento de estudio,
anotndose en cada una de ellas la actividad que estaba siendo realizada. Los elementos
de estudio pueden ser tres:
* La mquina.
* La persona.
* El puesto de trabajo.
En el caso de la mquina, en cada observacin se anotar la actividad de la mquina,
independientemente de las actividades del operador. Por ejemplo, si la mquina est
funcionando automticamente y el obrero est inactivo, en el momento de la observacin
se anotar "mquina funcionando".
En el caso del puesto de trabajo, en cada observacin se anotar la actividad de la
persona en el puesto, independientemente de lo que est pasando a la mquina e
independientemente de la persona que en el momento est desempeando las funciones
del puesto. Por ejemplo, si la mquina est funcionando automticamente y el obrero est
haciendo labores en otro puesto de trabajo, en el momento de la observacin se anotar
"nadie en el puesto".
Finalmente, en el caso de lapersona, en cada observacin se anotar la actividad de
la persona (por ejemplo, Pedro), independientemente de lo que est pasando a la mquina
e independientemente del puesto de trabajo donde la persona (Pedro) se est
desempeando en el momento de la observacin. Por ejemplo, si la mquina operada por
la persona (Pedro) est parada y la persona (Pedro) est fuera de su puesto normal de
trabajo haciendo trabajos especiales solicitados por su jefe inmediato (por ejemplo,
descargando un camin), en el momento de la observacin se anotar lo que la persona
(Pedro) estaba haciendo (en el ejemplo, "descargando un camin"). (Si el muestreo fuera
por mquina se hubiera anotado "mquina parada"; si el muestreo fuera por puesto se
hubiera anotado "nadie en el puesto".)
* Operando fotocopiadora.
* Cargandoldescargandofotocopiadora.
* Ajustandollimpiando fotocopiadora.
* Engargolando.
* Nada.
* Fuera del lugar de trabajo (FLT).
Antes de seguir adelante en la explicacin de este ejemplo, queremos hacer las siguientes
aclaraciones:
a) Antes de hacer la lista de actividades ya debe haberse tomado la decisin respecto al
tipo de muestreo que va a realizarse. En este ejemplo, el muestreo ser por "puesto", lo
que inclusive ya determin la lista y la redaccin de las actividades.
b) Es vital haber tomado la decisin respecto al tipo de muestreo antes de la realizacin
del mismo porque la observacin anotada ser diferente. Por ejemplo, si el muestreo es
por persona (supongamos que estamos muestreando a la operadora Mara), cada vez
que encontremos a sta desempeando actividades que no corresponden al puesto
"operadora del departamento de fotocopiado", anotaremos lo que la persona (Mara)
est haciendo (por ejemplo, sustituyendo al responsable de librera); en las mismas
condiciones, si el muestreo hera por puesto, anotaramos simplemente "fuera del lugar
de trabajo".
c) No es imposible combinar diferentes tipos de muestreo en uno solo, para sacar el
mximo provecho posible de la informacin recopilada. Por ejemplo, se puede
combinar el muestreo por puesto con el muestreo por mquina y hacer anotaciones del
tipo: "mquina parada: operador compaginando"; "mquina funcionando: operador
haciendo nada '; "mquina descompuesta: operador haciendo nada; etc.. Sin embargo,
debe hacerse esto con mucho cuidado, porque en la mayora de los casos la
informacin recopilada es confusa y10 se tiene que hacer una lista demasiado larga de
actividades.
7
En los dos incisos anteriores hemos mencionado que para la realizacin de un muestreo
tenemos que decidir "qu vamos a muestrear" (puesto, persona o mquina) y, una vez
tomada esta decisin, elaborar una lista de actividades y empezar a hacer observaciones
instantneas del objeto de estudio, anotando la actividad que se est realizando en el
momento. Sin embargo, no hemos visto todava cul es el procedimiento general para
realizar un muestreo y qu hacer con la informacin recopilada. Veamos paso a paso el
procedimiento para la realizacin de un muestreo del trabajo:
a) Definir los objetivos del estudio
En esta primera etapa deben defmirse con precisin y por escrito los objetivos del
estudio. En una empresa manufacturera, por ejemplo, stos pueden ser:
112
En esta etapa se toma la decisin general respecto a qu se quiere muestrear. Por ejemplo,
en una universidad podramos muestrear el "departamento de fotocopiado", o la
"secretara de la Rectora", o la "librera", etc.. En una empresa manufacturera, se podr
decidir muestrear al "personal de mantenimiento", o al "personal de produccin", etc..
c) Determinar el tipo de muestreo
Es en esta etapa que se determinar si el muestreo ser por mquina, persona o puesto.
Tanto la seleccin del trabajo como el tipo de muestreo, estn directamente relacionados
con el objetivo del estudio. Por ejemplo, si el objetivo es "estimar la disponibilidad de
mano de obra para la implantacin del mantenimiento preventivo", entonces se
muestrear al personal de mantenimiento y seguramente el muestreo ser por persona; si
el objetivo es "determinar la utilizacin de la maquinaria", se muestrear a los
departamentos productivos y el muestreo ser por mquina; etc..
d) Definir la lista de actividades
* Operando fotocopiadora.
* Cargandoldescargando fotocopiadora.
* Ajustandollimpiando fotocopiadora.
* Esperando que la fotocopiadora se caliente.
* Desatorando el papel en la fotocopiadora
* Engargolando.
* Haciendo labores de limpieza en el local.
Es indispensable que las listas de muestreos por puesto incluyan las actividades "otras",
"nada ' y "FLT". "Otras" incluir todas las actividades de menor importancia que no vale
la pena especificar por separado (y algunas olvidadas que aparezcan durante el
muestreo ...); en cuanto a "FLT", debe tenerse el cuidado de no anotar este tipo de
observacin cuando el trabajador est fsicamente en otro lugar de trabajo, pero
realizando actividades correspondientes al puesto.
En el caso del muestreo por mquina, slo hay dos tipos de actividades:
"funcionando" y "parada". Sin embargo, siempre debe desglosarse la segunda
"actividad", es decir:
7
Por ltimo, en el caso del muestreo por persona, deben incluirse las actividades "otras",
"nada" y "no fue encontrado". Esta ltima sustituye "FLT", ya que no tiene inters saber
si la persona est o no en un lugar de trabajo dado, sino si est haciendo algo o no y qu
est haciendo. Se anotar "no fue encontrado" si en un "tiempo razonable" no pudo
encontrarse a la persona. Este tiempo razonable va a depender de la variabilidad del
trabajo de la persona, tamao del local de trabajo, etc., no habiendo ninguna regla para
determinarlo.
e) Determinar el tipo de observacin
114
f) Determinar el recorrido
Cuando se muestrea a un solo lugar de trabajo, esta etapa no tiene mucha importancia, a
pesar de que podemos llegar a un puesto dado por diferentes caminos. En el caso del
muestreo de muchos lugares de trabajo, es conveniente que se establezca uno o ms
recorridos fijos y que se estime el tiempo para realizarlos. Los recorridos determinan,
inclusive, en qu secuencia debemos ordenar las hojas de observacin para anotarlas y
pasarlas en la misma secuencia con que vamos observando los distintos puestos de
trabajo. El tiempo de recorrido tambin impone un tiempo mnimo entre observaciones.
Por ejemplo, si el recorrido tarda 10 minutos, jno podemos observar los puestos cada 5
minutos!
Poner a prueba la lista de actividades inicial. Es posible que despus del muestreo
piloto se combinen actividades poco frecuentes, se separen actividades cuya frecuencia
fue subestimada y se agreguen actividades que fueron olvidadas.
* Proporcionar informacin para la determinacin estadstica del nmero requerido de
observaciones, lo cual, como veremos ms adelante, es una funcin directa de los
porcentajes resultantes.
* Hacer una estimacin inicial de la composicin de la jornada de trabajo.
116
Supongamos que para el muestreo piloto del Cuadro 3.3, adoptamos E=0.10 y a=0.05.
Determinar:
a) El nmero de observaciones que debemos hacer para la actividad "operando
fotocopiadora".
Solucin:
Antes de empezar a contestar las preguntas debemos obtener el valor de Y".Para el nivel
de confianza establecido, Z=1.96 (vase cualquier tabla de la distribucin normal).
Procedemos ahora a contestar las preguntas:
a) Como para "operando fotocopiadora"p=0.27, tenemos:
(1 .962)(0.27)(1- 0.27)
= 1,039 observaciones.
N=
[(O.10)(0.27)12
b) Para la actividad "desatorando el papel en la fotocopiadora" p=0.16, por lo que:
(1 .962)(0.16)(1- O. 16)
N=
= 2,O17 observaciones
[(O.1O)(O.16)12
Podemos observar que cuando "p" disminuy de 0.27 a 0.16, " N aument de 1,039 a
2,O17.
c) La N=2,017 del inciso "b" arriba fue determinada para p=0.16. Esto quiere decir que
con N=2,017 todas las actividades cuyos porcentajes sean iguales o mayores que
p=0.16 tendrn errores iguales o menores que E=0.10. Contrastando con este
resultado, todas las actividades cuyos porcentajes sean menores que 0.16 tendrn
errores mayores que E=0.10.
d) Si se hacen 2,000 observaciones los errores para cada actividad se calculan con la
frmula:
118
Sobre esto no hay mucho que decir: una vez que el anlisis de los resultados del muestreo
genera medidas correctivas, stas debern ser aplicadas de inmediato, solicitndose para
esto la colaboracin de todas las personas involucradas en el (los) trabajo(s). Despus,
deber llevarse a cabo algn tipo de control (retroalimentacin) para detectar la bondad
de las medidas adoptadas.
3.4.4 Frmula para la determinacin del nmero de observaciones del muestreo
ste ser exactamente igual a "p, " y habremos determinado sin error alguno qu fraccin
de su tiempo el obrero dedica a la actividad. El problema que tenemos que resolver es
entonces: de qu tamao debe ser la muestra para que con un nivel de confianza (l-a) no
cometamos un error mayor que "E.p,", donde "E" es un porcentaje aceptable de error.
FIGURA 3.10 Funcin de probabilidad de la ocurrencia de una actividad
Si la variable "X" slo puede tomar los valores cero o uno con probabilidades (1-p,) y
"po)', respectivamente, entonces presenta una distribucin binomial con media "p," y
varianza (p,)(l-p,). Si de la poblacin de valores de " X tomamos un gran nmero de
muestras tamao " Nla variable aleatoria
que es la media de cada muestra, tendr a su vez distribucin normal con media "p," y
varianza (p,)(l-p,)/N, de manera que:
IT-pol 5Zd2 . ~ ( p o ) ( 1 - p 0 ) / ~
con una probabilidad (l-a). Como anteriormente, Zd2 es el nmero de desviaciones de la
distribucin normal que corresponde al nivel de confianza (1-a).
Como dijimos anteriormente, queremos que:
IT-pol~E.po
de donde sacamos que:
E. po=zd2 . J ( p , ) ( l - p , ) l ~
Finalmente, despejando " N , tenemos:
N= (
l2
O
) ( - O ) (con probabilidad (l-a) y error porcentual "E")
(E .P, l2
120
Es interesante observar que esta frmula en nada difiere de la anterior que dedujimospara
el cronometraje. Si recordamos que 'p" es la media de la variable " X , es decir, "X" y
@)(l-p) es el cuadrado de la desviacin estndar de 'Y', es decir, "S?, podemos
escribir:
La nica diferencia entre las dos frmulas es que en el caso del cronometraje se considera
la distribucin "t" de student y ahora estamos considerando la normal. Esto se debe a que
en el caso del muestreo "n" siempre es mucho mayor que 30, y esto nos permite usar la
distribucin normal en vez de la 'Y' de student.
Por ltimo, queremos hacer notar que en la frmula para el clculo de la "N" del
muestreo, no tenemos necesariamente que usar el porcentaje de alguna actividd.
Podemos seleccionar un porcentaje cualquiera, por ejemplo lo%, y calcular " N , aunque
ninguna actividad presente este porcentaje. El resultado ser que todas las actividades
cuyos porcentajes "p," sean iguales o mayores que el porcentaje seleccionado (en nuestro
ejemplo, 10%) no tendrn un error porcentual mayor que " E . El nmero de
observaciones, inclusive, se podr determinar antes de la realizacin del muestreo piloto
y si ste se realiza nicamente para estimar los "p,", pues deja de ser necesario. Por
ejemplo, puede ser poltica de' la empresa considerar que todas las actividades con "p,"
igual o mayor que 15% son importantes y que no deben tener un error mayor que lo%,
con un nivel de confianza del 95%. Como consecuencia, en todos los muestreos de esta
empresa deber hacerse el siguiente nmero de observaciones:
N=
(1 .962)(0.15)(1- 0.15)
= 2,177 observaciones
[(O. 10)(0.1S)]'
Seguir siendo estimado, sin embargo, el clculo del error correspondiente a cada
actividad mediante la frmula:
donde "p" sera el porcentaje final de cada actividad despus de las 2,177 observaciones.
PROBLEMAS TIPO
3.1 Un obrero puede operar varias mquinas idnticas con los siguientes tiempos:
* Limpiar mquina con aire comprimido para poder cargar: 0.10 min.
3.2 En una ptica hay una etapa del proceso que consiste en cortar los pares de lentes en
6 mquinas automticas, segn la forma de los aros. Los tiempos de las distintas
.actividadesson:
3.3 Dos obreros estn siendo entrenados en el mismo tipo de trabajo y los 6 primeros
tiempos eron los siguientes (centsimas de minuto):
OBRERO 1: 60 55 45 44 43 40
OBRER02: 30 29 29 28 27 26
Resp.: a) M,,1=60nb-'296;MnZ=30nb.0356.
b) Mzo=41 centsimas.
c) t30=26 centsimas.
d) T~0=820centsimas.
e) n=3 1,928 veces.
3.4 Dos obreros estn siendo entrenados en unuevo trabajo y los primeros 6 tiempos
fueron los siguientes (centsimas de minuto):
OBRERO 1: 154 134 123 117 112 108
OBREl202: 108 101 96 94 91 90
Utilizando el mtodo clsico, determinar:
a) La curva de aprendizaje de cada obrero.
b) Despus de cunto tiempo los 2 obreros habrn realizado la operacin el mismo
nmero de veces.
c) Despus de cuntas veces el obrero 1 har la operacin en menos tiempo que el
obrero 2.
Resp.: a) ~ , , ~ = 1 5 4 n~ ~, =
. ~1 ~0 ~8 ~n;~ . ~ ~ .
b) n=511 veces; Ts11=37,373centksimas.
c) n=170 veces.
3.5 Dos campesinos estn siendo entrenados en las labores de corte de caa y en la
primera semana cortaron lo siguiente (toneladas de caada):
d
DIAS
CAMPESINO 1
CAMPESINO 2
2.0
3.O
2.7
3.3
3.3
3.5
3.8
3.6
4.2
3.6
4.5
3.7
3.6 Dos obreros estn siendo entrenados en trabajos diferentes y en la primera semana
los volmenes de produccin fiieron los siguientes:
DIAS
OBRERO 1
OBRERO2
LUN
30
50
MAR
40
56
MIE
49
61
JUE
57
65
VIE
64
68
SAB
70
70
3.7 Se cronometr una operacin 5 veces y los tiempos heron los siguientes:
ELEMENTOl: 10 8 12 10 7
ELEMENTO 2: 30 35 40 37 32
a) Determinar el nmero de veces que debe cronometrarse la operacin para que en
ningn elemento se cometa un error mayor que 4%, con un nivel de confianza del
95%.
b) Determinar el error que se cometera en cada uno de los elementos si se
cronometrara la operacin slo 5 veces, con un nivel de confianza del 95%.
Resp.:a) N'=207 veces; se tendra que cronometrar 202 veces ms y volver a calcular N'.
b) E1=26%, E2=14%.
ACTIVIDADES
Trabajo productivo directo
Trabajo productivo indirecto (ayudando a otros)
Transportando productos, materiales o equipo
Otras
Nada
No fue encontrado
EL DEPTO.
50%
20%
5%
3%
14%
8%
Considerando un nivel de co anza del 95%, que en cada recorrido se observan las
30 personas y que los % del cuadro son vlidos tambin para las personas,
determinar:
a) El nmero de recorridos para que los porcentajes del departamento mayores o
iguales a 20% no contengan un error mayor que 5%.
b) El nmero de recorridos para que los porcentajes de cada obrero mayores o
iguales a 20% no contengan un error mayor que 5%.
c) Cuntos obreros realmente se necesitan en este departamento, suponiendo que
stos pueden rotar de un trabajo a otro y que tienen derecho a un 11% de
suplementos.
Resp.:a) N=205 recorridos.
b) N=6,147 recomdos.
c) Se puede reducir a 27 obreros.
124
3.9 Se hizo un muestre0 por mquina en una seccin de tomos y los resultados fueron los
siguientes:
ACTIVIDADES
Funcionando
Siendo cargado
Siendo descargado
Parado por descompostura
Parado sin trabajo
Parado operario FLT Otras
TOTAL
TOTAL OBSERVACIONES
TORNO 1
30%
3%
4%
47%
3%
13%
0%
100%
300
TORNO 2
70%
6%
3%
2%
3%
15%
1%
100%
300
TORNO 3
50%
6%
4%
6%
30%
4%
0%
100%
300
nfi
CONTROL DE INVENTARIOS
4.1 INTRODUCCI~N
4.1.1 Funcin de los inventarios
4.1.2 Costos relacionados con los
inventarios
4.2 MODELOS BASICOS DE
INVENTARIOS
4.2.1 Generalidades
4.2.2 Modelo bsico para materias primas
4.2.3 Modelo bsico para productos
terminados
4.3 MODELOS PARA MATERIAS
PRIMAS CON DESCUENTOS
POR CANTIDAD
4.3.1 Modelo con costo de mantener
proporcional al precio
4.3.2 Modelo con costo de mantener
constante
4.3.3 Modelo con descuentos progresivos
4.4 MODELO PARA PRODUCTOS
TERMINADOS &TIPLES
La funcin bsica de los inventarios, sean stos de materias primas, material semiprocesado o productos terminados, es mantener relativamente independientes las
siguientes actividades:
COMPRAS
VENTAS
PRODUCCION
Inventarios
Inventarios
Como puede observarse, los inventarios de materias primas son necesarios para separar
"Produccin" de "Compras" y los inventarios de productos terminados sirven para
separar "Produccin" de "Ventas". Los inventarios slo sern evitables cuando el flujo de
una sola pieza sea posible, la demanda sea muy estable y el tiempo de entrega sea
extremadamente corto. Esto es precisamente lo que se conoce como "entregas justo-atiempo", las cuales sern discutidas en el Captulo IX.
Obsrvese que, an cuando las ventas sean perfectamente constantes y la
produccin sea en "lotes", los inventarios de productos terminados estarn presentes.
Anlogamente, an cuando la produccin sean perfectamente constante y las compras se
hagan en "lotes", los inventarios de materias primas estarn presentes.
El inventario de material semi-procesado podr ser de 2 tipos:
a) Inventario inevitable que resulta del hecho de que la fabricacin de cualquier producto
tarda un determinado nmero de unidades de tiempo (horas, das, meses, etc.) y
durante este tiempo el material est "almacenado" en la planta y pasando por las
diversas etapas del proceso productivo. An cuando el flujo sea de una sola pieza
habr inventario en proceso. Por ejemplo, si un producto se fabrica continuamente de
uno en uno y pasa por 10 operaciones productivas consecutivas, en cualquier momento
habr, por lo menos, 10 piezas en inventario en la planta.
b) Inventario de piezas o material semi-procesado que muchas veces es conveniente
fabricar y almacenar en pequeos almacenes (separados o no del almacn principal) o
entre los puestos de trabajo (por ejemplo en las lneas de produccin) para que el flujo
de materiales no sufra problemas de continuidad. Dichos inventarios son
particularmente tiles:
* Cuando no es econmico fabricar ciertas piezas cada vez que se fabrica un producto
dado.
* Para reducir los problemas creados por la variacin de la duracin de las operaciones
en las lneas de produccin o ensamble.
* Anlisis de cotizaciones.
* Elaboracin del pedido.
* Transporte.
* Trmites aduanales (si el material es de importacin).
* Trmites de recepcin.
* Inspeccin de recepcin.
* Control de produccin.
* Recepcin en el almacn.
* Pas: Mxico.
* Espacio.
* Realizacin de inventarios.
* Etc..
Es el costo relativo a la falta de materias primas o productos terminados cuando stos son
solicitados por Produccin o por los clientes, respectivamente. En lo que se refiere a la
falta de materias primas, esto puede causar el paro de una lnea (con la consecuente
produccin perdida) o una reprogramacin de la produccin. Obviamente, la falta de
materias primas tambin puede provocar la falta de productos terminados.
La falta de productos terminados puede implicar ventas perdidas, prdida 'de
prestigio, etc.. De todos los costos, el costo de faltante es el ms difcil de calcular y
puede expresarse de distintas maneras: $/unid., $/unid.ao, $/falta, etc.. Afortunadamente,
en algunas situaciones su clculo es sencillo. Veamos el ejemplo de la empresa cigarrera:
130
* El costo de mano de obra directa por unidad del producto terminado era de $0.021
(incluyendo prestaciones).
* El tiempo extra se pagaba al doble, por lo que cada unidad producida en tiempo extra
provocaba un costo adicional de ($0.021)(2) = $0.042/unid..
* Por lo tanto, el costo por unidad faltante de materia prima era de $0.042/unid..(Aqu,
"unidad" significa la cantidad de materia prima por producto terminado. Por ejemplo,
una cajetilla por producto terminado. Cada cajetilla faltante provocaba un costo de
$0.042.)
f) Costo de compra y costo de produccin (K)
El costo de compra de la materia prima es su valor por unidad que llamaremos "K".
Dicho costo ser necesario en los modelos de inventarios con descuentos por cantidad.
Anlogamente, para el producto terminado, "K" es el valor de una unidad del producto.
Generalmente, para productos terminados, "K" slo incluye los costos directos. Es fcil
concluir que en ambos casos (materiales o productos) Cm=Fm.K.
4.2 MODELOS BSICOS DE INVENTARIOS
4.2.1 Generalidades
Los modelos de inventarios para materias primas y para productos terminados son muy
similares pero no son idnticos. Por lo tanto, los tenemos que estudiar por separado. Los
modelos clsicos se incluyen en los cientos de libros sobre Administracin de
Operaciones, y no es objetivo de este inciso prohdizar en ello. Al contrario,
proporcionaremos los conocimiento bsicos indispensables para que el lector pueda
entender los modelos especiales que se presentan ms adelante. El lector con
conocimientos sobre los modelos bsicos de inventarios puede pasar directamente a los
incisos 4.3,4.4,4.5 y 4.6.
4.2.2 Modelo bsico para materias primas
131
embargo, la suma de ambos tipos de costos s pasa por un mnimo, como veremos a
continuacin.
TIEMPO
(a)
TIEMPO
('-4
otros.
* No hay limitacin de recursos (por ejemplo, dinero, espacio, etc.).
Estos supuestos no son totalmente independientes. Por ejemplo, para que no haya
faltantes ni sobrantes es necesario que la demanda sea constante y que el tiempo de
entrega sea conocido y constante; la limitacin de recursos en general provoca
dependencia; etc..
Si todos estos supuestos se cumplen, las afirmaciones a continuacin son
verdaderas:
* El costo de preparacin anual (CPA), el costo de mantener anual (CMA) y el costo total
anual (CTA) se comportan como se ilustra en la Figura 4.4.
132
<
>
>
TIEMPO
COSTOS
CPA
En las condiciones de las Figuras 4.3 y 4.4 el costo total anual (CTA) se calcula
fcilmente:
CTA = CPA + CMA = (nmero de pedidos)(Cp)+ (inventario rnedio)(Cm)
133
El costo total anual mnimo (CTA,), el nmero ptimo de pedidos al ao (N,) y el tiempo
ptimo entre pedidos (To)estn dados por:
N =-=
" Q,
i-
pedidoslao
aos
Ejemplo numrico 4.1:
Considerando que DZ2,500 unid./ao, Cm=$0.50/unid.ao y C,=$ 1Olpedido, determinar
los parmetros del modelo clsico de materias primas.
Solucin:
CTA, = J ( ~ ) ( ~ , ~ o o ) ( ~ o ) (=o$158.1
. ~ o ) llao.
2,500
N, == 7.9 r 8 pedidoslao.
316
Q _-- 316
- 0.1264 aos = 6.57 semanas = 46 das entre pedidos.
T0=
- 2,500
4.2.3 Modelo bsico para productos terminados
El modelo bsico de materias primas puede ser fcilmente adaptado para reflejar el
comportamiento del inventario de un producto terminado. De hecho, la nica diferencia
consiste en que, cuando se fabrica el lote " Q , el inventario no se incrementa
instantneamente, sino que crece gradualmente de cero a un nivel mximo "Imk9' en un
tiempo de produccin "T," con una tasa de crecimiento (P-D), donde "P" es tasa de
produccin y "D" es tasa de demanda (ambas en unid./unid. de tiempo). Esta situacin se
ilustra en la Figura 4.5.
La consecuencia de que el inventario mximo sea "Imk" en vez de " Q , como en el
modelo bsico de materias primas, es una pequea modificacin en las frmulas del
modelo, que quedan as:
unidades
l
.
>
TIEMPO
(2)(5,000)(10)
= \/(0.20)(1- 5,000120,000)
CTA, = ,/(2)(5,000)(10)(0.20)(15,000
N, =-=
816
E 816
unidades.
5,000120,000) = $122.47/ao.
6.13 E 6 loteslao.
816
To == 0.1632 aos = 8.5 semanas E 59 das.
5,000
Debe resaltarse que en muchas situaciones "P" es mucho mayor que " D , por lo que
(1-Dff) E 1. Esto implica que, como aproximacin, los modelos de materias primas
pueden utilizarse tambin para productos terminados.
Un caso interesante de productos terminados se presenta cuando tenemos que
fabricar productos mltiples que comparten un solo equipo. ste ser estudiado como un
modelo especial en el inciso 4.4.
Para analizar esta situacin, lo primero que tenemos que hacer es agregar a la frmula de
"CTA" un costo ms, que es el "costo de comprar anual" (este costo no se consider
antes porque no afectaba el valor ptimo de "Q"):
CCA = (demanda anual)(precio unitario) = (D)(K).
El costo total anual queda as:
CTA = CPA + CMA + CCA = (D/Q)(C,) + (Q/2)(Cm)+ (D)(K)
Como Cm=(Fm)(K),escribimos:
CTA = (D/Q)(Cp) + (Q/2)(Fm)(K)+ (D)(K).
En este modelo, " Q es la nica variable independiente y "K" depende de " Q ,
cambiando bruscamente de "Ki" a "K2" cuando Q2B. Las 4 situaciones posibles se
presentan en las Figuras 4.6(a), 4.6(b), 4.6(c) y 4.6(d) a continuacin, dependiendo de las
4 posiciones diferentes de " B . En stas, la curva de arriba es:
y la curva de abajo es:
136
Es importante, antes de seguir adelante, que el lector verifique por su cuenta que "CTAl"
siempre est por arriba de "CTA2" y que el mnimo de "CTAlWest a la izquierda del
mnimo de "CTA;?".
FIGURA 4.6 Modelo con un solo cambio de precio
COSTO
TOTAL,
COSTO
TOTAL
COSTO
TOTAL
COSTO
TOTAL
137
Slo las partes gruesas de las curvas son vlidas, ya que ''CTA? no existe para Q<B y
"CTAl" no existe para Q2B. El punto ms bajo de la lnea gruesa indicar, en cada
situacin, la solucin ptima.
En el caso de la Figura 4.6(a), podemos observar claramente que la cantidad ptima
corresponde al punto mnimo de la curva ''CTA? y est dada por:
Dicho procedimiento puede ser fcilmente generalizado para "n" cambios de precio
(Bl, B2, ..., Bn) con sus correspondientes (n+l) precios diferentes (Kl, K2, ..., Kn+l).
Analicemos las Figuras 4.7(a), 4.7@), 4.7(c) y 4.7(d).
Empecemos con la Figura 4.7(a). Si hay "n" cambios de precio, habr (n+l) precios
' ; es menor que
diferentes, de modo que la ltima curva tendr que ser la "CTAn+l". Si B
'bQo,n+l",esta ltima ser sin duda la cantidad ptima, ya que ningn otro punto de las
(n+l) curvas podr estar ms abajo que el punto mnimo de la curva "CTAn+l".
Es importante observar que, en el caso de la Figura 4.7(a), si compramos una
cantidad "Qo,n+i", el proveedor nos cobrar el precio "Kn+l" (los ndices coinciden!) y
debido a esto diremos que la cantidad "Qo,n+l" es compatibb. Si a una cantidad
cualquiera "Q,? no corresponde el precio "K?, diremos entonces que esta cantidad no es
compatible.
Observemos, por ejemplo, la cantidad "QO,,-l" en la Figura 4.7(a). Si compramos
esta cantidad, el proveedor nos cobrar el precio "K," y por lo tanto la cantidad "Qo,n-l"
no es compatible. En la Figura 4.7 la primera cantidad compatible encontrada yendo de
derecha a izquierda est sealada con un crculo.
138
(a)
COSTO
TOTAL
COSTO
TOTAL
COSTO
TOTAL
COSTO
TOTAL
139
K1 = $1O.OO/unid.
K2 = $9.00/unid.
K3 = $8.00/unid.
Kq = $7.50/unid.
Determinar el tamao ptimo de pedido suponiendo que CP=$300/pedido,F,= 25%/ao
y D=5,000 unid./ao. Considerar que el costo de mantener es proporcional al precio.
Solucin:
Observamos que si compramos esta cantidad al proveedor, ste nos cobrara el precio
"K3". Como el sub-ndice 3 del precio no coincide con el sub-ndice 4 de la cantidad
calculada, decimos que "Q0,4" no es compatible y procedemos a calcular "Qo,3'>'.
= 1,225 unid.
Si compramos esta cantidad el proveedor nos cobrara "K3", y como los sub-ndices
coinciden, decimos que bbQo,3"
es compatible.
Cuando encontramos una cantidad compatible, no hace falta calcular ninguna otra
cantidad y procedemos al clculo de los costos. El procedimiento requiere que
calculemos el costo correspondiente a la cantidad compatible encontrada y los costos de
todas las ''B? que estn a la derecha de sta, es decir, que sean mayores que la cantidad
compatible encontrada. En nuestro ejemplo tenemos las siguientes "By:
B1 = 500 unid.; B2= 1,000 unid.; B3 = 2,000 unid.
y por lo tanto, slo la B3=2,000 es mayor que Q0,3=1,225. Esto indica que slo tenemos
que calcular los costos correspondientes a b'Qo,3"y a "B3", es decir, "CT&,3" y "CTAB3":
CT&,3
= (5,000/1,225)(300)
+ (5,000)($7.50) = $40,125/a0.
No habr ninguna otra diferencia, por lo que podemos seguir aplicando el mismo
procedimiento. Debemos recordar, sin embargo, que para todos los "CTAY el costo de
mantener "Cm ' ser el mismo.
7
IT\
CTAi
En la Figura 4.8, como ejercicio, sugerimos que el lector oscurezca la parte vlida de la
lnea "CTAl" (de cero a Bi), la parte vlida de la lnea "CTA2" (de Bl a B2) y la parte
vlida de la lnea "CTA3" (de B2 en adelante), e identifique el punto de costo mnimo.
Ejemplo numrico 4.4:
Ki = $20.00/unid.
K2 = $15.00lunid.
K3 = $12.00/unid.
Kq = $lO.OO/unid.
142
= (10,000/1,000)($400)
'r
COSTO
TOTAL
Analizaremos el modelo con costo de mantener constante por ser mucho ms sencillo,
proporcionando la ecuacin matemtica de las lneas "CTA?, el punto mnimo de stas y
la condicin de optimalidad.
143
Si hay 3 'B? (cambios de precio), como en la Figura 4.9, hay 4 rangos de precio
diferentes:
Rango #1: O < Q <Bl.
Rango #2: Bl I Q < B2.
Rango #3: B2I Q < BS.
Rango #4: Q 2 Bg.
Si compramos una cantidad en el rango #1, slo el precio "K1" estar activo; si
compramos una cantidad en el rango #2, tanto "Kl" como "K2" estarn activos, ya que las
primeras (Bl-1) unidades sern compradas a "KlV y las restantes [Q-(B1-l)] sern
compradas a "KT. Siguiendo con la misma lgica, concluimos que en el rango #3 estarn
activos "KiV,"K2" y "K3)), y en el rango #4 estarn activos "KI", "K2)', "K? y "U'.
La ecuacin matemtica de la lnea "CTAlm,vlida nicamente para O<Q<Bl, es la
siguiente:
Q +-C,
D
CTA, =-Cm
2
Q
+ D.K1
Dicha cantidad solamente ser compatible si se ubica en el rango #1, o sea, O<Q<Bl.
En cuanto al costo "CTA2", tenemos:
CTA,
Q +-C,
D
=-cm
2
Qo,2
cm
Y finalmente:
Para empezar recordemos que B'1=499, B ' ~ 9 9 9y B73=4,999.Las cantidades "Q0,i" son
las siguientes:
-/
a 1,095 unid.
Q ,=
~
Qo,3
B2 I
Q,4
Esto se debe al hecho de que obtendramos lotes ptimos Q,J, Qo2, ...Qo,n que no
necesariamente seran factibles de fabricarse sin que se agotaran las existencias de uno o
ms de ellos. En otras palabras, podra darse el caso de que los productos fueran
fabricndose en forma secuencia1 y el inventario del producto "i" se agotara antes de que
se completara un ciclo y se volviera a fabricarlo. En este caso, ser necesario fabricar
146
lotes diferentes de los lotes "ptimos" calculados con la frmula que se encuentra arriba
(la palabra "ptimos" est entre comillas porque si no son factibles dejan de ser ptimos).
Cuando hay problemas de agotamiento de existencias antes de que se complete un
ciclo, el procedimiento alternativo es determinar un nmero de ciclos al ao nico para
todos los productos y con base en ste determinar nuevas cantidades. Si el nmero de
ciclos es ptimo (N,) las nuevas cantidades tambin sern ptimas. A continuacin
deducimos la frmula que nos proporciona "N;:
Si cada producto "i" se fabrica "N'' veces al ao, tenemos:
El nivel de inventario de cada producto "i" variar como se indica en la Figura 4.10.
Durante el tiempo "T,? hay produccin y demanda, y durante el tiempo "Td,i)' hay slo
demanda. Durante "Td,i))los lotes de los dems productos sern fabricados.
..
> -
T,j
<
'..,
>
<.<
Taj
Ti
>
>
TIEMPO
Puede demostrarse que el inventario medio para el producto "i" en las condiciones de la
Figura 4.1 0 es:
-
Ii
= Imk,i/2 = (1-Di/Pi)(Qi/2)
Ii
= (1-Di/Pi)(Di/2N)
Como hay "N" ciclos por ao (para todos los productos), el costo de preparacin anual
ser:
k
CPA = N .
CC,,
i=l
Como puede observarse, este procedimiento parte del supuesto de que s es posible
realizar " N ciclos de fabricacin al ao, y que para cada uno de los "k" productos
ocurrir lo que se muestra en la Figura 4.10. Sin embargo, como se ver a continuacin,
este mtodo no siempre es aplicable.
Si suponemos que el tiempo de preparacin de la(s) mquina(s) para el producto "i"
es "Tm,i", el ciclo de fabricacin, es decir, el perodo de tiempo total entre dos corridas
consecutivas del producto "i", ser:
k
CICLO =
C( T , +~ T,
Si ahora observamos la Figura 4.11, podemos concluir fcilmente que para cualquier
producto "i" el perodo de tiempo "Ti" tiene que cumplir con:
Si utilizamos la frmula Q0,i=Di/N, para calcular las corridas de cada producto, los
perodos "Ti" de todos los productos sern idnticos e iguales a:
<
>
>
TIEMPO
z U p , i + Twi)
149
fabricacin de los productos ser posible para cualquier valor de " N . Sin embargo, slo
un valor de " N conduce a un costo total anual mnimo y ste est dado por la frmula:
No=Ii=l
2Ac
P.'
Por otro lado, si CDi/Pi>l, el problema ser imposible (sin faltas de existencia) para
cualquier valor de " N La condicin de factibilidad CDi/Pi<l es relativamente obvia, ya
que para cada producto el cociente Di/Pi representa el tiempo total en aos para que se
pueda fabricar la demanda anual "Di". Si la suma de todos estos Di/Pi es mayor que uno,
esto indica que para la fabricacin de las demandas anuales de todos los productos se
necesitara ms de un ao. En otras palabras, si CDi/Pi>l, la capacidad anual de
produccin del equipo sera insuficiente para la fabricacin de todas las "Di".
Concluyendo, cuando CDi/Pi>l, la fabricacin de los "k" productos ser imposible, no
importando el mtodo que se utilice.
De este anlisis podemos deducir que cuando queremos determinar los lotes
ptimos factibles de productos mltiples, el procedimiento ms adecuado sera el
siguiente:
a) Calcular CDi/Pi.Si este valor es mayor que uno, la fabricacin de los "k"productos
ser imposible. Si CDi/Pies menor que uno, realizar el siguiente paso.
b) Calcular las cantidades "Q0,? utilizando el modelo bsico.
c) Verificar la factibilidad de las cantidades "Q,Y obtenidas en el paso anterior. Si las
cantidades "Qj" no son factibles, realizar el siguiente paso.
d) Calcular el nmero ptimo de ciclos mediante la frmula:
".=ii='
2Ac
P.'
Determinar las cantidades ptimas factibles de tres productos terminados con base en la
siguiente informacin:
PRODUCTO
1
2
3
Di
4,000
1,500
500
Pi
25,000
5,000
1,000
Cm,i
$10
$20
$15
C,i
$200
$100
$300
Solucin:
a) Clculo de ZDi/Pi:
ZDi/Pi= 4,000125,000 + 1,50015,000 + 50011,000 = 0.96 aos < 1.
Por lo tanto, pasamos al inciso "b".
b) Clculo de las ''QO,? utilizando el modelo bsico:
= 436 unid.
(20)(1- 1,50015,000)
= 146 unid.
( 1- i
)
=
N, =
Jp 58,350
2 C c P4
(2)(600)
i=l
4.5.1 Generalidades
152
4.12). Anlogamente, el nivel de los inventarios podr llegar a "Q:' antes o despus de
las "T" unidades de tiempo. Debido a esto, se agrega un inventario de seguridad y pueden
adoptarse dos modelos de inventarios:
a) Si se hace un pedido igual a " Q (constante) siempre que el inventario llega a un nivel
"Q:,' independientemente del tiempo necesario para que esto ocurra, el modelo de
inventarios se llama "modelo de punto fijo". Existen valores ptimos para " Q , "Q:' y
para el inventario de seguridad.
b) Si se hace un pedido "Q" (variable) cada "Y unidades de tiempo, independientemente
del nivel de las existencias, el modelo de inventarios se llama "modelo de ciclo fijo".
Existen valores ptimos para "T" y para el inventario de seguridad.
FIGURA 4.12 Distincin entre "cantidad fija" y "frecuencia fija"
Demanda mayor
que la media
Demanda menor
Qr
>
La Figura 4.13 muestra un modelo de punto fijo el cual incluye inventario de seguridad.
La demanda es variable pero, momentneamente, mantendremos el tiempo de entrega
constante. Como dijimos anteriormente, la persona encargada de la realizacin de los
pedidos se fija nicamente en el nivel del inventario y cuando ste llega a "Q:' realiza un
nuevo pedido " Q . Como la idea es imitar el modelo bsico, "Q" puede ser igual a la
"Q," de ste, a pesar de que ms adelante veremos que la "Q," del modelo bsico no es
verdaderamente ptima (vase el inciso 4.6).
Como la demanda es variable, se grafica el modelo como si la demanda fuera
media durante todo el ao y se calcula "Q:' con base en esta demanda media. Esto
implica que, siempre que la demanda sea mayor que la demanda media durante "T,",
ocurrir una falta de existencias. Si graficarnos en la Figura 4.13 la demanda mxima
(dmx)que queremos satisfacer durante "T,", obtendremos la falta que corresponde a esta
demanda mxima. Si adoptamos un inventario de seguridad igual a esta falta, slo
ocurrir una falta cuando la demanda supere dicha demanda mxima (vase la Figura
4.13).
Ya con el inventario de seguridad puesto, el punto de reorden se calcula fcilmente
as:
(a),
154
-------------- Tx
-----
Te
Por otro lado, a cada valor de "Z" corresponde una probabilidad de falta diferente (vase
la Figura 4.14). "Nivel de servicio" se define como N.S.=[l- falta)]. Si no queremos
optimizar (la optimizacin se presenta en el inciso 4.6), simplemente escogemos una
probabilidad de falta que nos parezca "razonable" y determinamos el inventario de
seguridad correspondiente.
Ahora bien, qu pasa cuando el tiempo de entrega del proveedor tambin es
variable? El lector puede "ver" la situacin imaginando que en la Figura 4.13 la pendiente
de la demanda est aumentando y disminuyendo, mientras que el tiempo de entrega se
est ensanchando y estrechando simultneamente. La situacin es ms sencilla desde el
punto de vista estadstico de lo que pueda parecer a primera vista, ya que cuando el
tiempo de entrega empieza a variar es como si la demanda estuviera variando ms, es
decir, con una desviacin estndar "S" mayor que "S;. Para obtener "S" lo primero que
tenemos que hacer es calcular la desviacin del tiempo de entrega, que estar dada en
unidades de tiempo (S9Te),y transformarla a unidades de demanda (STe)de la siguiente
manera:
Despus, las dos varianzas (de la demanda y del tiempo de entrega) se suman y se
obtiene la varianza total (o equivalente) "s2":
155
Una vez que se obtiene "S" el inventario de seguridad se determina de la misma manera,
es decir:
Is= z.s
Veamos ahora qu pasa con los costos totales anuales del sistema de punto fijo.
Obviamente, la frmula
CTA = (4012) (Cm) + (D/Qo)(Cp)
ya no es suficiente porque no incluye el costo de mantener el inventario de seguridad ni el
costo de las faltas. La nueva frmula sera:
CTA = (Qo/2) (Cm)+ (D/Qo)(Cp)+ CCMAIS+ CFA
= costo de mantener anual del inventario de seguridad.
donde: CMAI~
CFA = costo de faltante anual.
)(E,)
,/m.
[~(falfa)lW~, )
156
Considerando una distribucin normal tanto para la demanda como para el tiempo de
entrega, las probabilidades de falta utilizadas con ms frecuencia son las siguientes (vase
cualquier tabla de la distribucin normal):
Probabilidad de
falta
0.100
0.050
0.025
0.01O
Nivel de
servicio
0.900
0.950
0.975
0.990
Valor de
"Z"
1.28
1.65
1.96
2.33
FIGURA 4.15 Modelo de punto fijo con "T," mayor que 'cT"
>
Te
que se hace
el pedido
<
>:
>
TIEMPO
Supongamos que la demanda semanal de un determinado material tiene media 150 unid.
y desviacin estndar 12 unid.. Adems, sabemos que:
C, = $1001pedido; Cm= $&.OO/unid.aiio; = 2 semanas; S'Te= 0.17 semanas;
C, = $8,00O/falta; D = (52 sem./~o)(l50unid./sem.) = 7,800 unid./aiio.
157
Determinar todo lo necesario para que pueda usarse el modelo de punto fijo con.
probabilidad de falta igual a 0.025 y explicar cmo funcionara el sistema.
Solucin:
S=J=
g) Determinar
el punto de reorden.
- Qr = d . Te + Is = (150)(2) + 60 = 360 unid.
h) Calcular CTA.
CTA = (Qd2) (Cm) + (D/Qo)(Cp)+ (Is)(Cm) + [~(falta)l@/~, )
CTA = (442/2)(8) + (7,800/442)(100) + (60)(8) + (0.025)(7,800/442)(8,000)
CTA = $7,542.12/ao.
)(cf
i) El sistema funcionara de la siguiente manera: cada vez que el inventario llegue a 360
unid. se pide una Qo=442 unid.; trabajando de esta manera la probabilidad de falta ser
de 0.025 y el costo total anual ser de $7,542.12/ao.
4.5.3 Modelo de ciclo fijo
158
Obsrvese que la cantidad pedida es siempre lo que falta para llegar a ese inventario
objetivo. En otras palabras, si "1," es la cantidad en existencia, el sistema de ciclo fijo
siempre pide 1,-1,. Si hubiera alguna cantidad pendiente "P," en el momento de
ordenar, sta debera tambin ser restada de "1,". Por lo tanto, la frmula correcta para
determinar la cantidad a pedir es Q=Io-1,-PP.
Inv.
7
A
:
:
....
..
?.:
Demanda
media
mano
10
.',
: 5
p
.
I: '......
.'..
d.Te
...............
Demanda mxima 1
t_ Falta
i. :
s. :
....:
1s
.>
TIEMPO
- d),,,,
= (d,,
Esto implica que si tenemos una desviacin estndar cualquiera "S'd)' debemos
corregirla, por medio de la regla de tres, para que corresponda al perodo (Te+ T).
159
d) Cuando llega la cantidad pedida, la lnea del inventario en la mano y la lnea del
inventario en la mano + sobre pedido resultan idnticas (la segunda est ligeramente
desplazada). Cuando "T," es mayor que "T" las lneas nunca se sobreponen (vase la
Figura 4.17).
e) Cuando "T," es pequeo en relacin a "T" nunca hay ms de un pedido pendiente.
Cuando "T," es grande y10 muy variable puede haber, en un momento dado, ms de un
pedido pendiente (vase la Figura 4.17).
f) El tiempo entre la realizacin de dos pedidos consecutivos (T) es igual al tiempo entre
la llegada de dos pedidos consecutivos nicamente cuando "T," es constante (lo que
ocurre en la Figura 4.16). Cuando el tiempo de entrega es variable esta igualdad ya no
se cumple (vase la Figura 4.19 del inciso 4.6). Con frecuencia el perodo "T" se llama
"perodo de revisin", ya que cada "T" unidades de tiempo se "revisa" el inventario en
la mano y se pide lo que falta para completar "1,".
Si no queremos optimizar (la optimizacin se har en el siguiente inciso) el mejor valor
de "T" es To = QJD = frecuencia del modelo bsico. Cuando "T," tambin es variable las
varianzas de la demanda y del tiempo de entrega se suman como en el caso del modelo de
punto fijo. En cuanto al costo total anual (CTA) la frmula
es bsicamente la misma del
modelo de punto fijo, pero conviene sustituir "Q," por "d .T,":
CTA = ( a . ~ d 2(Cm)
) + @ / a .To)(Cp)+ (Is)(cm) + [p(falta)](No)(C,)
Con frecuencia, "T," resulta poco prctica (por ejemplo, 2.8 semanas) y decidimos
redondearla (por ejemplo, a 3 semanas), por lo que nos conviene la siguiente versin ms
general de "CTA":
CTA = ( d . ~ / 2 )(Cm) +
donde " N corresponde a la frecuencia "T" adoptada (por ejemplo, si T=l mes, entonces
N=12).
Concluyendo, tanto para Te<T como para Te>T, el procedimiento del modelo de
ciclo fijo (sin optirnizar) es el siguiente:
a) Determinar la frecuencia del modelo bsico To = QolD= J(~)(c,) /(D)(C,)
b) A partir de la
diF.
160
FIGURA 4.16 Modelo de ciclo fijo con "T," mayor que "T"
...........
la mano y
''-S
"...
Inv. en
la mano
/I\
.......
-'.
-.....
......
'
2
.
.
.......S :i
l'v\\'....'
d.T,
........
<
<
1s
w
N!\
>
Te
>
TIEMPO
dy ,/y
b) A partir de la "S&
''
S, = S',
disponible calcular:
= 12
= 26.67 unid.
=,/m +
= 426.67'
161
162
unidades de tiempo se haca un solo'pedido al proveedor que inclua todas las cantidades
QiZIo,i-Ie,i-Pp.i.
Por ltimo queremos mencionar que, seguramente, el modelo de punto fijo es ms
cmodo y ms fcil de entender. Por lo tanto, no es extrao que la gran mayora de las
empresas lo prefiere.
4.6 OPTIMIZACINDE LOS MODELOS DE PUNTO FIJO Y CICLO FIJO
4.6.1 Generalidades
El punto de reorden (Q,) del sistema de puntofijo se calcula mediante la frmula que se
muestra a continuacin; las frmulas para el clculo de la cantidad a ordenar (Q) y del
inventario de seguridad (1,) se estudiarn ms adelante.
Q,
=&Te+ 1,
donde: Q,
= punto de reorden.
d = demanda media (por ejemplo, unid./semana).
Te = tiempo de entrega medio del proveedor.
1, = inventario de seguridad.
163
En el caso del sistema de ciclo fijo se pide siempre cada "T" unidades de tiempo, una
cantidad variable correspondiente a la resta "inventario objetivo (1,) menos existencias en
el almacn menos pedidos pendientes", como se indica en la Figura 4.19 a continuacin.
Tel
<
10
1s
>
+;
T
>'
TIEMPO
164
(T
En este modelo veremos la determinacin del valor ptimo de "Z" (Z,), por lo que
podemos definir el inventario de seguridad ptimo as:
165
Sustituyendo, tenemos:
Q +-C,
D
CTA =-Cm
2
Q
D -Cf
Z.S.C, ++(z).-.
Considerando los datos del problema, vemos que Tx=2 semanas (1 quincena) y no
concuerda con el tiempo de entrega medio de 3 semanas. Tenemos:
E=Io~=I~.~~I~cI.
S, = S',
,,/m
-4
= 23.45 unid.
Por lo tanto:
= $(2.65) = 0.0040
=d
(2)(5,200)[40 + (0.0040)(300)]
= 534 unid.
1.50
= 534 unid.;
Z,
= 2.65;
$(2.65)
I,,
= (2.65)(23.45) = 62 unid.
= 0.0040 = p(fa1ta);
igual a:
168
donde las variables independientes son "T" y "Z" y los dems trminos tienen
exactamente el mismo significado que en el sistema de punto fijo, a excepcin de la
desviacin estndar total que est dada por:
donde:
Por lo tanto:
Como puede verse en estas frmulas, la desviacin total no es constante, sino que es una
funcin de la variable independiente "Y. Sustituyendo la frmula de "S" en la frmula
del costo total anual, tenemos:
Derivando parcialmente respecto a "T" y "Z", igualando a cero y considerando que "T"
se expresa en aos, obtenemos las siguientes ecuaciones (vanse los detalles de la
derivacin en el inciso 4.6.5):
D
-Cm - ( 1 1 ~ ~[C,
)'
2
En ambas frmulas:
Considerando los datos del problema vemos que Tx=2 semanas, equivalente a 0.038462
aos. Por otro lado, el valor inicial de "T," es:
Entonces:
S
=,/m
-\/
=
= 28.52 unid.
Entonces:
= 0.0049
= 0.0049;
I,,
= 2.58;
= (2.58)(28.50) = 74 unid.
Lo que significa que cada 5.2 semanas (T,) se observa el inventario existente y se pide lo
que falta para completar 894 unidades (1,). Trabajando de esta manera, el inventario de
seguridad ser de 74 unidades y la probabilidad de falta ser 0.0049. El costo total anual
(CTA) ser mnimo.
Partimos de la ecuacin:
Entonces:
CTA = K1.Q + K2/Q + K3.Z + +(Z).K4/Q
Derivando parcialmente respecto a "Q" y considerando 'Q? como su valor ptimo y
"Zi' como el valor ptimo de "Z",tenemos:
aQ
+ 0 - K~.$(z~)/Q: = 0
Despejando:
Despejando, tenemos:
Partimos de la ecuacin:
-
d.T
CTA =-Cm
2
D
D + =-C, + Z.S.C, + -- C, .$(Z)
d.T
d.T
donde:
Hagamos:
K1= d . c m / 2; ~2 = D.cPl d ; ~3 =D.C,/d
Entonces:
CTA = K1.T + K2lT + Cm.Z.S+ K3.$(Z)/T
Derivando parcialmente respecto a "Z" y considerando "Z," como su valor ptimo y "T,"
como el valor ptimo de "T", tenemos:
Despejando, tenemos:
+ KB .+(Z)lT
Tx
Como:
Tenemos:
Igualando a cero, reacomodando y recordando que los valores ptimos de "T" y "Z" son
"To)' y "Zo)', respectivamente, tenemos:
D=d
PROBLEMAS TIPO
4.1 En una empresa dada se calcularon los siguientes datos:
4.2 En una determinada empresa el nivel del inventario disminuye segn se muestra en la
figura. Calcular el inventario medio durante el perodo "T".
I< .............................................................................................................
>Tiempo
T
Resp.: Inv. medio=[x(n+l)]/2
4.4 Una empresa compra su materia prima a un proveedor que tiene la siguiente poltica
de descuentos:
4.6 ARCOS, S.A. compra una de sus materias primas a un proveedor que le ofrece
descuentos progresivos de la siguiente manera: las primeras 99 unidades a K1=$50;
las siguientes 100 a K2=$47; las siguientes 200 a K3=$45; y las siguientes a &=$44.
177
CAPACIDAD DE
PROD. ANUAL
250,000
60,000
40,000
Cmi
Cpi
$0.20
$0.30
$0.25
$50
$30
$35
Determinar:
a) Si es posible fabricar las cantidades ptimas calculadas separadamente mediante
la frmula del modelo bsico.
b) Si no es posible aplicar el mtodo descrito en el inciso "a", verificar si se puede
aplicar el mtodo que consia de la determinacin del nmero ptimo de ciclos al
ao, sin determinar el valor de dicho nmero de ciclos.
c) Si es posible aplicar el mtodo del inciso "b",determinar entonces "N," "Q'O1",
"Q'02'7y "Q703"y c o n f i a r si realmente es posible fabricar dichas cantidades.
Resp.: a) No es posible ya que los 3 productos se agotan antes de empezar a fabricarlos nuevamente.
Di
Pi
- < 1.
b) S es posible porque
i=1
T~~
,se mntirma que reaimente es posible fabricar dichas cantidades.
178
4.9 Una empresa desea optirnizar la poltica de inventarios de una de sus materias primas
utilizando el sistema de punto fijo. Para esto, ha recopilado la siguiente informacin:
PROGRAMACI~NDE
SISTEMAS PRODUCTIVOS
5.1 INTRODUCCI~N
5.2 LOS PROBLEMAS DE
SECUENCIACI~N
5.2.1 Problemas de secuenciacin pura
5.2.2 Definicin del problema de
programacin
5.2.3 Clasificacin de los problemas de
programacin
5.2.4 Objetivos de los programas de
produccin
5.2.5 Costos relacionados con la
programacin de la produccin
5.3 PROGRAMACI~NDE LA
FABRICACIN DE "N"
PRODUCTOS EN "UNA"
MQUINA
5.3.1 Introduccin
5.3.2 Programacin de acuerdo a los tiempos
de procesamiento
5.3.3 Programacin de acuerdo a los tiempos
de entrega
5.3.4 Aplicacin de la regla TPC con
informacin incompleta
* El tiempo en el cual cada uno de los productos est listo para ser procesado, es decir, el
tiempo de llegada del producto al sistema ("Ti").
182
* El tiempo en el cual la fabricacin del producto tendr que ser terminada, es decir, el
tiempo de entrega ("E?).
donde "K? es el nmero de operaciones del producto "i". Si hay una espera "Wij" (del
ingls "waiting") antes de cada operacin "j" del producto "i", tenemos entonces:
j=O
cuando
sta es positiva.
* Retraso medio (E): es la simple media de los distintos "R?.
* Retraso mximo (Rmk): es el mayor de los "R?.
* Nmero de productos retrasados (NR).
* Adelanto en la entrega de cada producto (Ai): es la diferencia entre "F:' y "E? cuando
sta es negativa.
* Adelanto medio (A): es la simple media de los distintos "A?.
* Adelanto mximo (Amh):es el mayor de los "A?.
* Diferencial de entrega ("Li", del ingls "lateness"): est definido, en general, por la
diferencia (Fi-Ei); si es negativa es un adelanto y si es positiva es un retraso.
183
tendr que ser terminada antes del procesamiento, en esta misma mquina, de cualquier
otra operacin.
* El tiempo de preparacin de las mquinas no depende de la secuencia de fabricacin y
este tiempo ya estar incluido en el tiempo de procesamiento de cada operacin (P,).
184
185
* El inventario en proceso.
De una forma general, se puede reducir el costo del inventario en proceso mediante la
aplicacin de reglas sencillas de programacin. Aunque en la mayora de los casos no sea
posible minimizar el inventario medio en proceso y el tiempo de fabricacin medio
simultneamente, la reduccin de ste generalmente conduce a una reduccin de dicho
inventario. La reduccin del tiempo de fabricacin medio tambin puede dar a la empresa
una mayor fuerza competitiva. Para algunos casos especiales ya existen soluciones
ptimas que minimizan el tiempo de fabricacin medio.
Los costos que dependen del nivel de utilizacin de la maquinaria y mano de obra
estn evidentemente relacionados con el programa de produccin, ya que de ste
depender el tiempo de inactividad de la maquinaria y mano de obra. Si el nivel de
utilizacin es bajo, esto podr llevar a la necesidad de trabajar tiempo extra o turnos
adicionales, lo que representar tambin un aumento de los costos. Para algunos
problemas especiales ya existen soluciones ptimas que permiten una maxirnizacin de la
utilizacin, lo que es equivalente a la rninirnizacin del tiempo mximo de fabricacin.
En varias situaciones, y especialmente cuando se trata de grandes proyectos, los
costos relacionados con entregas atrasadas pueden ser fcilmente identificados y
calculados. Por ejemplo, la empresa podr tener que pagar "x" pesos por da de retraso en
la entrega de un proyecto dado. En los dems sistemas productivos, estos costos no son
fcilmente calculables, ya que dependen de la insatisfaccin de los clientes y sta es muy
difcil de cuantificar. Sin embargo, es importante tener en mente que estos costos existen
y que en varias situaciones pueden ser ms importantes que los costos relacionados con el
inventario en proceso o la utilizacin de la maquinaria y mano de obra. Para algunos
casos especiales existen soluciones ptimas que minimizan el retraso mximo. Minimizar
el retraso medio siempre ha sido ms complicado.
La programacin entera tambin ha sido utilizada para obtener soluciones ptimas
para los problemas mencionados arriba (vase el Captulo X). Sin embargo, su utilizacin
ha sido limitada por el gran nmero de variables y restricciones.
186
*
*
*
*
*
Tambin debe resaltarse que este tipo de problema no es tan terico como puede parecer.
Es verdad que muy raramente encontramos una planta que tenga slo una mquina y
productos que requieran una sola operacin, sin embargo, al mismo tiempo, algunas
empresas pueden tener una mquina que represente una fase tan importante del proceso
productivo que el sistema de programacin debera ser diseado como si existiera
solamente esta mquina. Por otro lado, en la industria de procesamiento (por ejemplo,
detergentes), no es muy raro encontrar una planta que funciona de forma integrada como
187
si fuera una sola mquina. Anlogamente, en los sistemas continuos, podemos tener el
problema de programar la produccin de una lnea de ensamble que tambin funciona de
forma integrada como si fuera una sola mquina. Por ltimo, est el caso de la empresa
que ha identificado su "cuello de botella" y desea programar la produccin para ste
ignorando el resto de los centros productivos.
5.3.2 Programacin de acuerdo a los tiempos de procesamiento
Supongamos que tenemos los siguientes productos y que todos requieren una sola
operacin en la nica mquina que tiene la planta. Tambin supondremos que todos los
productos estn disponibles para ser procesados simultneamente (problema esttico).
Determinar la secuencia que minimiza y la que maximiza el tiempo de fabricacin medio.
PRoDuCToS
a
b
c
d
e
TIEMPO DE
PROCESAMIENTO (Pi)
10 h
20 h
13 h
16 h
8h
Solucin:
La secuencia de fabricacin que minimiza el tiempo de fabricacin medio es la TPC,
cuyos resultados se muestran en el Cuadro 5.1. Puede observarse que el tiempo total de
fabricacin es igual al tiempo de fabricacin del ltimo producto procesado y ste ser
siempre igual a 67 h. El tiempo de fabricacin medio, sin embargo, depende directamente
de la secuencia de fabricacin y en el caso de la secuencia e+a+c+d+b,
ste ser igual
a (8+18+31+47+67)/ 5 = 34.2 h.
CUADRO 5.1 Aplicacin de la regla TPC al ejemplo numrico 5.1
PRODUCTO
e
a
c
d
b
TIEMPO DE
TIEMPO DE
PROCESAMIENTO (Pi) FABRICACIN (Fi)
8h
8h
10 h
18 h
13 h
31 h
16 h
47 h
20 h
67 h
Hay un total de 5! secuencias diferentes, sin embargo no existe ninguna otra secuencia
que permita obtener un tiempo de fabricacin medio menor, o que pueda, en las
condiciones citadas, reducir ms el inventario medio en proceso y el nmero medio de
productos pendientes en la planta. Veamos la secuencia inversa (TPL) que maximiza el
tiempo de fabricacin medio (Cuadro 5.2). Para esta secuencia el tiempo de fabricacin
medio es: (20+36+49+59+67)/5=46.2h.
CUADRO 5.2 Aplicacin de la regla TPL al ejemplo numrico 5.1
PRODUCTO
b
d
c
a
e
TIEMPO DE
PROCESAMIENTO (Pi)
20 h
16 h
13 h
10 h
8h
TIEMPO DE
FABRICACIN (Fi)
20 h
36 h
49 h
59 h
67 h
189
aqulla que da prioridad a los productos cuyo ndice Vi/Pi sea mayor. Veamos un
ejemplo.
Ejemplo numrico 5.2:
Supongamos que deben procesarse los siguientes productos (pedidos o lotes) con sus
correspondientes volmenes:
190
TIEMPO*INV.
139.2
206.4
20.0
126.0
30.0
12.5
534.1
m.
46.4
20.0
18.0
7.5
2.5
1
3h
9h
10h
17h
21h
26h
>T
Puede observarse en la Figura 5.1 que si se da prioridad a los productos cuyo ndice Vi/Pi
es mayor, la tasa de disminucin del inventario en proceso ser mxima cuando se
empieza la fabricacin y mnima cuando se est terminando el ltimo producto. Esto
garantiza que el inventario medio en proceso (proporcional al rea de la figura) ser
mnimo. Cualquier otra regla de programacin conducir a una lnea que estara por
encima de la lnea 1 de la figura (por ejemplo, la lnea 2) y consecuentemente el
inventario medio sera mayor.
De hecho este problema de minimizacin del inventario medio en proceso es un
caso particular de un familia ms amplia de problemas en los cuales debe minimizarse el
tiempo de fabricacin medio ponderado. En otras palabras, no queremos minimizar
XFi/n, sino CwiFi/n,lo que es equivalente a minimizar CwiFi, ya que "n" es una constante.
Utilizando nuestra notacin el problema se describira as: n/l/F/CwiFi. La solucin
ptima de este problema se encuentra calculando los ndices wi/Pi y ordenndolos de
mayor a menor.
191
Supongamos que cuatro tcnicos llegan a una empresa al mismo tiempo y que cada uno
de ellos va a realizar una prueba diferente en un mismo equipo. Los tiempos de cada
prueba son los de la tabla a continuacin. La empresa paga $70/h, $20/h, $60h y $40/h a
los tcnicos respectivamente, y las pruebas pueden realizarse en cualquier secuencia.
Considerando que cada tcnico se va de la empresa luego que termine su prueba y que se
les pagar slo el tiempo total que permanezcan en la empresa, encontrar la secuencia
que conduce a un costo mnimo y calcular dicho costo.
Solucin:
TCNICO
a
b
c
d
PRUEBA
Pa
Pb
Pc
Pd
TIEMPO DE
DURACIN FABRICACIN
(Fi)
(pi)
4.0 h
4.0 h
7.0 h
3.0 h
12.0
h
5.0 h
14.5 h
2.5 h
= $1,720.
Es fcil ver que para cualquier secuencia el costo total es 2wiFi, donde "wi" son los
salarios de los tcnicos. Si queremos minimizar 2wiFi tenemos inicialmente que calcular
10s ndices wi/Pi:
TCNICO
a
b
c
d
SALARIO DURACIN
(Pi)
(wi)
4.0 h
$70
3.0 h
$20
5.0 h
$60
2.5 h
$40
&DICE
(wifpi)
17.5
6.7
12.0
16.0
y despus ordenarlos de mayor a menor. La secuencia ptima ser entonces adcb, la cual
se presenta en el cuadro a continuacin con los correspondientes tiempos de fabricacin
de cada producto. El costo mnimo ser entonces:
COSTO = (4.Oh)($7O/h)+(l4.5h)($20/h)+(l1.5h)($60/h)+(6.5h)($40/h)
= $1,520
192
TCNICO
a
d
c
b
PRUEBA
Pa
Pd
Pc
Pb
DURACIN
(Pi)
4.0 h
2.5 h
5.0 h
3.0 h
TIEMPO DE
FABRICACI~N
vi)
4.0 h
6.5 h
11.5 h
14.5 h
* Retraso mximo
* Retraso medio
* Nmero de productos retrasados.
Si queremos minimizar el retraso mximo para el caso de una mquina, tendremos que
utilizar la regla que da prioridad a los productos con tiempo de entrega ms corto. Nos
referiremos a esta regla a travs de la abreviacin TEC.
Otra regla que en casos ms complejos puede conducir a mejores resultados que la
regla TEC, es la que da prioridad a los productos cuyas diferencias Ei-CPi sean menores.
Esta diferencia puede ser llamada tiempo de holgura (Hi), por lo que utilizaremos para
esta regla la abreviacin THC (tiempo de holgura ms corto).
A continuacin presentamos un ejemplo donde se aplican las reglas TPC, TEC y
THC, y donde se puede observar que la regla TPC minimiza el tiempo de fabricacin
medio y el diferencial de entrega medio, y la regla TEC minimiza el retraso mximo.
Recordemos que estos resultados son vlidos para una sola mquina.
TIEMPO DE
HOLGURA
(Hi=Ei-Pi)
5.0 d
0.5 d
1.0 d
3.0 d
Secuencia los productos de acuerdo a las reglas TPC, TEC y THC, determinando para
cada una de ellas el tiempo de fabricacin medio, el diferencial de entrega medio, el
adelanto medio, el retraso medio, el nmero de productos retrasados y el retraso mximo.
Solucin:
Los resultados de la aplicacin de cada una de las reglas se muestran en los Cuadros 5.5,
5.6, 5.7 y 5.8 (resumen). Para el clculo de medias se considera que los productos
adelantados tienen retraso cero y los productos retrasados tienen adelanto cero.
TIEMPO DE
FABRICACI~N
1.O
a
6.0
1.O
3.5
b
3.O
2.5
7.5
7.0
d
4.0
c
12.0
5.5
4.5
Resultados: Tiempo de fabricacin medio: 6.0 das
Diferencial de entrega medio: 0.6 das
Adelanto medio: 1.3 das (slo un producto)
Retraso medio: 1.9 das
Nmero de productos retrasados: 3
Retraso mximo: 6.5 das
DIF. DE ENTREGA
(+) RETRASO
(-1 ADELANTO
-5.0
+0.5
+0.5
+6.5
Los resultados de estos cuadros son bastante interesantes. Inicialmente podemos observar
que la regla TPC minimiza el tiempo de fabricacin medio (6.0 das) y el diferencial de
entrega medio (0.6 das). A su vez, la regla TEC minimiza el retraso mximo (5.0 das).
Tambin debe resaltarse que la regla TPC, aunque no toma en cuenta el tiempo de
entrega de los productos, es superior o igual a las dems reglas en lo que se refiere a
todos los factores analizados, excepto el ltimo (retraso mximo). Los tiempos de entrega
no son muy lgicos, ya que algunos de los productos de mayor tiempo de procesamiento
tienen tiempos de entrega relativamente cortos y vice-versa. Obviamente, que esto va en
194
contra de las reglas que no tienen en'consideracin los tiempos de entrega, sin embargo,
an as, la regla TPC condujo a resultados mejores o iguales a los de las otras reglas. Esto
muestra, de cierta forma, la complejidad de los problemas de programacin.
CUADRO 5.6 Aplicacin de TEC al ejemplo numrico 5.4
TIEMPO DE
PRODUCTOS PROCESAMIENTO
TIEMPO DE
ENTREGA
TIEMPO DE
FABRICACI~N
DIF. DE ENTREGA
(+) RETRASO
(-1 ADELANTO
b
2.5
3.0
2.5
5.5
c
4.5
7.0
a
1.O
6.0
8.0
7.0
12.0
4.0
d
Resultados: Tiempo de fabricacin medio: 7.4 das
Diferencial de entrega medio: 2.0 das
Adelanto medio: 0.1 das (slo un producto)
Retraso medio: 2.1 das
Nmero de productos retrasados: 3
Retraso mximo: 5.0 das
-0.5
+1.5
+2.0
+5.0
TIEMPO DE
ENTREGA
TIEMPO DE
FABRICACIN
DIF. DE ENTREGA
(+) RETRASO
(-) ADELANTO
b
2.5
3.O
2.5
5.5
c
4.5
7.0
7.0
d
4.0
11.0
6.0
a
1.O
12.0
Resultados: Tiempo de fabricacin medio: 8.1 das
Diferencial de entrega medio: 2.8 das
Adelanto medio: 0.1 das (slo un producto)
Retraso medio: 2.9 das
Nmero de productos retrasados: 3
Retraso mximo: 6.0 das
-0.5
+1.5
+4.0
+6.0
F
6.0
7.4
8.1
L
0.6
2.0
2.8
A
1.3
O. 1
O. 1
R
1.9
2.1
2.9
NR
3
3
3
Rmx
6.5
5.0
6.0
195
los tiempos de entrega. Por lo tanto, solamente son vlidos para este ejemplo especfico.
Sin embargo, hay una conclusin importante que deriva de estos resultados: siempre que
el problema de programacin sea determinar la secuencia de fabricacin de un nmero
dado de productos de modo a:
se deben aplicar y evaluar los resultados de reglas que tomen en consideracin los plazos
de entrega de los productos; sin embargo, ser de fundamental importancia evaluar
tambin los resultados de la regla TPC, ya que sta podr ser la regla que proporcione los
mejores resultados. Tambin debe sealarse que no es conveniente aplicar la regla TPC
cuando el objetivo sea minimizar el retraso mximo.
Cuando tenemos resultados como los del ejemplo numrico 5.5, siempre nos
preguntamos si no ser posible reducir todava ms el nmero de productos retrasados
(las reglas TPC, TEC y THC condujeron a 3 productos retrasados). La respuesta correcta
es que s es posible, ya que ninguna de estas 3 reglas minimiza "NR". En e1 caso de una
mquina el procedimiento para minimizar "NR" es sencillo y se conoce como mtodo de
Moore. Lo describimos a continuacin:
b
c
a
d
2.5
4.5
1.O
4.0
TIEMPO DE
ENTREGA
3.O
5.5
6.0
7.0
TIEMPO DE
RETRASO
FABRTCACION
(Ri)
2.5
7.0
8.0
12.0
O
+1.5*
+2.0
+5.0
196
Como hay productos retrasados sealamos el primero con un asterisco y de ste para
arriba (inclusive) eliminamos el de mayor "P?, que es el producto "c" con 4.5 das. El
cuadro queda as:
TIEMPO DE
PRODUCTOS PROCESAMIENTO
b
a
d
2.5
1.O
4.0
TIEMPO DE
ENTREGA
TIEMPO DE
FABRICACIN
RETRASO
(Ri)
3.O
6.0
7.0
2.5
3.5
7.5
O
O
+0.5*
Eliminamos ahora "d" con P=4.0 y obviamente quedamos sin ningn producto retrasado.
Los productos "c" y "d" se agregan al final de la secuencia (en cualquier orden) y
tenemos el resultado final con 2 productos retrasados (Cuadro 5.9).
TIEMPO DE
FABRICACI~N
DIF. DE ENTREGA
(+) RETRASO
(-1 ADELANTO
b
2.5
3.O
2.5
1.O
6.0
a
3.5
c
4.5
5.5
8.0
d
4.0
7.0
12.0
Resultados: Tiempo de fabricacin medio: 6.5 das
Diferencial de entrega medio: 1.1 das
Adelanto medio: 0.8 das
Retraso medio: 1.9 das
Nmero de productos retrasados: 2
Retraso mximo: 5 .O das
-0.5
-2.5
+2.5
+5.0
Cuando hay multas por da de retraso, tenemos que minimizar CwiRi, donde "w? es la
multa por da de retraso del producto "i". Cuando todos los ''w? son iguales, es suficiente
minimizar CRi, que a su vez es equivalente a minimizar ''E",ya que =CRiln y "n" es
una constante. Por increble que parezca,
hasta el da de hoy no hemos encontrado una
secuencia que minimice CwiRi o "R ". Sin embargo, es posible hacerlo utilizando la
programacin lineal. En el Captulo X presentamos un ejemplo de minirnizacin de
CwiRi.
197
Mquina 1
Mquina 2
Mquina 1
Mquina 2
198
Paso l . Elaborar una tabla con un rengln para cada producto y una columna para cada
mquina.
Paso 2. Identificar el "P? ms pequeo de toda la tabla; si ste se ubica en la columna de
la mquina "A" secuenciarlo lo ms pronto posible; si ste se encuentra en la columna de
la mquina "B" secuenciarlo lo ms tarde posible.
Paso 3. Eliminar el producto ya asignado a la secuencia.
Paso 4. Repetir el procedimiento del paso 2 en adelante hasta que ya no haya productos
que secuenciar.
199
Si hay un empate entre la columna "A" y la columna "B", elegir arbitrariamente uno de
los productos; el otro ser asignado inmediatamente despus. Si hay un empate entre dos
O ms valores de "A" o de "B", elegir arbitrariamente uno de los productos y despus los
otros. Este segundo tipo de empate provoca soluciones ptimas mltiples.
Ejemplo numrico 5.6:
Aplicar ambas versiones del procedimiento de Johnson a los siguientes datos y verificar
que realmente son idnticas.
Solucin:
200
En la tabla vemos que el menor nmero es cero (producto "b") y se ubica del lado
izquierdo. Por lo tanto "b"queda en la siguiente posicin:
Habiendo eliminado "b",el siguiente menor nmero es 1 (producto "e") y se ubica del
lado derecho, por lo que la posicin de "e" es la siguiente:
Mquina 1
Mquina 2
201
a
22h
b
2h
c
18h
d
14h
e
23h
= (22h+2h+18h+14h+23h)/5=
15.8h
La minimizacin del tiempo de fabricacin medio en una planta con slo dos mquinas,
es decir, n / 2 / ~ / F ya
, es un problema bastante complicado, para el cual hasta hoy no se
encontr ninguna regla ptima. El algoritmo de Johnson no es bueno en cuanto a la
realizacin de este objetivo. En el ejemplo anterior, este mtodo condujo a un tiempo de
fabricacin medio igual a 1 5.8h7mientras que, como se puede observar en la grfica de la
Figura 5.4, la regla TPC conduce a un tiempo de fabricacin medio igual a 11.8h.
FIGURA 5.4 Aplicacin de TPC al ejemplo 5.6
Mquina 1
2h 3h
llh
16h
27 h
Estos resultados muestran una vez ms la importancia de una definicin previa y clara del
objetivo que se persigue. Si el objetivo fuera maxirnizar la utilizacin de las mquinas, el
mtodo de Johnson sera el ms adecuado. Si el objetivo fuera minimizar el tiempo de
fabricacin medio, debera aplicarse la regla TPC. El lector debe verificar ahora que el
tiempo de inactividad de la mquina 2 es mayor en la Figura 5.4 que en la Figura 5.3, y
an as el tiempo de fabricacin medio de la TPC es menor. Esto ilustra el poder de la
TPC en la reduccin de esta variable de salida.
202
Ai
7h
5h
6h
10h
Bi
5h
3h
4h
2h
Ci
1h
4h
3h
2h
Ai
1h
5h
7h
8h
Bi
2h
9h
6h
9h
ci
9h
7h
8h
9h
Ai+Bi
3h
14h
13h
17h
Bi+Ci
1l h
16h
14h
18h
203
En 1960 Ichiro Nabeshima [30] propuso un algoritmo para la solucin del problema
nlm/F/Fmh, el cual es en realidad una generalizacin del algoritmo de Johnson. El mtodo
de Ichiro slo es aplicable cuando:
minPj >= m a ~ P ~para
+ ~ j+
, 1 <= m-1 .
donde: m= nmero de mquinas de la planta.
Pj = conjunto de tiempos de procesamiento de la mquina '3".
Por ejemplo, el mtodo no sera aplicable al problema que se describe a continuacin, ya
que algunas de las "C? son mayores que la "B:' ms corta (7h).
Productos
a
b
c
d
Ai
10h
1l h
15h
17h
Bi
9h
7h
10h
8h
Ci
8h
4h
5h
9h
Di
8h
2h
4h
6h
Ai
10h
1l h
15h
Bi
9h
7h
10h
Ci
7h
4h
5h
Di
4h
1h
2h
Solucin:
Podemos observar que la ms corta de los "A:' es mayor que todas las "By; la ms corta
de las "B:' es mayor que todas las "C:'; etc. Por lo tanto, el mtodo de Ichiro podr ser
aplicado. Tambin podemos aplicar el mtodo de Ichiro transformando las "m ' columnas
en dos y encontrando la secuencia ptima por medio del procedimiento rpido:
7
En este tipo de problema, cada operacin requiere tres nmeros "i", "f' y "k" para
su identificacin:
Una planta tiene 2 mquinas "Y" y " X en las cuales deben realizarse las operaciones de
los 12 productos del cuadro a continuacin. La primera letra indica la primera mquina
por la que tiene que pasar el producto. Determinar:
a) Los sub-conjuntos"A", "B", "C" y " D .
b) Las secuencias de cada sub-conjunto.
c) La secuencia general de fabricacin de los 12 productos en las 2 mquinas.
d) El tiempo de fabricacin de cada producto.
PRODUCTO
1
2
3
4
5
6
7
8
9
1o
11
12
OPERACIONESISECUENCIA
Y(% X(1)
X(9, Y(2)
Y(3)
Y(2), X(10)
X(9), Y(10)
Y(7), X(3)
X(8)
X(4), Y(6)
X(4)
Y(8)
X(6), Y(1)
Y(9), X(7)
Solucin:
Secuencia de Johnson:
Grupo "D":
208
d) Elaborando una grfica de Gantt (sugerimos que el lector la haga), llegamos a los
siguientes tiempos de fabricacin:
209
Otras reglas de programacin que han sido evaluadas en los diversos trabajos de
investigacin son:
a) Dar prioridad a las operaciones ms cortas. Obsrvese que esta regla es ligeramente
diferente de la regla TPC, ya que la operacin ms corta de un determinado conjunto
"Cd" no siempre pertenece al producto de menor tiempo de procesamiento. Con
frecuencia esta versin de la TPC se llama "dinmica" mientras que la versin que
usamos anteriormente se llama "esttica".
b) Dar prioridad a los productos cuya cantidad total de trabajo pendiente sea menor. Esta
regla conduce a resultados ms o menos semejantes a las dos versiones de la regla
TPC y la llamaremos TPM.
c) Dar prioridad a los productos cuyo nmero de operaciones pendientes sea menor
(NOM).
210
d) Dar prioridad a los productos cuya cantidad total de trabajo pendiente sea mayor
(TPMA).
e) Dar prioridad a los productos cuyo nmero de operaciones pendientes sea mayor
(NOMA).
La eficiencia de todas estas reglas ha sido comparada, principalmente en lo que se refiere
a la reduccin del tiempo de fabricacin medio, tiempo de fabricacin mximo, retraso
mximo, retraso medio y nmero de productos retrasados. Veamos algunas de las
conclusiones y recomendaciones que se han originado de estos estudios (vanse tambin
las referencias [7] y [35]).
La regla FIFO es prcticamente equivalente a "no programar", por lo que es la que
requiere menos esfuerzo. Si la empresa no tiene problemas de capacidad ni de inventario
ni de cumplimiento de fechas, sta deber ser la regla utilizada.
En cuanto a la reduccin del tiempo de fabricacin medio, las reglas TPC esttica,
TPC dinmica, TPM y NOM generalmente conducen a mejores resultados. Debe
recordarse que cuando reducimos el tiempo de fabricacin medio, estamos al mismo
tiempo reduciendo el nmero medio de productos pendientes en la planta y el inventario
en proceso medio. Sin embargo, en la mayora de los casos es posible determinar reglas
especficas que reduzcan todava ms dicho inventario. Como estas cuatro reglas tienden
a sacar los productos de la planta lo ms rpido posible, pudieran reducir el nmero de
productos retrasados y el retraso medio. Esta afirmacin, sin embargo, es peligrosa y
debera considerarse con mucha precaucin.
Cuando utilizamos las reglas TPC esttica, TPC dinmica, TPM y NOM siempre
existe la posibilidad de que los trabajos demasiado largos queden "atrapados" en el
sistema, por lo que con frecuencia se recomienda que sean combinadas con otras reglas
(por ejemplo, TEC).
Cuando de antemano sabemos que habr la necesidad de maquilar una parte de la
produccin, la TPL puede ser la ms conveniente, para que se maquilen los trabajos ms
cortos y no los ms largos.
En cuanto a la reduccin del tiempo de fabricacin mximo, las reglas TPMA y
NOMA generalmente conducen a mejores resultados. Finalmente, la regla TEC conduce
a buenos resultados cuando el objetivo es reducir el retraso mximo.
Es evidente que estos resultados no son suficientes para que los diversos sistemas
productivos pueden resolver sus complejos problemas de programacin. Sin embargo,
creemos que stos son un punto de partida del cual podrn salir soluciones relativamente
buenas que ayuden a los gerentes de empresas a enfrentar las presiones de la actual
sociedad industrial. El campo est abierto a las investigaciones y esperamos que en un
futuro no muy lejano se encuentren ms y ms soluciones ptimas para los diferentes
tipos de problemas.
PROBLEMAS TIPO
5.1 Supongamos que 4 productos tienen que ser procesados en la nica mquina que
tiene determinada planta, y que sus tiempos de procesamiento son los siguientes:
1
.
I
Pi (das
PRODUCTO
Determinar:
a) La secuencia que minimiza el tiempo de fabricacin mximo y cul es ste.
b) La secuencia que minimiza el tiempo de fabricacin medio y cul es ste. Cul
es el tiempo de fabricacin de cada producto que corresponde a la secuencia?
Resp.: a) Cualquier secuencia; F*26 das.
b) TPC: d-b-c-a;
5.2 La empresa SECUENCIA, S.A. tiene que fabricar en su nica mquina y entregar a
determinado cliente los siguientes productos:
El cliente est muy molesto por los retrasos que han ocurrido en las ltimas semanas
por lo que inform a la empresa que de ninguna manera tolerar un retraso mayor
que 5 das en ninguno de los pedidos. Habr alguna secuencia que le permita a
SECUENCIA satisfacer esta exigencia del cliente? Si existe, determinar el retraso o
adelanto de cada pedido, el retraso medio, el retraso mximo y el tiempo de
fabricacin medio.
Resp.: TEC: b-c-a-d; &=OS; Rc=1.5; &=2.0; &=5.0; R =2.125 das; R*=~.o das; F =7.4 das.
.3 En una planta que tiene una sola mquina debemos minimizar el nmero de
productos retrasados. Encontrar la secuencia ptima y, adems, aplicar la secuencia
TPC. Para cada una de estas secuencias determinar los valores de "NR", " F ","R " y
''RmW. Las operaciones a realizarse y los tiempos de entrega correspondientes son
los siguientes:
R = 1.625 das; b
4 . 5 das.
212
5.4 Una fbrica con una mquina tiene un costo de "C" pesos por cada da que los
pedidos de los clientes permanecen en ella. Hay en el momento 5 pedidos por
fabricarse y los datos correspondientes a stos son los siguientes:
5.5 La empresa ARCOS, S.A. ha recibido los siguientes 4 pedidos (tiempos en das)
para los cuales dos equipos especializados de secuencia fija tienen que ser rentados.
La empresa RENTA, S.A. los proporciona cobrando $2,00O/da por cada equipo y
los entrega y recoge al mismo tiempo. Cul es la secuencia que minimiza el costo
total de renta de los equipos y cunto sera dicho costo? Cul es el tiempo de
fabricacin mximo? Cul es el tiempo de fabricacin medio?
PEDIDOS
a
b
c
d
F =13.75 das.
5.6 Necesitamos fabricar 5 productos que pasan, segn una secuencia fija, por 2
mquinas cuyas caractersticas son las siguientes:
PRODUCTO
a
b
c
d
e
MAQ. #1
(das)
1
5
6
2
7
MAQ. #2
(das)
4
8
3
9
5
TIEMPO DE
ENTREGA
15
18
1O
22
25
213
5.7 En una empresa de piezas de madera hay 2 cortadoras idnticas en las cuales hay
TIEMPO DE
TIEMPO DE
NUMERO
TRABAJOS MEDIDAS DE PIEZAS PROCESAMIENTO ENTREGA
25
18
12,000
40x40~8
a
20
14
b
20x20~80
8,000
Considerando que:
* Los lotes pueden ser divididos en dos partes iguales y procesados en paralelo en las
dos cortadoras.
Para cada trabajo el tiempo de procesamiento es directamente proporcional al
nmero de piezas (por ejemplo, si el lote "a" se divide cada parte requerir 9
horas).
F =12.5 das.
4a. secuencia: mitad de "b" en mq. 1 y mitad de "b" en mq. 2; en seguida mitad de "a" en mq. 1 y mitad de "a" en mq. 2;
5.8 El Ing. Lpez es gerente del producto " X y el Ing. Velzquez es gerente del
producto "Y". Como los productos son similares Lpez utiliza dos mquinas que de
hecho son idnticas a 2 de las mquinas de Velzquez. En un determinado da Lpez
tuvo un problema con sus dos mquinas y solicit las dos mquinas de Velzquez
prestadas. La respuesta de Velzquez fue: "te las presto a las 8:00 A.M. pero te pido
que desocupes las dos mquinas antes de las 13:OO P.M.". Considerando una
secuencia fija y que Lpez tiene que realizar las siguientes operaciones de 4
productos en las dos mquinas prestadas:
a) Puede atender la peticin de Velzquez?
b) Si los tiempos de entrega de "a", "b", "c" y "d" (a partir de las 8:00 A.M.) son
2h, 4h, 3h y 6h, respectivamente, cul sera el retraso medio para la secuencia
del inciso "a"?
b)
R =O.lO horas.
214
5.9 Diez productos deben ser procesados en una planta de secuencia variable que posee
2 mquinas. El cuadro a continuacin proporciona el orden y los tiempos de las
operaciones de los productos en las mquinas "Y" y "X":
TIEMPOS DE LAS
OPERACIONES
y@), X(1)
Y(5)
C
X(4), Y(6)
d
X(7)
e
Y(7)
f
Y(3)7 X(8)
g
X(3), Y(5)
h
Y(2), X(9)
1
X(6)
X(lO),
Y(9)
J
De acuerdo al algoritmo de Jackson, determinar:
PRODUCTOS
a
b
* El volumen de produccin deseado ser "V", dado en unidades al ao, unidades por
turno, unidades por hora, etc..
* El nmero de operaciones a realizarse ser "M" (la numeracin de las operaciones sera
1 , 2,..., i,..., M).
* El tiempo de cada operacin ser '&" (i = 1, 2, ..., M). Se utilizar siempre el minuto
como unidad de tiempo.
* El nmero de trabajadores que requiere cada operacin ser "ni" (i=1,2, ... , M).
* El contenido total de trabajo en minutos-hombre (MH) que se requiere para terminar
una unidad del producto sera
El tiempo total de trabajo en minutos que se requiere para terminar una unidad del
producto ser:
1,2, . . .,Z).
(j = 1, 2,
puestos sera
218
Debemos ahora hacer algunas observaciones para que no haya dudas sobre el tipo de
problema que vamos a analizar en este captulo:
a) Generalmente, las caractersticas tecnolgicas de las operaciones determinan el
nmero de trabajadores que se requiere en cada una de ellas, por lo que el
de
balanceo de lneas se resume nicamente a determinar el nmero de estaciones "Z", el
nmero de operaciones por estacin "nj" y el nmero de puestos de cada estacin "pj".
En la solucin del problema, sin embargo, tendremos que considerar 2 aspectos
muy importantes que son: las restricciones en cuanto a secuencia de realizacin de las
operaciones y las restricciones tecnolgicas. Las restricciones tecnolgicas se refieren
normalmente a que algunas operaciones o tienen que realizarse en la misma estacin o
no pueden de ninguna manera realizarse en la misma estacin.
b) Si a una deterninada estacin '3" se asignan varias operaciones y los "ni" de estas
operaciones son diferentes, obviamente el nmero de obreros "kj" de cada puesto de
trabajo de esta estacin tendr que ser igual al nmero "q"de obreros de la operacin
que ms obreros requiere. Es decir, si se asignan a la estacin '3" las operaciones 1, 7
y 8 con ni=l, n7=1 y ns=2, los puestos de esta estacin tendrn que tener un kj=2.
Obviamente, no conviene asignar a una misma estacin, operaciones con un "ni"
diferente, ya que esto conducira a problemas de inactividad. Por esta razn, no le
daremos mucha importancia a esta situacin en este captulo y presentaremos un solo
ejemplo de ella al final del inciso 6.7.
c) En algunos casos especiales, se disean lneas en las que los trabajadores cambian de
estaciones de trabajo o los contenidos de trabajo de stas son variables. En este
captulo no se contemplarn estos casos.
d) Por ltimo, queremos resaltar que los tiempos que se utilizan en los problemas de
balanceo de lneas deben ser deteminados mediante las tcnicas de medicin del
trabajo, es decir, debern ser tiempos estndares. Para recordar este hecho,
expresaremos los tiempos de las operaciones mediante las letras '&" y el tiempo total
y el contenido total as:
219
Como en todos los problemas de balanceo de lneas, en este caso debemos disponer de la
siguiente informacin:
220
Supongamos que V=1,000 unid. por turno, que no hay restricciones tecnolgicas
importantes y que las operaciones, sus tiempos estndares, la secuencia de realizacin y
el nmero de obreros requeridos por operacin sean los que se muestran en el cuadro a
continuacin. Balancear una lnea que permita lograr el volumen de produccin deseado.
CUADRO 6.1 Problema con c<teicon divisin del trabajo
OPERACIN PRECEDENCIA
INMEDIATA
(9
--1
2
1
3
1
4
2
5
3
6
4,5
7
6
8
6
TIEMPOS
ESTNDARES
(ki)
0.82
1.10
1.68
2.69
0.67
0.86
1.87
0.80
OBREROS
REQUEFUDOS
(ni)
1
1
1
1
1
1
1
1
Solucin:
221
1
2
3
4
(b)
PREC.
--1
1
2
(c)
tei
0.82
1.10
1.68
2.69
(d)
OBRE.
REQ.
(ni)
1
1
1
1
(e)
(0
NUM. DE PUESTOS
TEORICO
REAL
@j)
1.71
2.29
3.50
5.60
(0
t4
(h)
CICLO
PIOPER.
t'aj
0.96
1.44
1.92
2.88
0.410
0.367
0.420
0.448
0.94
1.40
1 .S7
2.81
(S)
@j>
2
3
4
6
Obviamente, con los nmeros de puestos "pj" redondeados para ms, el balance de la
lnea no ser perfecto, es decir, los obreros de todos los puestos tendrn tiempo ocioso.
Esto ocurrir siempre, a excepcin de aquellos raros casos en que todos los nmeros de
puestos sean exactos.
El diseo final de la lnea sera como se muestra en la Figura 6.3. Debe recordarse
aqu lo que se dijo anteriormente y que se puede observar en la Figura 6.3: cuando el
ciclo es menor que todos los tiempos estndares y se utiliza el mtodo de la divisin del
trabajo, a cada operacin corresponde una estacin con un determinado nmero de
222
E=
C t e i ni
i=l
7
donde:
i=l
Solucin:
Obsrvese que, cuando en todos los puestos de todas las estaciones de la lnea labora un
solo obrero, los contenidos de trabajo estndar y asignado salen directamente del Cuadro
6.2 totalizando las columnas "c" y "g", respectivamente.
Es importante observar tambin que, como los tiempos asignados fueron calculados
en base a un ciclo de 0.480 min., la eficiencia E=87.42% corresponde a este ciclo, es
decir, la lnea solamente tendr esta eficiencia cuando trabaje al ritmo de un producto
cada 0.480 min.. Como todos los nmeros de puestos fueron redondeados para ms, la
lnea propuesta podr producir ms que 1 producto cada 0.480 rnin.. Cul ser la
produccin mxima de la linea propuesta en el Cuadro 6.2 y Figura 6.3?
Para determinar la produccin mxima de la lnea tenemos que calcular el ciclo
individual de cada estacin despus del redondeo. Para la operacin 1 tenemos: si 1.71
puestos produciran 1 producto cada 0.480 min., 2 puestos producirn 1 producto cada
0.8212 = 0.410 min.. ste ser el ciclo de la estacin 1 (operacin l), es decir, ste seria el
ciclo de la linea si slo existiera esta estacin. Los ciclos individuales de las dems
estaciones se calculan de la misma manera y se presentan en la columna "h" del Cuadro
6.2.
Los ciclos individuales muestran que la estacin (operacin) 7 controlar el ritmo
de la lnea ya que a sta le corresponde el mayor ciclo (0.468 min.). En otras palabras,
con estos nmeros de puestos y estos tiempos estndares, esta lnea no podr producir de
ninguna manera ms que 1 producto cada 0.468 min.. Decimos que c7=0.468min..
Lo anterior demuestra que, si se quiere, la lnea propuesta puede trabajar con un
ciclo de 0.468 min. , por lo que volvemos a calcular los tiempos asignados para este ciclo
(recordemos que los tiempo asignados se calculan multiplicndose el nmero real de
puestos por el ciclo). Los resultados se muestran en la columna "i" del Cuadro 6.2. La
eficiencia de la lnea cuando trabaje con este ciclo ser:
225
Supongamos que el Cuadro 6.1 se modifica y que el problema a resolver es el del Cuadro
6.3. Volver a balancear la lnea con divisin del trabajo y determinar la eficiencia
correspondiente.
CUADRO 6.3 Problema con c<teicon divisin del trabajo y "ni" variable
Solucin:
Regresemos al ejemplo del Cuadro 6.1 con un obrero por operacin. Como no hay
restricciones tecnolgicas importantes y el ciclo es de 0.480 min., podemos proponer una
"lnea" con una sola estacin, donde se realizaran todas las 8 operaciones y con un
nmero de puestos igual a:
PJ. = P1 =
T,
10.49 min.
=
= 21.9 = 22 puestos.
0.480min.
c
Obsrvese que esta eficiencia de 99.34% es para el ciclo de 0.480 min.. Si los obreros de
cada uno de los puestos realizan su trabajo en 10.49 min. (lo que sin duda es posible, ya
que 10.49 es la suma de los "bi"), la lnea trabajara con un ciclo de:
C7
22
227
Como las restricciones tecnolgicas en muchos casos tampoco permiten una divisin
total del trabajo (es decir, una operacin en cada estacin), la solucin ptima de los
problemas de balanceo de lneas casi siempre resulta ser una solucin intermedia, en la
que se concentran algunas operaciones en determinadas estaciones (para aprovechar las
ventajas de concentracin del trabajo) y se mantienen separadas en otras estaciones
aquellas operaciones que requieren equipos especiales o necesitan por alguna razn estar
aisladas de las dems, o simplemente para aumentar la productividad de la mano de obra
(si la divisin del trabajo realmente conduce a esto).
Ejemplo numrico 6.4:
Supongamos que, por algn tipo de restriccin, tuviramos que realizar las operaciones 1,
2 y 3 (vase el Cuadro 6.3) en una misma estacin. Consideremos adems que, como las
operaciones 4 y 6 requieren 2 trabajadores para su realizacin (vase el Cuadro 6.3),
tambin debern mantenerse juntas. Volver la balancear la lnea para estas condiciones y
determinar la eficiencia correspondiente.
Solucin:
OPERACION
(0
1,2,3
5
496
7
8
ESTACION
(i)
1
11
111
IV
V
C &i
3.60
0.67
3.55
1.87
0.80
OBREROS
(kj)
1
1
2
1
1
Obsrvese que para definir las estaciones se tiene que considerar la secuencia de las
operaciones (vase la Figura 6.2). No podramos, por ejemplo, asignar las operaciones 4
y 6 a la estacin 2 y la operacin 5 a la estacin 3, ya que la 6 depende de la terminacin
de 4 y 5. Por otro lado, el Cuadro 6.4 puede ser transformado en el Cuadro 6.5, por lo que
el mtodo de solucin del problema es idntico a los descritos anteriormente.
CUADRO 6.5 Cuadro 6.4 moditlcado
OPERACION
(i)
A
B
C
D
E
ESTACION
(i)
1
11
111
IV
V
C &i
3.60
0.67
3.55
1 .S7
0.80
OBREROS
(kj)
1
1
2
1
1
228
En el Cuadro 6.6, el nmero de puestos "pj" de cada estacin fue determinado en base al
ciclo c=0.480 min.. Como todos los "pj" fueron redondeados para ms, la lnea podr
trabajar con un ciclo ligeramente menor que el original. Como se indica en la penltima
columna del Cuadro 6.6, el nuevo ciclo sigue siendo c'=0.468 min. (ciclo de la estacin
IV).
Los "t'," se obtuvieron multiplicndose el nmero real de puestos por el nuevo
ciclo c'=0.468 min.. La eficiencia de la lnea para este ciclo de 0.468 min. ser entonces:
Obsrvese que, para el mismo ciclo de 0.468 min., esta eficiencia es mayor que la
anterior de 90.82%. Esto se debe a que, con la concentracin del trabajo, el nmero de
puestos se redujo de 25 a 24 (vanse los Cuadros 6.2 y 6.6). La posibilidad de la
reduccin del nmero de puestos es una de las principales ventajas de la concentracin
del trabajo.
6.5 TERCER &TODO:
sta sera la solucin con divisin (total) del trabajo, sin embargo, como se coment
anteriormente y se demostr ahora, la eficiencia obtenida es inaceptable. Obsrvese que
si todos los "h:' fueran menores que el ciclo, pero muy cercanos a l, la eficiencia sera
aceptable. sta sera la hita excepcin.
Como consecuencia, el analista tiene que adoptar alguna concentracin del trabajo,
de tal manera que el ciclo de cada estacin sea igual o menor que el deseado (en este caso
0.90 min.). Por lo tanto, el ttulo ms adecuado para este inciso fuera quizs "balanceo de
lnea con c>hi y con una concentracin mnima de trabajo", ya que la divisin total del
trabajo resulta inaceptable.
La solucin del problema consiste entonces en buscar combinaciones de
operaciones cuyos "ti" sumen 0.90 min. menos. La misma Figura 6.4 presenta una
solucin con tres combinaciones que se repiten en el Cuadro 6.8:
CUADRO 6.8 Combinaciones posibles para el problema del Cuadro 6.7
OBREROS
COMBINACIONES OPERACIONES
C tei
tei
1
0.30+0.40+0.10+0.05
0.85
1,2,3, 5
11
4,6,7,8,10
0.08+0.12+0.10+0.05+0.55 0.90
111
9, 11, 12
0.50+0.12+0.13
0.75
(kj)
1
1
1
Las combinaciones pueden ser cualesquiera. Sin embargo, cualquier operacin solamente
puede pertenecer a una combinacin dada, si todas sus precedencias estn ubicadas en
cualquiera de las combinaciones anteriores. Cada una de las combinaciones ser entonces
asignada a una estacin y tendremos la solucin del Cuadro 6.9.
CUADRO 6.9 Solucin al problema del Cuadro 6.7
ESTACIONES
OPERACIONES
(i>
(9
C hi
1
11
111
1,2,3,5
4,6,7, 8, 10
9, 11, 12
0.85
0.90
0.75
OBREROS
(4)
1
1
1
taj
0.90
0.90
0.90
Obsrvese que en slo una estacin se logr que el ciclo fuera exactamente 0.90 min..
Toda la lnea funcionar entonces con este ciclo y la eficiencia ser:
El lector debe observar que, para efectos de clculo de la eficiencia, las combinaciones se
consideran como una sola operacin, cuyo "te? es la suma de los "h:' de sus operaciones.
Obviamente, la solucin presentada en el Cuadro 6.9 no es nica y tampoco es
ptima. La gran diferencia que hay entre el menor ciclo (0.75 min. de la estacin 111) y el
mayor ciclo (0.90 min. de la estacin 11) no es conveniente porque disminuye la
eficiencia de la lnea. Otras combinaciones ms convenientes se muestran en el Cuadro
6.10 y Figura 6.5:
A estas alturas queremos resaltar que, cualquiera que sea el ciclo, el nmero terico
de combinaciones (estaciones) ser:
,,&
,
= 2.50 min.10.90
OPERACIONES
(i)
(i>
C &i
1
11
111
1,2,3,5
4,6,7,8,9
10, 11, 12
0.85
0.85
0.80
OBREROS
(kj)
1
1
1
Resumiendo, podemos decir entonces que la metodologa para resolver problemas de este
tipo es determinar combinaciones de operaciones buscando simultneamente lo siguiente:
a) La suma de los ''&y de cada combinacin deber ser igual o menor que el ciclo.
b) Una operacin slo puede ser ubicada en una combinacin si todas sus precedencias ya
heron ubicadas en alguna combinacin anterior.
c) Las C Gi de cada combinacin no deben ser muy diferentes (lo ideal sera la igualdad).
232
Una vez encontradas las combinaciones, cada una de ellas ser asignada a una estacin y
habr un solo puesto en cada estacin.
6.6 CUARTO MTODO: C>TeiCON CONCENTRACI~NDEL TRABAJO
Ejemplo numrico 6.6:
Volver a resolver el problema del inciso 6.5 utilizando la concentracin del trabajo y
determinar la eficiencia correspondiente. Debe recordarse que en el inciso 6.5 ya se
utiliz el grado mnimo de concentracin del trabajo. En este ejemplo numrico debe
utilizarse un grado de concentracin superior a este grado mnimo.
Solucin:
Sin embargo, esta "lnea" puede trabajar con un ciclo igual a (2.50 min.)/3=0.83 min., y
para este ciclo la eficiencia sera obviamente de 100%.
Como dijimos anteriormente, en la prctica la concentracin total del trabajo puede
ser imposible o por lo menos inconveniente. Una concentracin intermedia, sin embargo,
puede conducir a resultados superiores a los obtenidos con la concentracin mnima.
Como ejemplo, podemos proponer las siguientes combinaciones (Cuadro 6.11):
CUADRO 6.11 Solucin al problema del Cuadro 6.7 con concentracin del trabajo
COMBINACIONES
OPERACIONES
(i)
1
11
1,2,3,5
4,6,7,8,9,10,11,12
t i
0.85
1.65
PUESTOS
OBREROS
CICLO
(P,)
(4)
(c)
1
2
1
1
0.85
0.825
La eficiencia de esta lnea para el ciclo de 0.90 min. sera otra vez de 92.59%, es decir:
La Figura 6.6 muestra la red de actividades y la primera solucin, con una concentracin
mnima del trabajo. Esta lnea consta de 6 estaciones que se indican en la propia Figura
6.6 y en el Cuadro 6.12, y tiene una eficiencia igual a:
234
ESTACION
OPERACIONES
(0
C tei
1
11
111
IV
V
VI
TOTAL
1,3
2
6,7,1O
43
8,9
11
0.32
0.30
0.38
0.40
0.32
0.28
2.00
PUESTOS
OBREROS
(~i>
(kj)
1
1
1
1
1
1
6
1
1
1
1
1
1
6
FIGURA 6.7 Ejemplo ilustrativo de las ventajas de la concentracin del trabajo: 2"
solucin
1
11
111
TOTAL
OPERACIONES
(9
C tei
1,2,3,6
4,5
7,8,9,10,11
0.80
0.40
0.80
PUESTOS
(~i)
2
1
2
OBREROSIPUESTO
(kj>
1
1
1
5 (*
En este caso la solucin podra ser la de la Figura 6.8 y Cuadro 6.14 a continuacin. Si
mantenemos el ciclo de 0.40 rnin., la eficiencia sera:
236
OPERACIONES
(9
1,2,5
3,6
7,9
4,8,10
11
ESTACION
(i)
1
11
111
IV
V
TOTAL,
PUESTOS
(~i)
2
1
1
1
1
6
C ki
0.72
0.33
0.30
0.37
0.28
2.00
OBREROS
(kj)
1
2
1
1
1
7(*)
Con este ttulo denominados aquellos problemas en los cuales algunos "bi)' son mayores
que el ciclo y otros son menores que el ciclo.
Ejemplo numrico 6.9:
Para el caso de la Figura 6.9 balancear una lnea con un ciclo igual a 0.45 minutos y
determinar la eficiencia correspondiente.
Solucin:
En el ejemplo de la Figura 6.9, todos los "&yson menores que el ciclo a excepcin de la
operacin 10 con un b,80.80 rnin.>c=0.45 min.. Es fcil entender que, de hecho, no hay
ninguna diferencia entre ste y los problemas del inciso anterior con concentracin del
trabajo. Una solucin posible sera la que se muestra en la propia Figura 6.9 y en el
Cuadro 6.15 a continuacin.
CUADRO 6.15 Solucin al problema mixto de la Figura 6.9
ESTACION
(i)
1
11
111
IV
TOTAL
OPERACIONES
(9
125
3,6,7
4,8,9
1O
m
C ki
0.44
0.43
0.45
0.80
2.12
PUESTOS
OBREROS/PUESTO
(~i)
(kj)
1
1
1
2
5
1
1
1
1
5 (*)
Como ltima alternativa, veamos el caso en que slo algunas operaciones de una estacin
dada requieren ms de un obrero, es decir los "ni" de las operaciones no son iguales.
Ejemplo numrico 6.10:
Supongamos en el ejemplo del Cuadro 6.15 que n5=2,es decir, la operacin 5 requiere 2
obreros para realizarse. Cmo se modificara la solucin?
Solucin:
En este caso tendremos forzosamente que asignar 2 obreros al puesto de la estacin 1, los
que realizaran las operaciones 1, 2 y 5, a pesar de que las dos primeras no requieren 2
obreros. La solucin correspondiente a este problema se encuentra en el Cuadro 6.16 a
continuacin. La eficiencia de la mano de obra sera:
E=
238
OPERACIONES
(9
OBRE./OPER.
(ni>
1
11
111
IV
TOTAL
1,2,5
3,67
4,8,9
10
1,1,2
1,1,1
1,1,1
1
C bi
PUESTOS
0.44
0.43
0.45
0.80
2.00
@j)
OBREROSI
PUESTO
(kj)
1
1
1
2
5
2
1
1
1
6
0
OP. 1 o
Paso l.Como c=184 segundos, buscamos entre los valores de la columna (F) del Cuadro
6.17 la suma acumulada ms cercana a 184. Encontramos el valor 173 en la columna 111.
Esto significa que si asignamos a la estacin 1 todas las operaciones de las columnas 1,II
y 111, la sumatoria de los tiempos sera 173 segundos. sta no cumple con lo que
queremos por 184-173=11 segundos.
Paso 2. Como la estacin 1hasta el momento incluye las columnas 1,II y 111y nos faltan
11 segundos para completarla, buscamos en la columna IV una combinacin de
operaciones cuya suma de tiempos sea exactamente 11 segundos. Encontramos las
siguientes combinaciones: 19,29 y 32 (X=1 l), 29 y 3 1(Z=1l), y 31 y 32(X=11).
241
242
11
111
IV
V
VI
VI1
VI11
IX
X
XI
XII
XIII
XIV
1
2
11
12
39
3 (c. 5,9)
7
4 (c. 6,lO)
8
13
37 (c. 43)
5 (c. 9)
6 (c. 10)
14
15
43
9
1o
29
30
31
32
25 (c. 26)
16
19
23
24
17
20
26
27
18
21
33(c. 35,36,38)
22
35
36
38
28
34
40
41
42
44
45
(C)
Observaciones
11, ..., XI
111, ..., IX
111, ..., M
111, ..., XIII
IV, ..., X
IV, ..., X
IV, ..., XIV
v, ..., XI
v, ..., XI
V, ..., XI
V, ..., XI
v, ..., XI
V, ..., XI
V, ..., VIII
v7VI
v, VI
VII, ..., M
VI11
M, x
M
M
@)
Duracin
De las
operaciones
9
9
1o
11
5
1o
13
10
13
6
4
17
17
22
11
6
20
20
4
5
7
4
26
19
3
27
29
12
7
6
5
4
55
15
14
7
9
3
24
7
4
21
12
5
5
(F)
(E)
Suma
de las
duraciones
Suma
acumulada
44
44
56
1O0
73
173
164
337
19
356
15
371
70
441
33
24
7
4
21
12
474
498
505
509
530
542
10
552
243
11 .
111
IV
IV
V
VI
VI1
VI11
M
X
XI
XII
XIII
XIV
@)
Nmero de
identificacin de
la operacin
1
2
11
12
39
3
7
4
8
13
37
5
6
14
15
43
31
32
9
10
29
30
25 (c. 26)
16
19
23
24
17
20
26
27
18
21
33(c. 35,36,38)
22
35
36
38
28
34
40
41
42
44
45
(C>
Observaciones
I
Estacin 1
v , ..., XI
v , ..., XI
V7...,XI
V, ..., XI
V, ..., VIII
v, VI
v7VI
VII, ..., M
VIII
M,X
M
IX
@>
Duracin
de las operaciones
9
9
10
11
5
1o
13
10
13
6
4
17
17
22
11
6
7
4
20
20
4
5
26
19
3
27
29
12
7
6
5
4
55
15
14
7
9
3
24
7
4
21
12
5
5
(E)
Suma
De las
duraciones
(F>
Suma
acumulada
184
184
153
337
19
356
15
371
70
441
33
24
7
4
21
12
474
498
505
509
530
542
1O
552
244
11
111
N
IV
VI
VI1
VI11
VI11
IX
X
XI
XII
XIII
XIV
(B)
Nmero de
identificacin de
la operacin
1
2
11
12
39
3
7
4
8
13
37
5
6
14
15
43
31
32
29
30
16
19
23
24
17
20
27
18
21
22
9
10
25
33
28
26
35
36
38
34
40
41
42
44
45
(C)
Observaciones
Estacin 1
Estacin 2
Estacin 3
@>
Duracin
de las operaciones
9
9
10
11
5
1o
13
10
13
6
4
17
17
22
11
6
7
4
4
5
19
3
27
29
12
7
5
4
55
14
20
20
26
15
24
6
7
9
3
7
4
21
12
5
5
(F)
(E)
Suma
De las
duraciones
Suma
acumulada
184
184
184
368
184
552
246
Este mtodo utiliza el "peso posicional" de las operaciones como gua para la asignacin
de stas a las estaciones. El peso posicional consiste en la suma del tiempo propio de la
operacin ms los tiempos de todas las operaciones que dependen de ella. De acuerdo a
este mtodo, las operaciones de mayor peso posicional se asignan primero a las
estaciones.
Ejemplo numrico 6.11:
Considerando la red del inciso 6.6 (Figura 6.6) aplicar el mtodo de los pesos
posicionales.
Solucin:
Si calculamos los pesos posicionales de cada operacin de la Figura 6.6, obtenemos los
resultados de la Figura 6.13, en donde el nmero de arriba del nodo es la duracin de la
operacin y el de abajo el peso posicional.
Ordenando las operaciones segn sus pesos posicionales, tenemos el Cuadro 6.20.
Siguiendo el orden de los pesos posicionales y considerando el mismo ciclo de 0.40 min.,
las operaciones seran asignadas a las estaciones de la siguiente manera:
ESTACION 1: 1,3;
ESTACION V: 9, 10;
ESTACION VI: 11 ;
,= 0.28 min.
0.48
0.38
Es importante sealar que las operaciones fueron asignadas a las estaciones siempre de
acuerdo al orden del Cuadro 6.20, a no ser cuando se rebasaba el total de 0.40 min. o se
violaba alguna precedencia, cuando entonces se saltaba la operacin y se probaba con las
siguientes cuyas precedencias ya haban sido asignadas.
248
249
250
fueron asignadas algunas operaciones a la estacin 1 y quedan 0.10 min. por asignar;
como "a" dura 0.12 min., "b"dura 0.05 min. y "d" dura 0.07 min., "a" ya no cabe y slo
"b"y "d" pasaran a la tabla "C" que quedara as:
Tabla "C"
b
0.05
d
0.7
Una vez construidas estas tres tablas el algoritmo funciona as:
Apliquemos, como ilustracin, slo el inicio del algoritmo. Si desea, el lector puede
concluir el ejercicio. En la primera iteracin tenemos:
Tabla "A"
1
O
2
1
3
1
4
1
5
1
6
1
7
1
8
2
9
1
10
1
11
3
Tabla "B"
1
0.17
Tabla "C"
1
0.17
25 1
Tabla "B"
2
0.30
3
0.15
Tabla "C"
3
0.15
PROBLEMAS TIPO
6.1 U trmite gubernamental requiere 5 operaciones secuenciales cuyas caractersticas
se presentan en el cuadro. Deben atenderse 2,500 personas en un turno de 450
minutos.
OPERACION DURACI~N OBREROS
1
1
0.65 min.
2
1
0.30 min.
3
1
0.50 min.
4
1
0.32 min.
5
0.25 min.
1
a) Determinar el ciclo deseado.
b) Balancear una lnea con divisin del trabajo que permita atender a las 2,500
personas por turno.
c) Calcular la eficiencia de la lnea al ciclo original.
d) Calcular el ciclo.de la lnea a su produccin mxima.
e) Calcular la eficiencia de la lneaa su produccin mxima.
Resp.:a) c=0.18 minutos.
b) Est. 1: 4 puestos; est. 11: 2 puestos; est. 111: 3 puestos; est. IV: 2 puestos; est. V: 2 puestos.
c) E=86.32%.
d) cY=0.1667minutos.
e) E'=93.22%.
253
DURACION
OBREROS
(minutos)
1
0.51
0.40
1
1
0.25
0.32
1
2
0.20
0.37
1
1
0.70
1
0.90
Resp.: a) Est. 1: 4 puestos; est. 11: 3 puestos; est. 111: 2 puestos; est. IV: 2 puestos; est. V: 2 puestos; est. VI: 3 puestos;
est. VII: 5 puestos: est. VIII: 6 puestos.
b) E=82.97%.
C) E'=E=82.97%.
d) Est. 1: 4 puestos; est. 11: 3 puestos; est. 111: 2 puestos; est IV (operaciones 4 y 5): 4 puestos; est. V: 3 puestos;
est. VI: 5 puestos; est. VII: 6 puestos.
e) E=77.62%.
f) E'=82.80%.
DURACIN
(minutos)
OBREROS
1
0.12
1
0.14
1
O. 15
0.06
1
1
0.10
0.05
1
1
0.05
0.17
2
0.04
1
2
0.07
a) Balancear una lnea con divisin del trabajo que permita producir 1,920 unidades
en un turno de 480 minutos, ubicando las operaciones 8 y 10 en una misma
estacin.
b) Calcular la eficiencia de la lnea al ciclo original.
c) Calcular la eficiencia de la lnea a su produccin mxima.
Resp.: a) Est. 1: 1,4, 7; est. 11: 3,6,9; est. 111: 2, 5; est IV: 8, 10.
b) E=95.20%.
c) E'=99.17%.
6.5 Una determinada empresa tiene que ensamblar 24 unidades por turno de 480 minutos
de un producto que requiere las siguientes operaciones:
DURACION
(minutos)
OBREROS
OPERACIN PRECEDENCIA
2
1
1
--12
2
1
--11
3
1
4
1
1
3
8
5
1
2,3
2
1
6
3
17
7
1
4,5
1O
8
1
6
9
3
1
798
1
1O
8
5
--m
a) Balancear una lnea con divisin del trabajo para que se logre la produccin
deseada, manteniendo separadas las operaciones 7 y 9.
b) Determinar la eficiencia de la lnea del inciso "a" al ciclo original.
c) Determinar la eficiencia de la lnea del inciso "a" a su produccin mxima.
d) Supongamos ahora que las operaciones 7 y 9 requieren 2 obreros cada una de
ellas. Sin cambiar la solucin obtenida en el inciso "a", volver a calcular la
eficiencia al ciclo original.
e) Supongamos ahora que se cambia la solucin y se asignan las operaciones 7 y 9 a
una misma estacin (ambas siguen requiriendo 2 obreros). Cul sera la nueva
eficiencia al ciclo original?
f) Cual sera la eficiencia de la lnea del inciso "e" a su produccin mxima?
Resp.: a) Est. 1: 1,2,4; est. 11: 3,5;est. 111: 6,7; est. IV: 8,9, 10.
b) E=91.25%.
c) E'=96.05%.
d) E=77.50%.
e) Est. 1: 1,2,4; est. 11: 3,5; est. 111: 6,8, 10; est. IV: 7,9; E=93.00%.
f )E'=E=93.00%.
OPERACIN PRECEDENCIA
--1
1
2
2
3
4
2
2
5
6
3,4
7
5
8
5
9
6,7
1O
8,9
DURACIN
OBREROS
(minutos)
1
0.25
1
0.18
1
O. 15
1
0.12
2
1.10
0.27
1
1
0.20
1
0.23
0.25
1
0.07
1
a) Balancear una lnea que produzca 800 unidades por turno de 480 minutos.
b) Determinar la eficiencia de la lnea al ciclo original.
c) Determinar la eficiencia de la lnea a su produccin mxima.
255
Resp.: a)Est. 1: 1,2,3, con un puesto; est. 11: 5, con 2 puestos; est. 111: 4,7, 8, con un puesto; est. IV: 6,9, 10, con un puesto.
b) E=93.33%.
C)E'=94.92%.
DURACION
(minutos)
OBREROS
3
1
8
1
1
1
2
2
7
1
1
9
1
1
1
3
2
3
1o
1
a) Balancear una lnea con divisin del trabajo para lograr la produccin de 68
unidades en un turno de 480 minutos.
b) Determinar la eficiencia de la lnea del inciso "a" al ciclo original.
c) Determinar la eficiencia de la lnea del inciso "a" a su velocidad mxima.
d) Balancear 2 lneas idnticas en paralelo con divisin del trabajo que produzcan
en total (entre las dos) por lo menos lo mismo que la lnea del inciso "a".
Intentar el mejor balance posible!
e) Determinar la eficiencia de las lneas del inciso "d" al volumen mximo de
produccin.
f) A cunto cambiara la eficiencia de las lneas del inciso "d" si a travs de un
estudio de mtodos se lograra que todas las operaciones requirieran un solo
obrero?
g) Qu ventajas hay cuando se utilizan lneas en paralelo que en total producen lo
mismo que una sola lnea?
Resp.: a) c=7 min.; est. 1: 1,3,4 con un puesto; est. 11: 2 con 2 puestos; est. iII: 5 con un puesto; esta. IV: con 2 puestos;
est. V: 7,8,9 con un puesto; est. VI: 10 con 2 puestos.
b) E=67.53%.
C)E'=67.53%.
d) 1 ~ 1min.;
4 est. 1: 1,2,3; est. 11: 4,6; est. 111: 5,7, 8; est. IV: 9, 10; todas las estaciones con un puesto.
e) E'=66.67%.
E7=90.38%.
g) Por lo menos dos: los obreros hacen una mayor parte del producto lo que puede darles ms satisfaccin; habiendo dos
lneas, si una se descompone ila otra sigue produciendo!
6.8 Deben ensamblase 50 unidades por turno de 450 minutos de determinado producto
que requiere las operaciones que se presentan a continuacin.
a) Balancear una lnea con divisin del trabajo y 4 estaciones para lograr la
produccin deseada.
b) Determinar la eficiencia de la lnea al ciclo original.
c) Determinar la eficiencia de la lnea a su produccin mxima.
* Ciclo de la lnea.
* Tiempo de permanencia en la lnea.
* Eficiencia de la lnea.
OPERACIN PRECEDENCIA
1
2
1
3
2
4
2
5
2
6
1
7
3,495
8
9
1o
7
8
679
DURACION
(minutos)
OBREROS
4
1
4
1
1
5
4
1
1
1
2
1
1
1
3
1
5
1
7
1
Resp.:a) c=9 min.; est. 1: 1,2, 5; est. 11: 3,4; est. 111: 7, 8,9; est. IV: 6, 10.
b) E=l00%.
c) E'=E=100%.
d) E=81.48%.
e) El ciclo permanece igual; el tiempo de permanencia se reduce; la eficiencia permanece igual.
ADMINISTRACI~NDEL
MANTENIMIENTO
7.1 INTRODUCCI~N
7.1.1 Generalidades
7.1.2 Objetivos, elementos y tipos de
mantenimiento
7.1.3 Ventajas de la Administracin del
Mantenimiento
7.2 MANTENIMIENTO PREVENTIVO
7.2.1 Introduccin
7.2.2 Requisitos para la implantacin del
MP
7.2.3 Etapas para la implantacin del MP.
7.1.1 Generalidades
259
g) Reduce los costos totales de mantenimiento, esto se logra al reducirse las horas totales
de paro y al utilizarse ms racionalmente la mano de obra y las refacciones.
h) Reduce el inventario de productos en proceso, esto se logra al reducirse las horas de
paro y consecuentemente al reducirse las esperas y el ciclo de fabricacin de los
productos.
'
260
Lo que realmente nos permite obtener todas las ventajas enlistadas arriba, es la
combinacin inteligente del MC y MP y la calidad de los trabajos realizados, sean
stos correctivos o preventivos.
26 1
c) Hacer una revisin del estado actual y futuro del inventario de refacciones
El objetivo principal del MP es anticiparse a las descomposturas y mantener el equipo
funcionando en buen estado. Esto puede implicar, en un momento dado, la sustitucin de
una o varias piezas del equipo en las inspecciones de MP, por lo que la disponibilidad de
refacciones ser siempre vital. Los modelos de inventarios probabilsticos pueden ayudar
mucho a controlar la disponibilidad de refacciones.
262
Sera una lstima implantar un sistema de MP con vistas a reducir costos y horas de paro,
mientras los obreros de produccin siguen descomponiendo las mquinas debido al uso
inadecuado de las mismas. Anlogamente, tambin sera una lstima que, por la
inexistencia de instructivos de reparacin, los obreros del MC realicen trabajos de mala
calidad o los obreros del MP descompongan el equipo. Es obvio que ambos instructivos
deberan existir con o sin MP, sin embargo creemos que es ms absurda su inexistencia
cuando se est haciendo un esfuerzo adicional para aumentar la eficiencia de la funcin
de mantenimiento.
7.2.3 Etapas para la implantacin del MP
263
* Equipos cuyos costos de inspeccin son muy inferiores a los costos de las
descomposturas.
d) Disear losformatos
* Hoja de inspeccin: que establece por escrito qu deber realizarse en cada tipo de
MP). La hoja de inspeccin es el nico formato exclusivo del MP.
264
FRECUENCIAS
Diario
Cada 7 das
Cada mes
TIPOS
MP4
MP5
MP6
FRECUENCIAS
Cada 6 meses
Cada ao
Cada 3 aos
El siguiente paso es la elaboracin del programa anual del MP, como el de la Figura 7.1 a
continuacin. Como puede observarse en este ejemplo, el programa anual del MP
establece por mquina el da de realizacin de cada tipo de MP, codificados en este caso
por medio de las letras "Y (revisin), "P" (mantenimiento pequeo), " M
(mantenimiento mediano) y "G" (mantenimiento general).
k) Perodo de prueba
m) Control del MP
En el momento de su implantacin definitiva, seguramente el MP todava no estar
funcionando a su nivel ptimo y puede ser necesario, entre otras cosas, aumentar o
disminuir la frecuencia de inspeccin o redistribuir los elementos tecnolgicos entre los
distintos tipos de MP. Estas decisiones se tomarn con base en los parmetros que miden
la bondad del MP, que son fundamentalmente los costos y las horas de paro. Esto se
analizar en los prximos incisos.
7.3 CONTROL DE COSTOS
El clculo de costos indica no slo la bondad del sistema global de mantenimiento, sino
tambin si el MP est funcionando a su nivel ptimo. Para esto, es indispensable separar
los costos del mantenimiento correctivo (CMC) de los costos del mantenimiento
preventivo (CMP).
Ambos costos (CMC y CMP) tienen en comn lo siguiente:
267
Resulta obvio, por lo tanto, que la orden de trabajo tiene que registrar todas y cada
una de las HH empleadas en cada tipo de trabajo de mantenimiento.
Para el clculo del costo de materiales y servicios, tenemos que enlistar todos los
materiales y servicios correspondientes al trabajo de mantenimiento (MC o MP) y
calcular su valor en pesos ($). Esta informacin, como mencionamos anteriormente,
tambin debe quedar registrada en la orden de trabajo.
Una forma de estimar el costo de las horas deparo es a travs de la determinacin
de las utilidades perdidas como consecuencia del paro. stas pueden calcularse de la
siguiente manera:
UTILIDADES PERDIDAS = VENTAS PERDIDAS - COSTOS VARTABLES
recordando que nicamente debemos restar de las ventas perdidas aquellos costos
variables que desaparecen cuando ocurre el paro, como son, materias primas y materiales,
energa elctrica, costos de distribucin, comisiones y, en ocasiones, la mano de obra
(cuando sea pagada a destajo).
Cuando estemos seguros de que no hay ventas perdidas como consecuencia del
paro, el costo de ste corresponder a los costos de reprogramacin de la produccin, y10
tiempo extra, y10 depreciacin horaria del equipo.
El costo del desperdicio de materias primas corresponde a lo que se echa a perder
cuando el equipo se para (por descompostura o por MP).
Finalmente, queremos mencionar que una descompostura, eventualmente, puede
provocar daos al obrero y10 al equipo. Si este ocurre, los costos correspondientes
tambin deben incluirse en el clculo del costo del trabajo de MC. Normalmente, el MP
no provoca accidentes, por lo que el costo de los daos no fue incluido en la lista anterior
de costos comunes al MC y MP.
Podra considerarse un costo ms para el MC: el costo de la disminucin de la vida
til del equipo. Esto se justifica porque se supone que cada vez que ocurre una
descompostura por falta de atencin al equipo, sta de alguna manera daa el equipo y
acorta su vida til. Como puede imaginarse, este costo es extremadamente difcil de
calcular, por lo que no propondremos su clculo, sino solamente que recordemos siempre
que el MP, por reducir descomposturas, est al mismo tiempo alargando la vida til de los
equipos. En otras palabras, esto quiere decir que, si con la implantacin del MP los costos
totales de mantenimiento (CMC-i-CMP) no presentan una reduccin significativa, por lo
menos estaremos alargando la vida til de los equipos!
En cuanto a costos, el reto de la implantacin del MP es sencillo de definir y difcil
de lograr. En resumen, puede expresarse as: antes del MP existe un costo total de
mantenimiento (CTM) igual al costo del mantenimiento correctivo (CMC). Pongamos a
stos el sub-ndice "o" para indicar que corresponden a un nivel cero de MP:
Cuando se implanta el MP, se agrega al lado derecho un costo que no exista (CMP) y los
costos totales y de MC se transforman en CTMpy CMCp, donde el sub-ndice "p" indica
la presencia del preventivo:
CTMp = CMCp + CMP
268
CTM
CMC,
269
- Lanzadera
- Campos y devanado del motor elctrico
- Estructura interna
- ~esistenciadel depsito de cera
- Frsyno-de la solante
- Bases y cimientos
c! 7 meses
c/ 2 aos
c/ 2.5 aos
C/20 das
C/20 ddas
c/ 2 aos
C/20 das
C/18 das
,, E"
C/ meses
C/1.5 meses
C/2 meses
C/2 meses
- Porta aguja
- Banda
- Barra de aguja
- Corona
/?
- Coplin de lanzadera
- Movimiento de barra
- Bases y cimientos
- Estructura externa
- Bujes o balineras del motor elctrico
h) Determinar el tiempo de realizacin de cada tipo de MP
El tiempo para cada tipo de MP, para cada una de las mquinas, fue determinado con la
ayuda de los trabajadores de mantenimiento, y se lleg al siguiente resultado:
272
.En el caso especfico de la mquina de Pasar Suela, por ejemplo, la duracin establecida
para el mantenimiento mediano fue de 10 horas.
MESES
MESES
Por ltimo veamos la Figura 7.5. sta muestra las variaciones mensuales y
acumuladas del ndice CMPICMC, las cuales indican que al principio el CMP era mayor
que el CMC, pero que despus el CMC disminuy tanto que el ndice CMPICMC lleg a
valores como 6.4 y 6.2 en Marzo y Mayo de 1984, respectivamente. Estos elevados
valores del ndice CMPICMC indican, a su vez, que el sistema de MP no estaba
274
Numricamente, tenemos que el mayor valor del ndice CMPICMC ocurri en Marzo de
1984 (6.4) y el menor en Noviembre de 1983 (0.66). El promedio de todo el perodo de
Noviembre de 1983 a Agosto de 1984 (ndice acumulado) fue de 1.9 (acumulando los
costos) y de 2.95 (simplemente promediando los ndices de cada mes).
Teniendo en cuenta todo lo anterior, podr concluirse que los beneficios del sistema
de MP en CALSA fueron muy significativos, en lo que se refiere tanto a las horas de paro
como a los costos totales de mantenimiento. Por otro lado, tambin qued claro que el
trabajo no haba terminado y que el costo del MP tena que reducirse, ya sea
disminuyendo su frecuencia y10 realizndolo de otra manera de acuerdo a la filosofa
TPM.
stas son las buenas noticias. La mala noticia es que la implantacin del MP
provoc conflictos entre Hctor Ibarra (que era Gerente de Mantenimiento) y el Gerente
de Produccin. El Gerente de Operaciones (jefe de los dos) empez a apoyar al Gerente
de Produccin, por lo que Hctor se decepcion y renunci. Resultado: a partir de
Septiembre de 1984 el sistema dej de existir, 'razn por la cual ya no disponemos de
informacin.
Creo que en este caso, tanto Hctor como yo sub-estimamos los conflictos que el
sistema de MP podra causar. Consideramos que la pura bondad del sistema sera
argumento suficiente y la realidad demostr que estbamos equivocados. La Itima vez
que supe de Hctor estaba implantando un sistema de MP en otra empresa ...
* Mantenimiento diario
- Lubricar.
* Mantenimiento peridico
- Realizarlo con determinada frecuencia.
* Mantenimiento predictivo
- Peridico o cuando se necesita.
* Mantenimiento de descomposturas
- A pesar de todo.. . j ocurren!.
* Mejoramiento al equipo
- Importantsima la opinin del operador.
- Importantsima la cooperacin entre Produccin y Mantenimiento.
- Mejorar el desempeo del equipo.
- Cambios para reduccin del tiempo de preparacin (ha adquirido una
importancia vital con el surgimiento del sistema Justo a Tiempo).
- Cambios mayores al equipo.
* Mejoramiento de destrezas/capacidades
SEGURIDAD E HIGIENE
8.2 SEGURIDAD
Existen dos causas principales para que un accidente ocurra:
a) Condicin insegura.
b) Acto inseguro.
La condicin insegura es una caracterstica del medio ambiente que pone en riesgo a la
persona. Podemos mencionar varios ejemplos: una zanja abierta, un piso resbaladizo,
partes en movimiento descubiertas en una mquina, una puerta demasiado baja, material
mal almacenado que se pueda caer en cualquier momento, una carretera sin camelln que
permite que tanto personas como vehculos se crucen, una escalera con escalones de
diferentes alturas, etc.. La nica manera de cambiar o eliminar la condicin insegura es,
por lo tanto, modificando el ambiente. Esto no implica modificar ninguna de las
conductas de las personas.
El acto inseguro es una conducta indeseada de la(s) persona(s) que pone en riesgo
a las personas involucradas en la actividad. Ejemplos: jugar con objetos cortantes,
manejar despus de haber tomado, no respetar los lmites de velocidad, no seguir las
instrucciones de operacin de una mquina, etc..
Hay un tercer aspecto importante que debemos considerar pero que no afecta la
probabilidad de ocurrencia del accidente: es la proteccin personal. sta protege a la
persona reduciendo el dao cuando el accidente ocurra pero no evita el accidente.
Estamos hablando de casco, guantes, lentes de seguridad, cinturn de seguridad, etc..
Obviamente, un programa de seguridad basado nicamente en la proteccin de la persona
tiende al fracaso porque los accidentes seguirn ocurriendo.
279
Una pregunta muy polmica sobre la cual normalmente nunca nos ponemos de
acuerdo es la siguiente: En general, qu provoca el accidente, las condiciones inseguras
o los actos inseguros? Mucha gente a nivel mundial ha sacado y estudiado estadsticas
para contestar esta pregunta y los resultados de los diferentes estudios no son
concluyentes o son contradictorios. En parte, los resultados contradictorios se deben al
hecho de que los accidentes pueden interpretarse de diferentes maneras. Por ejemplo,
supongamos que una persona caminando rpido se resbala y se rompe un brazo. Si este
accidente queda registrado como "debido al piso resbaladizo Pedro se resbal y se rompi
un brazo", seguramente se sumar a los accidentes provocados por las condiciones
inseguras. Sin embargo, si este mismo accidente queda registrado como "por caminar
rpido Pedro se resbal y se rompi un brazo", seguramente se sumar a los accidentes
causados por los actos inseguros. Por lo tanto, las interpretaciones distorsionan mucho la
clasificacin de los accidentes y esto es lo que provoca ambigedades y contradicciones
en los estudios.
Mi posicin es radical y al mismo tiempo muy sencilla. En vez de andar
discutiendo qu es lo que con ms frecuencia provoca los accidentes y andar peleando
porque los resultados se contradicen, mejor construyamos ambientes que, dentro de lo
posible, sean a prueba de los accidentes o, si el lector lo prefiere, a prueba de las
personas. Obviamente, para lograr esto tenemos que trabajar sobre las condiciones
inseguras. Por lo tanto, mi recomendacin, en pocas palabras, es: identifiquemos todas
las condiciones riesgosas del ambiente y eliminmoslas, sin dejar opcin a las personas
de que puedan provocar un accidente. Por ejemplo, si se protegen las partes en
movimiento de una mquina, las personas ya no tienen la opcin de tocarlas y daarse; si
el metro de la Ciudad de Mxico no manca con las puertas abiertas, las personas ya no
tienen la opcin de subirse con el metro en movimiento; si ponemos un tope de suficiente
altura en la entrada de un pueblo, los conductores ya no tienen la opcin de entrar al
pueblo a exceso de velocidad (a no ser que quieran destruir la suspensin de su coche).
Obsrvese que estas tres medidas son radicalmente diferentes a slo poner un aviso
"cuidado, partes en movimiento", o "no subirse con el metro en movimiento" o "pueblo
cercano, velocidad mxima 30 Krn./hora".
Ahora bien, como en muchas situaciones eliminar totalmente las condicionas
inseguras no resulta posible, tambin tenemos que concientizar a la gente para que evite
actos inseguros. Y, jmucho ms importante!, tenemos que concientizar a la gente para
que no destruya las condiciones seguras. Yo personalmente he visto gentes que
"destruyen topes", "quitan seguros a las mquinas" o "rompen la malla del camelln del
perifrico de la Ciudad de Mxico". Sin embargo, en todo momento las acciones deben
realizarse en este orden: primero hacemos nuestro mejor trabajo en la eliminacin de
condiciones inseguras y si an as quedan riesgos, orientamos y capacitamos a las
personas para que eviten actos que, en combinacin con las condiciones inseguras que
quedaron, puedan provocar un accidente. Esta ltima fiase sugiere una de las grandes
verdades de la seguridad: an cuando parece obvio que fue un acto inseguro lo que
provoc el accidente, de hecho la causa del accidente fue una combinacin de ste con un
condicin insegura existente. Si trabajando sobre las condiciones inseguras y sobre los
actos inseguros todava queda la posibilidad del accidente, entonces hay que proteger a la
persona, por lo que la proteccin personal tambin tiene su importancia (vase el inciso
8.5).
Como ejercicio sugerimos que los lectores analicen cada una de las medidas que se
mencionan a continuacin y pongan una "C" si est dirigida a eliminar condiciones
inseguras, una "A" si est dirigida a eliminar actos inseguros y una "P" si est dirigida a
proteger a la persona (la solucin se encuentra al final del captulo):
( ) Reducir el nivel de ruido de una planta.
( ) Poner alrededor de una mquina peligrosa un piso especial que cuando detecta la
(
(
(
(
(
(
(
(
(
(
(
(
Por ltimo queremos mencionar que existen teoras sobre seguridad que nos ayudan a
comprender el problema de los accidentes. stas son:
c) Teora de la susceptibilidad
Esta teora dice que, "si una persona sufie un accidente su conducta cambiar: se volver
ms propensa a los accidentes debido al nerviosismo o menos propensa debido a la
precaucin". La preferencia de algunos bancos por contratar personas que ya hayan
281
sufrido un asalto bancario o de algunas empresas de transporte por choferes que ya hayan
sufrido un accidente, se basa directamente en esta teora.
Como conclusin queremos agregar lo siguiente: el accidente es lo ms caro que puede
ocurrir en cualquier ambiente, sea en una fbrica, en el hogar o en la va pblica.
Obviamente, el costo humano es el ms elevado pero tambin existen costos econmicos
muy significativos. El salario del trabajador accidentado puede ser cubierto en un 100%
por el Seguro Social, pero hay muchos otros costos indirectos no cubiertos. Algunos
estudios sugieren que los costos indirectos pueden ser de hasta 4 veces los costos
directos. En una planta industrial, por ejemplo, los costos indirectos pueden ser:
* Tiempo perdido por el trabajador accidentado, los compaeros que llegan a ayudarlo, el
supervisor, etc..
282
283
Obsrvese que en esta ecuacin "M" ser siempre positivo, mientras que los dems
trminos podrn ser positivos o negativos.
Los valores de "C" y "R" se calculan mediante frmulas empricas y dependen de
las variables definidas anteriormente. As tenemos:
donde: C = Cantidad de calor ganada o perdida por conveccin en BTUIhora.
V = Velocidad del aire en pieslminuto.
Ts= Temperatura de bulbo seco en "F.
95F = Temperatura media de la piel.
donde: R = Cantidad de calor ganada o perdida por radiacin en BTUJhora.
Tw= Temperatura media radiante en OF dada por:
Tw= T, + (O.13)(V)0.5(~g-~s).
donde: Tg= Temperatura de globo en "F.
V = Velocidad del aire en pieslminuto.
Ts = Temperatura de bulbo seco en "F.
Como dijimos anteriormente, "Ere," es la cantidad de calor que se requiere que el
trabajador pierda para que la temperatura de su cuerpo no se eleve. Pero, cunto calor
puede perder el trabajador a travs de la evaporacin del sudor? Esto tambin est dado
por frmulas empricas:
donde: Lk= Mxima cantidad de calor que el trabajador puede perder por
evaporacin del sudor en BTUIhora.
V = Velocidad del aire en pieslminuto.
Pa= Presin parcial del vapor del agua, calculada en funcin de "T," y 'Th)'
obtenida de una carta psicromtrica.
* Si ISC = O (lo que implica Ereq= O) no existe tensin trmica y no hace falta que el
trabajador pierda calor por evaporacin.
* Si ISC < 1.O, esto indica que el trabajador es capaz de perder, a travs de la evaporacin
del sudor, todo el calor que est absorbiendo, y no existe sobrecarga calrica.
284
250 BTU
E, -E*
Este ndice se basa en el hecho de que un incremento mayor que 2OF es peligroso para la
salud, y esto ocurre precisamente con la ganancia de 250 BTU. Como "be,"y "Emk"
estn dados en BTUhora, el cociente 250BTU/(Ereq-Lk) nos dar el tiempo en horas
para que el obrero absorba 250 BTU, es decir, para que su temperatura se eleve en 2F.
En lo que se refiere al tiempo mximo de exposicin, debemos observar lo
siguiente:
* Si
* Si E,eq=Emh,el TME=m, lo que indica que el obrero puede permanecer sin problemas
en el ambiente durante toda la jornada de trabajo (repetimos que esto no quiere decir
que el obrero no sienta calor).
Uno de los puestos de trabajo de una fundidora industrial hipottica presenta las
siguientes caractersticas:
TIEMPO
0.167 horas
0.332 horas
0.166 horas
0.335horas
METABOLISMO
636 BTUhora
1,189 BTUhora
968 BTUhora
886BTUhora
R = (15)(Tw-95F)
Tw= Tg+ (0.1 ~)(V)'.~(T
-Ts)
Tw= 123 + (0.13)(300)~'(123-103) = 168OF
R = (15)(168-95) = 1,095 BTUhora
P,
2,211 BTUhora
= 1.37 = 137%
1,618 BTUhora
250 BTU
= 0.42 horas = 25 minutos.
2,211 BTUhora -1,618 BTUhora
* Aislar las fuentes radiantes y10 calricas con materiales absorbente y10 aislantes.
* Reducir la produccin metablica de calor, cambiando los mtodos de trabajo o
automatizando.
* Reducir la humedad.
Por ltimo, si no logramos resolver el problema con las medidas anteriores, entonces
protegemos al obrero:
En los incisos anteriores de este captulo analizamos los temas de Seguridad y de Calor.
En este inciso expondremos algunos conceptos bsicos de ruido. El ruido puede ser
definido como cualquier sonido desagradable o daino al aparato auditivo del ser
humano. El sonido, a su vez, es el resultado de una onda mecnica de presin que se
propaga en un medio lquido, gaseoso o slido. Nos interesa en particular la propagacin
de esta onda en el aire, la cual se realiza a una velocidad de aproximadamente 345 mis
(en el agua las ondas sonoras se propagan a la velocidad de 1,435 mls).
Las ondas de presin constan de variaciones por arriba y por abajo de la presin
atmosfrica normal, y pueden representarse como en la Figura 8.1. Es muy ilustrativo
suponer que las ondas sonoras son como las ondas mecnicas que se forman en el agua,
287
ya que esto nos ayuda a comprender mejor sus caractersticas y la definicin de sus
parmetros:
a) Velocidad de la onda sonora (V): es la velocidad con que se desplaza cualquier punto
de la onda, por ejemplo su punto mximo o mnimo, como se indica en la Figura 8.1.
La velocidad de la onda sonora en el aire, como mencionamos anteriormente, es de
345 m/s.
b) Frecuencia de la onda sonora (f): es el nmero de ondas que pasan por un punto dado
en un segundo. Supongamos, por ejemplo, que nos ubicamos en el origen de la grfica
de la Figura 8.1 y contamos cuantos puntos mximos (picos) de la onda pasan por ah
en un segundo, este valor ser la frecuencia. La frecuencia suele medirse en Hertz (Hz)
o ciclos por segundo (cps). Altas frecuencias producen sonidos agudos, bajas
frecuencias producen sonidos graves.
c) Longitud de onda (A): es la distancia entre dos puntos idnticos adyacentes de la onda,
o en otras palabras, entre dos puntos adyacentes que tienen la misma fase. Por
ejemplo, en la Figura 8.1 se muestra que la longitud de onda es la distancia entre dos
puntos mximos adyacentes (o consecutivos).
d) Periodo (T): es el tiempo necesario para completar un ciclo. Es obvio que T=l/f.
e) Amplitud (A): es la variacin mxima de presin que se observa, por arriba o por abajo
de la presin atmosfrica. Por ejemplo, la Figura 8.1 muestra que en un momento dado
la variacin de presin es "pl" unidades ms que la presin atmosfrica; en otro
momento es "p? unidades menos que la presin atmosfrica; etc.. En su punto
mximo (o mnimo) la presin es "A" unidades ms (o menos) que la presin
atmosfrica. La amplitud se mide en unidades de presin, la cual puede ser, por
~ amplitud
.
est directamente relacionada con el volumen del sonido.
ejemplo, ~ / mLa
Debe aclararse que el ser humano no escucha cualquier onda sonora. sta debe tener
ciertas caractersticas para que sea realmente audible, como son:
SPL =lOlog--P 2
Po
donde:
SPL
,
,
,
= 10 10g (28)2 =123dB
(2~10-~)~
Es decir, las cartulas de los decibelmetros deben tener, por lo menos, rangos de O a 123
dB.
En este inciso veremos cmo podemos sumar niveles sonoros que estn dados en
decibeles. Supongamos que tenemos 2 fuentes sonoras, como se muestra en la Figura 8.2.
La suma de los niveles sonoros ser:
SPL = 10 log (1oSPLlIlO + loSPLdlo)
donde: SPL = Suma de los niveles relativos de presin sonora en dB.
SPLl = Nivel sonoro de la fuente 1 en dB.
SPL;, = Nivel sonoro de la fuente 2 en dB.
Ejemplo numrico 8.2:
Consideremos la Figura 8.2 y supongamos que cuando slo la fuente #1 est activa, un
decibelmetro ubicado donde est el receptor marca 50dB, y que cuando slo la fuente #2
est activa, el mismo decibelmetro marca 55dB. Cuando las dos fuentes estn activas,
cunto marcar el decibelmetro?
Solucin:
~ + ~ ' =~ 56dB
~
Qued expresado en el inciso 8.4.2 que el ser humano escucha ondas sonoras cuyas
presiones relativas varan desde SPL=O hasta SPL=123dB. Sin embargo, a partir de
determinado valor de "SPL", la exposicin prolongada del trabajador al ruido puede
daar su sistema auditivo. Cul es este valor crtico de "SPL" a partir del cual hay
peligro para el sistema auditivo?
No existe realmente un valor de "SPL", ya que ste depende de la frecuencia de
onda, es decir, el sistema auditivo es ms resistente a unos niveles de frecuencia que a
otros. De una forma aproximada, sin embargo, podemos decir que a los siguientes niveles
de "SPL" la permanencia mxima del trabajador en el ambiente sera (Cuadro 8.1):
290
PERMANENCIA
MXIMA
8 horas
6 horas
4 horas
3 horas
2 horas
1.5 horas
1.0 horas
0.5 horas
5 0.25 horas
El Cuadro 8.1 indica que, si el nivel de ruido es mayor que 90dB y se requiere de una
permanencia continua de 8 horas en dicho ambiente, el trabajador deber utilizar algn
tipo de proteccin (tapones, orejeras, etc.).
8.4.5 Distribucin espacial del ruido
Cuando una onda sonora choca con un obstculo (por ejemplo, una pared), ocurren varios
fenmenos que son:
a) Absorcin: es decir, una parte de la energa sonora es absorbida por la pared.
b) Reflexin: es decir, las ondas sonoras chocan con la pared, se reflejan y siguen su
camino en otra direccin.
c) Transmisin: es decir, las ondas sonoras se propagan a travs del material de la pared
y siguen propagndose del otro lado del obstculo.
Grficamente, podemos expresarlas como se indica en la Figura 8.3. Desde el punto de
vista del ruido, lo nico deseable es la absorcin, ya que la transmisin impide el total
aislamiento de las fuentes ruidosas y la reflexin provoca el fenmeno de la
reverberacin, el cual consta de la llegada indirecta al odo del receptor de ondas sonoras
que chocaron contra obstculos y fueron reflejadas. Teniendo en cuenta este fenmeno de
la reverberacin, es fcil concluir que el simple hecho de reducir la reflexin, hace que
llegue al odo del receptor una menor cantidad de ondas sonoras, lo que a su vez reduce el
nivel de presin sonora. Para que una pared no refleje las ondas sonoras, tendr que
transmitirlas y10 absorberlas.
La capacidad de absorcin de un determinado obstculo se mide a travs de la
constante de absorcin"a" definida como:
Energa absorbida
Energa incidente
Para que el lector tenga una idea sobre los valores de "a" para distintos materiales,
queremos agregar que el alfa del concreto es 0.03 y el alfa del corcho es 0.80.
U
b) En el medio.
U
c) En el receptor (el trabajador).
En lafuente las alternativas son las siguientes:
292
Supongamos que un determinado local (planta) tiene las siguientes caractersticas para
una frecuencia de 500Hz (para otras frecuencias los valores de "a" cambiaran
ligeramente):
Inicialmente calculamos la absorcin actual total en sabinos (Al), recordando que para
que la respuesta est en sabinos hay que convertir metros cuadrados a pies cuadrados:
Techo: (12.2m)(.lrn)(0.03)(3.28 pies/m)2 = 24 sabinos.
pieslm)2= 12 sabinos.
Paredes: ((12.2m)(3.05)(2)+(6.1m)(3.05)(2))(0.01)(3.28
24 sabinos.
Piso: (12.2m)(6.lm)(0.03)(3.28 pieslm
Tuberas: (16.75m)(0.50)(3.28 pieslm) = 90 sabinos.
Maquinaria: (16.75m)(0.02)(3.28 pies/m)2= 4 sabinos.
Entonces la absorcin total es de:
2'=
Al = 154 sabinos.
Ahora bien, con el material absorbente, la nueva absorcin del techo sera
El ruido provoca daos fsicos y psquicos. Entre stos podemos mencionar los
siguientes:
a) Sordera instantnea temporal: sta ocurre cuando el nivel del ruido es elevado y su
duracin es corta. Momentneamente la persona se siente sorda pero recupera
lentamente su capacidad auditiva (por ejemplo, una explosin).
b) Sordera instantnea permanente: sta ocurre cuando el ruido de poca duracin es tan
intenso que daa para siempre el aparato auditivo (una explosin demasiado fuerte
puede provocar una sordera permanente).
c) Sordera progresiva: como su nombre lo indica, este tipo de sordera se va dando
lentamente cuando el trabajador se expone continuamente a niveles de ruido por
encima de los 90 decibeles. Es muy peligrosa, precisamente porque provoca un crculo
vicioso: cuanto ms sordo menos le molesta el ruido al trabajador y ms se expone;
cuanto ms se expone, ms sordo se vuelve; y as sucesivamente. La sordera
progresiva es irreversible.
d) Molestia: es la alteracin del sistema nervioso del trabajador y desafortunadamente
esto puede ocurrir por debajo de los 90 decibeles. Es decir, an cuando el ruido no
provoca dao fsico, puede alterar el sistema nervioso.
e) Bajo desempeo por:
+ Enmascaramiento del sonido de la mquina.
+ Falta de concentracin.
+ Ms esfuerzo, lo que termina por provocar fatiga.
f) Accidentes: muchos accidentes ocurren porque el ruido oculta sonidos importantes que
alertaran al trabajador.
* Maquinado abrasivo: siempre genera polvos del material procesado y del material
abrasivo.
* Fundicin de metales: genera gases o humos de los metales que se funden (por ejemplo,
el plomo de las fbricas de batera).
* Metalizado (recubrimiento de partes con metales fundidos): genera gases y humos.
* Forjado (deformacin del metal en caliente): genera humos y nieblas.
* Soldadura (elctrica y autgena): genera gases (dixido de nitrgeno u ozono) o humos.
* Trituracin y molienda: generan polvos o nieblas.
* Operaciones no aisladas que incluyen reacciones qumicas: generan gases, vapores,
humos o nieblas (por ejemplo, la activacin de las placas de las bateras).
* Pulverizacin: genera nieblas (entre stas, las ms peligrosas son las operaciones de
fumigacin).
* Etc..
8.5.3 Medicin de los contaminantes
La concentracin de los contaminantes qumicos en el aire se mide en "ppm" (partes por
milln) o en mg/m3 (miligramos por metro cbico). Para cada contaminante se han
determinado dos niveles importantes de concentracin que son:
a) Valor umbral limite (TLV): que es la concentracin de una determinada sustancia en
el aire a la cual casi todos los trabajadores pueden estar expuestos, repetitivamente, da
tras da, sin sufrir efectos adversos.
b) Valor inmediatamente peligroso (IPVS): es la concentracin mxima de la que en un
plazo de 30 minutos un sujeto puede escapar sin sntomas graves ni efectos
irreversibles para la salud.
Tanto el "TLV" como el "IPVS" estn en tablas y, como ejemplo, podemos mencionar
que para el plomo TLW0.05 mg/m3 y para el plomo tetraetilo TLV=0.075 mg/m3 e
IPVS=40 mg/m3.
Es obvio que ninguna empresa podr operar con niveles de contaminacin cercanos
al "IPVS", por lo que para efectos de medicin y control slo se utiliza el "TLV". La
medicin y control constarn entonces de la determinacin de la concentracin de los
contaminantes y de la comparacin de stos con los "TLV" proporcionados por las tablas.
Normalmente, una sola medicin del nivel de contaminacin no es suficiente, por
lo que se toman varias muestras del aire. Para la realizacin del muestre0 debemos
contestar las siguientes preguntas:
a) Con qu?
Se utilizan bombas de succin especiales con capacidades de succin entre 50 y 250
d m i n . . Para las partculas slidas (polvos y humos) se usan filtros que son pesados
antes y despus de las tomas de muestras. Los gases y vapores se analizan en
cromatgrafos y los lquidos en suspensin pueden ser absorbidos en sustancias
especiales y analizados posteriormente en el laboratorio.
Las muestras deben tomarse tan cerca como sea posible de los trabajadores ms
expuestos. Tambin deben tomarse muestras cerca de la fuente para fines de control o
determinacin del peligro potencial.
c) 2Qu duracin?
Con esta pregunta nos referimos al vohmen de aire que se tomar como muestra. Esto
depender de:
* Peligrosidad de la sustancia.
* Precisin deseada.
d) 2Cuntas muestras?
No existe un criterio estndar o nico para contestar esta pregunta, sin embargo, como se
mencion anteriormente, nunca debe tomarse una sola muestra. Los mtodos estadsticos
pueden ayudar en la determinacin del nmero de muestras a tomar para que la media de
las muestras no contenga un error mayor que "E" con un nivel de confianza (1-a). Para
esto, debemos tomar inicialmente " N muestras y utilizar el mismo procedimiento
propuesto para el cronometraje (vase el inciso 3.3):
1
0.039
2
0.038
3
0.039
4
0.037
5
0.040
6
0.041
Si el nmero de muestras N' hubiera salido mayor que N=6, tendramos que tomar las
que faltaran y volver a calcular N'. El proceso termina cuando la N' calculada es menor o
igual al nmero de muestras tomadas.
e) Cundo?
Las muestras a tomarse deben distribuirse durante toda la jornada de trabajo. Adems,
deben hacerse estudios durante el verano y el invierno, ya que la contaminacin tiende a
aumentar en el invierno cuando se cierran algunas ventanas y10 puertas.
8.5.4 Medicin de mezclas de contaminantes
Para la medicin del nivel de contaminacin de mezclas pueden utilizarse los siguientes
mtodos:
a) Clculo individual del nivel de contaminacin: es decir, se calcula separadamente el
nivel "c" de contaminacin de cada componente de la mezcla (en mg/m3o ppm) y se
compara con el "TLV" correspondiente.
b) Clculo del efecto combinado: este mtodo es ms exigente que el anterior, ya que,
adems de comparar el nivel "c" de contaminacin de cada componente con el "TLV"
correspondiente, verifica el efecto combinado de la siguiente manera:
+-
TLV,
"2
+...+-
TLV,
"n
r1
TLVn
298
Ahora bien, cuando una mezcla de sustancias-se evapora y se mantiene en el aire con la
misma composicin, el "TLV" de la mezcla se calcula as:
1
TLV =
f1
TLV,
f2
+ --+...+-
TLV2
fn
TLV,
0.50
1
0.30
0.20
= 1,300 mg/m
u
b) En el medio.
u
299
* Sustituir materiales txicos por otros (por ejemplo, la sustitucin del radio por el tritio
como material fosforescente en las cartulas de relojes e instrumentos).
En el ambiente podemos:
* Mejorar la ventilacin (por la extraccin de aire en el lugar de origen y j j jno por simple
*
*
*
ventilacin!!!).
Aislar la parte contaminante del proceso (reduciendo el nmero de trabajadores
expuestos (ejemplo clsico: cabinas de pintura).
Utilizar procedimientos hmedos (por ejemplo, para el control de los humos de plomo
en las fbricas de bateras, los pisos deben mantenerse siempre hmedos).
Limpiando constantemente los locales (principalmente para la eliminacin de polvos y
humos).
En el trabajador podemos:
* Utilizar mascarillas.
* Utilizar vestimenta apropiada.
* Organizacin del trabajo (rotacin de trabajadores, etc.).
* Etc..
A pesar de que en el transcurso del captulo hemos mencionado en varias ocasiones los
equipos de proteccin que puede utilizar el trabajador, consideramos conveniente
proporcionar aqu una lista ms completa de stos. Para ms informacin, el lector deber
consultar los catlogos de los fabricantes.
a) Proteccin de los ojos: hay lentes que protegen los ojos de partculas slidas,
radiaciones y contaminantes qumicos en general (gases, vapores, polvos, humos,
nieblas y rocos).
b) Proteccin de la face: hay pantallas que pueden proteger los ojos, cara, orejas y cuello.
c) Proteccih de la cabeza: hay cascos que protegen tanto de golpes como de altos
voltajes (hasta 15,000 voltios durante un minuto).
d) Proteccin de dedos, manos y brazos: existen dediles, guantes y manguitos.
e) Proteccin de pies y piernas: existen botas, guardas y polainas.
f) Proteccin del odo: existen tapones de hule, plstico, o esponja, orejeras y cascos con
equipo de proteccin del odo integrado.
g) Proteccin del sistema respiratorio:
* Respiradores de cartucho qumico (para vapores de solventes).
* Mscaras de gas.
* Respiradores con filtro mecnico (para polvos y humos).
* Respiradores autocontenidos (con oxgeno).
* Mscaras con manguera y soplador.
h) Cinturones de seguridad.
300
i) Proteccin del cuerpo: vestimentas completas para todo el cuerpo, como en el caso de
los bomberos.
PROBLEMAS TIPO
8.1 En una determinada empresa existe un puesto con condiciones calricas muy
extremas que se desea analizar. Para mejorar las condiciones se ha instalado un
ventilador y con ste prendido se han hecho las siguientes mediciones:
8.2 Un lugar de trabajo est expuesto a dos fuentes de ruido, cuyos niveles medidos
separadamente son 80dB y 85dB. Si las dos fuentes estn activas al mismo tiempo,
cul sera la suma de los niveles sonoros?
Resp.: 86.2dB.
Como el nivel actual del ruido es de 100dB, se decide recubrir una de las paredes de
15m x 4m con material absorbente cuyo valor de"a" es 0.90. Determinar:
a)
b)
c)
d)
1
0.029
2
0.028
3
0.031
4
0.030
5
0.027
Determinar cuntas muestras debern tomarse para un nivel de confianza del 95% y
un error de 3%.
8.5 Un ambiente est contaminado por una mezcla de 3 sustancias cuyos "TLV" son
1,000 ppm, 300 pprn y 400 ppm, respectivamente. Si las mediciones individuales de
los contaminantes son 300 ppm, 200 pprn y 150 ppm, respectivamente, es esta
mezcla peligrosa?
a) Considerando los contaminantes por separado.
b) Considerando el efecto combinado de los contaminantes.
Resp.: a) No, ya que ci<TLVi.
b) Si, ya que Zc,/TLVi=1.34>1.
9. i
9.2
9.3
9.4
INTRODUCCION
CONCEPTO DE DESPERDICIO
REDUCCIN DE INVENTARIOS
PROGRAMACION Y CONTROL DE
LA PRODUCCION
9.5 DISTRIBICION DE PLANTA
9.6 AUTOMATIZACI~N
9.7 SEGURIDAD, HIGIENE, SEALES
VISUALES, ORDEN Y LIMPIEZA
9.8 CALIDAD
9.9 MANTENIMIENTO
9.10 ASPECTOS HUMANOS
9.10.1 Cambio de mentalidad
9.10.2 Motivacin
9.10.3 Participacin, sentido de propiedad, y
compromiso
9.10.4 Trabajo en grupo y crculos de calidad
9.10.5 Retroalimentacin, ingresos y
promocin
9.10.6 Capacitacin, rotacin en el trabajo,
ampliacin del trabajo y
enriquecimiento del trabajo
9.10.7 Satisfaccin en el trabajo
9.11 JUSTO-A-TIEMPO Y CALIDAD DE
VIDA: UN ESTUDIO
EXPLORATORIO
9.11.1
9.11.2
9.11.3
9.11.4
Introduccin
Qu es calidad de vida laboral?
Qu es justo-a-tiempo?
Mejora de calidad de vida laboral
debido al JIT
9.11.5 Metodologa
9.11.6 Resultados
9.11.7 Discusin
9.12 KANBAN: COMO IMPLANTARLO
EN 15 SEMANAS
9.12.1 Introduccin
9.12.2 Induccin
9.12.3 Recopilacin de informacin
9.12.4 Organizacin y anlisis de la
informacin
9.12.5 Tamao y nmero de contenedores
9.12.6 Diseo del kanban
9.12.7 Implantacin
9.12.8 Evaluacin de la implantacin
9.12.9 Kanban de producto terminado y
reportes del almacn
9.12.10 Elaboracin del reporte final
9.13 JUSTO-A-TIEMPO EN LOS
SERVICIOS
* Precio.
* Calidad.
* Tiempo de entrega.
* Servicio.
* Diferenciacin.
Los cuatro primeros son relativamente obvios, por lo que haremos comentarios slo sobre
el ltimo. La diferenciacin consiste en encontrar un producto o servicio suficientemente
original o nico como para conquistar las preferencias de los clientes. Algunos de
nosotros recordamos aquella poca en que los japoneses no tenan productos baratos ni de
alta calidad, ipero los hacan chiquitos!
Normalmente, la importancia relativa de los factores de competitividad cambia de
un producto a otro y para un producto especfico puede cambiar con el tiempo. El factor
de competitividad ms importante que permite a la empresa ganar al cliente ha sido
llamado por Terry Hill [15] el "order winner" (utilizaremos el trmino en ingls por no
haber una traduccin adecuada). Los dems factores, que para un producto dado tambin
son importantes, se llaman "qualifiers". Los "qualifiers" son como el boleto de entrada al
juego, sin el cual no es posible siquiera estar en el mercado. Normalmente, todos los
competidores ofrecen los "qualifiers". La empresa que ofrece ms del "order winner"
tiene ms posibilidades de ganar el juego. Veamos un ejemplo: supongamos que para las
videocassetteras los "qualifiers" son acabado, durabilidad y servicio, y que el "order
winner" sea precio. La empresa que ofrezca todos los "qualifiers" y un precio ms bajo
(order winner) ganar el cliente.
Captulo IX:Justo-a-Tiempo
305
* Tecnologa dura.
* Tecnologa semi-dura.
* Tecnologa blanda.
La tecnologa dura consiste en el proceso mismo, las mquinas, las herramientas, los
elementos que realizan las transformaciones fsicas o qumicas del producto. Por lo tanto,
un cambio de tecnologa dura implica el cambio del proceso mismo, como por ejemplo el
cambio del tren de molinos de un ingenio azucarero por difusores, o el cambio de la
tecnologa del disco de acetato por la tecnologa del disco compacto.
La tecnologa semi-dura incluye todos aquellos ajustes a la tecnologa dura para
lograr mayores niveles de aprovechamiento de la misma, como por ejemplo "jugar" con
las variables de velocidad, temperatura, tiempo, cantidad y tipo de aditivos para obtener
una mayor cantidad de azcar por tonelada de caa molida; o cambiar la rotacin, tipo de
aguja y movimiento del brazo del sistema de reproduccin del disco de acetato para la
obtencin de ms msica y mejor calidad; o instalar una resbaladilla con el objeto de
eliminar algunos movimientos del obrero.
La tecnologa blanda abarca todos las tcnicas de la Administracin que se usan
principalmente para el incremento de la calidad y10 productividad, como por ejemplo, el
estudio del trabajo, los modelos de inventarios, el control estadstico de calidad, las
tcnicas de distribucin de planta, la programacin y control de la produccin, etc..
Los japoneses criticaron mucho a los gerentes de los pases occidentales por buscar
siempre el incremento de productividad y10 calidad a travs del cambio de tecnologa
dura y de olvidar total o parcialmente la gran potencialidad de las tecnologas semi-dura y
blanda. Los sistemas de calidad total, que tanto han revolucionado las empresas a nivel
mundial, json casi en su totalidad tecnologa blanda! El sistema JIT, que ha conducido a
incrementos de productividad y reducciones de inventarios difciles de creer, jes casi en
su totalidad tecnologa semi-dura y blanda! Probablemente, durante los ltimos 30 aos
los japoneses han sido los lderes mundiales de tecnologa semi-dura y blanda.
Los cambios de tecnologa dura normalmente estn relacionados con cambios de
gran magnitud, mientras que los cambios de tecnologa semi-dura y blanda jestn
relacionados con la mejora continua!
Captulo IX:Justo-a-Tiempo
Una de las estrategias del sistema JIT es la reduccin implacable de todo tipo de
desperdicio, entendindose este ltimo como "toda actividad que no agrega valor al
producto/servicio o que agrega un valor no deseado por el cliente".
Para ilustrar el problema del desperdicio, consideremos una planta manufacturera
cualquiera y sea "c" el ciclo total de fabricacin de uno de sus productos, desde que la
materia prima entra al almacn hasta que se entrega el producto terminado al cliente
(vase la Figura 9.1).
ciclo
.........................................................................................................
90%?
inventarios + esperas + transportes + inspecciones
>.
I
1O%?
1 tiempo de
proceso
Ser el tiempo real de proceso (transformacin propiamente dicha del material) acaso un
10% del ciclo total? El resto del tiempo, dedicado al almacenamiento, distintos tipos de
esperas, transportes e inspecciones, no ser un 90%? Es obvio que estos porcentajes
varan muchsimo de una empresa a otra, pero no habr muchas con un tiempo de
proceso mucho menor que 10% del ciclo total de fabricacin? Las condiciones de la
industria del servicio no son muy diferentes. Por ejemplo, el trmite de una credencial de
elector en Mxico tarda aproximadamente 3 meses. De este tiempo, durante qu
porcentaje alguien realmente est haciendo algo a la credencial? En 1999 choqu y la
reparacin de mi carro tard 90 das. Durante cunto tiempo alguien realmente estuvo
haciendo algo a mi carro? Volveremos a los servicios en el inciso 9.13.
Segn la filosofia del sistema JIT todo lo que no agrega valor al producto o servicio
es desperdicio y por lo tanto as debemos clasificar los inventarios, cualquier tipo de
espera, los transportes y cualquier tipo de inspeccin, sea sta de calidad o de cantidad.
Otros textos proponen una clasificacin ms detallada de los desperdicios. Para nosotros,
la clasificacin en inventarios, esperas, transportes e inspecciones ser suficiente.
Siguiendo su filosofa, el sistema JIT reduce los inventarios a su mnima expresin
a travs de la reduccin de los tiempos de preparacin (set-up) de los equipos, entre otras
cosas; reduce las esperas y los costos de programacin y control de la produccin a travs
307
del sistema "kanban"; reduce los transportes a travs de la celda de manufactura; y reduce
las inspecciones (o por lo menos su costo) a travs del aseguramiento de la calidad. Cada
uno de estos aspectos ser discutido en un inciso aparte.
Para que el proyecto de reduccin de desperdicios realmente tenga xito es
indispensable la participacin de todos los niveles jerrquicos. La Figura 9.2 a
continuacin muestra que los niveles directivos deben dedicar un porcentaje mayor de su
tiempo al mejoramiento del sistema (reduccin de desperdicios), pero que todos deben
dedicar algn tiempo a esta tarea. Tambin es importante recordar que, en la mayora de
los casos, es el sistema y no las personas el que genera los desperdicios.
FIGURA 9.2 Participacin de los niveles jerrquicos en la reduccin del
desperdicio
DIRECTORES MEJORAR
GERENTES
SUPERVISORES
OPERADORES
MANTENER
En otras palabras, el JIT mejora, por lo menos, los factores de competitividad "precio",
"calidad" y "tiempo de entrega", que con frecuencia son "order winners". En una
investigacin que hice en 1993 [17], encontr los siguientes resultados medios para una
muestra de empresas de Estados unidos y Canad (Cuadro 9.1):
CUADRO 9.1 Muestra de resultados del JIT en EEUU y Canad
1
RESULTADO
Reduccin de inventario
Reduccin de espacio
Reduccin del ciclo de fabricacin
Reduccin de roduccin defectuosa
% MEDIO
66%
47%
72%
61%
Captulo lX:Justo-a-Tiempo
LOTE
309
310
metodologa. El lector observar que tanto las recomendaciones como la metodologa son
muy generales.
Recomendaciones:
* Cuando la preparacin dura horas seguramente se realizar con muy poca frecuencia.
La filmacin permite que se observe la preparacin cuantas veces queramos.
DURACION
> 60 rnin.
30 - 60 min.
20 - 30 min.
10 - 20 min.
5 - 10 rnin.
100 seg. - 5 min.
4 0 0 seg.
1976
20%
19%
26%
20%
5%
0%
0%
1981
0%
0%
3%
7%
12%
16%
62%
311
Por otro lado, para que el proveedor pueda entregar cantidades pequeas con mucha
frecuencia, debemos reducir los costos de preparacin de los pedidos. Como qued
definido en el Captulo IV de Control de inventarios, stos incluyen:
a) Decisin de qu cantidad comprar.
b) Anlisis de cotizaciones.
c) Elaboracin del pedido.
d) Autorizacin del pedido.
e) Seguimiento del pedido.
f) Transporte.
g) Trmites aduanales.
h) Inspeccin de recepcin.
i) Actualizacin de registros (en el almacn de la empresa).
k) Etc..
Algunas alternativas para reducir dichos costos son:
* Utilizacin del sistema "kanban": como veremos ms adelante, esto elimina "a", "b",
c , d y "e" y jfacilita todo lo dems!
bb
77
bb
9,
312
Captulo M: Justo-a-Tiempo
Por la etapa "f' ste ha sido nombrado sistema productivo de empujar, contrastando con
el del JIT que ha sido nombrado sistema productivo de jalar. El procedimiento del
sistema de "jalar" es el siguiente:
a) De una cadena empresa - proveedor - proveedor del proveedor - etc. slo se programa
el ltimo proceso de la empresa. Es muy importante que se adopte la poltica de
produccin mezclada, es decir, que la empresa se comprometa a fabricar pequeas
cantidades de cada producto cambiando de un producto a otro con frecuencia. La
produccin mezclada conduce a un consumo ms o menos uniforme de todas las
partes utilizadas por los distintos productos.
b) Se establecen los inventarios entre dos procesos consecutivos (nmero de piezas,
contenedores, etc.).
c) Los procesos proveedores slo producen si el proceso siguiente lo requiere; si el
proceso siguiente no requiere material o partes, jel proceso anterior tiene que parar!
d) Se compra, fabrica y entrega en lotes pequeos.
e) Se utiliza el "kanban" como orden de produccin y orden de transportacin (de una
etapa del proceso a la siguiente). El sistema kanban se describe en la Figura 9.4
(adaptada de [26]).
En la Figura 9.4 se representan dos etapas consecutivas del proceso productivo de una
empresa dada. Los crculos representan contenedores de unidades fisicas del producto o
pieza, siendo procesadas en las etapas productivas o esperando procesamiento entre
dichas etapas (hay 10 contenedores en total). Los contenedores esperando procesamiento
se dividen en dos partes: el inventario en proceso al final de la primera etapa (2) y el
inventario antes de la etapa posterior (1). Como veremos ms adelante, estos dos
inventarios pueden fundirse en uno solo, sin embargo, en este ejemplo, sigamos
analizando la situacin tal y como est descrita en la Figura 9.4.
Kanban de
0
0 o0
'
Kanban de
transportacin
Kanbans de transportacin
y contenedores
O 0 0
Proceso posterior
Buzdn de kanbans de
transportacin
Captulo IX:Justo-a-Tiempo
313
El obrero de la etapa posterior toma un contenedor de productos del inventario (1) que
est a su lado y los empieza a procesar. Para eso, retir del contenedor el kanban de
transportacin y lo puso en el buzn (3). El kanban no es nada ms que una simple
tarjeta plastificada que indica las caractersticas principales del producto o pieza y la
cantidad de cada contenedor. Adems, el kanban de transportacin indica la etapa
anterior (origen) y la etapa posterior (destino).
El simple hecho de que exista un kanban de transportacin en el buzn (3), autoriza
a que las personas encargadas del manejo de materiales (surtidores) vayan a la etapa
anterior, retiren un contenedor del inventario (2), pongan el kanban de transportacin
adentro y lo transporten al inventario (1) de la etapa posterior. Esta simple operacin
garantiza que cualquier contenedor procesado en la etapa posterior ser
automticamente repuesto por otro idntico trado de la etapa anterior, sin que nadie
tenga que tomar ninguna decisin al respecto. Las decisiones importantes ya se tomaron
antes y una sola vez: cuntos contenedores tendremos en cada uno de los inventarios (1)
y (2) y de qu tamao ser cada contenedor.
Cuando los surtidores retiran un contenedor de la etapa anterior (inventario (2)),
separan de ste el kanban de produccin de la etapa anterior y lo ponen en el buzn (4)
(el kanban de produccin contiene las caractersticas del producto o pieza y la
informacin necesaria para identificar a qu proceso corresponde). El simple hecho de
que exista un kanban de produccin en el buzn (4) autoriza al obrero de la etapa anterior
a reponer el contenedor retirado del inventario (2), juna vez ms sin que nadie tenga que
"programar" esta fabricacin!
Puede verse claramente que con estos procedimientos sencillos el mismo sistema
de produccin se reabastece solo y, para que se desencadene la produccin en todas las
etapas del proceso, es suficiente que el cliente de la empresa retire un contenedor de
productos o piezas al final de la ltima etapa del proceso. Si no hay demanda en la ltima
etapa del proceso, entonces se para toda la cadena y no hay produccin (por lo menos de
ese producto). Por esta razn se dice que el sistema jala, mientras que el tradicional
empuja.
El arreglo de la Figura 9.4 es ideal cuando las etapas anterior y posterior estn
alejadas fsicamente. Cundo stas estn cerca los dos inventarios pueden unirse en uno
solo y desaparece el kanban de produccin. El mismo kanban de transportacin cumple
con las dos funciones.
Obsrvese que nada impide que la etapa anterior sea la ltima del proveedor y la
etapa posterior la primera del cliente. De esta manera la empresa se enlaza al proveedor a
travs del sistema kanban.
Resumiendo, los principales beneficios del sistema kanban son los siguientes:
* Elimina casi en su totalidad el papeleo (los kanbans se hacen una sola vez y duran
mucho si son debidamente plastificados).
314
Queremos mencionar tambin que los kanbans pueden ser sustituidos por los mismos
contenedores (cajas, ganchos, etc.). En estos casos el papeleo se elimina totalmente y un
gancho vaco, por ejemplo, es suficiente autorizacin para que un obrero dado vuelva a
llenarlo de productos o piezas.
Las empresas ms avanzadas en la aplicacin del JIT emplean dos trminos
diferentes para distinguir dos situaciones diferentes:
a) Reabastecimiento: este trmino se utiliza para describir la situacin de la Figura 9.4.
b) Jmto-a-tiempo: ste se utiliza para una situacin mucho ms "avanzada". El
inventario en la planta del cliente se elimina totalmente y se establece una
comunicacin fluida (fax, electrnica, etc.) entre ste y el proveedor. Cuando el cliente
va a necesitar una pieza o parte enva una seal al proveedor y ste la fabrica y entrega
o simplemente la entrega, exactamente en el momento que la parte o pieza va a ser
necesitada. Por ejemplo, supongamos que el coche "X" de la Volkswagen est en la
lnea de ensamble y en una hora requerir el tablero "Y". La Volkswagen enva una
seal con tiempo al proveedor y ste la entrega en un plazo de una hora o menos.
Por ltimo, veamos cmo podemos determinar la cantidad de contenedores (kanbans) que
tenemos que mantener entre dos etapas productivas consecutivas. De hecho la frmula es
bastante sencilla y responde al sentido comn:
donde: X = cantidad de unidades de cada contenedor (la Toyota sugiere que sea menor
que 10% de la demanda diaria).
N = nmero de kanbans = nmero de contenedores.
D = demanda media esperada (piezasltiempo).
T = tiempo de respuesta del proceso anterior para fabricar un contenedor.
W = factor de seguridad (la Toyota sugiere que sea menor que 10% de D.T.)
Ejemplo numrico 9.1:
Supongamos que la demanda media esperada de una determinada pieza es 150 unid./hora.
Qu inventario debemos mantener entre dos etapas consecutivas que procesan dicha
pieza si la anterior tarda 4 horas en reponer un contenedor?
Solucin:
6 kanbans (contenedores)
Captulo M: Justo-a-Tiempo
315
316
* Forma.
* Tamao.
* Proceso.
Para ilustrar los dos primeros criterios podemos utilizar como ejemplo la fabricacin de
muebles de acero: el criterio de forma clasificara los productos en libreros, archivos y
escritorios. El criterio de tamao clasificara los productos en grandes y pequeos, por lo
que al final podramos tener escritorios grandes, escritorios pequeos, libreros grandes,
etc.. Lo fundamental de todo esto es llegar a grupos o familias de productos que sean muy
similares y que, por lo tanto, puedan ser fabricados en una sola "celda" autosujiciente.
Para ilustrar el ltimo criterio, o sea, el criterio de proceso, utilizaremos la Figura
9.5 a continuacin:
3 17
318
(a) Lnea
(b) Jaula
Captulo IX:Justo-a-Tiempo
Captulo E:Justo-a-Tiempo
319
Si concentramos nuestra atencin en la celda en "U" (Figura 9.7) y suponemos que los
obreros estn en capacidad de operar cualesquiera de las mquinas y el control de
calidad, sta puede ser operada por cualquier nmero de obreros de 1 a 6. La Figura
9.7(a) muestra la celda siendo operada por un obrero. La Figura 9.7(b) muestra la celda
siendo operada por dos obreros al estilo del paradigma que sobrevivi durante muchas
dcadas, es decir, el obrero 1 opera los elementos 1 y 2 y el obrero 2 opera los elementos
3, 4, 5 y 6. La Toyota rompi con este paradigma y empez a asignar las mquinas en
cualquier orden siempre y cuando se evitaran los cruces. La Figura 9.7(c) muestra una
asignacin con el obrero 1 operando los elementos 1 y 6 y el obrero 2 operando los
elementos 2, 3, 4 y 5. Obsrvese la flexibilidad de asignacin que la forma en "U" nos
permite!
Lo ms frecuente es que la celda de manufactura funcione como una unidad, por lo
que hay un kanban nico para ella. Es decir, si hay kanban de produccin ste ser nico
para toda la celda, y los kanbans de transportacin enlazan la celda completa con las
etapas anteriores y posteriores.
Para sacar el mayor provecho posible de las celdas de manufactura es indispensable
considerar lo siguiente:
a) La mano de obra debe ser flexible y capaz de operar todas las mquinas de la celda. En
aplicaciones ms avanzadas la mano de obra debe ser capaz de operar mquinas de
otras celdas.
b) Las mquinas deben tener cierto nivel de automatizacin para que sigan operando
mientras el obrero atiende otras mquinas (vase tambin el inciso a continuacin).
c) Adems de la produccin, los obreros de la celda deben ser responsables por la
calidad, el orden y la limpieza, la preparacin de las mquinas (set-up) y las tareas
sencillas de mantenimiento.
d) Los obreros deben ser invitados a participar en el mejoramiento continuo de su celda,
concentrando la atencin en los aspectos de calidad, productividad (reduccin de
desperdicios), tiempo de preparacin, seguridad e higiene.
e) De preferencia, los incentivos monetarios deben ser grupales y no individuales.
f) De ser posible, el producto debera terminarse totalmente en la celda, para que los
obreros vean claramente el h t o de su trabajo
320
322
Captulo IX:Justo-a-Tiempo
Como se mencion en el inciso anterior, las mquinas de una celda de manufactura deben
tener algn nivel de automatizacin. Los niveles de automatizacin posibles son:
NIVEL O: La mquina es cargada, operada y descargada por el obrero o requiere atencin
continua de ste.
NIVEL 1: La mquina es cargada y descargada manualmente por el obrero pero funciona
automticamente mientras l realiza otras actividades.
NIVEL 2: El trabajador slo realiza las actividades de colocar y retirar la pieza y oprimir
el botn de arranque; el funcionamiento y el regreso a la posicin original de la
mquina son automticos.
NIVEL 3: El trabajador slo realiza las actividades de colocar la pieza y oprimir el botn
de arranque. El funcionamiento de la mquina y la expulsin de la pieza son
automticos.
Captulo IX:Justo-a-Tiempo
* Evitar errores.
* Evitar accidentes.
324
9.8 CALIDAD
Seremos muy sintticos en este inciso debido a que los programas de Calidad Total son
muy conocidos y muy amplios. Las filosofas de JIT y de Calidad Total nacieron ms o
menos al mismo tiempo y algunos autores consideran JIT como una parte de Calidad
Total y otros consideran Calidad Total como una parte importante del JIT. No vamos a
dedicar tiempo y espacio a esta discusin y simplemente afirmaremos que hay muchos
aspectos de Calidad Total que son indispensables para el xito del JIT.
A continuacin contrastamos el enfoque tradicional con el enfoque moderno de
Calidad Total y JIT:
Enfoque tradicional:
* Enfoque: aumentar inspecciones para reducir costos por entradas y10 salidas de mala
calidad.
+ Personal de ingeniera.
+ Personal de mantenimiento.
+ Costos de inspeccin.
+ Costos de fallas internas (cuando el defecto se detecta todava en la planta).
+ Costos de fallas externas (cuando el cliente ya tiene el producto)
326
Captulo IX:Justo-a-Tiempo
(TPM) han sido, son y sern muy importantes para la exitosa implantacin del JIT. Ya
dedicamos un captulo entero a este tema, por lo que no volveremos a abordarlo.
9.10 ASPECTOS HUMANOS
Los mritos tcnicos del sistema JIT son conocidos e incuestionables. Sin embargo,
cmo se siente la gente en un ambiente JIT? Cul es su nivel de satisfaccin? Es
importante que la gente est satisfecha? En el presente inciso intentaremos contestar estas
preguntas.
Empecemos con la ltima: es importante que la gente est satisfecha?
Contestaremos esta pregunta con una lista de acciones que las personas insatisfechas
pueden llevar a cabo en contra de su empresa. La lista es tan impactante que esperamos
convencer al lector de la importancia de la satisfaccin laboral sin la necesidad de
cualquier otro argumento:
* Pido transferencias.
* No comparto informacin.
* Me accidento a propsito.
* Cambio de mentalidad.
* Motivacin.
Para una implantacin exitosa del sistema JIT se requiere un cambio radical de
mentalidad. Este cambio implica, entre otras cosas, lo siguiente: a) alcanzar la excelencia;
b) retener nicamente las actividades que agregan valor al producto; c) mejoramiento
continuo; y d) considerar al ser humano como el recurso ms valioso de la organizacin.
En lo que se refiere al primer aspecto, es decir, alcanzar la excelencia, debe
sealarse que el JIT requiere programas extremadamente estrictos de calidad total que
conduzcan a la eliminacin total de productos defectuosos y, al mismo tiempo, a la
satisfaccin total del consumidor. Es muy fcil entender que un sistema de manufactura
que funciona prcticamente sin inventarias no pueda tolerar la produccin de lotes
defectuosos.
Muchas actividades agregan costos a los productos pero no agregan valor, de las
cuales queremos repetir aqu las siguientes: inspeccionar calidad o cantidad, transportar,
inventariar, esperar, buscar, etc.. El JIT, como segundo cambio importante de mentalidad,
exige la eliminacin o reduccin significativa de todas estas actividades que no agregan
valor.
Tanto la excelencia en cuanto a calidad como la eliminacin/reduccin de las
actividades que no agregan valor, no se logran de la noche a la maana, sino que
requieren una lucha lenta y constante. El mejoramiento continuo es, pues, una parte
fundamental del JIT. Consideramos que todos estos cambios de mentalidad impactan
positivamente en la satisfaccin de las personas, ya que stas se sienten ms eficientes,
tiles, orgullosas y valoradas.
9.10.2 Motivacin
328
Captulo M: Justo-a-Tiempo
Captulo IX:Justo-a-Tiempo
329
330
Captulo E:
Justo-a-Tiempo
Capitulo IX:Justo-a-Tiempo
331
Tomando como ejemplo el sistema JIT, el punto "c" arriba debera de abarcar los
siguientes aspectos:
* Entregas a tiempo.
* Ciclo de fabricacin.
* Accidentes.
* Reduccin de espacio.
* Rotacin, ausentismo y retrasos.
Las empresas que usan el JIT, en general, cuidan mucho los aspectos de
retroalimentacin. Inclusive, la retroalimentacin del JIT hasta podra incluir algn tipo
de informacin financiera. Debe destacarse que, en cuanto a produccin y calidad, la
retroalimentacin del JIT es extremadamente rpida debido a los pequeos lotes de
produccin y al rpido flujo de materiales de una etapa del proceso productivo a la
siguiente.
Obviamente, los ingresos son una importante parte del sistema global de
retroalimentacin y, tambin stos, deben ser perfectamente compatibles con los
objetivos generales de la empresa. Regresando al ejemplo del JIT, los ingresos debern
estar relacionados con los aspectos arriba mencionados y adems con:
332
Captulo M: Justo-a-Tiempo
Captulo N:Justo-a-Tiempo
333
Como comentamos arriba, la mayora de las empresas que decidieron implantar el JIT
han reportado mejoras increbles en lo que se refiere a tiempo de entrega, tiempo de
preparacin (set-up), rotacin de inventarios, espacio requerido para produccin, etc.. Sin
embargo, existen medidas de desempeo "duras" y "blandas". Las mencionadas arriba
son todas medidas de desempeo duras, mientras aspectos como satisfaccin en el
trabajo, satisfaccin con el salario, bajos niveles de estrs, etc. seran medidas blandas de
desempeo. Estoy de acuerdo que la mayora de las empresas est preocupada
principalmente con las medidas duras de desempeo, sin embargo las medidas blandas
son tambin muy importantes, ya que mejoran todava ms las medidas duras de
desempeo y contribuyen al bienestar de los trabajadores.
Los trabajadores insatisfechos pueden decidir adoptar, entre otros, los siguientes
comportamientos "separatistas" (withdrawal behaviors) como medidas para adaptarse a
una situacin de trabajo insatisfactoria: retraso, ausentismo, rotacin, largos descansos y
salida temprana. Por otro lado, pueden presentar comportamientos negativos muy
peligrosos para la empresa, como los que mencion anteBrmente y que repito aqu
debido a su importancia:
* Pido transferencias.
* Me reporto enfermo aUn cuando no lo estoy.
334
* Oportunidades de capacitacin.
* Equidad.
Captulo M: Justo-a-Tiempo
335
* Inseguridad en el trabajo.
Los cuales, a su vez, debern conducir a los siguientes efectos de segundo orden:
* Reduccin de los problemas de llegar tarde, tomar largos descansos, salir temprano,
etc..
9.11.3 Qu es justo-a-tiempo?
Tradicionalmente, JIT ha sido definido como un sistema de manufactura que consiste en
comprar/producir solamente la cantidad exacta de materias primas/productos, en el
momento exacto que se necesitan, con el objeto de reducir el tiempo de entrega y todos
los tipos de inventarios. Sin embargo, esta definicin no es suficientemente clara, ya que
el JIT es una coleccin de tcnicas, procedimientos y actitudes, los cuales en este estudio
se resumieron de la siguiente manera:
Captulo IX:Justo-a-Tiempo
H1: La implantacin del JIT mejora las percepciones de los trabajadores sobre la mayora
de los distintos aspectos de la calidad de vida laboral.
H2: La implantacin del JIT aumenta ciertos tipos de estrs y reduce otros.
9.11.5 Metodologa
Se realiz un experimento de campo y 2 cuestionarios se disearon para medir QWL e
implantacin del JIT, respectivamente. La informacin fue recopilada en 25 empresas de
9 sectores industriales diferentes. Las compaas se ubicaban en las ciudades de Mxico,
Toluca, Tlaxcala, Quertaro y Celaya.
En cada empresa, solicit una muestra aleatoria de 20 obreros para que contestaran
el cuestionario sobre QWL y una muestra de por lo menos 2 ejecutivos de produccin o
calidad para que contestaran el cuestionario sobre implantacin del JIT.
Posteriormente se realizaron distintos anlisis estadsticos con QWL como variable
dependiente e implantacin del JIT como variable independiente. Se incluyeron varias
variables adicionales para controlar el efecto de las caractersticas demogrficas de los
obreros y de algunas condiciones especficas de las empresas (las que se detallarn a
continuacin).
Una fortaleza importante de este estudio es la posibilidad de incluir diferentes
empresas, de diferentes sectores industriales, y una muestra grande con suficiente
variabilidad de la variable independiente (nivel de implantacin el JIT). Esto ha
eliminado las limitaciones de estudios previos, que se centraron en una sola empresa,
manejaron muestras pequeas y consideraron slo algunos aspectos del JIT
(generalmente la implantacin de crculos de calidad).
Para que el lector tenga una idea sobre las dificultades para la realizacin de un
estudio de este tipo (particularmente en Mxico), quiero agregar que necesit
aproximadamente 100 citas y viaj casi 7,000 Km. En promedio, tuve que pedir 3 citas a
cada empresa que acept participar en el estudio. La secuencia tpica de eventos fue la
siguiente:
Un primer contacto se realiz por telfono con una persona conocida (normalmente
un alumno o un profesor del ITESM), con el Gerente de Recursos Humanos o con el
Gerente General de la Empresa. En esta primera llamada expliqu que el ITESM estaba
realizando un estudio sobre el impacto del JIT en la calidad de vida laboral y ped una
cita para proporcionar informacin ms detallada. En la primera cita expliqu
verbalmente y por escrito el objetivo y la importancia del estudio, la confidencialidad de
la informacin recolectada, el nmero de obreros y ejecutivos a ser entrevistados y cmo
stos seran entrevistados. En esta primera visita tambin ofrec un primer reporte con los
resultados de la aplicacin de los cuestionarios de QWL y una copia de la tesis.
Con la excepcin de un Gerente General que me invit a aplicar los cuestionarios
en la primera visita, todas las dems personas me pidieron que esperara una respuesta
despus de un par de das o de semanas hasta que se tomara una decisin. Normalmente,
la decisin de que la empresa estaba dispuesta a participar en el estudio me fue
comunicada por telfono y se concert una nueva cita.
En la segunda cita intent aplicar todos los cuestionarios, sin embargo en algunos
casos esto no fue posible y slo el cuestionario sobre QWL fue aplicado. En la tercera
cita, entregu los resultados de los cuestionarios sobre QWL y apliqu el cuestionario
sobre implantacin del JIT a los ejecutivos que no pudieron ser entrevistados en la
segunda cita. A la medida que los cuestionarios iban siendo aplicados, se realizaba su
captura en el paquete SPSS. Esto permita, por ejemplo, que en la tercera cita ya pudiera
entregar los resultados de la aplicacin del cuestionario sobre QWL.
Captulo IX:Justo-a-Tiempo
Se dise un cuestionario con 37 reactivos para medir las distintas dimensiones de QWL.
Inicialmente, consider todos los aspectos descritos en el inciso 9.11.2 (excluyendo el
estrs) y los clasifiqu de acuerdo a los siguientes aspectos: trabajo propiamente dicho,
compensacin, promocin, supervisin y compaeros de trabajo.
Luego, los siguientes reactivos de estrs fueron incluidos: horario de trabajo,
incompatibilidad de intereses, ambigedad, papeleo, carga de trabajo, presin de tiempo,
capacitacin requerida por el puesto e inseguridad en el trabajo. Para controlar los efectos
de la vida personal, que supuestamente afectan las percepciones sobre la calidad de vida
laboral, 3 reactivos fueron incluidos al principio del cuestionario, refirindose a la
relacin con la pareja, relacin con los hijos y la casa o departamento, respectivamente.
Finalmente, para controlar el efecto de las caractersticas demogrficas de los obreros
(sexo, estado civil, edad, nivel educacional, etc.) algunas preguntas se agregaron al final
del cuestionario, ya que muchos estudios han demostrado que stas tambin pueden
afectar las percepciones de los trabajadores sobre su QWL.
Aprovechando el hecho de que en Mxico es relativamente comn la expresin
"mucho muy" satisfactorio, la escala para todas las preguntas iba de l=mucho muy
satisfactorio hasta 7=mucho muy insatisfactorio. Luego despus de terminado, el
cuestionario sobre QWL fue probado en una industria manufacturera de 50 trabajadores,
y todos los problemas encontrados fueron corregidos.
El cuestionario de implantacin del JIT tena 26 preguntas que incluan todos los
aspectos enlistados en la seccin 9.11.3. En cada pregunta de este cuestionario el
ejecutivo de la empresa tena que indicar el nivel de implantacin (avance) de aquel
aspecto especfico del JIT en una escala de O a 1 .O ( de O a 100%).
Adems de los cuestionarios sobre QWL y sobre JIT, un tercer cuestionario, muy
sencillo y corto, fue utilizado para recopilar informacin acerca de condiciones
especficas de las empresas que pudieran afectar las percepciones de los obreros, como
por ejemplo, aos de implantacin del JIT, estabilidad (si la empresa estaba o no en
expansin), conflictos laborales (si existan o no conflictos laborales serios), tamao,
nivel de automatizacin, transnacionalidad (si la empresa era nacional o tena plantas por
todo el mundo), etc..
9.11.5.2 Aplicacin de los instrumentos de medicin
Todas las empresas con las cuales el ITESM tena algn contacto a travs de alumnos y10
profesores fueron invitadas a participar en el estudio. Inicialmente, todas las empresas
contactadas por m y dispuestas a participar fueron aceptadas. Posteriormente, con el
objeto de obtener una muestra ms balanceada, slo aqullas con cierto nivel de avance
del JIT fueron aceptadas. Finalmente, como se ha mencionado antes, 25 empresas de 5
ciudades diferentes y 9 sectores industriales fueron incluidas en el estudio (vase el
Cuadro 9.3).
A pesar de que en cada una de las 25 empresas yo solicit una muestra aleatoria de
20 trabajadores que contestaran el cuestionario sobre QWL, realmente dicha cantidad
vari de 10 a 27 obreros debido a restricciones de produccin. Un total de 502 obreros
respondieron a este cuestionario. Esta informacin tambin se presenta en el Cuadro 9.3.
Captulo lX:Justo-a-Tiempo
339
Para contestar el cuestionario sobre QWL los trabajadores se ubicaron en una sala
de capacitacin y yo personalmente les proporcion una breve explicacin sobre el
objetivo del estudio y la confidencialidad de sus respuestas. En promedio, los
trabajadores tardaron 30 minutos para responder al cuestionario.
CIUDAD
Ciudad de Mxico
Quertaro
Quertaro
Ciudad de Mxico
Ciudad de Mxico
Toluca
Ciudad de Mxico
Ciudad de Mxico
Ciudad de Mxico
Quertaro
Ciudad de Mxico
Tlaxcala
Tlaxcala
Quertaro
Quertaro
Ciudad de Mxico
Ciudad de Mxico
Toluca
Ciudad de Mxico
Quertaro
Ciudad de Mxico
Quertaro
Ciudad de Mxico
Celaya
Quertaro
SECTOR INDUSTRIAL
Veladoras
Electrodomsticos
Electrodomsticos
Alimentos
Partes automotrices
Qumica
Equipos de oficina
Farmacutico
Alimentos
Partes automotrices
Metalmecnico
Partes automotrices
Partes automotrices
Partes automotrices
Partes automotrices
Partes automotrices
Cosmticos
Partes automotrices
Partes automotrices
Electrodomsticos
Discos y cassettes
Cables
Equipos de oficina
Partes automotrices
Partes automotrices
OBREROS
ENCUESTADOS
20
20
21
20
20
18
20
21
21
27
22
18
20
1O
22
20
24
19
20
19
21
21
20
21
17
502
Por otro lado, un total de 72 ejecutivos (casi 3 por empresa en promedio) contestaron el
cuestionario sobre implantacin del JIT y slo en 5 ocasiones yo no estuve presente.
Consider mi presencia necesaria porque muchos ejecutivos no estaban familiarizados
con ciertos trminos del JIT, como por ejemplo, sistema de jalar, kanban, celda de
manufactura, calidad-en-la-fuente, apoyos visuales, etc.. El Cuadro 9.4 presenta el
nmero de ejecutivos entrevistados en cada empresa y sus respectivos puestos. En
resumen, el estudio incluy la opinin de los siguientes ejecutivos: gerentes de
produccin/manufactura~operaciones:24 (33%); gerentes generales: 9 (12%); gerentes
tcnicos corporativos: 6 (8%); ingenieros industriales corporativos: 5 (7%); gerentes de
planta: 5 (7%); gerentes de control de calidad: 4 (6%); gerentes de materiales: 2 (3%);
gerentes de mantenimiento: 2 (3%); otros ejecutivos: 15 (21%). Debo informar que el
porcentaje de gerentes tcnicos corporativos realmente corresponde a una sola persona
que evalu 6 empresas. La misma observacin es vlida para el porcentaje
correspondiente a ingenieros industriales corporativos.
Captulo IX:Justo-a-Tiempo
340
06
07
O8
09
10
11
12
13
14
MRO
DE
POSICION ORGANIZACIONAL
EJECUTIVOS
Gerente Administrativo
2
Gerente General
Gerente de Produccin y de Relaciones Industriales
3
Gerente de Servicios Tcnicos
Gerente de Planta
Gerente de Produccin
2
Gerente de Operaciones
Gerente de Produccin
3
Gerente de Control de Calidad
Gerente General
Gerente de Aseguramiento de Calidad
5
Gerente de Produccin
Gerente de Planeacin e Inventarios
Gerente de Ingeniera del Producto
.
Gerente de Compras
Gerente de Tecnologa
4
Gerente Comercial
Contralor
Gerente General
Gerente de Relaciones Industriales
2
Gerente de Recursos humanos
Gerente de Operaciones Tcnicas
2
Gerente de Manufactura
Gerente de Planta
2
Gerente General
Gerente Tcnico Corporativo
4
Ingeniero Industrial Corporativo
Gerente de Manufactura
Gerente General
Gerente de Produccin Lnea 1
3
Gerente de Produccin Lnea 2
Gerente de Control de Produccin
Gerente tcnico corporativo
5
Ingeniero Industrial Corporativo
Gerente de Planta
Gerente de Manufactura
Gerente de Materiales
Gerente Tcnico Corporativo
5
Ingeniero Industrial Corporativo
Gerente de Planta
Gerente de Mantenimiento
Gerente de Produccin
Gerente Tcnico Corporativo
5
Ingeniero Industrial Corporativo
Gerente de Manufactura
Gerente General
Gerente de Produccin
NUMERO DE
EJECUTIVOS
4
POSICION ORGANIZACIONAL
Gerente Tcnico Corporativo
Ingeniero Industrial Corporativo
1
Gerente de Manufactura
Gerente General
2
Gerente de Aseguramiento de Calidad
16
Gerente de Produccin Exportacin
Gerente de Operaciones
3
17
Gerente de Produccin Lnea 1
Gerente de Produccin Lnea 2
2
18
Gerente de Materiales
Gerente de Ingeniera de Manufactura
1
Gerente de Produccin y Mantenimiento
19
2
Gerente de Produccin
20
Gerente de Ingeniera Industrial
Gerente de Aseguramiento de Calidad
2
21
Gerente General
Gerente Tcnico Corporativo
2
22
Gerente de Planta
Gerente de Produccin
2
23
Vice-Director Tcnico
Gerente de Produccin
24
3
Gerente de Ensamble
Gerente General
2
Gerente de Produccin
25
Gerente de Mantenimiento
72
TOTAL
342
Un ndice global de JIT tambin fue determinado como la suma de las respuestas a todas
las preguntas del cuestionario (excluyendo las que ya haban sido eliminadas).
Finalmente, el nivel de consenso fue determinado para cada dimensin del JIT y para
todo el cuestionario (sin incluir las preguntas eliminadas).
Para evaluar la relacin entre QWL e implantacin del JIT, 3 tipos de anlisis se
llevaron a cabo: anlisis de regresin, anlisis de ruta (path analysis) y anlisis cannico.
En el anlisis de regresin la variable dependiente fue el ndice global de QWL y las
variables independientes fueron el ndice global de implantacin del JIT y las variables
de control (caractersticas demogrficas de los obreros y caractersticas especficas de las
empresas, como se mencionaron con anterioridad). En el anlisis de ruta, yo mantuve el
ndice global de implantacin del JIT pero divid QWL en dimensiones y subdimensiones. Efectos directos e indirectos de implantacin del JIT pudieron entonces ser
evaluados. En el anlisis cannico se evalu la relacin entre las dimensiones de QWL y
las dimensiones del JIT. Este anlisis mostr qu dimensiones de implantacin del JIT
afectaban ms a qu dimensiones de QWL.
9.11.6 Resultados
9.11.6.1 Dimensiones y confiabilidad
Captulo M: Justo-a-Tiempo
343
ALFA
0.685
0.827
0.945
0.810
0.793
NIVEL DE CONSENSO
0.803
0.677
0.911
0.727
0.764
El ndice global de implantacin del JIT (JITlOO), que se calcul como la suma de las
medias de las respuestas de los ejecutivos de cada empresa, vari de 5.35 a 16.70
(despus de la eliminacin de las preguntas).
9.11.6.2 Anlisis de regresin
La relacin entre QWL e implantacin del JIT se evalu, inicialmente, a travs de una
regresin "stepwise" al nivel de individuo, es decir, para los 502 casos, utilizando los
ndices globales QWLlOO (variable dependiente) y JITlOO y las variables de control
(variables independientes). Los resultados se muestran en el Cuadro 9.7 y sern
analizados en la seccin 9.11.7.
CUADRO 9.7 Regresin entre QWL y JIT utilizando variables de control
VARIABLES
INDEPENDIENTES
NOMBRE EN
EL SPSS
BETA
ESTANDARIZADO
SIGNIFICANCIA
DE "T"
Satisfaccin personal
Implantacin del JIT
Conflictos laborales
Estabilidad
Estado civil
Transnacionalidad
PERS
JITlOO
GIF5
GIF4
DQWL48
DGIF10
O. 17594
-0.05057
0.22503
-0.1 0622
0.13444
0.10483
0.26507
-0.26327
O. 18568
-0.16278
0.11157
0.08856
0.0000
0.0000
0.0000
0.0003
0.0137
0.0473
Captulo M: Justo-a-Tiempo
Ya que tanto QWL como implantacin del JIT consisten de muchas dimensiones, el
anlisis cannico es la tcnica apropiada para evaluar las relaciones entre estos dos
conjuntos de dimensiones.
h..
................... ...................................................................................................
......................................:
i;
(RESULTADOESPERADO)
346
El Cuadro 9.8 muestra una solucin cannica que incluye todas las dimensiones y subdimensiones de QWL, y todas las dimensiones del JIT. El paquete SPSS extrajo 4
funciones cannicas significativas, que explican aproximadamente el 42% de la varianza
de estos conjuntos de variables, con correlaciones cuadradas que varan de 0.221 a 0.032.
Los valores de Eigen varan de 0.283 para la primera raz (root) a 0.034 para la cuarta.
CUADRO 9.8 Anlisis cannico entre las dimensiones de QWL y JIT
FUNCIONES
-.
347
muestra una pendiente negativa que significa que a la medida que aumentan los valores
de la variable JIT100, disminuyen los valores de la variable QWL100, es decir, mejora la
calidad de vida laboral.
FIGURA 9.10 lnea de regresin de QWL como funcin de JIT
PLOT OF QWLlOO WITH JiTlOO
Por otro lado, las variables de control significativas del Cuadro 9.7 indican que:
a) Satisfccin personal, como se esperaba, presenta una relacin directa con calidad de
vida laboral. Es decir, cuanto ms satisfechos estn los obreros con su vida personal,
ms satisfaccin reportan en relacin a su trabajo.
b) Para la variable conflictos laborales, 1 (uno) significaba "ausencia de conflictos" y 4
(cuatro) significaba "conflictos muy serios". Por lo tanto, el signo positivo de esta
variable indica que la existencia de conflictos deteriora la calidad de vida laboral
reportada. ste tambin es un resultado esperado.
c) En relacin a la variable estabilidad, lo indicado por a regresin tambin es lgico: los
obreros de empresas en expansin reportan mejor calidad de vida laboral.
d) Para la variable estado civil, O (cero) significaba "soltero" y 1 (uno) significaba
"casado". Por lo tanto, el signo positivo de la regresin indica que los trabajadores
solteros reportan una calidad de vida laboral superior. Una posible explicacin para
este resultado es la siguiente:
* Los solteros son ms jvenes y las personas jvenes tienden a tener ms ilusiones
respecto a la implantacin de un nuevo sistema.
* Los casados normalmente tienen que mantener otras personas, por lo que ellos o
ellas no cambian fcilmente de trabajo an cuando estn insatisfechos.
Captulo IX:Justo-a-Tiempo
348
Estado civil est muy relacionado 'con antigedad y las personas con mayor
antigedad pueden volverse ms crticas respecto a la empresa. Esta ltima
afirmacin fue confirmada por el hecho de que, cuando estado civil se elimin de la
regresin, antigedad se volvi significativa.
Principiantes
3.32
3.36
Avanzados
3.13
3.21
Muy avanzados
2.79
3.13
JIT
Captulo M: Justo-a-Tiempo
349
El efecto directo de JIT sobre STRl fue de -0.08 y puede considerarse significante
(p=0.0521). Este coeficiente indica que la implantacin del JIT directamente reduce el
estrs causado por incertidumbre & incongruencia. Existi, adems, un efecto indirecto
de -0.12 a travs de todas las dimensiones de QWL.El efecto total (o neto), por lo tanto,
fue igual a (-0.08)+(-0.12)= -0.20. Como puede verse, ambos efectos (directo e
indirecto) actan en la misma direccin y el efecto total fue una reduccin del estrs
causado por incertidumbre & incongruencia.
Por otro lado, el efecto directo del JIT sobre carga de trabajo & presin de tiempo
(STR2) fue de 0.03 e insignificante. Es importante resaltar, sin embargo, que ste es
positivo, lo que realmente significa un aumento de este tipo de estrs. Ya que este
resultado no es estadsticamente significativo, slo puede afirmarse que la implantacin
del JIT no es capaz de directamente reducir el estrs causado por carga de trabajo &
presin de tiempo (STR2). El efecto indirecto, sin embargo, fue de -0.11, por lo que el
efecto total (neto) fue igual a (0.03)+(-0.11)= -0.08. En este caso, los efectos directo e
indirecto actan en direcciones opuestas, pero el efecto total es negativo, lo que significa
que la implantacin del JIT tambin reduce el estrs causado por carga de trabajo &
presin de tiempo. Sin embargo, esto es una consecuencia de los efectos indirectos y no
del efecto directo.
Resumiendo, estos resultados indican que la implantacin del JIT reduce todos los
tipos de estrs. En algunos casos la reduccin se debe a los efectos directos e indirectos y
en otros se debe nicamente a los efectos indirectos. Por lo tanto, la hiptesis H2 no
puede ser aceptada, a pesar de que el signo positivo del coeficiente entre JIT y carga de
trabajo & presin de tiempo (STR2) debe considerarse como un indicio de que el JIT
puede eventualmente aumentar este tipo de estrs.
En relacin al anlisis cannico, deseo hacer los siguientes comentarios (vase el
Cuadro 9.8):
a) Considerando todas las correlaciones mayores que 0.3, la funcin cannica #1 muestra
que las dimensiones de JIT (excluyendo proveedores) tienden a mejorar las
dimensiones de QWL (excluyendo compensacin & intereses comunes, compaeros de
trabajo y carga de trabajo & presin de tiempo). Recordando que la implantacin del
JIT afecta la compensacin slo en el largo plazo y que los efectos directo e indirecto
sobre carga de trabajo & presin de tiempo tienden a cancelase, este resultado no es
inesperado. Por otro lado, la relacin entre JIT y compaeros de trabajo fue captada por
las funciones cannicas #2 y #3.
b) Considerando ahora slo las mayores correlaciones (20.5), la funcin cannica #1
muestra tambin que las dimensiones de JIT propiamente dicho, aspectos hwnanos y
planta en buenas condiciones (que deben considerarse como los aspectos ms
importantes del JIT en lo que se refiere a obreros) presentan un efecto ms fuerte en
las dimensiones de desempeo bueno y seguro, apoyo de supervisin y capacidad de
supervisin. Esto demuestra que la preocupacin del JIT en relacin a seguridad,
higiene, orden y limpieza y al cambio del role del supervisor es sumamente
importante.
c) La segunda funcin cannica es mucho ms difcil de interpretar. Considerando slo
las correlaciones mayores que 0.5, dicha funcin sugiere que planta en buenas
condiciones tiene un efecto ms fuerte sobre la variable apoyo de compaeros. Una
350
Captulo M: Justo-a-Tiempo
posible explicacin podra ser que w i ambiente seguro, sano, "a prueba de tontos",
ordenado y limpio permite que los trabajadores estn menos tensos y dispongan de
ms tiempo, lo que, a su vez, puede conducir a una mejorar relacin entre ellos y un
mayor apoyo.
d) Considerando una vez ms slo las correlaciones mayores que 0.5, la funcin cannica
#3 sugiere algo muy interesante: buenas relaciones con los proveedores conducen a
una mayor satisfaccin en relacin a compensacin y a una de las sub-dimensiones de
compaeros de trabajo. Si consideramos que los obreros son proveedores de mano de
obra, la cual se paga mediante la compensacin, y que cada obrero es un proveedor de
material del obrero en la siguiente etapa del proceso productivo, iste es, sin duda, un
resultado interesante!
e) Finalmente, las mayores correlaciones de la funcin cannica #4 (20.5) captan la
relacin entre JIT propiamente dicho y trabajo propiamente dicho, sugiere que JIT
propiamente dicho tambin mejora las percepciones sobre compensacin & intereses
comunes y refuerza la importancia de la influencia de JIT propiamente dicho sobre
apoyo de supervisin.
En general, los resultados del anlisis cannico proporcionan soporte a la hiptesis H1 y,
adems, muestran que algunos aspectos de la implantacin del JIT tienen efectos ms
importantes que otros. A pesar de que "relaciones con los clientes" ha sido mencionado
como un aspecto importante de enriquecimiento del trabajo, la dimensin cliente no
produjo ningn efecto importante en las dimensiones de QWL. Al mismo tiempo,
ninguna de las correlaciones entre las funciones cannicas y las dimensiones de estrs es
mayor que 0.5, lo que significa que el efecto de la implantacin del JIT sobre el estrs no
es fuerte. Sin embargo, la reduccin del estrs causado por incertidumbre &
incongruencia es siempre mayor que la reduccin del estrs causado por carga de trabajo
& presin de tiempo (vanse las funciones cannicas #1, #3 y #4). Este resultado es
perfectamente compatible con los resultados del anlisis de ruta.
Captulo IX:Justo-a-Tiempo
351
El contacto inicial se hizo a travs del Gerente de Operaciones quien fue el "autor
intelectual" del proyecto. ste nombr al Gerente de Control de Produccin como "lder
del proyecto".
Para manejar el proyecto se formaron bsicamente 2 grupos de trabajo. Uno
pequeo que se reuna todos los viernes de 10:OO A.M. a 11:OO A.M. en el cual
participaba el lder del proyecto de parte de la empresa, yo y uno que otro invitado que se
requera para alguna aclaracin (de aqu en adelante llamar a este grupo pequeo
"comit"). Y otro grupo grande que se reuna los martes, cada 2 semanas, en el cual haba
aproximadamente 20 personas. Dichas personas representaban las reas directa o
indirectamente relacionadas con el proyecto kanban, por lo que haba personas de Control
de Produccin, Ingeniera, Calidad, Almacn, etc., as como supervisores de lneas,
analistas, programadores, etc. (de aqu en adelante llamar a este grupo "panel").
Ya que la planta tena 60 lneas de produccin, una de las decisiones ms
importantes que tom el panel fue empezar con slo 3 lneas: una pequea (pocas
versiones del producto final y pocos componentes), una grande (muchas versiones del
producto final y muchos componentes) y una mediana. Al mismo tiempo, se decidi que
el sistema kanban enlazara las 3 lneas slo al almacn de componentes (materias
primas). Es decir, los componentes que se fabricaban internamente en la planta seran
enviados al almacn y de ah a las lneas. En esta primera etapa tampoco se enlazara el
almacn de componentes con los proveedores o las lneas con el cliente. Esto se hara
posteriormente como una segunda etapa del proyecto.
El comit, con unos 3 invitados de diferentes reas, estableci en la semana 1 el
plan para la realizacin del proyecto y lo plasm en una grfica de Gantt. Dicha grfica
empezaba con la induccin a los estudiantes y a m en la semana 1, hasta la liberacin de
las 3 lneas en la semana 14 y el reporte final de parte de los estudiantes en la semana 15.
Sintticamente, el plan era el siguiente:
SEMANA #1: Induccin a los estudiantes y a m.
SEMANAS #2 y #3: Recopilacin de informacin por parte de los estudiantes.
SEMANA #4: Organizacin y anlisis de la informacin.
SEMANA #5: Determinacin del tamao y nmero de los contenedores.
SEMANA #6: Diseo del kanban y layout del inventario de componentes de las lneas.
SEMANA #7: Evaluacin de las propuestas de las semanas #5 y #6.
SEMANAS #8, #9, #10 y #11: Implantacin.
SEMANA #12: Evaluacin de la implantacin.
SEMANA #13: Ajustes finales.
SEMANA #14: Liberacin de las 3 lneas.
SEMANA #15: Reporte final de parte de los alumnos.
* Etc..
Una vez que toda la informacin fue recopilada, sta fue organizada en diferentes
archivos (por ejemplo, de Excel) y analizada para verificar si era exacta y completa. En
esta semana se recopil la informacin que faltaba y se verific la informacin dudosa.
Todo estaba listo para el inicio del diseo del sistema kanban!
En esta semana se reuni el panel y tom una decisin muy importante: en cunto
tiempo poda el Almacn reabastecer un contenedor vaco de un componente? Por
increble que parezca, el dato inicial fue de 3 minutos y el dato final fue de 5 horas.
Empezamos por concluir que el tiempo de 3 minutos era ideal, corresponda a un
contenedor nico e inclua slo el tiempo para bajar el material de los anaqueles. La
realidad sera bien diferente: habra una "fila de contenedores" esperando abastecimiento,
probablemente el material sera cambiado de un contenedor a otro y faltaba el tiempo de
transporte al almacn y de ste a la lnea. Adems, ihaba otras 59 lneas que abastecer!
Con estas consideraciones y con la idea de protegernos contra posibles paros por falta de
material, se decidi aumentar el tiempo de 3 minutos a 2 horas. Despus, nos dimos
cuenta que las surtidoras de material pasaran por las lneas recogiendo contenedores
vacos con una frecuencia no mayor a una vez cada 2 horas, por lo que el tiempo aument
a 4 horas. Finalmente, decidimos agregar una hora como "inventario de seguridad".
En esta misma semana el panel decidi "compartir" con los obreros todo lo que
haba aprendido en el curso de kanban. Se dise un curso ms sencillo y empez a
impartirse a todos los obreros (la mayora son mujeres). Fueron muchas horas de
capacitacin para poder abarcar a toda la planta, de modo que dicha capacitacin slo
termin en la semana #9, cuando el sistema ya estaba implantado en una de las lneas.
9.12.5 Tamao y nmero de contenedores (semana #5)
353
donde: X = tamao del contenedor (la Toyota sugiere 10% de la demanda de un turno).
D = tasa de consumo del componente.
T = tiempo de reabastecimiento (en este caso 4+1 = 5 horas).
W = inventario de seguridad (en nuestro caso "W" fue de 1h y ya estaba incluido
en "T", es decir, fue de % = 0.25 = 25% para todos los componentes).
N = nmero de contenedores recomendado.
Estbamos conscientes de que 5 horas era probablemente una exageracin, pero
preferimos empezar sobre inventariados y reducir paulatinamente el nmero de kanbans
que provocar paros al inicio de la implantacin del sistema. Con relacin al tamao de los
contenedores, el panel decidi trabajar con los tamaos existentes en la planta, es decir,
no se compraran contenedores del tamao "X" para cada componente. Esto condujo a
una serie de ajustes. Como ilustracin, consideremos la decisin hipottica de tener 7
contenedores de 100 piezas y que los contenedores existentes eran o demasiado grandes o
demasiado pequeos. La decisin se tuvo que cambiar, por ejemplo, a 5 contenedores de
150 piezas. De hecho hubo muchos ajustes de este tipo.
9.12.6 Diseo del kanban (semanas #6 y #7)
Haba muchas alternativas para el kanban: poda ser una tarjeta, poda ser el mismo
contenedor, poda ser electrnico, etc.. El panel decidi que el kanban sera una tarjeta
por ser sencilla y visual.
Los estudiantes disearon la tarjeta kanban despus de entrevistar a las personas de
produccin y del almacn de componentes, y averiguar qu informacin ellos
consideraban importante. Posteriormente el panel la analiz y propuso algunos cambios.
El diseo final fue el siguiente (los datos del ejemplo son ficticios):
KANBAN
12345678900000
No. de Parte
AAAA AAAAAAA AAAAA
Descripcin
150
Cantidad
W 127
Tipo de contenedor
AAAAAAA BB CCCCCCC
Lnea
Pedro Velzquez
Persona responsable de la parte
115
No. de tarjeta
CODIGO DE BARRAS
Captulo M: Justo-a-Tiempo
355
SURTIDORA DE MATERIALES
(lleva kanban al almacn)
DEPTO. DE SURTIMIENTO
(aimackn)
I
I
(almacn)
DEmODEsUR-O
CONTENEDOR LLENO
(con el kanban)
SURTIDORA DE MATERIALES
(ileva contenedor + kanban a lnea)
Captulo M: Justo-a-Tiempo
356
KANBAN
123456789OOXXO
No. de Parte
AAAA AAAAAAA AAAAA
Descripcin
150
Cantidad
Tipo de contenedor
W 127
AAAAAAA BB CCCCCCC
Lnea
Pedro Velzquez
Persona responsable del componente
115
No. de tarjeta
O0 O1 02 03 04 05 06 07 O8 09 10 11 12 13 14 15 16 17 18 19 20
9.12.8 Evaluacin de la implantacin (semana #12)
Captulo M: Justo-a-Tiempo
357
a) Para la lnea pequea de "poca" complejidad que ya estaba trabajando bajo el sistema
kanban, extender ste hasta el almacn de productos terminados. Es decir, enlazar la
lnea de produccin con el almacn de productos terminados.
b) Mejorar el "sistema de informacin" entre el almacn de componentes y el
departamento de la propia planta que fabricaba los componentes"in house".
El primer proyecto result relativamente sencillo. Como primer paso se decidi tener un
inventario de productos terminados equivalente a 3 das de demanda para cada versin.
ste se dividi entre el tamao del contenedor, que estaba fijado por el cliente en 40
unidades, y se obtuvo el nmero de contenedores. A cada contenedor se asign un kanban
muy similar al de componentes que contena el nombre y cdigo del producto, el nombre
del cliente, el tipo de contenedor, el nmero de tarjeta, etc. (vase muestra a
continuacin).
KANBAN
12345678
No. de Parte
AAAA AAAAAAA (TOYOTA)
Descripcin
40
Cantidad
Tipo de contenedor
Y 200
AAAAAAA BB CCCCCCC
Lnea
Karla Lpez
Persona responsable del producto
115
No. de tarjeta
CODIGO DE BARRAS
Una vez que los contenedores correspondientes a los 3 das de inventario de cada versin
estaban listos con su kanban adentro, empez el funcionamiento del sistema. Diariamente
(normalmente en la noche) el cliente llegaba al almacn de productos terminados y
encontraba un "buffet" de versiones. Llevaba una cierta cantidad de contenedores de cada
versin y pona los kanbans correspondientes en un buzn. Al da siguiente en la maana
alguien de Control de Produccin recoga los kanbans y los entregaba al supervisor de la
lnea. ste se dispona a producir lo correspondiente a los kanbans, colocaba stos en los
contenedores y devolva los contenedores llenos al almacn de productos terminados.
Esta sencilla operacin elimin totalmente la necesidad de programar la produccin de la
lnea.
El segundo proyecto result un poco ms laborioso y se describe a continuacin. En
primer lugar se registraron los tiempos de preparacin de las mquinas que variaron de 2
a 6 horas, aproximadamente. Despus se hizo la consideracin que el proceso productivo
consista bsicamente de 2 partes: (a) fabricacin propiamente dicha y (b) rebabeo. Y se
decidi que, independientemente del tamao del lote, la cantidad producida en un da (=9
horas) sera pasada a rebabeo y que la cantidad rebabeada en un da pasara al almacn de
componentes. Esto implicaba que despus de 2 das (=18 horas) las primeras piezas
llegaran al almacn (jno necesariamente el lote completo!). Por otro lado, se consider
que almacn emitira un reporte cada 12 horas, por lo que en el caso ms pesimista habra
358
Captulo M: Justo-a-Tiempo
que aadir estas 12 horas al tiempo de respuesta. Para el caso de la mquina que se
preparaba en 6 horas, el tiempo de respuesta qued as: 1 da de produccin (9 horas) + 1
da de rebabeo (9 horas) + 12 horas + 6 horas = 36 horas. Por ltimo, se acord que para
todos los componente se adoptara un tiempo de respuesta de 36 horas, que era el ms
pesimista. El tiempo de respuesta se utiliz para la determinacin del punto de reorden de
cada componente en el almacn.
A continuacin se tom la decisin de tener 1 semana de inventario de seguridad y
de utilizar la frmula del modelo clsico de inventarios para determinar el lote
econmico, la cual requera el conocimiento de la tasa de demanda del componente, la
tasa de produccin, el costo de preparacin de mquina y el costo de mantener. Todo esto
fue calculado y los lotes econmicos obtenidos. Concluyendo: para cada componente se
determin su inventario de seguridad, su punto de reorden (cantidad consumida durante el
tiempo de respuesta + inventario de seguridad) y su lote econmico. La propuesta fue
entonces que cada 12 horas el almacn pasara a produccin una lista de todos los
componentes cuyos inventarios estaban en o por debajo del punto de reorden y que
produccin los empezara a entregar 24 horas despus (36 horas - 12 horas). Obsrvese
que, a pesar de que se utilizaron tcnicas convencionales de control de inventario, stas
evitaban que Produccin "empujara" la produccin hacia el almacn, sino que conducan
a que el almacn "jalara" lo que necesitaba. La propuesta segua la filosofa del sistema
kanban.
9.12.9 Kanban de producto terminado y reportes del almacn (semanas #13 y #14)
Segn el plan original, en estas semanas se haran los ajustes finales y se liberaran las 3
lneas ya con el sistema kanban implantado. Como los planes cambiaron, en estas 2
semanas se dio seguimiento al sistema kanban entre la lnea pequea y el almacn de
producto terminado y al "sistema de informacin" del almacn que jalaba componentes
del Depto. de Produccin.
En primer lugar se observ un interesante caso de resistencia al cambio: a pesar de
que era totalmente innecesario, Control de Produccin segua programando la lnea con
base en los kanbans que se liberaban en el almacn de producto terminado. El Gerente de
Control de Produccin tuvo que dar rdenes explcitas prohibiendo la programacin de la
produccin y que el supervisor de la lnea se guiara exclusivamente por los kanbans de
producto terminado que le fueran entregados.
En cuanto al sistema de informacin, el paquete computacional existente no
permita la elaboracin automtica del reporte cada 12 horas. Quedaron las personas del
Depto. de Sistemas de resolver este problema.
9.12.10 Elaboracin del reporte final (semana #15)
En la semana #15 se elabor y se entreg a la empresa un reporte fmal con todos los
clculos que haban sido realizados por los estudiantes y nuestras conclusiones y
recomendaciones. Quedara a cargo de la empresa la generalizacin del sistema kanban a
todas las dems 59 lneas, utilizando el procedimiento documentado en el reporte final y
con la opcin de volver a utilizar el apoyo de estudiantes del ITESM.
Captulo M: Justo-a-Tiempo
PROBLEMAS TIPO
9.1 Para una materia prima dada D=15,000 unid./ao y Cm$lO/unid.ao. Determinar el
tamao ptimo de pedido para los siguientes valores de "C,": $100, $50, $25, $12,
$5, $2y $1.
Resp.: QOE548,387,274,190, 122,77 y 55 unid., respectivamente.
9.2 Una etapa del proceso productivo consume 300 unidadeslhora de un determinado
artculo y el tiempo de respuesta del proceso anterior es de 3 horas. Considerando
que un da es igual a 8 horas, determinar:
a) El tamao recomendado de contenedor.
b) El nmero recomendado de kanbans.
Resp.:a) X=240 unid.
b) N=5 si se procesa el kanban cuando se empieza a utilizar el contenedor; N=6 si se procesa el kanban cuando el
contenedor se vaca totalmente.
APLICACIONES DE
PROGRAMACION LINEAL
i o. i INTRODUCCI~N
10.2 ADMINISTRACIN DE
PROYECTOS
10.2.1 Determinacin de la ruta ms
largalcorta de una red
* Aplicacin 10.1
10.2.2 Compresin de proyectos
* Aplicacin 10.2
362
La programacin lineal (PL) es, sin duda, el modelo de investigacin de operaciones que
ms ha sido aplicado a la administracin de operaciones. En este captulo nos
ocuparemos de dar ejemplos sencillos de aplicacin de la PL a la administracin de
operaciones, con vistas a convencer al lector de que en muchos casos una solucin
"buena" no es suticiente, hay que optimizar!
Las aplicaciones estn clasificadas de acuerdo a las siguientes tres reas:
a) Administracin de proyectos.
b) Planeacin de capacidad.
c) Programacin de la produccin.
10.2 ADMINISTRACINDE PROYECTOS
10.2.1 Determinacin de la ruta ms largalcorta de una red
La ruta ms larga de una red de actividades indica la ruta critica de un proyecto, es decir,
el tiempo mnimo para la terminacin del mismo. A pesar de que existen muchos
paquetes especficos para la determinacin de la ruta crtica, sta tambin puede ser
determinada por medio de la PL.
Aplicacin 10.1:
Un proyecto requiere las actividades del cuadro a continuacin. Determinar la ruta crtica
del proyecto.
ACTIVIDAD PRECEDENCIA DURACION
--3
A
--4
B
C
A
3
B
2
D
E
C
2
F
1
E, D
Solucin:
Lo primero que tenemos que hacer es construir la red de actividades, la cual se presenta
en la Figura 10.1. A cada arco (flecha) se asocia . la duracin de la actividad
correspondiente. Se define entonces una variable "X," que toma el valor 1 (uno) si se
selecciona el arco (flecha) que va de "i" a '3" y O (cero) si no se selecciona ste. La PL
debe entonces seleccionar los arcos de tal manera que se forme una ruta y que sta sea
mxima.
La funcin objetivo ser entonces:
MAX 3X12+4X13+3X24+2X35+2X45+1X56
* La primera restriccin obliga a que la ruta o pase por 12 (A) o pase por 13 (B).
* La ltima restriccin obliga a que la ruta pase por 56 (F).
* Las cuatro restricciones intermedias impiden que no se forme una ruta. Por ejemplo,
sera imposible que la PL seleccionara 12,35 y 56.
La corrida de LINDO de este problema se encuentra en la Figura 10.2. En ella vemos que
X12=X24=%5=X56=1,lo que indica que la ruta crtica es A-C-E-F con una duracin total
de 9 unidades de tiempo. (Informacin sobre cmo correr LINDO en [36].)
En algunos problemas (por ejemplo, reemplazo de equipo) los arcos representan
decisiones y tienen costos asociados a ellos. Lo que se requiere entonces es la cadena
ptima de decisiones que minimiza el costo total, es decir, la ruta ms corta. Para la
obtencin de la ruta ms corta el nico cambio necesario sera la sustitucin en la funcin
objetivo del MAX por el MIN. La PL encontrara la ruta ms corta.
10.2.2 Compresin de proyectos
364
VALUE
REDUCED COST
X12
X13
X2 4
X35
X4 5
X5 6
X3 4
1.000000
.000000
1.000000
2.000000
ROW
.oooooo
.oooooo
.oooooo
.oooooo
.oooooo
.oooooo
.oooooo
1.000000
1.000000
.oooooo
SLACK OR SURPLUS
2)
3
4
5)
6)
7)
DUAL PRICES
.000000
6.000000
- 3.000000
.oooooo
.oooooo
.oooooo
.oooooo
.oooooo
.oooooo
2.000000
3.000000
.000000
Aplicacin 10.2:
A
B
C
D
E
F
TOTAL
--m
--m
A
B
C
E7 D
---
DURACION
NORMAL
COSTO
NORMAL
DURACION
URGENCIA
COSTO
URGENCIA
3
4
3
2
2
1
$20
$40
$35
$25
$20
$5
$145
2
2
1
1
1
1
$50
$80
$65
$50
$30
$5
---
---
El cuadro muestra el costo normal de cada actividad, su tiempo mnimo y el nuevo costo
despus de haber sido comprimida. Por ejemplo, el costo de realizacin de "A" en 3
unidades de tiempo es $20; si se comprime a 2 unidades de tiempo su costo sube a $50.
Comprimir el proyecto para que pueda terminarse en 6 unidades de tiempo
minimizando el costo total de la compresin.
Solucin:
ACTIVIDAD REDUCCION
MXIMA
1
A
2
B
C
2
D
1
E
1
F
o
COSTO POR DA
DE REDUCCIN
$30
$20
$15
$25
$10
---
3 oYA+20YB+15Yc+25YD+1OYE
Por otro lado, cada nodo conduce a una o ms restricciones, por lo que es muy
importante escribirlas nodo por nodo. Si consideramos que el proyecto empieza en el
tiempo T=O, tenemos:
Nodo 1:
xi=o
donde "Xlmes la fecha de ocurrencia del nodo 1.
Nodo 2:
366
El nodo 6 tambin requiere dos restricciones, la segunda de las cuales garantiza que el
proyecto termina en 6 unidades de tiempo:
Nodo 6:
Adems, tenemos que agregar las restricciones que impiden que las reducciones rebasen
sus valores mximos, es decir: YA 5 1; YB5 2; Yc L 2; YDI 1; YE 5 1; YFI O
Por lo tanto, el planteamiento completo queda as:
3oYA+20YB+1
5Yc+25YD+1OYE
S.T.
X1=0
x 2 + YA>3
x 3 + YB2 4
-X2+&+Yc23
-&+ x 5 + YE22
-x3+ x 5 + YD22
-x5+ x 6 + YF2 1
x6<6
YA<1
YB52
Yc<2
YD<1
Y E I1
Y F lO
Xi, Yj 2 O
La solucin de LINDO a este problema se encuentra en la Figura 10.3 e indica que
tenemos que reducir "B" en 1, "C" en 2 y "E" en 1, lo que provocara un costo total de
reduccin de $60. Como el costo normal del proyecto es $145, el costo de urgencia del
proyecto sera $145+$60=$205 y la duracin correspondiente sera de 6 unidades de
tiempo. Si quisiramos saber hasta donde este proyecto podra comprimirse,
eliminaramos la restriccin X656 y cambiaramos la funcin objetivo a MIN &.
Sugerimos que el lector realice la corrida.
Aplicacin 10.3:
367
1)
VARIABLE
YA
YB
YC
YD
YE
X1
X2
X3
X4
X5
X6
YF
ROW
60.00000
VALUE
.000000
1.000000
2.000000
REDUCED COST
.oooooo
.oooooo
.oooooo
.oooooo
.oooooo
5.000000
.oooooo
.oooooo
.000000
1.000000
3.000000
3.000000
4.000000
5.000000
6.000000
.oooooo
.oooooo
.000000
.000000
.oooooo
.oooooo
SLACK OR SURPLUS
DUAL PRICES
21
.oooooo
.oooooo
3
4)
5)
.000000
-30.000000
-20.000000
-30.000000
-30.000000
-20.000000
-50.000000
50.000000
1.000000
1.000000
.000000
1.000000
.oooooo
.oooooo
.oooooo
.oooooo
.oooooo
.oooooo
.oooooo
6)
7)
8)
9)
10)
11)
121
131
141
15)
.000000
15.000000
.000000
20.000000
50.000000
.oooooo
.oooooo
Solucin:
Utilicemos el siguiente cuadro para la definicin de variables, las cuales se explican por
si solas:
DICTEMBRE
DEMANDA
1.1.
I.F.
NORMAL
T.E.
MAQUILA
-
----m
IFO
--m
--m
---
ENERO
FEBRERO
MARZO
400
11i
IFl
NO1
TE1
MAi
IMl
600
112
IF2
NO2
TE2
550
113
IF3
NO3
TE3
m
2
m
3
IM2
IM3
ABRIL
1,000
114
IF4
N04
TE4
Mfu
1m
368
Estamos considerando "IF," e "IF4" como variables slo por comodidad, ya que tienen
valores conocidos de O y 50, respectivamente. Una vez definidas las variables podemos
escribir la funcin objetivo y las restricciones. Empecemos con las restricciones,
clasificndolas en los siguientes grupos:
Produccin normal:
ya que el inventario inicial de cualquier mes "i" es el final del mes anterior ms la
maquila del propio mes "i".
Satisfaccin de la demanda:
IMi = 0.5111+ 0.51F1; IM2= 0.5112 + 0.51F2; IM3= 0.5113 + 0.51F3; I&= 0.5114 + 0.51F4.
ya que el inventario medio es la semi-suma de los inventarios inicial y final.
Tiempo extra total:
MA=MA1+MA2+MA3+m.
Suma de inventarios medios:
369
Despus de reacomodar las restricciones para que el lado derecho sea numrico, el
planteamiento completo queda as:
DICIEMBRE
DEMANDA
1.1.
I.F.
NORMAL
T.E.
MAQUILA
----m
----m
FEBRERO
MARZO
ABRIL.
400
O
100
500
600
1 O0
100
500
100
550
100
150
500
100
1,000
150450
50
500
100
300
250
---
--m
--m
--m
50
ENERO
--m
1O0
---
125
370
1)
VARIABLE
TE
MA
IM
N01
N02
N03
N04
TE1
TE2
TE3
TE4
111
1 FO
m1
112
IF1
MA2
113
1 F2
m 3
114
1 F3
MA4
1 F4
IM1
IM2
IM3
IM4
VALUE
300.000000
300.000000
525.000000
500.000000
500.000000
500.000000
500.000000
.oooooo
100.000000
100.000000
100.000000
.000000
.oooooo
.oooooo
100.000000
100.000000
.oooooo
100.000000
100.000000
.oooooo
450.000000
150.000000
300.000000
50.000000
50.000000
100.000000
125.000000
250.000000
REDUCED COST
.000000
.oooooo
.oooooo
.000000
.oooooo
.oooooo
.oooooo
7.500000
.oooooo
.oooooo
.oooooo
45.000000
.oooooo
.oooooo
.oooooo
.000000
30.000000
.oooooo
.000000
15.000000
.oooooo
.oooooo
.000000
.oooooo
.000000
.000000
.000000
.oooooo
371
predecir su demanda para 4 5 meses a futuro con un alto grado de certidumbre. Esta
demanda se tiene que satisfacer cada mes, es decir, no puede haber demanda insatisfecha.
Por otro lado, an cuando el inventario al inicio de un determinado mes sea suficiente
para cubrir la demanda correspondiente, COELBA puede decidir fabricar para aumentar,
mantener o disminuir dicho inventario. No est permitido el tiempo extra ni la maquila.
Las demandas proyectadas para los primeros 4 meses del prximo ao son las
siguientes:
Enero
Febrero
Abril
Los costos de produccin dependen del tamao del lote que se fabrica en cada mes y se
muestran en el cuadro a continuacin:
LOTE
1
2
3
4
COSTO
$0
$7
$9
$10
$11
Existe un costo de mantener de $1.00 por cada transformador que queda en inventario al
final de un determinado mes. La capacidad mxima de produccin de los
transformadores durante cualquier mes es de 4 transformadores, debido a la demanda de
otros productos de la compaa, y la capacidad mxima del rea de almacenamiento es de
3 transformadores. El inventario al final de Diciembre de este ao ser de 2
transformadores y COELBA ha decidido que el inventario al final de Abril debe ser igual
a cero.
Determinar el programa mensual de produccin que minimiza el costo total (de
produccin + de inventarios).
Solucin:
Inicialmente, obsrvense las diferencias respecto a la aplicacin anterior, lo que
obviamente afectar el planteamiento del problema:
372
Y,
...
ya que en Enero se fabrica O, se fabrica 1, se fabrican 2, etc.. Para los dems meses
tenemos lo mismo:
Inventarios finales:
Io=2; Il 5 3; I2 5 3; I3 5 3; 14=O.
Si no hubiramos definido "10'' e "14" como variables, eliminaramos las restricciones
Io=2e 14=0y sustituiramos sus valores en las restricciones de satisfaccin de la demanda.
Por lo tanto, el planteamiento completo es el siguiente:
373
Obsrvese que la produccin en un determinado mes puede ser cero, por lo que la
presencia de las variables "Yio" en el planteamiento es indispensable. Como el problema
es de rninimizacin, podramos omitir la ltima restriccin, es decir, I4= 0.
El planteamiento introducido en LINDO y parte de la solucin ptima obtenida, se
encuentran en la Figura 10.5, la cual indica que el programa de produccin ptimo es:
MES
PRODUCCION OPTIMA
INVENTARIO FINAL
ENERO
3
2
FEBRERO
4
2
MARZO
O
O
ABRIL
3
O
con un costo total mnimo de $35. Obsrvese el comando "INTE 16" de LINDO al final
del planteamiento, el cual garantiza que las 16 variables "Yij" sean binarias, es decir, que
slo tomen los valores O (cero) 1 (uno).
Aplicacin 10.5:
* Existe un costo "Cp" de produccin por unidad que no incluye mano de obra.
* Se pueden programar "ET" horas extras en el perodo "T", pero no hay maquila.
* La hora-hombre extra cuesta "CE'.
* Se puede contratar ms mano de obra (OT)a un costo de contratacin "Co" por hora.
* Se puede hacer una reduccin "RT7'de mano de obra a un costo "CR" por hora.
374
* Se tienen que satisfacer todas las demandas "DT", pero una parte "FT9'(faltante) del
perodo "Y puede ser satisfecha en algn periodo futuro a un costo "CF" por unidad
por perodo.
* Cada unidad producida consume " K horas-hombre.
MIN
+
+
VARIABLE
YE1
YE2
YE3
YE4
YF1
YF2
YF3
YF4
YM1
YM2
YM3
YM4
YA1
YA2
YA3
YA4
11
12
13
14
1o
YEO
YFO
YMO
YA0
35.00000
VALUE
.O00000
.O00000
1.000000
.O00000
.O00000
.O00000
.O00000
1.000000
.O00000
.O00000
.O00000
.O00000
.O00000
.O00000
1.000000
.O00000
2.000000
2.000000
.O00000
.O00000
2.000000
.O00000
.O00000
1.000000
.O00000
REDUCED COST
7.000000
9.000000
10.000000
11.000000
6.000000
7.000000
7.000000
7.000000
5.000000
5.000000
4.000000
3.000000
7.000000
9.000000
10.000000
11.000000
.oooooo
.oooooo
3.000000
1.000000
.oooooo
.O00000
.O00000
.O00000
.O00000
10YA3
Solucin:
(T = 1, ..., N)
Horas-hombre disponibles:
(T= 1,
..., N)
Por otro lado, para el horizonte de planeacin anterior tendran que definirse "10''
(inventario al final del ltimo perodo), 'F; (demanda insatisfecha del ltimo perodo) y
"H; (horas disponibles del ltimo perodo).
Despus de reacomodar las restricciones, el planteamiento completo quedara as:
ITml+PT-IT-DT-FT-l+FT=O
HT-HT-l-O~+R~=O
ET-K.PT+HT-ST=O
Io= dato del horizonte anterior
Fo= dato del horizonte anterior
Ho= dato del horizonte anterior.
PT, HT,ET, IT,FT, OT,RT2 0.
(T= 1, ...,N)
(T= 1, ..., N)
(T= 1, ..., N)
Sugerimos que el lector asigne valores a las demandas (por ejemplo, para 5 perodos de
tiempo), a los costos, a "K" y a los datos del perodo anterior, y complete el
planteamiento. Obsrvese que pueden agregarse, adems, restricciones de inventario final
mximo y10 tiempo extra mximo, etc..
376
Aplicacin 10.6:
Arcos, S.A. utiliza una nica mquina y tiene que procesar 3 pedidos. Los tiempos de
procesamiento, tiempos de entrega y multas por retraso se muestran a continuacin:
TRABAJO
1
2
3
TIEMPO DE
PROCESAMIENTO
(Pi, das)
7
20
25
TIEMPO
DE ENTREGA
(Ei, das)
33
45
28
MULTA POR
RETRASO
($/da)
25
45
15
Xj 2 Xi + Pi
Xi-Xj2Pj
Xj-Xi2Pi
Una de las dos restricciones es vlida, pero no las dos simultneamente. Para que las dos
restricciones puedan estar presentes en el planteamiento, definimos:
Y,
Y,
= 1,
+ (Xj - Xi) 2 Pi
Dependiendo del valor de "Yij", slo una de estas restricciones estar activa en un
momento dado. Veamos:
Si Y,
=1
M + X i - X j 2 P j Y Xj-Xi2Pi
La segunda est activa y la primera es totalmente redundante ya que "M" es muy grande.
Si Y,
=O
donde "A? es adelanto y "R? es retraso. Por comodidad utilizaremos el ltimo arreglo.
Por lo tanto, el planteamiento completo queda as:
378
INTE
45R2
60Y12 +
60Y12 +
60Y13 +
60Y13 +
60Y23 +
60Y23 +
X1 + A l
X2+A2
X3+A3
15R3
X l - X2
X1 - X2
X1 - X3
X l - X3
X2 - X3
X2 - X3
- R1 =
-R2=
-R3=
>=
<=
>=
<=
>=
20
45
15
45
15
30
<=
26
25
3
Y12
Y13
Y23
INTE
INTE
VALUE
1.000000
.000000
.000000
VARIABLE
Y12
Y13
Y2 3
R1
R2
R3
X1
X2
X3
Al
A2
A3
ROW
2)
3)
4)
5)
6)
7)
.oooooo
7.000000
.oooooo
25.000000
32.000000
.oooooo
.oooooo
.oooooo
45.000000
45.000000
.oooooo
.oooooo
28.000000
7.000000
8.000000
.O00000
91
10)
.oooooo
25.000000
.000000
15.000000
1.000000
.000000
3.000000
SLACK OR SURPLUS
33.000000
8)
REDUCED COST
2700.000000
- 2700.000000
.oooooo
.oooooo
.oooooo
.oooooo
DUAL PRICES
.oooooo
45.000000
- 45.000000
.000000
.oooooo
.oooooo
.oooooo
45.000000
.oooooo
Obsrvese que si queremos minimizar el total de das de retraso, la funcin objetivo sera
simplemente:
MIN R1+R2+R3
y si queremos minimizar el tiempo de fabricacin medio (que es lo mismo que minimizar
CFi), la funcin objetivo sera (el resultado tendra que coincidir con el de la secuencia
TPC, vase el Captulo V):
MIN x i + x 2 + x g
379
El planteamiento presentado aqu puede generalizarse para "i" productos que requieren
'3" operaciones en "k" mquinas. Obviamente, la definicin de variables se complica. Por
ejemplo:
Pik= tiempo de procesamiento del producto "i" en la mquina "k".
Rijk= 1 si la operacin '3" del producto "i" se realiza en la mquina "k",
= O en caso contrario.
1
12
11
7
6
ACTIVIDADES
2
3
18
10
21
6
4
17
16
3
4
20
27
19
18
Solucin:
El planteamiento gr
Gmez
Vzquez
Prez
Velzquez
380
X,
=1
En otras palabras, de cada "persona" sale un flujo tamao 1 (uno) que puede seguir
cualquiera de los cuatro caminos posibles, pero slo uno de ellos.
Con estas variables, la siguiente funcin objetivo minimiza la suma de los tiempos
de las actividades despus de que cada una de ellas fue asignada a una persona:
Como cada persona tiene que ser asignada a una sola actividad, la suma de los valores de
todos los flujos (variables) que salen del nodo de cada persona debe ser igual a uno, es
decir:
Por otro lado, como cada "actividad" puede asignarse una sola vez, la suma de los flujos
que llegan al nodo de cada actividad tambin debe ser igual a uno:
12Xl1+18Xl2+10X13+20X14+11X21+21X22+6X23+27X24+7X31+17X32
+4X33+19x34+
6&1+ 16&2+ 3&3+ 18x44
S.T.
Xll + X12+ x13 + x14 I 1
X21+ X22 + X23 + X24 5 1
x31+x32+x33
+x34S 1
&1+&2+&3+&451
xll + x 2 1 + x 3 1 + & 1 =
x12+x22+x32+;Y42=
x13+x23+x33+&3=
X14+x24+x34+&=
X, 2 o
1
1
1
1
381
La solucin ptima obtenida en LINDO se muestra en la Figura 10.7, la cual indica que
X12=l,X23=1,X31=1 y &=l. Esto quiere decir que Gmez debe realizar la actividad 2,
Vzquez la 3, Prez la 1 y Velzquez la 4. El tiempo total mnimo que corresponde a esta
asignacin es de 49 das. Este problema se llama equilibrado, ya que se asigna una sola
persona a cada una de las actividades. A continuacin analizaremos casos especiales.
VALUE
.000000
1.000000
.000000
.000000
.oooooo
.000000
1.000000
.oooooo
1.000000
.000000
.000000
.oooooo
.oooooo
.oooooo
.oooooo
1.000000
SLACK OR SURPLUS
91
.oooooo
.oooooo
.oooooo
.000000
.000000
.oooooo
.000000
.oooooo
REDUCED COST
4.000000
.000000
5.000000
.oooooo
2.000000
2.000000
.oooooo
6.000000
.000000
.oooooo
.oooooo
.000000
.oooooo
.oooooo
.oooooo
.000000
DUAL PRICES
1.000000
.000000
2.000000
3.000000
-9.000000
-19.000000
-6.000000
-21.000000
Cuando esto oc-me el problema es desequilibrado y una de las personas quedar sin
actividad. Si eliminamos una de las actividades del problema original el planteamiento
grfico queda como se muestra en la figura de la siguiente pgina.
El planteamiento matemtico correspondiente es el siguiente:
MIN
12X11+18X12+10X13+11X21+21X22+6X23+7X31+17X32+4X33
+6&i+ 16&2+3&3
S.T.
Xll + X12 + xl3 I 1
X21+ x22 + x23 I 1
Grnez
Vzquez
Como puede verse, las ltimas tres restricciones garantizan que todas las actividades se
van a realizar y las cuatro primeras garantizan que cada persona slo hace una actividad.
La solucin de LINDO de este caso especial se muestra en la Figura 10.8.
VARIABLE
VALUE
REDUCED COST
X11
X12
X13
X21
X2 2
X2 3
X31
X32
X33
X41
X4 2
X4 3
.000000
1.000000
.000000
.000000
.oooooo
3.000000
.000000
4.000000
2.000000
3.000000
.000000
1.000000
.000000
1.000000
ROW
21
31
41
51
61
71
81
.oooooo
.oooooo
.oooooo
1.000000
SLACK OR SURPLUS
.oooooo
1.000000
.000000
.000000
.oooooo
.oooooo
.oooooo
.oooooo
.oooooo
.oooooo
.oooooo
1.000000
.oooooo
DUAL P R I C E S
.oooooo
.oooooo
2.000000
3.000000
- 9.000000
- 18.000000
- 6.000000
En este caso tenemos dos soluciones posibles: (a) una o ms actividades quedan sin
realizarse; (b) algunas de las personas realizan ms de una actividad. Supongamos el caso
del planteamiento grfico a continuacin.
Gmez
Vzquez
Prez
Si queremos que una de las actividades quede sin realizarse, el planteamiento matemtico
sera el siguiente:
Planteamiento para la
alternativa (a)
La solucin de LINDO se muestra en la Figura 10.9, la cual indica que Xi2=l, X23=1 y
X31=l. Esto significa que Gmez hace la actividad 2, Vzquez la 3 y Prez la 1. La
actividad 4 queda sin realizarse y el tiempo total mnimo es de 31 das.
Es importante recordar que no podemos poner el signo de igual en las cuatro
ltimas restricciones porque el planteamiento se volvera inconsistente, es decir, sera
imposible asignar cuatro actividades a tres personas. La misma observacin es vlida para
el caso especial #1, es decir, sera imposible asignar cuatro personas a tres actividades.
Si aceptamos que una de las personas realice 2 actividades (supongamos que sea
Prez porque es ms rpido que los dems) el planteamiento matemtico cambiara al
siguiente:
MIN 12X11+18X12+1OX13+20X14+11X21+21X22+6X23+27X24+7X31+17x32
Planteamiento para la
alternativa (b)
FIGURA 10.9 Solucin de LINDO del caso especial #2 de asignacin con una
actividad sin realizarse
OBJECTIVE FUNCTION VALUE
VARIABLE
X11
X12
X13
X14
X21
X22
X23
X24
X31
X32
x33
X34
ROW
VALUE
.oooooo
1.000000
.000000
.oooooo
.oooooo
.oooooo
REDUCED COST
.oooooo
.000000
1.000000
2.000000
2.000000
6.000000
.oooooo
1.000000
.oooooo
1.000000
12.000000
.oooooo
.oooooo
.oooooo
4.000000
.000000
6.000000
SLACK OR SURPLUS
2)
3)
4
51
61
7
.000000
.000000
.000000
8)
1.000000
.oooooo
.000000
.oooooo
.oooooo
DUAL P R I C E S
-18.000000
-15.000000
-13.000000
6.000000
.oooooo
9.000000
.000000
385
a nadie! Tampoco podemos poner igual en todas las restricciones porque el problema
sera inconsistente (imposible de resolver, LINDO enviara el mensaje "infeasible
solution").
Por otro lado, cuando todas las actividades tienen que realizarse porque alguien va
a realizar ms de una de ellas, los signos de las restricciones de actividades vuelven a ser
de iguaC; al mismo tiempo, el signo de menor o igual se usa en las restricciones de
personas (vase el planteamiento de la alternativa (b) arriba). Es interesante observar que
cuando hay ms actividades que personas y aceptamos que stas realicen ms de una
actividad para que todas las actividades sean realizadas, estamos "equilibrando" el
problema.
En los problemas equilibrados (o equilibrados por nosotros.. .) podemos utilizar el
signo de igual en todas las restricciones. Sin embargo, no es recomendable hacerlo,
principalmente en los problemas grandes, porque esto incrementara el tiempo requerido
por la computadora para encontrar la solucin ptima.
Por las caractersticas de los problemas de asignacin, la solucin ser siempre
entera, por lo que el uso de la programacin entera no es necesario.
FIGURA 10.10 Corrida de LINDO para el caso especial #2 de asignacin con una
persona realizando ms de una actividad
OBJECTIVE FUNCTION VALUE
VARIABLE
X11
X12
X13
X14
X21
X22
X23
X24
X31
X32
x33
X34
ROW
2)
3)
41
51
61
71
8)
VALUE
.oooooo
1.000000
.oooooo
.oooooo
.000000
.oooooo
1.000000
.oooooo
1.000000
.000000
.oooooo
1.000000
SLACK OR SURPLUS
.oooooo
.oooooo
.000000
.oooooo
.O00000
.oooooo
.O00000
REDUCED COST
4.000000
.oooooo
5.000000
.oooooo
2.000000
2.000000
.oooooo
6.000000
.000000
.000000
.oooooo
.000000
DUAL PRICES
1.000000
.000000
2.000000
-9.000000
-19.000000
-6.000000
-21.000000
3 86
PROBLEMS TIPO
10.1 Consideremos el siguiente proyecto:
ACTIVIDAD
A
B
C
D
E
PRECEDENCIA DURACION
--3
--1
5
A
4
A, E3
5
D
387
Resp.: a) T i e m p ~ 1 5costo=$1,040.
;
b) Numerando los nodos de izquierda a derecha y de arriba hacia abajo, asignando una "X;' a cada nodo (i=l, ..., 9)y
una "Y," a la reduccin de cada actividad "j" (i=A, ..., K), tenemos (impresin de LINDO):
MIN
40YB+50YD+100YE+170YF+150YH+10YJ+40YK
SUBJECT TO
2)
X1=
o
3)
YA+X2>=
2
4)
YB+X3>=
2
5)
YC+X4>=
1
4
6) - X2 + YH + X5 >=
7) - X3 + YF + X6 >=
5
8) - X3 + YE + X 7 >=
8
9) - X4 + YD + X 7 >=
3
1
10) - X5 + Y1 + X8 >=
11) - X6 + X8 + YG >=
4
12) - X 8 + Y K + X 9 >=
3
13) - X7 + YJ + X9 >=
5
14)
X9 <=
11
O
15)
YA<=
16)
YB<=
1
O
17)
YC <=
18)
YD <=
1
19)
YE <=
2
20)
YF <=
2
21)
YG<=
O
22)
YH<=
2
Y1 <=
O
23)
24)
YJ <=
1
1
25)
YK <=
c) J, B, K y F se comprimen una unidad; E se comprime 2 unidades; costo=$1,500.
d) Imposible.
10.3 La empresa GAMA ha elaborado los siguientes pronsticos para los primeros 4
meses del prximo ao (miles de unidades):
MESES
DEMANDA
ENERO
300
FEBRERO
400
MARZO
450
ABRIL
500
REDUCED COST
.oooooo
.oooooo
.oooooo
.oooooo
.oooooo
.oooooo
.oooooo
Febrero
Marzo
Los costos de produccin dependen del tamao del lote que se fabrica en cada mes
y se muestran en el cuadro a continuacin (por razones tecnolgicas la empresa
nunca fabrica un nmero impar de calentadores):
389
Resp.: a) Definiendo las variables binarias YE2=autorizacin para la produccin de 2 calentadores en Enero, etc. y las
variables Ii=inventario al final del mes "i", la formulacin queda as (impresin de LINDO):
10YE2 + 15YE4 + 25YE6 + 30YE8 + 10YF2 +
15YM4 + 25YM6 + 30YM8 + 10YA2 + 15YA4
213 + 214
SUBJECT TO
2)
2YE2 + 4YE4 + 6YE6 + 8YE8 - 11 +
3)
2YF2 + 4YF4 + 6YF6 + 8YF8 + 11 4)
2YM2 + 4YM4 + 6YM6 + 8YM8 + 1 2 2YA2 + 4YA4 + 6YA6 + 8YA8 + 1 3
5)
6)
YE2 + YE4 + YE6 + YE8 + YEO =
7)
YF2 + YF4 + YF6 + YF8 + YFO =
8)
YM2 + YM4 + YM6 + YM8 + YMO =
9)
YA2 + YA4 + YA6 + YA8 + YA0 =
10)
1 0 =
3
11)
11 <=
4
12)
1 2 <=
4
13)
13 <=
4
1 4 >=
4
14)
15)
I4<=
5
END
INTE
16
MIN
10 >=
1 2 >=
1 3 >=
1 4 >=
+
+
10YM2
212 +
8
10
4
7
1
1
1
1
137.0000
VARIABLE
YE2
YE4
YE6
YE8
YF2
YF4
YF6
YF8
YM2
YM4
YM6
YM8
YA2
YA4
YA6
YA8
11
12
13
14
1O
YEO
YFO
YMO
YA0
VALUE
.oooooo
.oooooo
.000000
1.000000
.oooooo
.000000
.000000
1.000000
.oooooo
.000000
1.000000
.oooooo
.oooooo
.oooooo
.oooooo
1.000000
3.000000
1.000000
3.000000
4.000000
3.000000
.oooooo
.oooooo
.oooooo
.oooooo
REDUCED COST
1 0 .oooooo
15.000000
25.000000
30.000000
6.000000
7.000000
1 3 .O00000
14.000000
2 .oooooo
- 1.000000
1.000000
- 2.000000
6.000000
- 1.000000
- 3.000000
- 10.000000
.oooooo
.oooooo
.oooooo
.oooooo
.000000
.000000
.oooooo
.000000
8.000000
10.5 Como parte de una competencia de natacin, se llevar a cabo un relevo mixto
combinado en el cual dos hombres y dos mujeres deben nadar los cuatro estilos. Sus
tiempos histricos son los siguientes (segundos):
ALEJANDRO
NO
ANGIE
NORA
CRAWL
33
31
37
35
PECHO
40
41
43
42
DORSO
38
37
42
44
MARIPOSA
39
39
40
45
391
10.6 Los siguientes productos deben ser procesados en la nica mquina de una
determinada planta (tiempos en das). Formular y correr un modelo de
programacin lineal entera que encuentre la secuencia que minimiza el total de das
de retraso, es decir, CRi, presentando:
a) Formulacin matemtica con M=100 despus de reacomodar las restricciones.
b) Solucin ptima (valores ptimos de las variables).
c) Secuencia ptima y CRi correspondiente.
TIEMPO DE
TIEMPO DE
PRODUCTO PROCESAMIENTO ENTREGA
15
a
3O
11
14
b
c
7
29
22
d
5
e
13
34
Resp.: a) Formuiacin despu6s de reacomodarlas restricciones(impresin de LINDO):
MIN
R 1 + R2 + R3 + R4 + R5
SUBJECT TO
2)
100Y12 + X 1 - X2
3)
100Y12 + X 1 - X2
4)
100Y13 + X l - X3
5)
100Y13 + X 1 - X3
6)
100Y14 + X 1 - X4
7)
100Y14 + X 1 - X4
8)
100Y15 + X 1 - X5
9)
100Y15 + X 1 - X5
10)
1 0 0 Y 2 3 + X2 - X3
11)
1 0 0 Y 2 3 + X2 - X3
12)
100Y24 + X2 - X4
13)
100Y24 + X2 - X4
14)
1 0 0 Y 2 5 + X2 - X5
15)
1 0 0 Y 2 5 + X2 - X5
16)
100Y34 + X 3 - X4
17)
100Y34 + X3 - X4
18)
100Y35 + X3 - X5
19)
100Y35 + X3 - X5
20)
1 0 0 Y 4 5 + X4 - X5
21)
lOOY45 + X4 - X 5
22)
X1 + A l - R1 =
23)
X 2 + A 2 - R 2 =
24)
X3 + A3 - R3 =
X 4 + A 4 - R 4 =
25)
26)
X 5 + A 5 - R 5 =
END
INTE
Y12
INTE
Y13
INTE
Y14
INTE
Y15
INTE
Y23
INTE
Y24
INTE
Y25
INTE
Y34
INTE
Y35
INTE
Y45
>=
<=
>=
<=
>=
<=
>=
<=
>=
<=
>=
<=
>=
<=
>=
<=
>=
<=
>=
<=
11
85
7
85
5
85
13
85
7
89
5
89
13
89
5
93
13
93
13
95
15
3
22
17
21
11.1 SET-UP
11.2 GROUP BACKGROUND
11.3 THE HIRING OF PROFESSIONAL
MANAGEMENT
11.4 CONSOLIDATION OF THE
MALHER GROUP
11.5 DISINTEGRATION OF THE
GROUP?
11.5.1 The situation of the group in 1990
11.5.2 Javier's proposal
Unfortunately, since the very start of the group some bad operational habits developed,
which would affect its efficiency during the next 40 years. The main goal was to produce
regardless of the costs involved and, therefbre, with respect to efficiency, the group was a
disaster. For instance, incentive plans were implemented without the use of time study and
the workers could earn in a couple of hours an amount of money equivalent to a fair day's
pay. And many of them actually left the plant after working only a couple of hours! Despite
the bad operational habits, however, the group was succeeding.
At the beginning of the 407s, the MALHER group introduced the gas stove into the
Mexican market, however, for the next few years they went on producing the oil stoves.
During that time, Ral, the leader of the group, had 2 sons, one of which was named Alberto
Maldonado, and 2 daughters.
In 1943, when Gerrnany declared war on Mexico, the MALHER group organized a
"worker battalion" and offered it to the Mexican Government. Despite the fact that this
battalion was never used, it worked extremely well at promoting the MALHER group.
Similarly, in the 50's the group sponsored one of the athletes in the Pan-American race! At
the same time, they were quite lucky with respect to the group's name: the word MALHER,
despite the fact that it stands for MALdonado HERmanos, sounds like German, and in
Mexico '30 be German" means "to be of good quality" (mainly in the 30's and 40's).
Since 1950, the group tried to diversi@ its businesses: a new company PLAMEX was
created, which, besides road signs, started manufacturing automobile plates and other
enarneled parts; at the same time, the stove plant located at Coyoacn road started producing
bath tubs which, in turn,were enameled at the PLAMEX plant. On the other hand, the group
started buying and distributing home appliances, through a network of independent sales
representatives. The latter resulted quite problematic, the lack of control led to an excessively
high amount of accounts receivable and, as a consequence, the group began having serious
financial problems. Besides, quite ofien the sales representatives disappeared with al1 the
money...
In the early 60's, the MALHER group introduced the concept of "customized integral
kitchen", which consisted of the stove itself and al1 complementary cabinetry, according to
the specifications of the customers (see Exhibits I(a) and I(b)). Both the stove and cabinets
were made of steel. In order to market the new product, the group had a kind of agreement
with a cabinet producer fm called GABIMEX: MALHER bought the cabinets fiom
GABIMEX, added the stove and marketed the whole product; similarly, GABIMEX bought
the stove fiom MALHER, added the cabinets and marketed the whole product. GABIMEX
had its own stores, while MALHER used exclusive distributors (franchises). The agreement
with GABIMEX ended in 1969 and, as a consequence, the MALHER group decided to
integrate itself vertically, and started producing the required cabinets at the Coyoacn road
plant. In turn,GABIMEX started buying the stoves fiom another stove manufacturer.
At the end of the 60's the group was still having financia1 problems and decided to stop
buying and distributing home appliances. Alberto Maldonado, now the person mostly in
charge of the group, was extremely disciplined and carried out many "bureaucratic" controls
(e.g. to write down personally the employees' daily production output), however, it seems
that he neither examined the data critically aiming at improving the group's operation, nor
had a group of middle managers who could do it. Put another way, he had most of the
relevant information but was not conscious of the serious efficiency problems. On the other
396
hand, his discipline sometimes was not enough and many activities were not adequately
controlled, such as the purchase and distribution of home appliances. At the same time, the
workers union tended to support al1 those bad operational habits which were, supposedly,
for the benefit of its members. Put another way, due to these operational habits the workers
could work less and earn more.
In the early 70's, the group acquired a new company (GAMA), which was a
manufacturer of metal furniture for laboratories (with some stainless steel parts). GAMA was
one of the companies of the RADIO CENTRO group, which managed highly different types
of businesses.
As of 1974, Alberto Maldonado was seriously sick and his 24 years old son, Javier
Maldonado, took on the control of the MALHER group. Javier inherited a group of
companies whose debt was higher than its value (total assets); with bad operational habits
which made things worse; and with stock in the hands of many members (including himself)
of the third generation of the Maldonado family. One of his first decisions was to be uniquely
responsible for the group's debt and to concentrate in his hands the great majority of the
stock. Only a small amount of stock remained in the hands of his father and his sisters.
Despite the fact that Javier took the control of the group, his father remained as the Chairman
of the Board of Directors while Javier acted, at least theoretically, as Vice-President.
Javier was an economist, a very charismatic person and used to maintain excellent
relations with both clients and banks. Using important commercial networks like Sears
Mexico and Liverpool (another store chain in Mexico), he achieved increased sales. Besides,
continuing with the pattem followed by the group in the past, he introduced the concept of
"standard integral kitchen", which would not anymore be manufactured according to the
clients' specifications. Instead, the new product would offer a lirnited number of standard
sizes and shapes. Unfortunately, Javier created the new product and he himself,
unconsciously, destroyed its main advantages by allowing an exceedingly large number of
different standard sizes and shapes (the Maldonado brothers were good at differentiating their
products, however, in some occasions they exaggerated, and this differentiation led to
unnecessary complexities). Javier could not solve the efficiency problems of the group,
however he tried to improve the financial situation of the group by adopting a selling system
which required an advance payment fiom the client of 50% upon ordering and the balance
upon delivery of the products.
The 100% devaluation of the Mexican peso in 1976 caught the MALHER group by
surprise with a large amount of "devalued cash", which was the result of the advance
payment system described above. This event postponed the financial recovery of the group
that Javier Maldonado was seeking desperately.
As if this last event were not enough, in 1978, by presidential decree, the construction
of the Coyoacn fiee way started, which in fact meant a compulsory relocation of the
Coyoacn road plant. As a consequence of the relocation, the Coyoacn road plant was
transformed into two new plants: plant #1 in BOLVAR road, producing stoves, and plant #2
in QUEVEDO road, producing cabinets. Meanwhile, the other fm PLAMEX remained
operating normally and Alberto Maldonado, Javier's father, in much better shape by that
time, was in charge of it.
As expected, the relocation of the Coyoacn road plant led to additional costs and
serious delays in the delivery of the orders, what clearly worsened the financia1 crisis of the
group. It is noteworthy, however, that the automobile plate industry was an oligopoly of 5
7
397
companies and, thus, a certain part of the income of PLAMEX was transferred to the other
companies of the group, supposedly as loans but, in fact, as "donations".
Later on, the GAMA plant was closed and its machines and equipment were moved to
the QUEVEDO plant. On the other hand, the group acquired another firm "Muebles y
Cocinas, S.A." (MUCOSA), which had excellent wood processing know-how. Up to the late
70's, the MALHER group had hardly been producing wood kitchens. After the purchase of
MUCOSA, this part of the business became much more intensive.
11.3 THE HIRING OF PROFESSIONAL MANAGEMENT
In 1980, Javier Maldonado invited the Marketing Director of one of his suppliers, Mario
Borges, to join the MALHER group. Javier was hoping that Mario, with his graduate studies,
extensive experience and managerial talent, could help him solve, definitely, al1 those
problems that for many years had avoided the consolidation of the MALHER group. By that
time, the group's companies (excluding PLAMEX) were generating total monthly sales
between US$1.1 and US$1.2 rnillion and were employing 1,300 people, approximately.
Mario Borges got his Mechanical Engineering degree in 1969 in Mexico City when he
was 22 and, aftenvards, completed two master courses: the first one in Industrial Engineering
in Germany and the second one in Business Administration in Mexico (at the Mexico City
campus of Tecnolgico de Monterrey: ITESM-CCM). Also, he took two specialization
courses in the ITESM-CCM on Marketing and Finance, a course on Advanced Management
for Top Executives at Harvard (U.S.A) and, finally, a course on Advanced Management for
Engineers at UCLA (U.S.A). By the end of 1976 he had already finished al1 these courses.
Just after getting his Mechanical Engineering degree, Mario was hired by SPICER,
where he worked for one year in an executive team in charge of the expansion of the
manufacturing plant. SPICER was a manufacturer of automobile parts, such as, shafts, rings,
etc.. Later on, he joined the BOSCH company, the world's manufacturing leader of electrical
systems for automobiles. In this company Mario worked for 6 years (1970-1975) and
acquired experience in the areas of Production Planning & Control, Industrial Engineering,
Process Engineering, Quality Control, Cost Control, and Production itself. In this last activity
he had to manage about 1,500 workers. In 1976 he joined the Mexican Government and
worked in the area of finance. As soon as he returned from Harvard (U.S.A), Mario worked
during 3 years (1977-1979) for LEO BURNETTI, a publicity agency, in which he occupied
the positions of Director of Media and Director of Services to Consumers, respectively.
While in LEO BURNETTI he took another specialization course about media in Chicago
(U.S.A).
From 1979 on, Mario Borges worked as the Marketing Director of the PONOSA
company, which supplied the MALHER group with plastic laminates. However, in 1980 he
was already thinking about creating his own business: it could be a wood processing
business, a candy business or a consulting firm. Knowing Mario's unrest, Javier offered him
the following deal: MALHER would create for Mario a new business and Mario would work
as a consultant for the whole group. At first, Mario did not accept the offer but on the 1" of
October they agreed on the following: Mario would dedicate 40% of his time to consulting
and 60% to the management of the businesses created by MALHER, of which Javier would
have 75% of the stock and Mario 25%. The deal included consulting advice to al1 the
companies of the group but PLAMEX. By that time, the MALHER group had acquired
398
another firm, FORAC, which was a manufacturer of closets for the construction industry,
however Mario knew nothing about it.
As a top manager of the MALHER grou Mario noticed irnmediately al1 the
operational inefficiencies of its companies. The 3' of October of 1980, he had a meeting
with the Operations Manager, evaluated his ideas and capabilities, and asked Javier to fire
him. "This should have been done 20 years ago", cornmented Mario Borges. Javier actually
fired the Operations Manager and Mario occupied the position, however he was involved in
almost al1 activities of the group. At the same time, we could say that Mario concentrated his
attention on the areas of operations and marketing, while Javier was more in charge of the
administrative activities, f m c e , and public relations (mainly with banks and government).
By that time, the group was still having serious financial problems and its debt was
equivalent to five times the total assets. The debt consisted of suppliers' credits, bank loans,
clients' advance payments, unpaid government taxes, and unpaid Social Security obligations.
The group survived during the next three years (1980-1982) and even created its own
distributing channels (stores). However, it had to face another peso devaluation in 1982, after
which its total debt was US$7.0 million in dollars and another US$7.0 million in Mexican
pesos. Its monthly sales reached only US$1.0 million. "The group has no economic
feasibility and none of the 'traditional' management techniques can save it; it cannot be sold
due to its debt and no more loans can be obtained; we should close it down!", proposed
Mario to Javier. Considering the 50-year existence and al1 the endeavor put into it by three
generations of the Maldonado brothers, Javier refused to follow Mario's advice and decided
to go on with the group's businesses.
"The MALHER group can be compared to a dry tree in a desert without any possibility
genninating
due to lack of shadow, water, and fertile ground; as such, the only hope to
of
save it is the cultivation of a 'forest of companies' in its surroundings, which would provide
shadow and change the climate conditions, thus providing water and fertile ground", used to
comrnent Mario by that time. But how could they do that without any resources? It is
interesting to observe that shortly after 1980, the group's growth strategy was indeed similar
to the creation of this "forest of companies". The forest "trees" performed as "cash cows"
and to a great extent cured the financial wounds of the group.
8,
399
(hereafter, this frm will be named DECORACIN 1). Selling to important clients like
Liverpool and using sales representatives who worked under a commission system,
DECORACIN 1 also began generating positive cash flow, with which the monthly
installments of US$5,800 were paid and the other companies of the group were financed. The
second tree of the "forest of companies" had been planted. It is noteworthy that, as agreed,
Mario remained with 25% of the stock of both FORAC and DECORACIN 1.
Also in 1983, the MALHER group "bought" one of the companies of the Prez family:
it was "Oficinas, S.A." (OFISA) which manufactured office fumiture and offered excellent
know-how in wood processing. For its acquisition, the only obligation on the part of
MALHER was to be responsible for the employees' severance pay. However, since
MALHER retained al1 employees, in fact no money had to be disbursed for the OFISA
acquisition. OFISA operated as a subcontractor (maquiladora) for the other companies of the
group and made a significant contribution towards the improvement of the wood kitchens.
Immediately after the OFISA acquisition, the MALHER group started a joint venture with
the Prez family (50%-50%) for the operation of MADEMEX, a irm which belonged solely
to them, produced different types of drawers for the fumiture industry and was striving to
survive. As a consequence of the joint venture, a company from the Jalisco State was bought,
its assets were moved to MADEMEX and the product lines were diversified to include
different types of home furniture (e.g. bookcases). Alfonso Prez remained as the General
Manager of MADEMEX. He was a very conservative military man who appreciated very
much Mario's managerial skills but, at the same time, had a tremendous resistance to change
and seldom adopted Mario's recommendations. His daughter, Aurora Prez, who had got an
Industrial Relations degree, occupied the position of General Manager Assistant.
Shortly after the MADEMEX joint venture, Estela Prez, also Alfonso Prez's
daughter, joined the MALHER group. Estela had just got her degree in Communications,
remained as a trainee during 6 months, getting acquainted with the stove and cabinet
processes, and in the next 12 months shared her time between MADEMEX and
DECORACIN 1. In DECORACIN 1 Estela worked linking the plants with the
distributing channels (stores) and took care of al1 customers' complaints, some of which were
of a legal nature. Later on, she was put in charge of a project which consisted of the
distribution of the SANITN products (local bath fumiture) through the MALHER
distributing channels. Unfortunately, the sales volumes were very low and, besides, there
were very serious inventory control problems: the inventory records did not agree with the
actual inventories. Javier Maldonado considered Estela as partially responsible for the
failure, reprimanded her and discontinued the sANITN project.
In 1985, FORAC and OFISA were merged and, as a result, a new larger company was
created: "Cocinas de Calidad, S.A." (COCASA). It occupied an area of 5,000 m2, employed
150 people, and manufactured standard and luxury wood kitchens. A new luxury kitchen
named "kitchen concepts" once more attracted the clients' advance payments which were
used to finance COCASA's operations and the other companies of the group as well. Shortly
after the start of COCASA, two companies were created for the distribution of its products:
ALFA for the distribution of the standard kitchens and BETA for the distribution of luxwy
kitchens. COCASA bought the stoves from the BOLVAR road plant and from other stove
manufacturers as well (for the luxury kitchens).
Also in 1985, the MALHER group acquired "Industrias Gadn, S.A.", which
manufactured stainless steel laboratory fumiture and produced some steel bars in its foundry.
400
Since GAMA had been closed, "Industrias Gadn" joined the MALHER group with the
name GAMA. The company had gone bankrupt and its facilities remained under the control
of the workers and their union, with whom MALHER had to negotiate (Mario had the most
important role in these negotiations). Apparently, the acquisition of "Gadn" was a very
profitable agreement: a total of US$136,000 was paid for fixed assets worth half a rnillion
dollars and stainless steel scrap worth US$390,000! Gadn's (that is, GAMA'S) first order
came from the IMSS (Mexican Institute of Social Security), had a total value of
US$3,115,000, consisted of different types of laboratory M t u r e , including exarnination
tables, and was more than enough to cover the acquisition costs of the new company, as well
as to pay a huge debt that MALHER had with the IMSS. In order to manufacture this large
order, a part of the raw material was financed by DECORACIN 1.
Later on, in 1987, MADEMEX acquired PLASTIMEX, a manufacturer of wood
furniture and ironing tables made of particle board and plastic laminates. PLASTIMEX's
acquisition was another very profitable agreement because it meant an investment of
US$110,000, when in fact the company was worth almost US$325,000. Estela Prez joined
PLASTIMEX as a worker during a couple of months and then occupied the position of
General Manager. As General Manager of PLASTIMEX, Estela took a 3-week course on
Productivity and MTM (Methods Time Measurement) taught by Noris & Elliot, and fiom
1988 to 1990 she got her MBA at the ITESM-CCM (Tecnolgico de Monterrey, Mexico City
campus).
PLASTIMEX operated smoothly and profitably fi-om 1987 ti11 1988, when its monthly
sales reached US$62,000, and this sales volume was more than sufficient to cover the
acquisition costs. At the end of 1988, however, the company started having serious labor
conflicts and delivery problems due to which its profitability was affected. These problems
went on even after the hiring of an industrial engineer, Gustavo Gutirrez, as Production
Manager. Its monthly sales which had reached US$62,000 in 1988, dropped to US$34,000 in
1990. During the time period of 1987-1990, both Estela and Mario directed a part of their
time to selling the products of MADEMEX, DECORACIN 1, and PLASTIMEX.
In 1988, MUCOSA was closed, its employees were transferred to COCASA (both
companies had the same labor contract) and its assets were transferred to a new plant of
DECORACIN 1, which hereafter will be called DECORACIN 11. New employees were
hired to operate DECORACIN 11, which manufactured wood furniture, such as bookcases,
entertainment centers, canteens, etc..
We could say that the financial situation of the group by that time was stable. The debt
was still large but it was smaller than the group's assets. The infiation rate in Mexico was
around 50%/year. Then Javier decided to pay US$175,000 to the banks and, in order to
achieve this, he followed once more the strategy of gathering the clients' advance payments.
Through a very strong and intensive publicity and promotion, they succeeded in gathering an
amount of money equivalent to 12,000 kitchens. The idea was then to pay the banks with this
money and manufacture the 12,000 kitchens with the advance payments of the next 12,000.
The plan resulted in a disaster (in part due to lack of control) and the group had to face again
a financial crisis, mainly due to the absence of working capital. It is noteworthy that Mario
was against this plan.
In order to return to a sound financial situation, Mario then started thinking about a
product with the following characteristics:
The previous requirement meant, in fact, the availability of credit on the part of the
suppliers.
These three characteristics led to the design of a very simple wood closet that would be
produced in DECORACIN 11 (by that time, DECORACIN 11 was, perhaps, the only
company of the group which could obtain credit fiom the suppliers). Once the product was
designed and the suppliers' credit was obtained, MALHER succeeded in getting an order for
US$440,000 fiom Comercial Mexicana (a supermarket chain). With the resources of this first
order, they bought the necessary inputs for the production of kitchen cabinetry (without the
stove) and sold another huge order of US$1,100,000 to Gigante (also a supermarket chain).
Finally, they succeeded in selling to Comercial Mexicana another large order of kitchen
cabinetry equivalent to US$1,100,000. Al1 these transactions took place between February
and June of 1988 and were sufficient for the group to recover the required working capital
and to get out of the fmancial crisis. In fact, MALHER achieved the leadership of the kitchen
rnarket and retained it in the following years.
11.5 DISINTEGRATION OF THE GROUP?
11.5.1 The situation of the group in 1990
Summarizing, the situation of the MALHER group in September of 1990, with respect to its
companies, was the following: a stove plant, a cabinet plant, a kitchen plant, two kitchen
distributors, and four fumiture companies (see also Exhibit 11). The group's monthly sales
were US$1.5 million, it employed 800 people and had total assets of US$10 million.
Profitability was around 15%-20%, even though a somewhat significant part of it was being
used to pay debt. Of the whole kitchen production, 60% were metal kitchens and 40% were
wood kitchens.
On the other hand, in August of 1990, Mario made a trip to Italy and returned to
Mexico with innumerable new ideas with regard to kitchen design. In the next months
MALHER was planning to make radical changes in its luxury kitchen designs. MALHER
used to change its designs infi-equently and estimated that the new designs could be in the
market withh 3 to 4 months.
11.5.2 Javier's proposal
Then, suddenly, Javier decided to invite Mario to a "business meeting", in which he proposed
the division of the MALHER group in two entirely autonomous sub-groups: he would be in
charge of one of the sub-groups and Mario would be in charge of the other. "Any man needs
a woman and his own territory", cornrnented Javier during the meeting. Apparently, since the
group was quite prosperous, Javier was not willing anymore to share its profits with Mario,
mainly because he had two growing suns to share with.
Javier's initial proposal was the following:
402
* Kitchen sub-group, assigned to Javier: BOLVAR road plant, QUEVEDO road plant,
COCASA, ALFA, and BETA.
Javier would have 75% of the stock of his sub-group and 25% of the stock of Mario's;
similarly, Mario would have 75% of the stock of his sub-group and 25% of the stock of
Javier's (except the BOLVAR and QUEVEDO plants). In the special cases of PLASTIMEX
and MADEMEX, these percentages applied solely to the 50% corresponding to the
MALHER group (as mentioned before, the other 50% was owned by the Prez farnily).
Mario accepted, at least in principie, Javier's proposal (interestingly, no written
agreement was signed, it was a verbal agreement between two trustful gentlemen). Being
totally autonomous, Mario then decided to analyze his strengths and weaknesses, and
realized that his experience was strongly biased (85%) towards the manufacturing of
kitchens. This experience included technical and marketing knowledge. The marketing
knowledge was extremely important and, in turn, included aspects such as product design
and consurner behavior, which were quite different for each market segment. Mario then told
Javier that he was willing to adapt the manufacturing facilities of his sub-group in order to
produce an intermediate type of wood kitchen that could compete directly neither with
MALHER's standard kitchens, nor with MALHER's luxury kitchens. Javier considered that
Mario would become his competitor and said to him: "If you decide to produce kitchens, our
partnership will inevitably end and 1 will completely destroy YOU".
403
brilliant Industrial Engineer that had also taken the 3 specialization courses in Marketing,
Operations Management, and Finance mentioned above. Besides, he had got a MBA degree
in the IPADE and had al least a 3 year experience in the manufacturing of kitchens.
However, if Mario decided to separate himself fiom the rest of the MALHER group, the
probability that Jos would follow him was extremely low. He stated very clearly that he
would rather stay in some of the companies of Javier's sub-group.
MADEMEX was operating at its breakeven point of US$51 ,OOO/month, employed
around 40 persons and was completely under the control of Alfonso Prez. Due to his
appreciation towards Mario, Alfonso would certainly support him, however his conservatism
and resistance to change was a serious obstacle for his support to be real. Aurora Prez was
still Alfonso's assistant and she had also taken the 3 specialization courses in Marketing,
Operations Management, and Finance. Neither Alfonso nor Aurora had any experience in the
manufacturing of kitchens, but Alfonso had a 25 year experience in the furniture industry. He
was 54 and Aurora was 27 years old.
Finally, PLASTIMEX, which was still in crisis, had monthly sales of US$34,000, a
breakeven point of US$42,000 and employed 20 people. Estela Prez was still its General
Manager. Besides, Estela was also performing in the Marketing area of PLASTIMEX, as
well as MADEMEX and DECORACIN 1. Undoubtfully, she would support Mario Borges,
who in turn used to say: "Estela has the guts to face anything, m i m e , anywhere; she does
not fear anything or anybody". Estela was 29 years old. On the other hand, Gustavo Gutirrez
remained as PLASTIMEX's Production Manager. Gustavo had also taken the 3
specialization courses mentioned above and would very probably follow Mario if he decided
to go on with his kitchen project. Gustavo had a 3 year experience in the manufacturing of
fumiture and had worked for 2 years in COCASA. He was 33 years old.
It is important to note, however, that both Mario and Javier were not very much
concerned about development and growth of the fumiture businesses of the MALHER group.
They had been used mainly as "cash cows", with a short term perspective. Mario could
concentrate his marketing and managerial talent on them, reposition them, diversi@ their
product lines, redesign their products, and, perhaps, make them highly profitable.
As mentioned above, Mario counted on the support of the following people for his kitchen
project: Estela Prez, Alejandro Barreto, Gustavo Gutirrez, Aurora Prez, and Alfonso
Prez. He was quite worried about the lack of kitchen installers, kitchen designers, and
adequate sales workforce.
On the other hand, COCASA's General Manager, Marco Ramos, had also been
Mario's colleague at the university. Marco had worked in SPICER from 1969 to 1980 (where
Mario had also worked) in the areas of Quality Control and Product Engineering, and joined
the MALHER group in November of 1980 when he was 33. Initially, he worked for
MALHER in the Quality Control area (7 months), giving advice to al1 companies of the
group, and was then appointed as MUCOSA'S General Manager, where he remained for 6
years. Later on, he was appointed as the General Manager of the BOLVAR road plant (2
years) and, fmally, went to COCASA. He also took the 3 specialization courses in Marketing,
Operations Management, and Finance. Marco's intentions were unknown.
Mario also had 6 family members (including his brother in the QUEVEDO road plant)
who worked as supervisors in the companies of Javier's sub-group. They would probably
help Mario. Last but not least, an excellent woodworker, Alfonso Acosta, who was able not
only to make furniture, but also to design it, offered himself to help Mario.
b) Clients
The main buyers of the MALHER products (besides its own distributing companies, that is,
ALFA and BETA) were:
* Gigante.
* Sears.
* Comercial Mexicana.
* Muebles Dico.
* Viana.
Despite the fact that al1 these firms could buy fiom both Javier and Mario, the following
information is relevant:
The buyer of Gigante was a very good fiiend of Javier and most probably would not
buy fi-om Mario. Gigante used to buy 55% of the output of the companies of Mario's subgroup except MADEMEX (see also exhibit 111).
Sears' buyers were quite impartial, but they could prefer to do business with Javier if
this meant greater potential profits. At the moment of the decision Sears was not buying the
products of Mario's sub-group.
The buyer of Comercial Mexicana maintained excellent relations with Mario and
would probably continue to buy fiom Mario's companies. As shown in Exhibit 111,
Comercial Mexicana was buying 35% of the output of Mario's companies except
MADEMEX.
Dico's owner was a Jew and very good fi-iend of Mario and the latter had once
provided consulting services to Dico fi-ee of charge. At the moment of the decision Dico was
buying 70% of the production of MADEMEX and 5% of the production of the other Mario's
companies (see also Exhibit 111).
Another possible distributing channel were the Viana stores, which were buying 5% of
the production of Mario's companies (except MADEMEX, see Exhibit 111). Viana's buyers
were not very ethical and most probably would achieve better "deals" with the powerful
people.
Finally, there was Singer, another chain of stores in Mexico (25 stores in Mexico City,
100 in the whole country), with whom, inexplicably, MALHER was doing no business at all.
Mario could try to use this distributing channel.
Mario knew that, once he had succeeded in penetrating any or al1 of these distributing
channels, his position would have to be retained through good service (to the stores),
attractive product design, and competitive prices.
Of course, the companies of Javier's sub-group were already using most of these
channels. Exhibit IV shows the percentual purchases of each buyer from Mario's and Javier's
sub-groups, respectively.
In September of 1990, MALHER had a 30% share of the kitchen market. Its follower was
K2 with a 15%-20% market share and there were other important competitors such as
International, GABIMEX , and Quetzal. GABIMEX and International had their own stores
and, additionally, sold through Sears; K2 sold only through its own stores; and MALHER, as
mentioned previously, sold through its own distributing companies (ALFA and BETA) and
many other channels: Gigante, Comercial Mexicana, Dico, Sears, and Viana. With respect to
the stove market, the leader was Mabe with a 40% share. Its followers were MALHER and
GE, both with a 20% market share, and other important competitors such as Acros, Quetzal,
Continental, and GABIMEX.
The kitchen market followed reasonably closely the construction industry and was
growing al a rate of 4%/year. It had a certain seasonality: October, November, December,
and January were good months but sales decreased during February and March; the sales
grew in April, May, and June, and decreased again in July, August, and September.
In Mario's opinion the fumiture market was not growing as fast as the kitchen market.
MALHER's share of the furniture market was extremely small.
d) Investment
If Mario went on with his project, the most adequate plant for the manufacturing of kitchens
would be DECORACIN 1 (probably, one of the machines would be transferred fiom
DECORACIN 11). The investment required (a) for adapting the plant (machines, jigs &
fixtures, layout, etc.) and (b) for working capital (mainly for kitchen components such as the
stove, sink, and air extraction chamber) was approximately US$34,000 and US$100,000,
respectively. (The modifications that would be carried out with the US$34,000 would be
reasonably simple and it would not imply any improvement of the technology which was
already somewhat obsolete.) The companies of Mario's sub-group could not make such an
investment and the component suppliers were reluctant to give credit (in contrast, credit was
available for the M t u r e raw material). The cost of the main fumiture raw material (plastic
larninates) was 70% of the total cost of the fbrniture; the same raw material would be used in
the production of the kitchens, but it would be only 12% of the total cost of the products. Put
another way, credit was available for a very small percentage of the raw material required for
the production of the kitchens.
Despite the fact that the financia1 situation of the MALHER group was quite good, it
had not liquidated al1 debts completely. Mario inherited some of these debts (approximately
US$100,000, mainly to the IMSS).
Last but not least, it is noteworthy that Mario owned an apartrnent in Mexico City
whose value was approximately US$51,000.
e) Infrastructure
The infrastructure of the companies of Mario's sub-group (telephone, fax, typewriters, etc.)
were not appropriate. Ironically, not even the permission for the use of the ground had been
given to DECORACIN I! Additionally, they did not have enough transportation vehicles
for the kitchen sales volwne that would be required for a profitable operation.
COMPANIESIPLANTS
BOLVAR road plant
QUEVEDO road plant
COCASA
ALFA
BETA
DECORACION 1
MAIN PRODUCTS
- Stoves.
- Cabinets.
- Standard kitchens.
- Luxury kitchens.
- Canteens.
- Bookcases.
DECORACIN 11
PLASTIMEX
MADEMEX
- Entertainment centers.
- Canteens.
- Ironing tables.
- Bookcases.
- Cupboards.
- The same as DECORACI~N11but
slightly more sophisticated.
COMPANIES
BUYERS
Gigante
Comercial Mexicana
Dico
Viana
Sears
Singer
DECORACION 1 and
DECORACI~N11
55%
35%
5%
5%
0%
0%
100%
PLASTIMEX
55%
35%
5%
5%
0%
0%
100%
MADEMEX
0%
3 0%
70%
0%
0%
0%
100%
SUB-GROUPS*
BUYERS
Gigante
Comercial Mexicana
Dico
Viana
Sears
MARIO' S
JAVIER'S
50%
60%
30%
20%
0%
50%
40%
70%
80%
100%
Bibliografa y Tablas
Bibliografa y Tablas
[12] Hay, E.
Justo-a-Tiempo
Editorial Norma, Colombia, 1989.
[13] Hayes, R. y S. Wheelwright
Restoring Our Competitive Edge: Competing Through Manufacturing
Editorial Wiley, E E W , 1984.
[14] Hayes, R., S. Wheelwright y K. Clark
Dynamic Manufacturing: Creating the Learning Organization
Editorial The Free Press, E E W , 1988.
[15] Hill, T.
Manufacturing Strategy
Editorial Irwin, E E W , 1994.
[16] Hillier, F. y G. Liebennan
Introduccin a la Investigacin de Operaciones
Editorial McGraw-Hill, Mxico, 1997.
[17] Holanda, R.
Quality of Work Life in Just-in-Time Systems: An Exploratory Study
Tesis Doctoral no publicada, ITESM-CCM, Mxico, 1993.
[18] Holanda, R.
Quality of Work Life in Just-in-Time Systems: An Exploratory Study
Proceedings of the Second IFSAM, EEUU, 1994.
[19] Ibarra, H.
Diseo de un Sistema de Mantenimiento Preventivo
Tesis Profesional no publicada, Universidad Centroamericana, Nicaragua, 1985.
[20] Ishikawa, K.
Qu es el Control Total de Calidad? La Modalidad Japonesa
Editorial Norma, Colombia, 1986.
[2 11 Jackson, J.
An Extension of Johnson's Results on Job-lot Scheduling
Nav. Res. Log. Quart. 3, No 3, September, 1956.
Bibliografa y Tablas
[23] Johnson, S.
Optimal Two- and Three-Stage Production Schedules With Set-up Time Included
Nav. Res. Log. Quart. 1, No 1, March, 1954.
[24] Kilbridge, M y L. Wester
A Heuristic Method of Assembly Line Balancing
Industrial Engineering, vol. 12, No 4, 1961.
[25] Love, S.
Inventory Control
Editorial McGraw-Hill, EEUU, 1979.
[26] Lucas, A., E. Ito, J.L. Paz, M.A. Sato y E. Villazn
Sistema Toyota de Produccin
Tesis Profesional no publicada, UNAM, Mxico, 1982.
[27] Montgomery, D. y L. Johnson
Forecasting and Time Series Analysis
Editorial McGraw-Hill, EEUU, 1976.
[28] Montgomery, D. y E. Peck
Introduction to Linear Regression Analysis
Editorial Wiley, EEUU, 1992.
[29] Montgomery, D., y W. Hines
Probability and Statistics in Engineering and Management Science
Editorial Wiley, EEUU, 1972.
[30] Nabeshima, 1.
The Order of 'n' Items Processed on 'm' Machines
The Metropolitan Hiroo School, 8thMeeting, November, 1960.
[3 11 Newbrough, E.
Administracin de Mantenimiento Industrial
Editorial Diana, Mxico, 1986.
[32] Niebel, B.
Ingeniera Industrial
Editorial Alfaomega, Mxico, 1996.
[331 Oficina Internacional del Trabajo (OIT)
Introduccin al Estudio del Trabajo
Editorial OIT, Suiza, 1983.
413
Bibliografia y Tablas
[34] Orlicky, J.
Material Requirements Planning
Editorial McGraw-Hill, EEUU, 1 975.
[35] Russel, R. y B. Taylor
Production and Operations Management
Editorial Prentice Hall, EEUU, 1995.
[36] Schrage, L.
LINDO: An Optimization Modeling System
Editorial Scientific Press, EEUU, 199 1.
[37] Senju, S.
TQC and TPM
Asian Productivity Organization, Japn, 1992.
[38] Steers, R. y L. Porter
Motivation and Work Behavior
Editorial McGraw-Hill, EEUU, 1991.
[39] Taha, H.
Operations Research
Editarial McMillan Publishing, EEUU, 1997.
[40] Tellera, W. y O. Berros
Seguridad e Higiene Industrial
Tesis profesional no publicada, Universidad Nacional de Ingeniera, Nicaragua, 1985.
[41] Wheelwright , S. y S. Makridakis
Forecasting: Methods and Applications
Editorial Wiley, EEUU, 1983.
Bibliografia y Tablas
TABLAS
Bibliografa y Tablas
Bibliografa y Tablas
417
0.05
0.025
0.0125
0.005
0.0025
1
2
3
4
1 .O0000
0.81650
0.76489
0.74070
2.4142
1.6036
1.4226
1.3444
6.3138
2.9200
2.3534
2.1318
12.706
4.3027
3.1825
2.7764
25.452
6.2053
4.1765
3.4954
63.657
9.9248
5.8409
4.6041
127.32
14.089
7.4533
5.5976
5
6
7
8
9
0.72669
0.71756
0.71114
0.70639
0.70272
1.3009
1.2733
1.2543
1.2403
1.2297
2.0150
1.9432
1.8946
1.8595
1.8331
2.5706
2.4469
2.3646
2.3060
2.2622
3.1634
2.9687
2.8412
2.7515
2'_6850
4.0321
3.7074
3.4995
3.3554
3.2498
4.7733
4.3168
4.0293
3.8325
3.6897
10
11
12
13
14
0.69981
0.69745
0.69548
0.69384
0.69242
1.2213
1.2145
1.2089
1.2041
1.2001
1.8125
1.7959
1.7823
1.7709
1.7613
2.2281
2.2010
2.1788
2.1604
2.1448
2.6338
2.5931
2.5600
2.5326
2.5096
3.1693
3.1058
3.0545
3.0123
2.9768
3.5814
3.4966
3.4284
3.3725
3.3257
15
16
17
18
19
0.69120
0.69013
0.68919
0.68837
0.68763
1.1967
1.1937
1.1910
1.1887
1.1866
1.7530
1.7459
1.7396
1.7341
1.7291
2.1315
2.1199
2.1098
2.1009
2.0930
2.4899
2.4729
2.4581
2.4450
2.4334
2.9467
2.9208
2.8982
2.8784
2.8609
3.2860
3.2520
3.2225
3.1966
3.1737
20
21
22
23
24
0.68696
0.68635
0.68580
0.68531
0.68485
1.1848
1.1831
1.1816
1.1802
1.1789
1.7247
1.7207
1.7171
1.7139
1.7109
2.0860
2.0796
2.0739
2.0687
2.0639
2.4231
2.4138
2.4055
2.3979
2.3910
2.8453
2.8314
2.8188
2.8073
2.7969
3.1534
3.1352
3.1188
3.1040
3.0905
25
26
27
28
29
0.68443
0.68405
0.68370
0.68335
0.68304
1.1777
1.1766
1.1757
1.1748
1.1739
1.7081
1.7056
1.7033
1.7011
1.6991
2.0595
2.0555
2.0518
2.0484
2.0452
2.3846
2.3788
2.3734
2.3685
2.3638
2.7874
2.7787
2.7707
2.7633
2.7564
3.0782
3.0669
3.0565
3.0469
3.0380
30
40
60
120
0.68276
0.68066
0.67862
0.67656
0.67449
1.1731
1.1673
1.1616
1.1559
1.1503
1.6973
1.6839
1.6707
1.6577
1.6449
2.0423
2.0211
2.0003
1.9799
1.9600
2.3596
2.3289
2.2991
2.2699
2.2414
2.7500
2.7045
2.6603
2.6174
2.5758
3.0298
2.9712
2.9146
2.8599
2.8070
00