FUNDAMENTOS DE

PRODUCCIÒN
Modelo del Vendedor de Periódicos
 • MODELO DEL VENDEDOR DE PERIÓDICOS

CONTENIDO

1. VARIABLE ALEATORIA Y DISTRIBUCIÓN DE PROBABILIDAD

1.1. DISTRIBUCIÓN UNIFORME
1.2. DISTRIBUCIÓN NORMAL
1.3. DISTRIBUCIÓN EXPONENCIAL

2. MODELO DEL VENDEDOR DE PERIÓDICOS

2.1. SUPUESTOS
2.2. NOTACIÓN
2.3. FUNCIÓN DE COSTOS

EJEMPLO

INTRODUCCIÓN
El propósito del presente documento es presentar a los estudiantes un nuevo modelo de inventarios de
demanda estocástica, conocido como el Modelo del vendedor de periódicos. Adicionalmente, se dará un
breve repaso sobre conceptos básicos de probabilidad, en los cuales se mencionan las distribuciones de
probabilidad de variables aleatorias continuas más utilizadas. Esto es fundamental para la adecuada
comprensión del modelo planteado posteriormente.

OBJETIVO GENERAL
Al finalizar la lectura, los estudiantes sabrán aplicar un modelo de inventarios de demanda estocástica.
Adicionalmente, conocerán sus supuestos y sabrán cómo aplicar dicho modelo.

Al finalizar esta semana de aprendizaje:

1. Identificar los conceptos y aplicaciones de los modelos de inventarios estocásticos.

2. Conocer en el modelo del Vendedor de Periódicos, su aplicación y su importancia dentro de los
modelos de inventarios con demanda estocástica.

Utilizar el modelo del Vendedor de Periódicos para solucionar problemas de inventarios.

DESARROLLO TEMÁTICO
RECOMENDACIONES ACADÉMICAS
Se recomienda al estudiante realizar la lectura de la cartilla, en la cual se encuentra toda la información
relevante que se evaluará en la semana. Adicional a la lectura de la cartilla se recomienda al estudiante
revisar las teleconferencias así como las videodiapositivas, pues estas son un medio que puede aclarar
las dudas generadas con la lectura o también dar soporte a los temas expuestos en la misma.

2 [ POLITÉCNICO GRANCOLOMBIANO]
DESARROLLO DE CADA UNA DE LAS UNIDADES TEMÁTICAS

VARIABLE ALEATORIA Y DISTRIBUCIÓN DE PROBABILIDAD

Muchas veces, el comportamiento de la demanda varia drásticamente en un periodo especifico. Para

tener noción de ese comportamiento debemos conocer básicamente dos cosas: el conjunto de valores
que puede tomar la demanda y la probabilidad asociada a cada uno de esos valores. A dicho conjunto de
valores se le conoce como el espacio muestral. De esta manera, se va a definir una variable aleatoria
como la función que asocia un número real (probabilidad) con cada uno de los valores del espacio
muestral.

Un ejemplo de definición de una variable aleatoria relacionada con la demanda sería:

X: Número de unidades a vender en el mes.

Espacio Muestral Probabilidad

100 35%
80 55%
60 10%

Para definir de manera más fácil las variables aleatorias se crearon distribuciones de probabilidad, las
cuales pueden describir el comportamiento de una serie de valores determinados de forma clara y
resumida. A continuación, se presentarán las distribuciones de probabilidad continuas más empleadas
en el modelaje de sistemas de inventarios. Aunque existe otro tipo de distribuciones que también
pueden emplearse, aquí solo presentaremos las más relevantes.

1.1. DISTRIBUCIÓN UNIFORME

Una VA X se distribuye uniformemente en el intervalo (a, b) si su función de
distribución de probabilidad está dada por:

1
𝑓(𝑋) = {𝑏 − 𝑎 , 𝑎 ≤ 𝑋 ≤ 𝑏
0, 𝑑. 𝑙. 𝑐.

[ FUNDAMENTOS DE PRODUCCIÓN] 3
 La función de distribución acumulada está dada por:

0𝑥 <𝑎
𝑥−𝑎
F(X) = {𝑏−𝑎
𝑎≤𝑥<𝑏
1𝑥 ≥𝑏

Su media y varianza están dadas respectivamente por:

𝑎+𝑏
𝐸(𝑋) =
2
(𝑏 − 𝑎)2
𝑉𝑎𝑟 𝑋 =
12

1.2. DISTRIBUCIÓN NORMAL

Considérese la VA binomial XB, definida por el lanzamiento de una moneda 15
veces. Si se grafica la probabilidad de obtener 0,1,2,…,15 caras, se obtiene la
siguiente gráfica:

4 [ POLITÉCNICO GRANCOLOMBIANO]
Se puede demostrar, en efecto, que si se realizan N experimentos
independientes de Bernoulli de parámetro p, para un valor de N
suficientemente grande, se obtiene:

La aproximación anterior dio lugar a la definición de una VA continúa conocida

como la distribución Normal de parámetros µ y σ, cuya función de probabilidad
está dada por:

Esta expresión no se puede evaluar mediante métodos numéricos tradicionales;

de hecho, estos métodos se podrían aplicar, pero la integral debería evaluarse
para cada par (µ, σ). Sin embargo, una transformación de variables, z = (x- µ)/σ,
permite la evaluación de esa integral, independiente de dichos valores.

Si 𝑋~𝑁(𝜇, 𝜎), 𝑠𝑒𝑎 𝑍 = (𝑋 − 𝜇)/𝜎, para obtener:

 x 
F ( x )  P  X  x   P Z  
   donde ( z )  
z 1 t 2 / 2
e dt
( x ) /  1 z2 / 2

2
 e dz

2
( x ) / 
  ( z )dz   ( x )


[ FUNDAMENTOS DE PRODUCCIÓN] 5
 La función Φ(z)es la función de distribución de probabilidad de una VA normal
con media cero y varianza 1. A esta distribución se le conoce como la
distribución normal estándar, y ha sido tabulada en distintos formatos para una
mejor comprensión y resolución de situaciones que involucren VA normales.

Dentro de los recursos adicionales encontrará la tabla donde se resumen los

valores que toma la distribución normal estándar.

Ejemplo:

El tiempo requerido en horas para cargar un container se distribuye

normalmente con media = 12y varianza = 4. La probabilidad de que el
container se cargue en menos de 10 horas estaría dada por

 10  12 
F (10)     (1)  0.1587
 2 

1.3. DISTRIBUCIÓN EXPONENCIAL

Considérese un Proceso de Poisson de parámetro λ observado a partir de un

instante t0 y defínase la VA continua XE como:

XE = tiempo que transcurre entre el instante t0 y la próxima llegada del proceso

La función de distribución acumulada F(X) de la VA XE estará dada por:

𝐹𝑥𝑔 (𝑡; 𝜆) = 𝑃(𝑋𝑔 ≤ 𝑡) = 1 − 𝑃(𝑋𝑔 > 𝑡)

𝐹𝑥𝑔 (𝑡; 𝜆) = 𝑃(𝑋𝑔 ≤ 𝑡) = 1 − 𝑃(ℎ𝑎𝑦𝑎 0 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠 𝑒𝑛 𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑡

6 [ POLITÉCNICO GRANCOLOMBIANO]
 (𝜆𝑡)0 −𝜆𝑡
𝐹𝑥𝑔 (𝑡; 𝜆) = 𝑃(𝑋𝑔 ≤ 𝑡) = 1 − 𝑒
0!
𝐹𝑥𝑔 (𝑡; 𝜆) = 𝑃(𝑋𝑔 ≤ 𝑡) = 1 − 𝑒 −𝜆𝑡

Por lo tanto, la función de distribución acumulada de la VA exponencial se

expresa como:

𝐹𝑥𝑔 (𝑡; 𝜆) = 𝑃(𝑋𝑔 ≤ 𝑡) = 1 − 𝑒 −𝜆𝑡 𝑡 > 0

Se sabe que la función de distribución de probabilidad de una VA continua se

obtiene calculando la derivada de la función de distribución acumulada. Por lo
tanto, dicha función, fXE(t; λ) se expresa como:

𝑓𝑥𝑔 (𝑡; 𝜆) = 𝜆𝑒 −𝜆𝑡 𝑡 > 0

Su media y varianza están dadas por:

1
𝐸(𝑋) =
𝜆
1
𝑉𝑎𝑟 𝑋 =
𝜆2

[ FUNDAMENTOS DE PRODUCCIÓN] 7
 Ejemplo:

Suponga que la vida útil de una lámpara industrial, en miles de horas, se

distribuye exponencialmente con tasa de falla λ=1/3 (una falla cada 3000 horas,
en promedio).

La probabilidad de que la lámpara dure más de esta vida útil está dada por:

𝑃(𝑋 > 3) = 1 − 𝑃(𝑋 ≤ 3)

En Excel se busca la función DISTR.EXP, con parámetros: X=3; λ=1/3; Acumulado

= 1. El resultado de esta función sería de 0,632; luego la probabilidad de que la
lámpara dure más que la vida útil diseñada es de 1-0,632 = 0,368.

2. MODELO DEL VENDEDOR DE PERIÓDICOS

Como se mencionó anteriormente, el modelo del vendedor de periódicos tiene
como principal característica el comportamiento de la demanda. A diferencia
de los modelos vistos anteriormente, la demanda no se considerará de forma
determinística. En este caso, debido a su alta variabilidad, se considerará que
dicha demanda tiene un comportamiento estocástico. Por lo tanto, para
manejar este factor se planteará un modelo de inventarios que se ajuste a estas
necesidades. A continuación se presenta dicha explicación:

8 [ POLITÉCNICO GRANCOLOMBIANO]
2.1. SUPUESTOS
Los supuestos sobre los que se desarrolla el modelo del vendedor de periódicos
son:

- Producción Instantánea: no hay restricciones de capacidad y el lote completo

es producido simultáneamente sin importar el tamaño.
- Demanda Estocástica: la demanda es aleatoria con una distribución de
probabilidad conocida.
- Costos de Alistamiento Fijos.
- Costos lineales por defecto o exceso.
- Entrega Inmediata: no hay tardanzas entre la producción y el momento de la
entrega.
- Único Producto.

2.2. NOTACIÓN
La notación que se manejará para representar el modelo del vendedor de
periódicos es:

𝑋 = 𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑒𝑛 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠, 𝑒𝑠 𝑢𝑛𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎.

𝐺(𝑥) = 𝑃(𝑋 ≤ 𝑥), 𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑒𝑛𝑠𝑖𝑑𝑎𝑑 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑑𝑎 𝑑𝑒 𝑙𝑎 𝑑𝑒𝑚𝑎𝑛𝑑𝑎.

𝑑
𝑔(𝑥) = 𝐺(𝑥) = 𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑒𝑛𝑠𝑖𝑑𝑎𝑑 𝑑𝑒 𝑙𝑎 𝑑𝑒𝑚𝑎𝑛𝑑𝑎.
𝑑𝑥
𝑐𝑜 = 𝐶𝑜𝑠𝑡𝑜 𝑝𝑜𝑟 𝑢𝑛𝑖𝑑𝑎𝑑 𝑎𝑑𝑖𝑐𝑖𝑜𝑛𝑎 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜. 𝐸𝑥𝑐𝑒𝑠𝑜 ($)

𝐶𝑠 = 𝐶𝑜𝑠𝑡𝑜 𝑝𝑜𝑟 𝑢𝑛𝑖𝑑𝑎𝑑 𝑓𝑎𝑙𝑡𝑎𝑛𝑡𝑒 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜. 𝐷𝑒𝑓𝑒𝑐𝑡𝑜 ($)

𝑄 = 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑎 𝑜𝑟𝑑𝑒𝑛𝑎𝑟 𝑒𝑛 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠. 𝐸𝑠 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑑𝑒 𝑑𝑒𝑐𝑖𝑠𝑖ó𝑛.

2.3. FUNCIÓN DE COSTOS

La función de costos se construye sumando el costo por exceso y el costo por
faltantes:

𝑌(𝑥) = 𝐶𝑜𝑠𝑡𝑜 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜 𝑑𝑒 𝑠𝑜𝑏𝑟𝑎𝑛𝑡𝑒𝑠 + 𝐶𝑜𝑠𝑡𝑜 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜 𝑑𝑒 𝑓𝑎𝑙𝑡𝑎𝑛𝑡𝑒𝑠

𝑌(𝑥) = 𝑐𝑜 𝐸[𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑠𝑜𝑏𝑟𝑎𝑛𝑡𝑒𝑠] + 𝑐𝑠 𝐸[𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑓𝑎𝑙𝑡𝑎𝑛𝑡𝑒𝑠]

∞ ∞
𝑌(𝑥) = 𝑐𝑜 ∫ max{𝑄 − 𝑥, 0}𝑔(𝑥)𝑑𝑥 + 𝑐𝑠 ∫ max{𝑥 − 𝑄, 0}𝑔(𝑥)𝑑𝑥
0 0

[ FUNDAMENTOS DE PRODUCCIÓN] 9
 ∞ ∞
𝑌(𝑥) = 𝑐𝑜 ∫ (Q − x) 𝑔(𝑥)𝑑𝑥 + 𝑐𝑠 ∫ (x − Q) 𝑔(𝑥)𝑑𝑥
0 0

Es importante resaltar que la función de costos de este modelo supone que,

debido al comportamiento aleatorio de la demanda, en cualquier periodo se
pueden tener sobrantes o faltantes, pero NO ambos. En promedio las dos
cantidades serán positivas.

Con el objetivo de minimizar dichos costos, derivamos la función de costo con

respecto a Q e igualamos a cero. Por lo tanto, el resultado será:
𝑐𝑠
𝐺(𝑄∗ ) = 𝑃(𝑋 ≤ 𝑄∗ ) =
𝑐𝑜 + 𝑐𝑠

Una descripción gráfica de dicho comportamiento será:

𝑐𝑠
𝑐𝑜 + 𝑐𝑠

Es importante aclarar que el costo mínimo se encuentra en el punto de inflexión

de la curva. Dicho punto de inflexión separa el comportamiento de los costos
de faltantes de los costos de sobrantes. Por lo tanto, en dicho punto, los costos
están equilibrados.

Es importante aclarar que el objetivo de este análisis es encontrar el nivel de

servicio que le permita atender la demanda necesaria para minimizar sus costos.
A partir de ese nivel de servicio obtenido, se tendrán los parámetros necesarios

10 [ POLITÉCNICO GRANCOLOMBIANO]
para despejar Q de la función de densidad acumulada correspondiente a la
distribución específica de la demanda que se está analizando.

Para entender con más detalle este modelo, a continuación se presenta un

breve ejemplo:

2.4. EJEMPLO

Imagine que la selección Colombia clasifica al mundial de fútbol y una

pequeña empresa de camisetas aprovecha la situación para sacar diseños
especiales alusivos a los jugadores durante el mes que dura el torneo. El precio
de la camiseta es de $15. A la empresa le cuesta producir cada camiseta
exactamente $10. Por otro lado, si el torneo termina y no se venden todas las
camisetas, estas tendrán que rematarse a $8 cada una. Suponga que la
demanda se comporta exponencial con media 1000 durante el mes que dura
el mundial. Calcule la cantidad óptima de camisetas a producir para la
temporada del mundial.

Solución:

Paso 1. Se deben definir claramente las variables con el fin de utilizarlas

correctamente en las ecuaciones. Dichas variables son:

𝐺(𝑥) = 𝑃(𝑋 ≤ 𝑥) = 1 − 𝑒 −𝜆𝑥

𝑐𝑜 = $10 − $8 = $2

𝐶𝑠 = $15 − $10 = $5

Paso 2.Se debe encontrar el nivel de servicio que equilibra los costos de
sobrantes y faltantes. Este nivel de servicio se calcula por medio de:

𝑐𝑠 5
𝐺(𝑄∗ ) = 𝑃(𝑋 ≤ 𝑄∗ ) = = = 0.714
𝑐𝑜 + 𝑐𝑠 2 + 5

Paso 3. Ahora, igualando el nivel de servicio con la función de probabilidad

acumulada de la demanda, calculamos el Q*(óptimo). Este resultado se
presenta a continuación:

[ FUNDAMENTOS DE PRODUCCIÓN] 11
 Q∗
1 − e−1000 = 0.714

Q∗ = 1253

Variación: Ahora suponga que la demanda se distribuye normal con media

1000 y desviación estándar 100. ¿Cómo afectaría la nueva distribución el
tamaño del lote para el mes del mundial de fútbol?

Solución:

Para resolver esta variación, es importante tener en cuenta que el nivel de

servicio sigue siendo el mismo. La única diferencia está dada por la nueva
distribución. Por lo tanto, ahora se debe igualar el nivel de servicio con la nueva
distribución de probabilidad acumulada de la demanda, que en este caso es
Normal. Por lo tanto, el resultado será:

Z(0.714) = 0.57

Verificando dicha probabilidad en la tabla de la distribución Normal, tenemos

como resultado:

Q∗ − μ
= 0.57
σ

Q∗ = μ + Zσ

Q∗ = 1000 + (0.57)100

Q∗ = 1057

12 [ POLITÉCNICO GRANCOLOMBIANO]