LOGÍSTICA

Cadena de Suministro
Introducción

Las cadenas de suministro son el flujo físico, financiero y de

información entre socios comerciales, cuyo propósito final es
satisfacer las necesidades de los clientes. Las cadenas de suministro
buscan maximizar el valor total generado (cantidad que paga el
cliente menos el costo de satisfacer la necesidad a lo largo de toda
la cadena de suministro).
 Logística vs Cadena de Suministro

Logística Cadena de Suministro

La gestión logística es la parte La gestión de la cadena de
de la cadena de suministro que suministros integra la gestión de la
planifica, implementa y controla oferta y la demanda dentro de las
el flujo y almacenamiento empresas y entre ellas.
eficiente y efectivo de bienes, Abarca la planificación y gestión de
servicios e información las actividades de contratación,
relacionada entre el punto de aprovisionamiento,conversión,
origen y el punto de consumo, logística,coordinación y
con el fin de satisfacer a los colaboración entre los socios del
canal (proveedores,intermediarios
clientes.
y clientes).
Modelo de Referencia de Operaciones de la
Cadena de Suministros (SCOR)
Este modelo muestra las cuatro operaciones principales de una cadena
de suministro: origen, fabricación, entrega, planificación y devolución.
Las perspectivas adicionales incluyen:
• Mapas geográficos: que muestran los orígenes, destinos y las rutas
físicas.
• Diagramas de flujo: que muestran el flujo de materiales,
información y finanzas entre escalones.
• Macro-Proceso o Software: dividir las cadenas de suministro en
tres áreas clave de gestión (relación con el proveedor, interna y
con el cliente)
• Roles Funcionales Tradicionales: donde las cadenas de suministro
se dividen en roles funcionales separados (Adquisiciones, Control
de Inventario, Almacenamiento, Manejo de Materiales,
Procesamiento de Pedidos, Transporte, Servicio al Cliente,
Planificación, etc…).
• Perspectiva de Sistemas: donde las acciones de una función
impactan por otras funciones. La idea es que es necesario
gestionar todo el sistema en lugar de las funciones individuales del
silo. A medida que se amplía el alcance de la gestión, hay más
oportunidades de mejora pero la complejidad aumenta
drásticamente.
Modelos, Álgebra y Funciones
Modelos

La toma de decisiones está en el centro de la gestión de la cadena

de suministro. Los modelos pueden ayudar en la toma de
decisionesy pueden clasificarse en tres categorías según su enfoque:
• Descriptivo: ¿Qué ha pasado?
• Predictivo: ¿Qué podría pasar?
• Prescriptivo: ¿Qué debemos hacer?
Funciones

Las funciones son una de las partes principales de un modelo. Son

“una relación entre un conjunto de entradas y salidas permitidas
con la propiedad de que cada entrada está relacionada
exactamente con una salida”
Funciones lineales
En las funciones lineales “y cambia linealmente con x”.
Funciones cuadráticas:
Una función cuadrática y=ax2+bx+c donde a,b y c son distintos de 0.

También tendríamos en cuenta las raíces cuadráticas, las funciones

de potencia, exponenciales, multivariadas, la convexidad y
continuidad para analizar los modelos.
Optimización
Introducción

La optimización sin restricciones se trata de encontrar soluciones

puntuales extremas, teniendo en cuenta las condiciones de primer y
segundo orden anteriores.
A continuación tenemos la optimización restringida que además
agrega variables de decisión adicionales y limitaciones de recursos.
Para resolver problemas de optimización limitados, se introducen
programas matemáticos que son ampliamente utilizados en la
cadena de suministro para muchas prácticas como el diseño de
redes, la planificación de la producción, la selección de
proveedores de transporte, la asignación de inventario,etc…
Optimización sin restricciones

La optimización sin restricciones considera el problema de

minimizar o maximizar una función objetiva que depende de
variables reales sin restricciones en sus valores.
Puntos externos:
• Los puntos externos son cuando una función toma un valor que es
mucho más pequeño o más grande en comparación con los valores
cercanos de la función.
• Típicamente son un mínimo, un máximo o puntos de inflexión.
• Los puntos externos ocurren cuando la pendiente de la función =
0.
• Prueba de Global vs. Local:
o Mínimo/Máximo global- para toda la gama
o Local min/max- sólo en una zona determinada
Encontrar soluciones de punto externo:
1. Tomamos la primera derivada de su función
2. Ponemos “y” a cero
3. Resolvemos para “x”(el valor de “x” en el punto externo)
Condiciones de primer y segundo orden:
• Condición de primer orden(necesaria)-la pendiente debe ser 0 f`(x)=0
• Condición de segundo orden(suficiente)-determinar donde el punto
externo es max o min tomando la segunda derivada.
o Si f”(x)>0 punto externo es un min local
o Si f”(x)<0 punto externo es un máximo local
Si f”(x)=0 no es concluyente
• Casos especiales.
o Si f(x) es convexo  mínimo global
o Si f(x) es cóncavo  máximo global
Optimización limitada

En la optimización limitada tenemos múltiples variables de decisión

y limitaciones de recursos.
Programación matemática:
Poderosa familia de métodos de optimización (formato software),
que se utiliza en el análisis de la cadena de suministro, que
identifica la mejor solución con recursos limitados:
• Programación Lineal (LPs)
• Programación de números enteros
• Programación mixta entera y lineal (MILPs)
• Programación no lineal (PNL)
Programas lineales
1. Variables de decisión-¿Qué se trata de decidir y cuáles son los
límites superiores o inferiores?
2. Formular la función objetivo-¿Qué se trata de maximizar o
minimizar?
3. Formular cada restricción-¿Cuál es mi región factible, límites?
Solución:
Siempre se encontrará en un “rincón” de la región factible,
delimitada por las restricciones lineales y en la “esquina” que
determine la función de objeto.
Análisis de sensibilidad:¿Qué sucede cuando se cambian los valores
de los datos?
Programas enteros y enteros mixtos
No siempre se puede encontrar la solución óptima redondeando la
solución de programa lineal, por eso los programas enteros son
importantes. Para identificar la solución en programas enteros- la
región factible se convierte en una colección de puntos, además, ya
no contamos con las soluciones “esquina”, el espacio de la solución
se vuelve mucho mayor.
Enumeración en masa: Enumerar todas las posibilidades calculando
la función objetivo en cada una de ellas y eligiendo la que tenga el
valor óptimo.
Diferencias entre programas lineales y programas enteros/mixtos:
• Los programas enteros son mucho más difíciles de resolver ya que
el espacio se expande. Una formulación correcta no es suficiente
para garantizar la solvencia.
• Los programas enteros requieren resolver múltiples programas
lineales para establecer límites relajando las restricciones de
enteros.
• Aunque parece el enfoque más sencillo, a menudo no se puede
simplemente “redondear” la solución de los programas lineales,
sino que podría no ser factible.
• Cuando se utilizan variables enteras (no binarias), se debe
resolver primero el programa lineal para ver si es suficiente.
Optimización avanzada
Modelos de red
Terminología de red
• Nodo o vértices- un punto (instalación, planta, DC, región)
• Arco o borde- enlace entre dos nodos (carreteras, flujos)
• Red o gráfico- una colección de nodos y arcos
Problemas comunes de la red:
• Camino más corto- (El camino más corto desde un solo origen a un
solo destino)
• Problema del vendedor ambulante- (Partiendo de un nodo origen,
buscar la distancia mínima necesaria para visitar cada nodo una
sola vez y volver al origen)
• Problemas de flujo “transporte y transbordo”. Encontrar el flujo
de coste mínimo del producto de los nodos de suministro que
satisfacen la demanda en los nodos de destino.
Optimización no lineal
Un programa no lineal incluye al menos una función no lineal, que
podría ser la función objetivo, o algunas o todas las restricciones.
Algoritmos y aproximaciones
Algoritmos

Un algoritmo es un proceso o conjunto de reglas a seguir en los

cálculos u otras operaciones de resolución de problemas,
especialmente por una computadora. Debe ser inequívoca, requiere
un conjunto definido de entradas, debe producir un conjunto
definido de resultados, debe terminar y producir un resultado y
siempre debe detenerse después de un tiempo finito.
Problema del trayecto más corto

Encontrar el camino más corto en una red entre dos nodos.

Algoritmo de Dijkstra Problema del vendedor
Resuelve el problema de ambulante (TSP)
encontrar el camino más corto Partiendo de un nodo de origen,
desde un punto de un gráfico obtiene la distancia mínima
hasta un destino. necesaria para visitar cada nodo
una sóla vez y volver al origen.
Problema de enrutamiento del vehículo
Encontrar tours de costo mínimo desde un solo origen a múltiples
destinos con demanda variable usando múltiples vehículos
capacitados. Podemos resolverlo mediante:
• Barrido Heurístico
• Algoritmo de ahorro de Clark-Wright (se aplica a problemas para
los que el número de vehículos no es fijo, es decir, es una variable
de decisión)
• Ahorro Heurístico (las rutas potenciales son un insumo y pueden
considerar diferentes costos, no sólo la distancia)
Métodos de aproximación
Son más rápidos que los métodos exactos o precisos, utilizan
cantidades mínimas de datos y pueden determinar si se necesita
más análisis.
• Estimación rápida
• Estimación de distancias punto a punto
• Estimación de las distancias de rutas locales
• Estimación de las distancias del recorrido del vehículo
Distribuciones y Probabilidad
Probabilidad
Define la medida en que algo es probable, o de que ocurra un
evento por ejemplo ventas semanales, etc…

Leyes de probabilidad:
La probabilidad de un evento está entre 0 y 1.

Si A y B son independientes:
Resumen estadístico
Define la medida en que algo es probable, o de que ocurra un
evento por ejemplo ventas semanales, etc…
Tendencia Central
Es el valor más probable de la distribución
• Modo: el valor específico que aparece con más frecuencia.
• Mediana: el valor en el centro de una distribución que separa la mitad
inferior de la superior.
• Media: la suma de los valores multiplicados por su probabilidad (valor
esperado). También es la suma de los valores dividida por el número total
de observaciones (promedio).
Dispersión
Esto capta el grado en que las observaciones difieren entre sí:
• Rango: valor máximo menos el valor mínimo
• Cuartiles internos: el valor del percentil 75 menos el 25 (captura la mitad
central de toda la distribución)
• Varianza: el valor esperado de la desviación al cuadrado alrededor de la media

• Desviación estándar: la raíz cuadrada de la varianza

• Coeficiente de variación (CV): relación de la deviación estándar sobre la
media:
• 0 ≤ CV ≤ 0.75 baja variabilidad
• 0.75 ≤ CV ≤ 1.33 variabilidad moderada
• CV > 1.33 alta variabilidad
Distribuciones de probabilidad
Distribución uniforme discreta:
Número finito (N) de valores observados con un valor mínimo de “a”
y un valor máximo de “b”. La probabilidad de cada valor posible es
de 1/N donde N=b-a+1.
Distribución de Poisson:
Distribución discreta de frecuancias que da la probabilidad de que
un número de eventos independientes ocurran en un tiempo fijo
donde el parámetro λ= media = varianza. Ampliamente utilizado
para modelar llegadas, inventario de movimientos lentos,
etc…Tenga en cuenta que la distribución sólo contiene enteros no
negativos y puede capturar distribuciones asimétricas. A medida que
aumenta el número de observaciones, la distribución se convierte
en “similar a una campana” y se aproxima a la Distribución Normal.
Función de densidad de probabilidad:
El “pdf” es función de una variable continua. La probabilidad de
que X se encuentre entre los valores a y b es igual al área bajo la
curva entre a y b. El área total bao la curva es igual a 1, pero el
P(x=t)=0 para cualquier valor específico de t.

Distribución uniforme continua:

X si se distribuye uniformemente en el rango de a hasta b, o
X~U(a,b)
Distribución normal:
Distribución continua simétrica en forma de campana,con la media
µ y la desviación estándar σ. La distribución más utilizada.
Triángulo de distribución ~T(a,b,c):
Esta es una distribución continua con un valor mínimo de a, valor
máximo de b, y un modo de c. Distribución para usar cuando se
trata de una distribución desconocida. También puede manejar
distribuciones asimétricas con colas largas.
 Diferencias entre distribuciones continuas y
discretas
Distribuciones discretas Distribuciones continuas
Tienen una probabilidad para La probabilidad para un punto
cada resultado. específico en una distribución continua
no tiene sentido y es cero. Utilizan una
función o fórmula para describir los
datos y por lo tanto, en lugar de sumar
para encontrar la probabilidad, nos
integramos en la región.
Pruebas estadísticas
Teorema del límite central
El teorema del límite central establece que la distribución de la
muestra de la media de cualquier variable aleatoria independiente
será normalmente distribuida, si el tamaño de las muestras es lo
suficientemente grande. El teorema sugiere que no importa qué
distribuciones sigue la variable aleatoria. Si tenemos un tamaño de
muestra suficiente, podemos asumir una distribución normal.
Muestreo:
Una inferencia es una conclusión a la que se llega sobre la base de
la evidencia y el razonamiento. Para hacer inferencias sobre la
población necesitamos recolectar una muestra y hacer preguntas.
• Población: es el conjunto completo de unidades de observación.
• Muestra: subconjunto de población.
• Parámetros: describen la distribución de la variable aleatoria.
• Muestra aleatoria: muestra seleccionada de la población que asegura que
los resultados son representativos y no sesgados de la muestra.
Intervalos de confianza:
Los intervalos de confianza se utilizan para describir la
incertidumbre asociada con la estimación de una muestra de un
parámetro de población.
Estudiante t-Distribución
Si nuestra muestra es pequeña (generalmente para las muestras
n≤30) utilizamos la distribución t del estudiante en lugar de la
distribución Normal. La distribución t:
• Tiene forma de campana y es simétrica alrededor de 0.
• Es más plano y tiene colas más gordas que la distribución Normal.
• Su forma es una función de k, los grados de libertad, donde k=n-1
• Su media=0 y su desviación estándar=√(k/k-2)
Prueba de hipótesis
Es un método para elegir entre dos alternativas mutuamente
excluyentes y colectivamente exhaustivas. Hacemos dos hipótesis
(Hipótesis Nula H0 y la Hipótesis Alternativa H1). Tres posibles
hipótesis o resultados de una prueba:
• La distribución desconocida es la misma que la conocida (Siempre H0)
• La distribución desconocida es más alta que la distribución conocida
• La distribución desconocida es más baja que la distribución conocida

v
Examen de Chi cuadrado

Se utiliza para medir la bondad del ajuste y determinar si los

datos se distribuyen normalmente. Se crea un cubo de
categorías, c, se cuentan los valores esperados y observados
(reales) en cada categoría, y se calculan las estadísticas de chi
cuadrado y se encuentra el valor de p. Si p=valor es menor que el
nivel significativo, entonces rechazará la hipótesis nula.
Múltiples variables aleatorias
La mayoría de situaciones en la práctica implican el uso e
interacción de múltiples variables aleatorias. Necesitamos ser
capaces de medir la relación entre estos ellas y cómo interactúan.
Covarianza y correlación:
Miden cierto tipo de dependencia entre variables.
Regresión
 Regresión lineal de los mínimos cuadrados
ordinarios
La regresión es un método estadístico que permite resumir y
estudiar las relaciones entre una variable dependiente (y) y una o
más variables independientes (x).
Modelo de Regresión Lineal:
Los datos (xi,yi) son los pares observados a partir de los cuales
intentamos estimar los coeficientes de B para encontrar el “mejor
ajuste”.
• Residuos:
Se debe evaluar la idoneidad del modelo mediante la definición de
los residuos. La diferencia entre el valor observado de la variable
dependiente y el valor previsto se denomina valor residual.
• Reresión de los mínimos cuadrados ordinarios (OLS):
Son un método para estimar los parámetros desconocidos en una
forma lineal.
• Múltiples variables:
Estas relaciones se traducen también en múltiples variables.
Validación de un modelo:
Todos los paquetes de software estadístico proporcionan estadísticas para la
evaluación, pero la salida del modelo incluye típicamente estadísticas del modelo,
análisis de varianza y estadísticas de parámetros.
• Ajuste general:
¿Cuánta variación en la variable dependiente (y), podemos explicar?
• Suma total de cuadrados:

• Haga una estimación y por cada x:

• El modelo explica el % de la variación total de las variables dependientes:

Coeficientes individuales:
Cada variable independiente (y b0) tendrá:
• Una estimación del coeficiente (b1),A
• Error estándar (Sbi)
o Se = error estándar del modelo
o Sx = Desviación estándar de las variables
Independientes = numero de observaciones.
• El t-static
o k = número de variables inependientes
o bi = estimación o coeficiente de la variable
independiente
Multi-Colinealidad:
Es cuando dos o más variables en un modelo de regresión múltiple están altamente
correlacionadas.
La Autocorrelación:
Es una característica de los datos en la correlación entre los valores de las mismas
variables se basa en objetos relacionados.
Heteroscedasticidad:
Es cuando la variabilidad de una variable es desigual en el rango de valores deuna
segunda variable que la predice.
Simulación
 Pasos de un estudio de simulación
1. Formular y planificar el estudio:
• Definir los objetivos del estudio y determinar lo que hay que resolver.
• Desarrollar un modelo donde: por ejemplo, la demanda diaria varía y se
aplicará una ”política de producción”.
• En función de los insumos, calcular los productos.
• Evaluar las métricas de rentabilidad y rendimiento de las diferentes
políticas.
2. Recopilar datos y definir un modelo:
• Si se enfrenta a una falta de datos de la muestra, hay que determinar el
rango de la(s) variable(s) hablando con las partes interesadas para
identifiacar posibles valores.
• Si hay datos de muestra disponibles, realizar los pasos que hemos
revisado anteriormente, como los histogramas, para calcular las
estadísticas de resumen.
3. Construir el modelo y validar:
Hacer aleatorias las entradas necesarias, añadir una tabla de datos
para automatizar las ejecuciones del modelo yañadir estadísticas de
resumen basadas en los resultados de la tabla de datos.
Para validar el modelo se puede proceder a la comparación con
datos históricos o analizar la variabilidad de los parámetros y de la
sensibilidad.
4. Realizar recorridos experimentales:
Se utiliza la prueba de hipótesis para evaluar los resultados.
5. Analizar la producción:
Trata de dibujar inferencias sobre el modelo del sistema basadas en
la salida de la simulación.
Análisis Fundamental de Procesos
Para medir un sistema:
• Rendimiento (TH): o la velocidad a la que podemos procesar
elementos o entidades, normalmente es la velocidad de entrada.
• Trabajo en curso (WIP): o el número medio de posiciones en el
sistema que esperan o están siendo procesadas.
• Tiempo de ciclo (CT): el tiempo que tarda un elemento en salir
del sistema después de haber entrado.
Little´s Law
A largo plazo, el trabajo en curso medio (WIP) es igual al
rendimiento medio (TH) multiplicado por el tiempo medio de ciclo
(CT)
Capacidad, utilización y cuellos de botella
• Capacidad: velocidad media máxima a la que los artículos pueden
fluir a través del sistema (unidades/tiempo).
• Utilización: tasa de flujo en un proceso dividido por su capacidad.
• Cuello de botella: el proceso en un sistema con la mayor
utilización.
Variabilidad del proceso
Variedad de artículos, velocidad del operador, fracasos, montajes,
problemas de calidad, etc…
Simulación de eventos discretos utilizando
Anylogic
1. Crear un nuevo modelo, dar un nombre y unir el tiempo para el modelo.
2. Crear una fuente, darle un nombre y especificar las llegadas y su velocidad.
3. Cree un “fregadero”, nómbrelo y conecte la fuente al fregadero.
4. Especifique la longitud de la simulación.
5. Crear un retraso entre la fuente y el fregadero. Nómbrelo y mencione la
distribución que sigue. También añada capacidad en caso de retraso.
6. Cree una cola entre el origen y el retraso. Nómbrelo y defina su capacidad.
7. Crear medida de tiempo .
8. Cree un gráficode tiempo para el tamaño de la cola.
9. Cree un Pool de recursos, con capacidad igual al número de recursos.
10. Reemplazar el retardo con Seize. Establezca la capacidad de cola.
11. Crear liberación entre retardo y hundimiento.
12. Capacidad de relajación con retardo.
13. Crear seleccionar salida si hay una selección de servicios que se pueden realizar.
14. Se podría crear un bloque de servicio para reemplazar el retardo, la cola y un
embargo como una sola unidad. Mida el tiempo dindequiera que esté interesado,
incluyendo una medida de tiempo de inicio y una medida de tiempo de parada,
antes y después de la unidad respectivamente.
15. Podría crear un timeout en el servicio.
16. Correr el modelo.