INSTITUTO TECNOLGICO SUPERIOR

DE FELIPE CARRILLO PUERTO

INVESTIGACION DE OPERACIONES
Ing. Emilio Balam Cupul
Subtemas:
Modelos probabilsticos
Planeacin de requerimientos de materiales.
Ing. Gestin Empresarial
Didz Caamal Claudia Lucely
Ek Itz Jess Alejandro
Ronzn Palmeros Abigail
Poot Ucan Mara de los A.
Chan Coll Miguel ngel

5.7. MODELOS PROBABILSTICOS

MODELOS PROBABILISTICOS
Un modelo probabilstico es una representacin
matemtica deducida de un conjunto de supuestos
con el doble propsito de estudiar los resultados de
un experimento aleatorio y predecir su
comportamiento futuro, cuando se realiza bajo las
mismas condiciones dadas inicialmente.
El modelo permite conocer la distribucin de
probabilidades de los valores que toma la variable
aleatoria, de ah que tambin se mencione con el
nombre de Distribucin de Probabilidad.

5.7.1. MODELOS DISCRETOS

Entre los modelos discretos se cuenta con:
Uniforme
Bernoulli
Binomial
Geomtrico
Multinomial

Binomial Negativo
Pascal
Hipergeomtrico
Poisson

Modelo Uniforme
Sea X una variable aleatoria discreta definida
sobre un espacio de probabilidad Laplaciano, que
indica el resultado del experimento aleatorio.

 Ejemplo 1. Suponga el experimento lanzar un

dado. Sea la variable aleatoria X: Nmero de
puntos al lanzar el dado una vez.

Ensayo De Bernoulli
Sea un experimento aleatorio en el cual pueden ocurrir dos resultados A y ,
el Experimento se repite una vez, la probabilidad de que ocurra A es p. Defnase
la variable aleatoria X que indica ocurre el resultado A:

Modelo Binomial
Suponga que un ensayo de Bernoulli se repiten
veces, entonces se presentan las siguientes
caractersticas adicionales:
1. Cada vez que se repite un ensayo es independiente de las dems.

2. La probabilidad de que suceda el evento A, no cambia a lo largo del experimento

(seleccin con repeticin).

3. X: Variable aleatoria que indica el nmero de veces que ocurre el resultado A en

los n ensayos del experimento.

EJEMPLO

Distribucin Hipergeomtrica
Sea un exponente aleatorio, con las siguientes caractersticas:
1.N: tamao de la poblacin (?)
--M: nmero de elementos con caracterstica especial tipo I
--N-M: nmero de elementos con caracterstica especial tipo
II
--n: tamao de la muestra
2. X: Indica el nmero de elementos tipo I en la muestra.
3. La muestra se elige sin restitucin (sin sustitucin)

Ejemplo 5. Se capturan M animales de la misma especie se les marca y se

les suelta nuevamente. Cierto tiempo despus se capturan n animales y se
registra el nmero de animales marcados entre los n, X. Las
probabilidades asociadas a X son una funcin de N. Suponga M = 4
animales marcados y despus soltados, se toma una muestra de tres de la
misma poblacin.
Calcular: a. P(X=1) b. Suponga N=8, N=9, N=10, N=11, N=12. Qu valor
de N maximiza P(X= 1)?
Solucin:
Se distinguen dos poblaciones, los marcados y los no marcados, la muestra
capturada es sin repeticin, por lo tanto X ~ H(N, M=4, n=3)

 b. Queda como ejercicio del lector.

Distribucin Geomtrica
Sea un experimento aleatorio que se repite hasta que
ocurre cierto evento A y se caracteriza por:
1. El experimento tiene 2 posibles resultados A,
2. Las repeticiones son independientes
3. La probabilidad de A es P (no cambia en cada
repeticin)
4. El nmero de experimentos es variable.
5. X: Es la variable aleatoria que indica el nmero de
ensayos hasta obtener el resultado A.

Distribucin De Pascal
En el experimento anterior, suponga que pueden ocurrir K resultados A, en cierto
nmero de repeticiones del experimento de Bernoulli, donde el ltimo ensayo es A.

Ejemplo 7. En el caso del jugador de bsquetbol,

calcular: a. la probabilidad de que tenga que realizar 6
ensayos para encestar 3 veces. b. Encontrar el valor
esperado, la varianza de X y la desviacin estndar.

Distribucin De Poisson
Sea un experimento aleatorio con las siguientes caractersticas:
1. Los eventos que ocurren en un Intervalo de Tiempo (o en una
Regin del Espacio) son independientes de los que ocurren en
otro Intervalo de Tiempo (o Regin del Espacio).
2. La probabilidad de que exactamente ocurra un evento en un
Intervalo de Tiempo (o Regin del Espacio) es proporcional a la
longitud del Intervalo de Tiempo (Regin del Espacio).
P(Un evento por Intervalo de Tiempo)= k + O(k), O(k) es una
funcin cualquiera de k y una constante positiva tal que para
cualquier intervalo de tiempo (Regin del Espacio) de longitud
K

 3. La probabilidad de que ocurra ms de un

evento en un mismo Intervalo de Tiempo
(Regin del Espacio) es despreciable.
P(Dos ms eventos por Intervalo de Tiempo)=
O(k)

4. X : Es la variable aleatoria que indica el

nmero de sucesos en un Intervalo de Tiempo (
Regin del Espacio) t.

Ejemplo 10. Un conmutador de telfonos maneja 300 llamadas

en promedio por hora y el tablero puede hacer a lo ms 10
conexiones por minuto. Estime la probabilidad de que el tablero
est sobrecargado en un momento dado.
Solucin
Y1 : nmero de llamadas por hora. Y1 ~ P( 1 = 300) -----k= 1
Y2 : nmero de llamadas por minuto. Y2 ~ P( 2 = 5) -----k= 1 /
60
Entonces--

Aproximacion De La Binomial A La
Poisson
Suponga que se desea encontrar la funcin de probabilidad de la
variable aleatoria X que indica nmero de accidentes ocurridos en
una semana.
El perodo de una semana se puede dividir en n sub - intervalos, cada
uno tan pequeo que podra ocurrir en l a lo ms un accidente.
Entonces:

La probabilidad de que ocurra un accidente en un sub - intervalo es P

La probabilidad de que no ocurra ningn accidente en un sub intervalo es 1 P

La probabilidad de ms de un accidente en un sub - intervalo es cero.

Ejemplo . El 0.005% de la poblacin de un pas muere debido a cierta clase de

accidentes cada ao. Una compaa de seguros tiene l0.000 asegurados contra este tipo
de accidente. Encuentre la probabilidad de que la compaa deba pagar ms de 3 plizas
en un ao dado.
Solucin: Sea Y: nmero de accidentes cada ao.

Se puede verificar que la variable Y es Binomial con parmetros n 10.000 y P =.00005,

entonces se aproxima a la Poisson as:

5.7.2. MODELOS DE VARIABLE

CONTINUA
As como se observ en el caso discreto, existen para el caso continuo
un sin nmero de modelos probabilsticos de los cuales se estudiaran
aqu los mas importantes con nombre propio, tales son las
distribuciones: Uniforme, Normal, Gamma, Beta, Exponencial,
Weibull, entre otros.

Distribucin Uniforme (Rectangular)

Sea un experimento aleatorio y X la variable
aleatoria que indica la seleccin de un punto en
el intervalo real [a, b], caracterizada por:

EJEMPLO:

El tiempo en minutos requerido por una persona para recorrer el

camino de su hogar a una estacin de trenes es un fenmeno
aleatorio que obedece a una distribucin uniforme en: ?20 , 25?
a. Cul es la probabilidad de que tome el tren que sale a las 7:28 de la maana, s
la persona sale de su hogar a las 7:05 A.M.
b. Cul es E(x)?
c. Cul es V(x)?

SOLUCIN:

Distribucin Normal
8

Una variable aleatoria X que toma valores

reales - < X < , tiene distribucin normal si
su funcin de densidad es de la forma:

EJEMPLO:

SOLUCIN:

 La interpretacin de estos resultados se acostumbra a hacer

tal como se ha efectuado con una medida de probabilidad, as
se tiene:
a. El 12.1% de la poblacin tiene estaturas entre 170 y 172
centmetros.
b. La probabilidad de que una persona tenga estatura mayor a
177.8 centmetros es 0.81859.
c. El porcentaje de personas con estaturas menores a 150
centmetros tiende a cero.
d. Toda la poblacin objeto de estudio supera los 120
centmetros de estatura.
e. El 11.1% de los elementos de la poblacin tienen estaturas de
mximo 145 centmetros, al menos de 180 centmetros.

Aproximacin Binomial A La Normal

La distribucin normal es para la distribucin
Binomial un limite al cual tiende cuando n es grande
y normalizndose mas rpidamente cuando P,
probabilidad del resultado A, es cercano a 0.5,
facilitando enormemente el trabajo del clculo de
probabilidades para una variable aleatoria discreta
con distribucin Binomial al tomarse como si tal
caracterstica fuera continua. Para hacer esta
aplicacin es necesario corregir el calculo del
resultado probabilstico que se debe hallar por ser
precisamente discreta la variable.

As tenemos:

EJEMPLO:

Distribucin Beta
Sea un fenmeno aleatorio y X una variable aleatoria que puede
representar una caracterstica fsica cuyos valores se encuentran
restringidos a un intervalo de longitud finita. Tales como:
Proporcin de impurezas en un producto qumico.
La fraccin de tiempo que una mquina est en reparacin.
La proporcin vendida de un lote durante un tiempo t.
La humedad relativa medida en cierto lugar.
Porcentaje del costo total destinado a reparacin de maquinaria.
Porcentaje de costo adicional destinado a reparacin de maquinaria.
La distribucin del tiempo necesario para completar una fase del
proyecto PERT.
Evaluacin de programas y tcnicas de revisin.

EJEMPLO:

EJEMPLO:

SOLUCIN:

Distribucin Exponencial
Sea un fenmeno aleatorio con las siguientes caractersticas:
1. X es variable aleatoria que seala el tiempo transcurrido entre dos
sucesos de la misma naturaleza, indica el tamao de una regin
del espacio.

Comparacin de las dos funciones de densidad..

EJEMPLO:

SOLUCIN:

Distribucin Gamma

EJEMPLO:

SOLUCIN:

EJEMPLO:

SOLUCIN:

Distribucin Weibull

EJEMPLO:

SOLUCIN:

5.8. Planeacin de
requerimiento de material

PLANEACIN DE REQUERIMIENTOS DE
MATERIALES
La Planeacin de Requerimientos de Materiales es un procedimiento sistemtico de planificacin
de componentes de fabricacin, el cual traduce un
plan maestro de produccin en necesidades reales
de materiales, en fechas y cantidades. El MRP
funciona como un sistema de
informacin con el fin de gestionar los inventarios
de demanda dependiente y programar de manera
eficiente los pedidos de reabastecimiento.

TIPOS DE DEMANDA
Tal como lo mencionamos, el MRP gestiona los
inventarios de demanda dependiente, razn por la
cual debemos definir los diferentes tipos de
demanda segn su criterio de dependencia
Demanda Independiente:
Demanda Dependiente
Demanda Dependiente

Demanda Independiente:
Es la demanda en la que solamente influyen las
condiciones del mercado, es sumamente difcil
estimarla con exactitud, razn por la cual esta debe
ser pronosticada.

Demanda Dependiente:
Es la demanda cuya cantidad es funcin derivada
de una demanda independiente, por ejemplo: la
demanda de llantas en ocasiones es una demanda
dependiente de la demanda independiente de
bicicletas.

Demanda Mixta
Es el caso de los elementos que pueden estar
sujetos tanto a demandas dependientes como
independientes, por ejemplo: el caso en que las
llantas de una bicicleta sean comercializadas
tambin de forma individual. En tal caso tendr
una demanda independiente sujeta al mercado, y
una demanda dependiente del nmero de
bicicletas que se vendan.

DATOS DE ENTRADA EN UN MRP

El siguiente
grfico
representa los
datos de entrada
que precisa un
MRP para poder
llevarse a cabo

Donde
MPS: Plan Maestro de Produccin que nos indica las
demandas independientes
Maestro de artculos: Listado de todos los artculos
de demanda independiente
Lista de materiales: Listado de todos los materiales
que se precisan para la obtencin de los artculos de
demanda independiente
Explosin de materiales - BOM: Registro donde
figuran todos los componentes de un artculo, su
relacin padre - hijo y las cantidades de uso
estandarizadas establecidas por diseo e ingeniera.

Explosin de materiales - BOM (Bill Of Materials)

La explosin de materiales me
indica la relacin entre el
artculo final y cada uno de sus
componentes y
subcomponentes, para
entender mejor cmo funciona
la explosin de materiales se
acude a un rbol de estructura
del producto como el
siguiente:

Segn la ilustracin, observamos que el artculo

principal (producto independiente) es A, el cual se
compone de 1 unidad de B y 1 unidad de C, este
ltimo que a su vez se compone de 2 unidades de D
y 1 unidad de E. Por ende, la explosin de
materiales debe suministrarnos la informacin
referente a por ejemplo cuantas unidades de cada
parte se requieren para producir 200 unidades de
A. En tal caso seran:

Cdigo de parte

Cantidad

200

200

200

Cdigo de Materia Prima

Cantidad

400

200

PROGRAMACIN DE REQUERIMIENTOS BRUTOS

La programacin de requerimientos brutos slo tiene lugar en

el caso de que nuestro proceso no se vea afectado por
inventarios, ni recepciones programadas, lo cual se ajusta
poco a la realidad, sin embargo, debe considerarse como una
forma de evaluar nuestro plan en condiciones ideales, en tal
caso podemos obtener informacin referente a las
actividades crticas promedio y a las actividades con holgura,
informacin sumamente relevante en materia de
negociaciones y programacin de la produccin

 Para ello debemos considerar entonces el lead time de

cada componente, definamos lead time como el ciclo en
trminos de tiempo que se requiere para que el producto
se encuentre disponible una vez sus partes se encuentren
dispuestas. En el caso de que los componentes sean
materias primas, el lead time ser el tiempo que tarda en
estar la materia en las instalaciones de la compaa a
partir de que se emite la orden de compra al proveedor.
Supongamos que para el ejemplo que trabajamos en la
explosin de materiales los lead times se relacionan as:

Cdigo

Lead Time

1 Semana

1 Semana

2 Semanas

1 Semana

3 Semanas

Entonces es conveniente diagramar en un

eje de tiempo el rbol de la estructura del
producto

 As podemos observar que de plantearnos una

fecha objetivo de obtencin del producto
terminado A, hemos de producir el componente C
3 semanas antes de la semana objetivo por
ejemplo. As que el tiempo mnimo de obtencin
de A es de 6 semanas, suponiendo la consecucin
de todos sus componentes. Esta relacin de tiempo
puede tabularse en conjunto con las cantidades de
la explosin de materiales, y nos quedar un Plan
de Requerimientos Brutos como el siguiente

PROGRAMACIN DE REQUERIMIENTOS NETOS

La programacin de requerimientos netos corresponde al entregable del
MRP, es decir que en esta se determina las condiciones para el
lanzamiento de las rdenes proyectadas, tanto rdenes de compra,
como rdenes de fabricacin. Su diferencia respecto a la programacin
de requerimientos brutos es la inclusin de inventarios, niveles de
seguridad y recepciones programadas, ajustndose al devenir de la
produccin real. As mismo, en dicha programacin se aplica el tamao
de lote determinado para cada componente.
Para el ejemplo que hemos venido trabajando en este mdulo
agregamos algunas recepciones programadas y establecimos
inventarios iniciales para todos los componentes, de esta forma
podemos efectuar una programacin de requerimientos netos. La
formulacin que utilizamos es simple:

Inventario Disponible (perodo i) = Inventario Proyectado (perodo i

-1)
Requerimientos Netos (i) = Requerimientos brutos (i) - Inventario
Disponible (i)
Recepcin Planeada (i) = S los requerimientos netos son mayores a
0, debe efectuarse una recepcin planeada por el tamao del lote, en
el caso de ser LXL (lote por lote) corresponde al requerimiento neto.
Inventario Proyectado (i) = Inv. Disponible (i) + Recepcin planeada
(i) + Recepcin Programada (i) - Requerimientos Brutos (i)
Liberacin Planeada = Segn la el perodo en que se plane una
recepcin esta deber liberarse tantos perodos antes como sea el
tamao del lead time.
La Programacin de Requerimientos Netos ser entonces as: