0% encontró este documento útil (0 votos)
1 vistas3 páginasSem07-Sum02-Sol01
El Centro Logístico Delta S.A. enfrenta variabilidad en su operación diaria debido a la llegada irregular de pedidos y fallas en el equipo de clasificación. Se han identificado cuatro estados operativos y se ha elaborado una matriz de transición que describe el comportamiento del sistema. Además, se propone un modelo estocástico para analizar la incertidumbre y optimizar la red logística, considerando la dinámica del sistema a través de cadenas de Markov y distribuciones probabilísticas.
Cargado por
fredy floresDerechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
0% encontró este documento útil (0 votos)
1 vistas3 páginasSem07-Sum02-Sol01
El Centro Logístico Delta S.A. enfrenta variabilidad en su operación diaria debido a la llegada irregular de pedidos y fallas en el equipo de clasificación. Se han identificado cuatro estados operativos y se ha elaborado una matriz de transición que describe el comportamiento del sistema. Además, se propone un modelo estocástico para analizar la incertidumbre y optimizar la red logística, considerando la dinámica del sistema a través de cadenas de Markov y distribuciones probabilísticas.
Cargado por
fredy floresDerechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
Caso Integrador: “Centro Logístico Delta”
El Centro Logístico Delta S.A. es una empresa dedicada a la distribución nacional de
productos farmacéuticos que enfrenta importantes niveles de variabilidad en su
operación diaria. Los registros históricos muestran que los pedidos llegan de manera
irregular, con un promedio cercano a 15 pedidos por hora, lo que provoca que, según el
momento del día, el centro pueda encontrarse en períodos de baja carga, carga media
o alta carga, especialmente antes de los despachos programados cada 30 minutos.
Además, el equipo de clasificación presenta fallas ocasionales, generando un cuarto
estado operativo en el que el sistema queda detenido hasta completar la reparación.
Durante un proceso interno de levantamiento de información, los analistas del centro
registraron cómo el sistema cambiaba entre estos cuatro estados en intervalos
consecutivos de tiempo, observando con qué frecuencia se mantenía en el mismo
estado o pasaba a otro. A partir de estas observaciones, elaboraron una matriz
preliminar que resume el comportamiento típico del sistema: cuando el centro está en
baja carga, aproximadamente un 60% de las veces se mantiene igual, un 30% pasa a
carga media y un 10% a carga alta. En carga media, cerca de un 50% de los intervalos
permanece igual, un 20% baja a baja carga, otro 20% sube a alta carga y un 10%
termina en falla. En alta carga, el sistema tiende a mantenerse en ese estado el 40%
de las veces, bajar a carga media un 30%, bajar a baja carga un 10% y fallar un 20%.
Finalmente, cuando el sistema está en falla, alrededor de un 30% de los intervalos
vuelve a baja carga, un 30% a carga media, un 20% a alta carga y un 20% permanece
fallado.
Por otra parte, los registros operacionales muestran que la llegada de pedidos al centro
ocurre de manera aleatoria pero con un patrón estadístico estable, manteniéndose en
promedio alrededor de 15 pedidos por hora durante la operación diaria. Al revisar datos
históricos, los analistas observaron que los pedidos no tienden a agruparse ni a llegar
en lotes grandes, sino que ocurren de manera independiente entre sí, tanto en horarios
de baja actividad como en momentos de mayor exigencia. Esta regularidad en la tasa
de llegada, junto con la independencia entre los eventos, ha permitido describir su
comportamiento mediante un proceso de conteo que modela cuántas solicitudes
ingresan en intervalos específicos, como los 30 minutos que transcurren entre la salida
de un camión y el siguiente. Con esta caracterización, la gerencia puede estimar con
mayor precisión la probabilidad de acumulación de pedidos antes de cada despacho y
anticipar la variabilidad en la carga de trabajo del sistema.
Finalmente, el equipo de mantenimiento ha estado registrando con precisión los
tiempos (en minutos) que transcurren entre la reparación de una falla del sistema de
clasificación y la aparición de la siguiente. Tras analizar varios ciclos completos, se
observó que los intervalos entre fallas presentan una variabilidad moderada: en los
periodos más estables, los equipos han llegado a operar por poco más de 2,6 minutos
antes de volver a presentar problemas, mientras que en momentos de mayor exigencia
se han registrado intervalos cercanos a 17,3 minutos. Sin embargo, los técnicos
coinciden en que el intervalo más frecuente —donde se concentra la mayor parte de
las observaciones— se ubica cerca de los 10 minutos, reflejando el comportamiento
típico del equipo bajo las condiciones actuales de operación. Debido a esta variabilidad
con un valor central marcado, el equipo decidió modelar los tiempos entre fallas
mediante una distribución triangular, especificando parámetros mínimos, máximos y
más probables acordes a estos registros.
Preguntas
1. Análisis de la incertidumbre y selección del modelo (IL 1.1, 1.2, 1.3)
IL1.1 Distinguen cómo la incertidumbre afecta los resultados en modelos estocásticos,
identificando sus implicaciones en la optimización en redes dentro de sistemas
productivos y de servicios.
IL1.2 Comparan la efectividad de modelos analíticos y simulación en la resolución de
problemas de optimización en redes, considerando cómo cada enfoque maneja la
incertidumbre y su aplicabilidad en sistemas productivos y de servicios.
IL1.3 Examinan casos específicos de sistemas afectados por incertidumbre,
identificando cómo los procesos estocásticos y las técnicas de modelación pueden ser
utilizados.
Pregunta:
Examine los principales factores de incertidumbre que afectan la operación del Centro
Logístico Delta y explique cómo cada uno influye en la eficiencia del sistema y en la
optimización de la red logística. Seleccione un modelo estocástico (analítico o de
simulación) que permita representar adecuadamente el comportamiento del sistema y
analizar distintos escenarios operativos. Incluya un diagrama o esquema que
represente su propuesta y argumente por qué este modelo resulta más adecuado que
otras alternativas
2. Modelación probabilística del sistema (IL 2.1, 2.2, 2.3, 3.1)
IL2.1 Infieren el impacto de las probabilidades de transición y las propiedades de las
cadenas de Markov en la operación de sistemas productivos y de servicios,
identificando cómo estos afectan la dinámica del sistema.
IL2.2 Aplican las ecuaciones de Chapman-Kolmogorov considerando el
comportamiento a largo plazo de sistemas con componentes probabilísticos.
IL2.3 Comparan diversas clasificaciones de estados en cadenas de Markov, analizando
cómo estas afectan el análisis del estado transitorio.
Preguntas:
1. Formule un modelo probabilístico integrado que describa la dinámica del
sistema en A partir de la información entregada en el enunciado, modele la
evolución operativa del Centro Logístico Delta mediante una cadena de Markov
en tiempo discreto. Identifique los estados relevantes del sistema, construya el
diagrama de transiciones correspondiente y elabore la matriz de transición
asociada. A partir de su modelo, determine la distribución estacionaria del
sistema e interprete los resultados en el contexto operativo del centro.
Finalmente, calcule el tiempo medio de recurrencia del estado que represente
condiciones de alta carga y explique el significado de este valor para la gestión
del sistema.
2. El equipo de mantenimiento del Centro Logístico Delta ha observado que los
tiempos que transcurren entre una falla del sistema de clasificación y la
siguiente presentan una variabilidad moderada, con valores mínimos, máximos
y más probables claramente identificados, por lo que han decidido modelar
estos intervalos mediante una distribución triangular. Con esta información
buscan estimar el comportamiento de las fallas a lo largo del tiempo,
determinando primero el valor esperado y la varianza del intervalo entre fallas,
para luego proyectar cuántas interrupciones podrían registrarse durante una
jornada típica de 420 minutos de operación continua. Además, desean evaluar
la probabilidad de que el sistema experimente 40 o más fallas en dicho período,
utilizando una aproximación normal del proceso de renovación, y finalmente
estimar cuántas fallas podrían esperarse en un horizonte más amplio, por
ejemplo 2.500 minutos de funcionamiento, una confianza del 95% para apoyar
la planificación de la mantención preventiva y la continuidad operativa del
centro.