<?xml version="1.0" encoding="ISO-8859-1"?><article xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance">
<front>
<journal-meta>
<journal-id>0122-3461</journal-id>
<journal-title><![CDATA[Ingeniería y Desarrollo]]></journal-title>
<abbrev-journal-title><![CDATA[Ing. Desarro.]]></abbrev-journal-title>
<issn>0122-3461</issn>
<publisher>
<publisher-name><![CDATA[Fundación Universidad del Norte]]></publisher-name>
</publisher>
</journal-meta>
<article-meta>
<article-id>S0122-34612013000100008</article-id>
<title-group>
<article-title xml:lang="es"><![CDATA[Optimización de una red de distribución con parámetros estocásticos usando la metodología de aproximación por promedios muestrales]]></article-title>
<article-title xml:lang="en"><![CDATA[Supply chain optimization with stochastic parameters by using the sample average approximation method]]></article-title>
</title-group>
<contrib-group>
<contrib contrib-type="author">
<name>
<surname><![CDATA[Escobar]]></surname>
<given-names><![CDATA[John Willmer]]></given-names>
</name>
<xref ref-type="aff" rid="A01"/>
</contrib>
<contrib contrib-type="author">
<name>
<surname><![CDATA[Bravo]]></surname>
<given-names><![CDATA[Juan José]]></given-names>
</name>
<xref ref-type="aff" rid="A02"/>
</contrib>
<contrib contrib-type="author">
<name>
<surname><![CDATA[Vidal]]></surname>
<given-names><![CDATA[Carlos Julio]]></given-names>
</name>
<xref ref-type="aff" rid="A03"/>
</contrib>
</contrib-group>
<aff id="A01">
<institution><![CDATA[,Pontificia Universidad Javeriana Departamento de Ingeniería Civil e Industrial ]]></institution>
<addr-line><![CDATA[Cali ]]></addr-line>
<country>Colombia</country>
</aff>
<aff id="A02">
<institution><![CDATA[,Universidad del Valle Escuela de Ingeniería Industrial ]]></institution>
<addr-line><![CDATA[Cali ]]></addr-line>
<country>Colombia</country>
</aff>
<aff id="A03">
<institution><![CDATA[,Universidad del Valle Escuela de Ingeniería Industrial ]]></institution>
<addr-line><![CDATA[ ]]></addr-line>
</aff>
<pub-date pub-type="pub">
<day>15</day>
<month>07</month>
<year>2013</year>
</pub-date>
<pub-date pub-type="epub">
<day>15</day>
<month>07</month>
<year>2013</year>
</pub-date>
<volume>31</volume>
<numero>1</numero>
<fpage>135</fpage>
<lpage>160</lpage>
<copyright-statement/>
<copyright-year/>
<self-uri xlink:href="http://www.scielo.org.co/scielo.php?script=sci_arttext&amp;pid=S0122-34612013000100008&amp;lng=en&amp;nrm=iso"></self-uri><self-uri xlink:href="http://www.scielo.org.co/scielo.php?script=sci_abstract&amp;pid=S0122-34612013000100008&amp;lng=en&amp;nrm=iso"></self-uri><self-uri xlink:href="http://www.scielo.org.co/scielo.php?script=sci_pdf&amp;pid=S0122-34612013000100008&amp;lng=en&amp;nrm=iso"></self-uri><abstract abstract-type="short" xml:lang="es"><p><![CDATA[Este artículo presenta el problema del diseño de una red de distribución de gran escala con parámetros estocásticos. La problemática central radica en la determinación de las decisiones de expansión o contracción de algunos de los eslabones de una red, teniendo en cuenta la variabilidad de la demanda. El problema se ha formulado como un modelo estocástico de dos etapas. Las decisiones de la primera etapa son de tipo estratégico; mientras que las decisiones de la segunda etapa son de tipo táctico. El modelo está basado en el caso de una compañía multinacional de alimentos que abastece a todo el territorio colombiano y varios mercados internacionales, dentro de los que se destacan Venezuela, Ecuador, Chile y algunos países de Centroamérica. La estrategia de solución adoptada es conocida como Sample Average Approximation (SAA). Dicha estrategia usa un esquema de aproximación por promedios muestrales para la solución de problemas estocásticos. Se presentan experimentos computacionales con diferentes tamaños de muestra. Los resultados obtenidos reflejan la importancia y eficiencia de la metodología propuesta como alternativa para el tratamiento de la variabilidad para redes de suministro de gran escala.]]></p></abstract>
<abstract abstract-type="short" xml:lang="en"><p><![CDATA[This paper presents a supply chain design problem with stochastic parameters for a large-scale company. The main problem consists to determine the decisions of expansion or contraction of some echelons by considering the variability of the demand. The problem is formulated as a two-stage stochastic model. The first-stage decisions are strategic, while the second-stage decisions are tactical. The model is based on a real-world case from amultinational food company, which suppliesthe Colombian territory and different international markets such as: Venezuela, Ecuador, Chile and some Central American Countries. The solution strategy adopted is known as Sample Average Approximation (SAA). This strategy uses an approximation scheme by sample averages for solving stochastic problems. Computational experiments with different sample sizes are presented. The results show the importance and efficiency of the proposed approach as analternative to the treatment of the variability for large-scale supply chains.]]></p></abstract>
<kwd-group>
<kwd lng="es"><![CDATA[Diseño de Redes de Suministro]]></kwd>
<kwd lng="es"><![CDATA[Logística]]></kwd>
<kwd lng="es"><![CDATA[Programación Estocástica]]></kwd>
<kwd lng="es"><![CDATA[Sample Average Approximation (SAA)]]></kwd>
<kwd lng="es"><![CDATA[Simulación Montecarlo]]></kwd>
<kwd lng="en"><![CDATA[Logistics]]></kwd>
<kwd lng="en"><![CDATA[Montecarlo Simulation]]></kwd>
<kwd lng="en"><![CDATA[Sample Average Approximation (SAA)]]></kwd>
<kwd lng="en"><![CDATA[Stochastic Programming]]></kwd>
<kwd lng="en"><![CDATA[Supply Chain Design]]></kwd>
</kwd-group>
</article-meta>
</front><body><![CDATA[  <font face="verdana" size="2">     <p><b>ART&Iacute;CULO DE INVESTIGACI&Oacute;N / RESEARCH ARTICLE</b></p>     <p align="center"><font size="4"><b>Optimizaci&oacute;n de una red de distribuci&oacute;n con par&aacute;metros estoc&aacute;sticos     <br>usando la metodolog&iacute;a de aproximaci&oacute;n por promedios muestrales</b></font></p>     <p align="center"><font size="3"><b>Supply chain optimization with stochastic parameters by using the sample     <br>average approximation method</b></font></p>     <p><b>John Willmer Escobar*</b>    <br> <i>Pontificia Universidad Javeriana, Cali (Colombia)</i></p>     <p><b>Juan Jos&eacute; Bravo**</b></p>      <p><b>Carlos Julio Vidal***</b>    ]]></body>
<body><![CDATA[<br> <i>Universidad del Valle, Cali (Colombia)</i></p>     <p>* Departamento de Ingenier&iacute;a Civil e Industrial, Pontificia Universidad Javeriana, Cali (Colombia). <a href="mailto:johnwillmer.escobar2@unibo.it"><i>johnwillmer.escobar2@unibo.it</i></a></p>     <p>** Escuela de Ingenier&iacute;a Industrial, Universidad del Valle, Cali (Colombia). <a href="mailto:juan.bravo@correounivalle.edu.co"><i>juan.bravo@correounivalle.edu.co</i></a></p>     <p>*** Escuela de Ingenier&iacute;a Industrial, Universidad del Valle, Cali (Colombia). <a href="mailto:carlos.vidal@correounivalle.edu.co"><i>carlos.vidal@correounivalle.edu.co</i></a></p>     <p><b>Correspondencia: </b>John Willmer Escobar, Calle 18 No. 118-250 Cali (Colombia). Tel-Fax. +572 3218266.</p>     <p><b>Subvenciones y apoyos: </b>El primer autor agradece el apoyo econ&oacute;mico a trav&eacute;s de una beca como asistente de docencia de la Universidad del Valle.</p>     <p><i>Fecha de recepci&oacute;n: </i>13 de agosto de 2012    <br> <i>Fecha de aceptaci&oacute;n: </i>27 de febrero de 2013</p> <hr>     <p><b>Resumen</b></p>     <p>Este art&iacute;culo presenta el problema del dise&ntilde;o de una red de distribuci&oacute;n de gran escala con par&aacute;metros estoc&aacute;sticos. La problem&aacute;tica central radica en la determinaci&oacute;n de las decisiones de expansi&oacute;n o contracci&oacute;n de algunos de los eslabones de una red, teniendo en cuenta la variabilidad de la demanda. El problema se ha formulado como un modelo estoc&aacute;stico de dos etapas. Las decisiones de la primera etapa son de tipo estrat&eacute;gico; mientras que las decisiones de la segunda etapa son de tipo t&aacute;ctico. El modelo est&aacute; basado en el caso de una compa&ntilde;&iacute;a multinacional de alimentos que abastece a todo el territorio colombiano y varios mercados internacionales, dentro de los que se destacan Venezuela, Ecuador, Chile y algunos pa&iacute;ses de Centroam&eacute;rica. La estrategia de soluci&oacute;n adoptada es conocida como Sample Average Approximation (SAA). Dicha estrategia usa un esquema de aproximaci&oacute;n por promedios muestrales para la soluci&oacute;n de problemas estoc&aacute;sticos. Se presentan experimentos computacionales con diferentes tama&ntilde;os de muestra. Los resultados obtenidos reflejan la importancia y eficiencia de la metodolog&iacute;a propuesta como alternativa para el tratamiento de la variabilidad para redes de suministro de gran escala.</p>     ]]></body>
<body><![CDATA[<p><b>Palabras Claves: </b>Dise&ntilde;o de Redes de Suministro, Log&iacute;stica, Programaci&oacute;n Estoc&aacute;stica, Sample Average Approximation (SAA), Simulaci&oacute;n Montecarlo.</p> <hr>     <p><b>Abstract</b></p>     <p>This paper presents a supply chain design problem with stochastic parameters for a large-scale company. The main problem consists to determine the decisions of expansion or contraction of some echelons by considering the variability of the demand. The problem is formulated as a two-stage stochastic model. The first-stage decisions are strategic, while the second-stage decisions are tactical. The model is based on a real-world case from amultinational food company, which suppliesthe Colombian territory and different international markets such as: Venezuela, Ecuador, Chile and some Central American Countries. The solution strategy adopted is known as Sample Average Approximation (SAA). This strategy uses an approximation scheme by sample averages for solving stochastic problems. Computational experiments with different sample sizes are presented. The results show the importance and efficiency of the proposed approach as analternative to the treatment of the variability for large-scale supply chains.</p>     <p><b>Keywords: </b>Logistics, Montecarlo Simulation, Sample Average Approximation (SAA), Stochastic Programming, Supply Chain Design.</p> <hr> <font size="3">    <p><b>INTRODUCCI&Oacute;N</b></p></font>     <p>La log&iacute;stica comprende la integraci&oacute;n de las actividades de abastecimiento, producci&oacute;n, transporte, distribuci&oacute;n, inventario, almacenamiento, manipulaci&oacute;n de materiales y empaque, as&iacute; como el flujo de informaci&oacute;n entre ellas. Ballou &#91;1&#93; ha definido tres niveles de planeaci&oacute;n log&iacute;stica dependiendo del horizonte de tiempo: <i>nivel estrat&eacute;gico, nivel t&aacute;ctico </i>y <i>nivel operacional. </i>El <i>nivel estrat&eacute;gico </i>considera el horizonte de tiempo m&aacute;s largo (usualmente m&aacute;s de un a&ntilde;o). Este nivel requiere aproximaci&oacute;n y agregaci&oacute;n de datos. En este nivel generalmente se consideran decisiones de selecci&oacute;n y asignaci&oacute;n de proveedores y/o clientes, n&uacute;mero, tama&ntilde;o y localizaci&oacute;n de las instalaciones, tipo de productos a fabricar y/o distribuir y las decisiones de tercerizaci&oacute;n de alguna de las operaciones log&iacute;sticas.</p>     <p>El <i>nivel t&aacute;ctico </i>es el intermedio en el horizonte de tiempo y requiere exactitud en los datos. Este nivel comprende decisiones de an&aacute;lisis del comportamiento de la demanda, la selecci&oacute;n de t&eacute;cnicas de pron&oacute;stico, la administraci&oacute;n de inventarios, la determinaci&oacute;n de pol&iacute;ticas de producci&oacute;n, almacenamiento y distribuci&oacute;n y la selecci&oacute;n del modo de transporte, entre otras. El <i>nivel operacional </i>involucra decisiones de corto plazo, frecuentemente en t&eacute;rminos de d&iacute;as u horas, para las cuales se necesitan datos transaccionales. Generalmente este nivel comprende decisiones de planiicaci&oacute;n de recursos, determinaci&oacute;n de planes de emergencia, prioridades y asignaci&oacute;n de <i>picking, </i>distribuci&oacute;n de carga y ruteo de veh&iacute;culos, entre otras. El problema considerado en este art&iacute;culo involucra algunas decisiones de orden t&aacute;ctico y estrat&eacute;gico relacionadas con el dise&ntilde;o de la cadena de suministro.</p>     <p>La importancia del dise&ntilde;o de la cadena de suministro fue reconocida a principio de los a&ntilde;os 60. Las primeras teor&iacute;as sobre localizaci&oacute;n fueron propuestas por economistas agrarios y ge&oacute;grafos &#91;1&#93;. El tema com&uacute;n de todos los trabajos presentados en dicha &eacute;poca fue el reconocimiento de los costos de transporte para determinar la localizaci&oacute;n de una instalaci&oacute;n. Todos estos trabajos asumieron que los par&aacute;metros que influencian el dise&ntilde;o de la red son en general determin&iacute;sticos. Esta idea a lo largo del tiempo ha evolucionado considerando la aleatoriedad en los par&aacute;metros que afectan el dise&ntilde;o de una cadena de suministro.</p>     <p>A trav&eacute;s de la vida &uacute;til de una red de distribuci&oacute;n, una compa&ntilde;&iacute;a experimenta fluctuaciones en la demanda, precios y tasas de cambio en ambientes competitivos. En contextos de este tipo, la alta gerencia de las compa&ntilde;&iacute;as debe considerar estrategias que le ayuden a tomar mejores decisiones del dise&ntilde;o de la red. Estos desaf&iacute;os han incrementado el inter&eacute;s por el estudio de modelos de programaci&oacute;n estoc&aacute;stica en la &uacute;ltima d&eacute;cada. Dichos modelos, consideran de alguna manera, la variabilidad presente en los elementos cr&iacute;ticos de decisi&oacute;n (demanda, precios, costos, etc.).</p>     <p>Bajo incertidumbre no toda la informaci&oacute;n est&aacute; disponible y algunos par&aacute;metros de una red de suministro deben ser modelados como variables aleatorias. En ese sentido la construcci&oacute;n de un modelo de programaci&oacute;n entera mixta determin&iacute;stico, acompa&ntilde;ado de la estad&iacute;stica y la simulaci&oacute;n, provee m&eacute;todos eicientes para obtener soluciones al problema de dise&ntilde;o de redes de distribuci&oacute;n de productos de consumo masivo con elementos estoc&aacute;sticos.</p>     ]]></body>
<body><![CDATA[<p>En el presente art&iacute;culo se propone un modelo de dise&ntilde;o de redes de distribuci&oacute;n de productos de consumo masivo estoc&aacute;stico de dos etapas. El modelo considera un sistema de distribuci&oacute;n - inventario de tres eslabones en la cadena de suministro, en la cual se deben tomar decisiones de expansi&oacute;n o repliegue en centros de distribuci&oacute;n, permitiendo tomar decisiones t&aacute;cticas y estrat&eacute;gicas de la red log&iacute;stica. Adem&aacute;s del art&iacute;culo presentado por Santoso et al.&#91;2&#93;, son escasos los art&iacute;culos que incluyen la soluci&oacute;n de un caso real de cadena de abastecimiento con consideraciones estoc&aacute;sticas aplicando la metodolog&iacute;a SAA, raz&oacute;n por la cual la principal contribuci&oacute;n de este art&iacute;culo es examinar la aplicabilidad y efectividad de un modelo estoc&aacute;stico en un caso real de estudio asociado a una cadena de suministro de productos de consumo masivo, utilizando esta t&eacute;cnica de soluci&oacute;n y considerando la variabilidad de la demanda en las zonas de mercado nacionales e internacionales.</p>     <p>Este art&iacute;culo aborda el caso de una compa&ntilde;&iacute;a multinacional de alimentos que abastece a todo el territorio colombiano y varios mercados internacionales, dentro de los que se destacan Venezuela, Ecuador, Chile y algunos pa&iacute;ses de Centroam&eacute;rica. La empresa cuenta con aproximadamente 40 familias de productos terminados, que representan alrededor de 410 sku's (Stock Keeping Units). La compa&ntilde;&iacute;a cuenta con m&aacute;s de 1.800 clientes nacionales y m&aacute;s de 2.000 clientes internacionales. Entre los centros de distribuci&oacute;n y las plantas existe un flujo continuo de productos por medio del transporte terrestre con un operador log&iacute;stico. Los centros de distribuci&oacute;n tienen gran cantidad de producto en inventario cuyo contenido se subdivide en dos grupos b&aacute;sicos: a) productos para exportaci&oacute;n, y b) productos para venta nacional.</p>     <p>En primera instancia se ha dise&ntilde;ado un <i>modelo matem&aacute;tico de programaci&oacute;n entera mixta determin&iacute;stico </i>(MILP) que permite representar la realidad del sistema bajo estudio. Seguidamente, se obtienen muestras de los par&aacute;metros aleatorios con los cuales se alimenta el <i>modelo de programaci&oacute;n entera mixta estoc&aacute;stico </i>(SILP). De esta manera, se obtiene una soluci&oacute;n para un escenario determinado con la cual se trata de validar el modelo mediante el an&aacute;lisis de respuestas y la experimentaci&oacute;n. De acuerdo con los resultados de la validaci&oacute;n, fue posible retornar al redise&ntilde;o del modelo MILP y su reinamiento, convirti&eacute;ndose as&iacute; en un proceso iterativo que evolucionaba de acuerdo con la din&aacute;mica del sistema estudiado.</p>     <p>Para resolver el modelo SILP se ha utilizado la t&eacute;cnica SAA desarrollada por &#91;2&#93; y Kleywegt et al. &#91;3&#93;.Dicha metodolog&iacute;a utiliza un esquema de aproximaci&oacute;n mediante Simulaci&oacute;n Montecarlo, a problemas de optimizaci&oacute;n de modelos de programaci&oacute;n lineal entera mixta estoc&aacute;sticos.</p>     <p>En la secci&oacute;n 2 se presenta la revisi&oacute;n de la literatura del dise&ntilde;o de cadenas de suministro con elementos estoc&aacute;sticos. La secci&oacute;n 3 presenta el modelo determin&iacute;stico (MILP) para la compa&ntilde;&iacute;a bajo estudio. La estructura general del modelo estoc&aacute;stico (SILP) y su estrategia de soluci&oacute;n se detalla en la secci&oacute;n 4. Finalmente, resultados computacionales y conclusiones son presentados en las secciones 5 y 6 respectivamente.</p> <font size="3">    <p><b>REVISI&Oacute;N DE LA LITERATURA</b></p></font>     <p>Dada la naturaleza integral de los modelos de dise&ntilde;o de redes de distribuci&oacute;n, y de la incidencia que sus decisiones tienen a lo largo del sistema de abastecimiento, el campo de las &aacute;reas del conocimiento relacionadas con esta problem&aacute;tica es bastante amplio. Algunas de las &aacute;reas espec&iacute;icas de estudio que se distinguen, entre otras, son: modelos de dise&ntilde;o de redes determin&iacute;sticos de una sola instalaci&oacute;n, modelos de dise&ntilde;o de redes determin&iacute;sticos considerando m&uacute;ltiples instalaciones, modelos de dise&ntilde;o de redes utilizando m&eacute;todos exactos, modelos de dise&ntilde;o de redes considerando m&eacute;todos de simulaci&oacute;n, modelos de dise&ntilde;o de redes utilizando m&eacute;todos heur&iacute;sticos, modelos din&aacute;micos de dise&ntilde;o de redes y modelos de dise&ntilde;o de redes estoc&aacute;sticos.</p>     <p>Muchas de estas &aacute;reas, se han integrado para el estudio de la problem&aacute;tica por parte de expertos y acad&eacute;micos, logrando importantes desarrollos en la evoluci&oacute;n de la teor&iacute;a de dise&ntilde;o de redes de distribuci&oacute;n &#91;4&#93; , &#91;6&#93;, &#91;17&#93; , &#91;18&#93;. Igualmente diferentes funciones objetivo han sido consideradas para tratar numerosas aplicaciones &#91;7&#93;, &#91;8&#93;. Existe una gran cantidad de aplicaciones exitosas a nivel nacional e internacional del dise&ntilde;o de cadenas de abastecimiento a nivel industrial; entre ellas podemos mencionar el caso Hewlett Packard propuesto por Laval et al. &#91;9&#93;, caso IBM propuesto por Fleischmann et al. &#91;10&#93; y caso Elkem propuesto por Ulstein et al. &#91;11&#93;, entre otros.</p>     <p>La literatura que considera modelos de dise&ntilde;o de redes estoc&aacute;sticos ha sido divida en dos grandes aproximaciones: <i>aproximaci&oacute;n probabil&iacute;stica </i>y <i>aproximaci&oacute;n basada en escenarios. </i>En ambos casos, cualquier tipo de par&aacute;metro del sistema es considerado como incierto. La <i>aproximaci&oacute;n probabil&iacute;stica </i>considera expl&iacute;citamente la distribuci&oacute;n de probabilidad de las variables aleatorias modeladas, mientras que la <i>aproximaci&oacute;n basada en escenarios </i>considera un conjunto de posibles valores futuros de la variable o par&aacute;metro en el an&aacute;lisis. En la pr&aacute;ctica, la soluci&oacute;n obtenida mediante la t&eacute;cnica de <i>aproximaci&oacute;n probabil&iacute;stica </i>agrega un alto grado de complejidad computacional y matem&aacute;tico para la soluci&oacute;n de problemas de dise&ntilde;o de redes de distribuci&oacute;n, m&aacute;s a&uacute;n cuando se consideran una gran cantidad de par&aacute;metros aleatorios con distribuciones de probabilidad continuas.</p>     <p>En la <i>aproximaci&oacute;n basada en escenarios, </i>la incertidumbre es representada por un conjunto de escenarios discretos que capturan las diversas maneras en las que se puede modelar la variabilidad. Cada escenario tiene asociado un nivel de probabilidad que representa las expectativas del tomador de decisiones respecto a la ocurrencia de unos hechos en particular &#91;12&#93;. La metodolog&iacute;a basada en escenarios en la pr&aacute;ctica no es tan sencilla de implementar, debido a que es necesario predecir todas las posibles salidas de los par&aacute;metros o variables que se consideran aleatorios, adem&aacute;s de que en algunos casos no se puede identiicar f&aacute;cilmente un conjunto inito de escenarios discretos. Por ejemplo, suponga que se desea dise&ntilde;ar una red de distribuci&oacute;n de 50 instalaciones (plantas, centros de distribuci&oacute;n y zonas de mercado) con un par&aacute;metro aleatorio (demanda, tiempo de reposici&oacute;n, etc.). Asuma que este par&aacute;metro puede tomar un valor determinado de solamente tres posibilidades, y dicha cifra es independiente para cada una de las instalaciones. Entonces existe un total de 3<sup>50</sup> &#8776;7.18x10<sup>23</sup> escenarios para la representaci&oacute;n de la incertidumbre, cifra que no podr&iacute;a ser enumerada f&aacute;cilmente.</p>     ]]></body>
<body><![CDATA[<p>Modelos robustos de localizaci&oacute;n probabil&iacute;sticos considerando la mayor cantidad de par&aacute;metros aleatorios posibles han sido estudiados por Chen et al. &#91;13&#93;, Dasci y Laporte &#91;14&#93;, Gabor y Van Ommeren &#91;15&#93; y Yu y Li &#91;16&#93;. Modelos de aproximaci&oacute;n basada en escenarios han sido estudiados por Vidal y Goetschalckx &#91;18&#93;.</p>     <p>Aun cuando las metodolog&iacute;as de aproximaci&oacute;n probabil&iacute;stica y planeaci&oacute;n por escenarios han sido ampliamente estudiadas por varios autores &#91;13&#93; , &#91;16&#93;; seg&uacute;n &#91;17&#93;, estas t&eacute;cnicas no son adecuadas para investigar y capturar en un camino sistem&aacute;tico las iteraciones de varios par&aacute;metros estoc&aacute;sticos de la cadena de abastecimiento. Para dar una soluci&oacute;n a la problem&aacute;tica, los autores han desarrollado un m&eacute;todo de descomposici&oacute;n estoc&aacute;stico de dos etapas, el cual expl&iacute;citamente incorpora estas iteraciones. El m&eacute;todo permite generar un n&uacute;mero limitado de coniguraciones factibles. Para cada una de ellas se genera N r&eacute;plicas calculando el valor esperado y la desviaci&oacute;n est&aacute;ndar de los beneicios para cada dise&ntilde;o. Finalmente, se selecciona la mejor coniguraci&oacute;n con la mejor combinaci&oacute;n ponderada del valor esperado y la desviaci&oacute;n est&aacute;ndar. Uno de los puntos interesantes de este trabajo es que ha demostrado que la coniguraci&oacute;n de la cadena de abastecimiento &oacute;ptima para el caso determin&iacute;stico no es la mejor coniguraci&oacute;n para el caso estoc&aacute;stico.</p>     <p>Tres de las publicaciones relevantes en el desarrollo de la teor&iacute;a de optimizaci&oacute;n estoc&aacute;stica en cadenas de abastecimiento han sido propuestas por Kiya y Davoudpour &#91;19&#93;, &#91;2&#93; y Snyder &#91;20&#93;. En la primera de ellas se considera el problema de redise&ntilde;o de la red de distribuci&oacute;n, donde se busca eliminar o integrar centros de distribuci&oacute;n en una red dom&eacute;stica, considerando aleatoriedad de la demanda y de los costos operacionales en un modelo de programaci&oacute;n lineal entera mixta. En este trabajo se presenta un caso hipot&eacute;tico probando diferentes distribuciones de probabilidad de los par&aacute;metros estoc&aacute;sticos. El segundo art&iacute;culo se concentra en el dise&ntilde;o de una red de suministro para una cadena de m&uacute;ltiples eslabones. En este trabajo, descomposici&oacute;n primal acelerada de Benders y SAA son utilizadas como t&eacute;cnicas de soluci&oacute;n para el modelo estoc&aacute;stico. Resultados computacionales para un caso real son presentados. En &#91;20&#93; se propone un modelo de optimizaci&oacute;n que evidencia que la soluci&oacute;n &oacute;ptima de los modelos estoc&aacute;sticos es m&aacute;s robusta cuando se involucra toda la variabilidad de todos los par&aacute;metros en el modelo.</p>     <p>En Alonso-Ayuso et al. &#91;21&#93; se presenta un modelo de programaci&oacute;n estoc&aacute;s-tica binaria de dos etapas. De igual manera, en &#91;12&#93; se propone un modelo de planeaci&oacute;n de la demanda bajo incertidumbre utilizando programaci&oacute;n estoc&aacute;stica. En &#91;22&#93;, se muestra una aplicaci&oacute;n interesante de la metodolog&iacute;a SAA para el problema ULSP - Uncapacitated Lot Sizing Problem. Una aplicaci&oacute;n interesante de la teor&iacute;a de optimizaci&oacute;n estoc&aacute;stica a la industria papelera puede ser consultada en Santoso et al. &#91;23&#93;. Escobar &#91;24&#93; y Escbar et al. &#91;25&#93;, describen de manera general la metodolog&iacute;a utilizada para abordar el problema propuesto.</p> <font size="3">    <p><b>METODOLOG&Iacute;A</b></p></font>     <p>El desarrollo de la investigaci&oacute;n se realiz&oacute; en tres grandes etapas: formulaci&oacute;n del modelo matem&aacute;tico de programaci&oacute;n entera mixta determin&iacute;stico (MILP), formulaci&oacute;n del modelo de programaci&oacute;n entera mixta estoc&aacute;stico(SILP), y descripci&oacute;n de la estrategia de soluci&oacute;n SAA. A continuaci&oacute;n se describe en detalle cada etapa de la metodolog&iacute;a propuesta.</p>     <p><b>Formulaci&oacute;n del Modelo Matem&aacute;tico Determin&iacute;stico </b><b>(MILP)</b></p>     <p><b><i>Caracter&iacute;sticas y supuestos generales del modelo</i></b></p>     <p>Las caracter&iacute;sticas generales y supuestos del <i>modelo matem&aacute;tico determin&iacute;stico </i>de dise&ntilde;o de la red de distribuci&oacute;n de productos de consumo masivo son los siguientes:</p>     <blockquote>    ]]></body>
<body><![CDATA[<p>• Toda la infraestructura f&iacute;sica de la red se supone al interior de un &uacute;nico pa&iacute;s, considerando la exportaci&oacute;n de productos o la distribuci&oacute;n f&iacute;sica internacional, pero colocados estos &iacute;tems en los puertos</p>     <p>mar&iacute;timos de despacho. Se busca la minimizaci&oacute;n de los costos de distribuci&oacute;n en un pa&iacute;s, haciendo &eacute;nfasis en los costos de inventario, costos fijos de cierre de centros de distribuci&oacute;n, costos de transporte y costos de manipulaci&oacute;n de productos.</p>     <p>•&nbsp;El modelo se dise&ntilde;a para hacer consideraciones relativas a un &uacute;nico per&iacute;odo de planeaci&oacute;n y se admite la consideraci&oacute;n de m&uacute;ltiples productos.</p>     <p>•&nbsp;El modelo incluye como variables de decisi&oacute;n, el cierre y la consolidaci&oacute;n de centros de distribuci&oacute;n y el flujo de productos a trav&eacute;s de la red. Se considera un proceso de distribuci&oacute;n de varios eslabones <i>(multi-echelon distribution system). </i>Uno de los eslabones lo constituyen los centros de distribuci&oacute;n (cd's), los cuales son de gran magnitud y tienen considerable cantidad de inventario.</p>     <p>•&nbsp;Se parte de una infraestructura de plantas y centros de distribuci&oacute;n ya establecida, y se busca revisar el cierre y consolidaci&oacute;n de la operaci&oacute;n de distribuci&oacute;n en cd's.</p>     <p>•&nbsp;Se consideran restricciones de capacidad y almacenamiento en cada eslab&oacute;n. La capacidad se ha determinado en relaci&oacute;n a los kilogramos de producto terminado que se manejan a trav&eacute;s de la red.</p>     <p>•&nbsp;Las plantas de manufactura env&iacute;an productos terminados &uacute;nicamente a los cd's, es decir que no se consideran env&iacute;os directos entre plantas y clientes.</p>     <p>•&nbsp;El modelo permite env&iacute;o de productos desde un centro de distribuci&oacute;n hacia otro (traslado de productos entre centros de distribuci&oacute;n), y hacia los clientes finales. Se considera una flota suficiente de veh&iacute;culos, por lo cual no se incluyen limitaciones en la capacidad de transporte.</p>     <p>•&nbsp;Para el modelo MILP se trabaja con los valores de demanda promedio, que han de ser satisfechos para cada cliente o zona de consumo nacional e internacional. La demanda se ha considerado en unidades de producto terminado, y se ha convertido a kilogramos por el factor de unidad / peso de cada uno de los &iacute;tems.</p>     <p>•&nbsp;Se considera como &uacute;nico modo de transporte el terrestre por cami&oacute;n (no se incluye las decisiones de selecci&oacute;n de modos de transporte), y no se incluyen las decisiones de selecci&oacute;n de tipos de camiones.</p>     ]]></body>
<body><![CDATA[<p>La variabilidad en los tiempos de respuesta no se han incluido y se consideran como un factor constante para todo el flujo de producto en una ruta determinada.</p>     <p>• El modelo no tiene en cuenta de manera expl&iacute;cita consideraciones de tipo financiero relativas a impuestos y beneficios tributarios t&iacute;picos de procesos de comercializaci&oacute;n. Adem&aacute;s, no se considera expl&iacute;citamente la modelaci&oacute;n del riesgo. Dicha extensi&oacute;n se ha realizado en el modelo matem&aacute;tico estoc&aacute;stico el cual es detallado en la secci&oacute;n 4.</p></blockquote>     <p><b><i>Notaci&oacute;n Matem&aacute;tica</i></b></p>     <p><i>Conjuntos principales e inducidos</i></p>     <p>C = Conjunto de zonas geogr&aacute;ficas de clientes, indexadas por k;</p>     <p>CD = Conjunto de centros de distribuci&oacute;n, indexados por j;</p>     <p>PL = Conjunto de plantas de manufactura, indexadas por i;</p>     <p>PT = Conjuntos de productos terminados, indexados por p;</p>     <p>C(j) = Conjunto de zonas de mercado que pueden ser abastecidas por el centro de distribuci&oacute;n j &#8712; CD, C(j)&#8838; C;</p>     <p>CD(k) = Conjunto de centros de distribuci&oacute;n que pueden abastecer al cliente o zona de consumo k &#8712 ;CD, cd(k) &#8838; CD;</p>     ]]></body>
<body><![CDATA[<p>CDEN(j) = Conjunto de centros de distribuci&oacute;n que pueden recibir productos enviados desde el centro de distribuci&oacute;n j &#8712; cd, cden(j) &#8838;cd;</p>     <p>CDRE(j) = Conjunto de centros de distribuci&oacute;n que pueden enviar productos al centro de distribuci&oacute;n j &#8712; CD, CDRE(j)&#8838;cd;</p>     <p>CD(i) = Conjunto de centros de distribuci&oacute;n que puede recibir productos desde la planta i &#8712; PL, CD(i) &#8838; CD;</p>     <p>PL(p) = Conjunto de plantas que pueden fabricar el producto terminado p &#8712; PT, PL(p) &#8838; PL;</p>     <p>PL(j) = Conjunto de plantas que pueden enviar producto terminado hacia el centro de distribuci&oacute;n j &#8712; CD, PL(j) &#8838; PL;</p>     <p>PT(i) = Conjunto de productos terminados que pueden ser fabricados en la planta i &#8712; PL, PT(i) &#8838; PT.</p>     <p><i>Par&aacute;metros</i></p>     <p>CAPCD<sub>j</sub>. = Capacidad del flujo a trav&eacute;s del centro de distribuci&oacute;n j &#8712; CD para todos los productos p &#8712; PT &#91;kg/a&ntilde;o&#93;;</p>     <p>CAPL<sub>i</sub>. = Capacidad de producci&oacute;n en la planta i &#8712; PL(p) para todos los productos p &#8712; PT(i) &#91;kg/a&ntilde;o&#93;;</p>     <p>CF<sub>j</sub>= Costo fijo de cierre del centro de distribuci&oacute;n j &#8712; CD &#91;$/a&ntilde;o&#93;;</p>     ]]></body>
<body><![CDATA[<p>CMANCD<sub>jp</sub> = Costo de manipulaci&oacute;n del producto terminado p &#8712; PT en el centro de distribuci&oacute;n j &#8712; CD &#91;$/kg. de p&#93;;</p>     <p>CP<sub>ip</sub> = Costo variable de fabricaci&oacute;n del producto terminado p &#8712; PT en la planta . &#8712; PL(p) &#91;$/kg. de p&#93;;</p>     <p>CTRPTij = Costo de transporte de producto terminado p &#8712; PT desde la planta i &#8712; PL(p) hacia el centro de distribuci&oacute;n j &#8712; CD(i) &#91;$/kg&#93;;</p>     <p>CTRPTCD<sub>jj*</sub> = Costo de transporte de producto terminado p &#8712; PT desde centro de distribuci&oacute;n j &#8712; CDRE(j*) hacia centro de distribuci&oacute;n j* &#8712; CDEN(j) &#91;$/kg&#93;; j &#8800; j*</p>     <p>CTRPTC<sub>jk</sub> = Costo de transporte de producto terminado p &#8712; PT desde el centro de distribuci&oacute;n j &#8712; CD(k) hacia el cliente k &#8712; C(j) &#91;$/kg&#93;;</p>     <p>LTPjk= Tiempo promedio de reposici&oacute;n de productos desde centro de distribuci&oacute;n j &#8712; CD(k) hacia la zona de mercado k &#8712; C(j) &#91;d&iacute;as&#93;;</p>     <p>LTB<sub>jj*</sub>= Tiempo promedio de reposici&oacute;n de productos desde centro de distribuci&oacute;n j &#8712; CDRE(j*) hacia centro de distribuci&oacute;n j* &#8712; CDEN(j), j &#8800; j*&#91;d&iacute;as&#93;;</p>     <p>CVLTP<sub>jk</sub> = Coeficiente de variaci&oacute;n del tiempo de reposici&oacute;n LTPjk;</p>     <p>CVLTP<sub>jj*</sub> = Coeficiente de variaci&oacute;n del tiempo de reposici&oacute;n LTBjj*;</p>     <p>DEM<sub>kp</sub> = Demanda del producto terminado p &#8712; PT en la zona de mercado k &#8712; C &#91;unidades de p/a&ntilde;o&#93;;</p>     ]]></body>
<body><![CDATA[<p>FPT<sub>jp</sub> = Factor de inventario de seguridad del producto p &#8712; PT en centro de distribuci&oacute;n j &#8712; CD;</p>     <p>FPESO<sub>p</sub> = Factor de peso por unidad de p &#8712; PT &#91;kg/unidad de p&#93;;</p>     <p>PCAP = Costo de penalizaci&oacute;n por cada unidad de la variable Capdip &#91;$&#93;;</p>     <p>VIPT<sub>jp</sub> = Costo de mantenimiento de inventario de producto terminado p &#8712; PT en el centro de distribuci&oacute;n j &#8712; CD; &#91;$/unidad de p&#93;.</p>     <p><i>Variables de decisi&oacute;n</i></p>     <p>x<sub>ijp</sub> = Cantidad de producto terminado p &#8712; PT(i) a fabricar en la planta i &#8712; PL(p), i &#8712; PL(j) enviado hacia el centro de distribuci&oacute;n j e CD(i) &#91;unidades de p/a&ntilde;o&#93;;</p>     <p>u<sub>jj*p</sub> = Cantidad de producto terminado p &#8712; PT a enviar hacia centro de distribuci&oacute;n j* &#8712; CDEN(j) desde centro de distribuci&oacute;n j &#8712; CDRE(j*), j &ne; j*; &#91;unidades de p/a&ntilde;o&#93;;</p>     <p>y<sub>jkp</sub> = Cantidad de producto terminado p &#8712; PT enviado hacia las zonas de consumo k &#8712; C(j) desde el centro de distribuci&oacute;n j &#8712;CD(k)&#91;unidades de p/ a&ntilde;o&#93;;</p>     <p>w<sub>j</sub> = Variable binaria asociada a cada centro de distribuci&oacute;n j &#8712; CD: &quot;1&quot; si se decide dejar abierto, &quot;0&quot; de lo contrario.</p>     <p>Capdip<sub>i</sub> = Capacidad adicional de producci&oacute;n a considerar en la planta i &#8712; PL para todos los productos terminados p PT(i)&#91;kg/a&ntilde;o&#93;;</p>     ]]></body>
<body><![CDATA[<p><i>Modelo matem&aacute;tico determin&iacute;stico MILP</i></p>     <p>La funci&oacute;n objetivo del modelo matem&aacute;tico MILP considera la minimizaci&oacute;n de la suma de costos de inventario de seguridad en CD's (1), costos de transporte de producto terminado de plantas hacia CD's (2), costos de transporte de producto terminado entre CD's y de CD's hacia clientes (3), costos variables de producci&oacute;n en plantas (4), costos de manejo de productos en CD's (5), costos fijos de cierre en CD's (6) y costos de penalizaci&oacute;n por excesos y capacidades adicionales en plantas (7):</p>     <p><i>Costos de inventario de seguridad en CD's</i></p>     <p><img src="img/revistas/inde/v31n1/v31n1a08f01.jpg"></p>     <p><i>Costos de transporte de producto terminado de plantas hacia CD's</i></p>     <p><img src="img/revistas/inde/v31n1/v31n1a08f02.jpg"></p>     <p><i>Costos de transporte de producto terminado entre CD's y de CD's hacia clientes</i></p>     <p><img src="img/revistas/inde/v31n1/v31n1a08f03.jpg"></p>      <p>Costos <i>variables de producci&oacute;n en plantas</i></p>     <p><img src="img/revistas/inde/v31n1/v31n1a08f04.jpg"></p>      ]]></body>
<body><![CDATA[<p>Costos <i>de manejo de productos en CD's</i></p>     <p align="center"><img src="img/revistas/inde/v31n1/v31n1a08f05.jpg"></p>      <p><i>Costos fijos de cierre en CD's</i></p>     <p align="center"><img src="img/revistas/inde/v31n1/v31n1a08f06.jpg"></p>     <p><i>Costos de penalizaci&oacute;n por excesos de capacidad </i></p>     <p align="center"><img src="img/revistas/inde/v31n1/v31n1a08f07.jpg"></p>      <p>Las restricciones impuestas del modelo matem&aacute;tico son:</p>     <p align="center"><img src="img/revistas/inde/v31n1/v31n1a08f08.jpg"></p>     <p align="center"><img src="img/revistas/inde/v31n1/v31n1a08f09.jpg"></p>      <p>Note que el grupo de ecuaciones (8) se generan para cada planta del conjunto disponible, restringiendo la producci&oacute;n de una planta por encima de su capacidad. En el caso que fuera necesario utilizar capacidad extra, la variable Capdipl<sub>i</sub> tomar&iacute;a el valor de la capacidad extra. Esta variable es penalizada en la funci&oacute;n objetivo con el par&aacute;metro PCAP. En el caso particular de la compa&ntilde;&iacute;a bajo estudio se puede aumentar la capacidad de fabricaci&oacute;n de las plantas en casos estrictamente necesarios ante el consumo del valor pre-establecido CAPL<sub>i</sub>. La finalidad de dicha estrategia es presentar alternativas flexibles de aumento de capacidad de producci&oacute;n para abastecer plenamente la demanda y favorecer el flujo de inventarios a trav&eacute;s del sistema para el total de productos p.</p>     ]]></body>
<body><![CDATA[<p>Las ecuaciones (9) y (10) restringen la capacidad en los centros de distribuci&oacute;n (CD's). La modelaci&oacute;n de la capacidadse establece de manera que el peso total despachado (y tambi&eacute;n recibido) de productos en un per&iacute;odo determinado desde un centro de distribuci&oacute;n no debe exceder su capacidad m&aacute;xima. Las restricciones (11) determinan el balance de productos en los centros de distribuci&oacute;n. El grupo de restricciones (12) asegura el cumplimiento de la demanda. Finalmente, el grupo de ecuaciones (13) est&aacute;n relacionadas con las restricciones de no negatividad.</p>     <p><b>Formulaci&oacute;n del Modelo Matem&aacute;tico Estoc&aacute;stico </b><b>(SILP)</b></p>     <p>Como se mencion&oacute; en la secci&oacute;n 2, varios trabajos de investigaci&oacute;n y aplicaci&oacute;n en la industria han abordado el problema de optimizaci&oacute;n de la cadena de abastecimiento mediante t&eacute;cnicas matem&aacute;ticas de naturaleza determin&iacute;stica. Elementos comunes de estos trabajos, han sido el desarrollo de modelos de programaci&oacute;n lineal entera mixta, modelos de programaci&oacute;n</p>     <p>din&aacute;micos y en algunas ocasiones modelos de programaci&oacute;n no lineal que se pueden descomponer en un conjunto de modelos lineales. Todos los par&aacute;metros considerados en cada uno de estos trabajos se han asumido con condici&oacute;n de certeza.</p>     <p>Uno de los elementos que involucra sin lugar a dudas una gran fuente de incertidumbre a los problemas de dise&ntilde;o de redes es la demanda de productos para cada zona de consumo. Es evidente que se han desarrollado un &quot;gran n&uacute;mero&quot; de teor&iacute;as y metodolog&iacute;as alrededor de la soluci&oacute;n a la problem&aacute;tica del pron&oacute;stico de demanda de una compa&ntilde;&iacute;a. Sin embargo, a pesar del gran esfuerzo y los avances en la formulaci&oacute;n de una considerable cantidad de modelos de toda &iacute;ndole, la variabilidad en la estimaci&oacute;n de la demanda no ha sido eliminada por completo; esto debido a que existen factores de &iacute;ndole social, ambiental, cultural, etc., que no se pueden predecir con alguna exactitud matem&aacute;tica. El modelo estoc&aacute;stico propuesto considera dicha variabilidad.</p>     <p><b><i>Modelo matem&aacute;tico</i></b></p>     <p>Para efectos de la formulaci&oacute;n del modelo estoc&aacute;stico SILP, es conveniente usar la siguiente notaci&oacute;n compacta para el modelo (1) - (13):</p>     <p align="center"><img src="img/revistas/inde/v31n1/v31n1a08f10.jpg"></p>     <p>Los vectores <i>c, p, q, r,v, d </i>y <i>s </i>corresponden a costos de cierre de centros de distribuci&oacute;n, producci&oacute;n, transporte, inventario, penalizaci&oacute;n, demandas y capacidades de fabricaci&oacute;n respectivamente.El grupo de restricciones (11) se puede reformular de la siguiente manera:</p>     <p align="center"><img src="img/revistas/inde/v31n1/v31n1a08f11.jpg"></p>     ]]></body>
<body><![CDATA[<p>En la ecuaci&oacute;n (16), las matrices <i>N, Q </i>y <i>L </i>representan la sumatoria de los lados izquierdos de la de la expresi&oacute;n (21). Por su parte la notaci&oacute;n de las matrices D, <i>F, R, </i>y <i>B </i>corresponden a las sumatorias de los lados izquierdos de las expresiones (12),(8) y (9) o (10) respectivamente. Finalmente <i>M </i>representa el vector de capacidades de los centros de distribuci&oacute;n.</p>     <p>Para convertir el modelo (14) - (20) en estoc&aacute;stico, se ha asumido que la demanda de cada &iacute;tem en cada zona de consumo es un par&aacute;metro aleatorio con distribuci&oacute;n de probabilidad conocida. Para hallar cada una de las distribuciones de demanda, se hace necesario el uso de pruebas de bondad y ajuste estad&iacute;stico. En el presente estudio se ha utilizado la t&eacute;cnica propuesta por Rici &#91;26&#93;. En este trabajo, el procedimiento consiste en encontrar una funci&oacute;n matem&aacute;tica que represente en buena medida una variable aleatoria estad&iacute;stica. Se toma una serie de observaciones cuantitativas del par&aacute;metro x<sub>1</sub>, x<sub>2</sub>,... x<sub>n</sub> y se le realizan diferentes pruebas a los datos para hallar la funci&oacute;n de densidad de probabilidad <i>f (x, q)</i>, donde <i>q</i> es un vector de los par&aacute;metros a estimar con los datos disponibles.</p>     <p>Para distinguir par&aacute;metros aleatorios de las realizaciones particulares de los modelos, se utilizar&aacute; en particular el vector aleatorio &#958; = (d). Los elementos de este vector son aleatorios y representan la componente probabil&iacute;stica del problema de optimizaci&oacute;n del dise&ntilde;o de la red de distribuci&oacute;n. Consid&eacute;rese entonces la siguiente formalizaci&oacute;n del modelo estoc&aacute;stico de dos etapas SILP (22) - (29):</p>     <p align="center"><img src="img/revistas/inde/v31n1/v31n1a08f12.jpg"></p>      <p>En el modelo estoc&aacute;stico de la primera etapa (22) - (23), c<sup>T</sup>es un vector de costos asociado a decisiones de primera etapa, que en este caso hace referencia al cierre o apertura de centros de distribuci&oacute;n. En particular, el vector <i>w </i>es un vector de variables binarias relacionado con la toma de decisiones en esa primera etapa (repliegue de centros de distribuci&oacute;n). En este caso el valor de |p| determina el valor del tama&ntilde;o del problema en t&eacute;rminos del n&uacute;mero de variables de decisi&oacute;n abordadas en la primera etapa. Finalmente, Q(w,&#958;) hace referencia al valor &oacute;ptimo del problema de la siguiente etapa:</p>     <p align="center"><img src="img/revistas/inde/v31n1/v31n1a08f13.jpg"></p>     <p>En el problema de la segunda etapa (24) - (29),x, <i>y, u y z </i>son vectores de variables de la segunda etapa, relacionadas con decisiones de cantidades de producto a fabricar y enviar entre nodos, y las capacidades adicionales a utilizar en planta. Los vectores p, <i>q, r y v </i>son los coeficientes de costo asociados a las variables representadas por los vectores <i>x, u, y y z </i>respectivamente. El conjunto de restricciones (25) - (27) est&aacute;n asociadas a las restricciones (16) - (18) una vez se han considerado las decisiones en la primera etapa. El grupo de restricciones (28) representa la relaci&oacute;n entre las decisiones de la primera etapa (variables de decisi&oacute;n w) y las decisiones de la segunda etapa (variables de decisi&oacute;n x, y, u y z). En particular para nuestro caso, si la decisi&oacute;n de la primera etapa es determinar el cierre de un centro de distribuci&oacute;n, el grupo de restricciones (28) impedir&aacute; que se asigne flujo de producto por ese centro de distribuci&oacute;n.</p>     <p>De acuerdo con &#91;19&#93;, existen dos fuentes potenciales de dificultad en la soluci&oacute;n de modelos lineales estoc&aacute;sticos de dos etapas: i) la evaluaci&oacute;n de la funci&oacute;n objetivo f(w) para una configuraci&oacute;n de centros de distribuci&oacute;n determinada, supone el c&aacute;lculo del valor esperado de la funci&oacute;n lineal Q(w,&#958;).En el caso de que los valores de demanda correspondan a distribuciones de probabilidad continuas, ser&iacute;a necesario calcular un n&uacute;mero considerable de integrales para obtener el valor esperado de Q(w,&#958;), lo que en la pr&aacute;ctica es extremadamente dif&iacute;cil de resolver; ii) en el caso de que los valores de demanda correspondan a distribuciones de probabilidades discretas, para calcular el valor esperado de Q(w,&#958;), ser&iacute;a necesario calcular un gran n&uacute;mero de escenarios con las combinaciones de los par&aacute;metros. La cantidad de escenarios determinar&iacute;a el n&uacute;mero de subproblemas a resolver, que en nuestro caso en particular desde el punto de vista computacional ser&iacute;a complejo.</p>     <p><b>Descripci&oacute;n de la estrategia de soluci&oacute;n </b><b>SAA</b></p>     <p>El presente trabajo usa la metodolog&iacute;a SAA para reducir la complejidad de soluci&oacute;n del problema (22) - (29). En particular, se soluciona el problema SILP repetidas veces con un conjunto peque&ntilde;o de escenarios. Para ello es necesario generar N muestras aleatorias del vector &#958;, aproximando el valor de (22) mediante el promedio de los valores de la funci&oacute;n objetivo obtenido en cada uno de los escenarios generados. De esta manera, el problema (22) - (29) es aproximado por el siguiente problema SAA:</p>     ]]></body>
<body><![CDATA[<p align="center"><img src="img/revistas/inde/v31n1/v31n1a08f14.jpg"></p>     <p>La soluci&oacute;n &oacute;ptima del problema (30), &#374; <sub>N</sub> , y el valor &oacute;ptimo, v <sub>N</sub> , convergen con probabilidad de uno a la soluci&oacute;n &oacute;ptima del problema original (22) -(29) cuando el tama&ntilde;o de la muestra se incrementa &#91;3&#93;. Asumiendo que se quiere resolver el problema SAA con una tolerancia <i>(gap) </i>de optimalidad &#948;&gt; o, es posible estimar el tama&ntilde;o de la muestra necesaria para garantizar una soluci&oacute;n &#949;- optima al valor del problema original con una probabilidad de al menos 1 - &#945; de acuerdo a la siguiente ecuaci&oacute;n:</p>     <p align="center"><img src="img/revistas/inde/v31n1/v31n1a08f15.jpg"></p>     <p>Donde &#949;<i> &gt; </i>&#948;y &#945; &#1028; (0,1). En (31), el t&eacute;rmino &#963;<sup>2</sup><sub>max</sub>est&aacute; relacionado con la variabilidad de Q(w*&#958;<sup>n</sup>) en la soluci&oacute;n optima w* (para m&aacute;s detalles consultar &#91;3&#93;). En la pr&aacute;ctica es usual tener en cuenta la relaci&oacute;n entre la calidad de la soluci&oacute;n &oacute;ptima para el problema SAA y el esfuerzo computacional necesario para encontrarla. En efecto, solucionar el problema (30) con muestras independientes repetidamente puede ser m&aacute;s eficiente que incrementar el tama&ntilde;o de muestras N. El procedimiento SAA descrito puede ser consultado en &#91;2&#93;</p>     <p>1) Generar M muestras independientes de tama&ntilde;o N resolviendo el correspondiente problema SAA:</p>     <p align="center"><img src="img/revistas/inde/v31n1/v31n1a08f16.jpg"></p>     <p>2) Calcular el promedio de todos los valores &oacute;ptimos de la funci&oacute;n objetivo</p>     <p>del problema SAA,<img src="img/revistas/inde/v31n1/v31n1a08f17.jpg"> y su varianza, <img src="img/revistas/inde/v31n1/v31n1a08f18.jpg">     <p align="center"><img src="img/revistas/inde/v31n1/v31n1a08f19.jpg"></p>     <p>El promedio del valor objetivo <img src="img/revistas/inde/v31n1/v31n1a08f20.jpg">estad&iacute;sticamente provee un limite inferior para el valor objetivo del problema original (22) - (29). Para mayores detalles se puede observar Norkin et al &#91;27&#93; y Mak et al. &#91;28&#93;.</p>     ]]></body>
<body><![CDATA[<p>3) Escoger una soluci&oacute;n factible <img src="img/revistas/inde/v31n1/v31n1a08f21.jpg">para el problema (22) - (29). Con dicha soluci&oacute;n, estimar el valor objetivo del problema original usando una muestra aleatoria de tama&ntilde;o N':</p>     <p align="center"><img src="img/revistas/inde/v31n1/v31n1a08f22.jpg"></p>     <p>El estimador <img src="img/revistas/inde/v31n1/v31n1a08f23.jpg"> provee un l&iacute;mite superior en el valor objetivo del problema original. El valor de N' es generado de manera independiente a las muestras usadas en la soluci&oacute;n de los problemas SAA. Debido a que la soluci&oacute;n de la primera etapa es fija, se pueden seleccionar un gran n&uacute;mero de escenarios para N'. La varianza de <img src="img/revistas/inde/v31n1/v31n1a08f23.jpg"> se puede estimar mediante la siguiente ecuaci&oacute;n:</p>     <p align="center"><img src="img/revistas/inde/v31n1/v31n1a08f24.jpg"></p>     <p>Calcular los estimadores de la brecha de la optimalidad y su varianza. Usando los valores calculados en los pasos 2 y 3, obtenemos dichos resultados mediante las siguientes ecuaciones:</p>     <p align="center"><img src="img/revistas/inde/v31n1/v31n1a08f25.jpg"></p>     <p>Finalmente, en la metodolog&iacute;a de soluci&oacute;n propuesta, se han comparado las soluciones del modelo de programaci&oacute;n estoc&aacute;stico (SILP) con el modelo de optimizaci&oacute;n de los valores promedios (MVP). Este modelo es obtenido reemplazando la distribuci&oacute;n de la demanda en cada zona de consumo por sus valores promedio. La funci&oacute;n objetivo del MVP est&aacute; dada por la siguiente ecuaci&oacute;n:</p>     <p align="center"><img src="img/revistas/inde/v31n1/v31n1a08f26.jpg"></p>     <p>Note que la funci&oacute;n objetivo del modelo MVP est&aacute; compuesto por el vector de costos asociados a las decisiones de primera etapa y por el vector de costos asociadas a las decisiones de segunda etapa, considerando el valor promedio de la demanda para cada zona de consumo. Si los valores promedios <img src="img/revistas/inde/v31n1/v31n1a08f27.jpg">de la variable rand&oacute;mica &#958;<sup>n</sup> son f&aacute;ciles de calcular, el problema de los valores medios es un problema deterministico que puede ser resuelto usando algoritmos de optimizaci&oacute;n deterministica logrando resolverlo en un tiempo computacional menor que un modelo estoc&aacute;stico.</p> <font size="3">    <p><b>RESULTADOS COMPUTACIONALES</b></p></font>     ]]></body>
<body><![CDATA[<p>El algoritmo SAA fue implementado en C++ y los experimentos fueron desarrollados en una Intel Core Duo CPU (2.00 GHz) bajo Linux Ubuntu 11.04 con 2 GB de memoria. Las distribuciones de demanda fueron obtenidas mediante el software Oracle Crystall Ball. Para resolver los diferentes subproblemas SAA se utiliz&oacute; CPLEX 11.1.</p>     <p>En nuestro caso, se utilizaron cuatro diferentes tama&ntilde;os de muestra para N =20 y 30,M = 20 y 30, yN'= 300. Los valores del tama&ntilde;o de muestra han sido seleccionados verificando la convergencia de la funci&oacute;n objetivo versus el tiempo computacional requerido para alcanzarlo.</p>     <p>En las Tablas 1 y 2 se resumen los resultados obtenidos al aplicar el procedimiento SAA sobre el caso de estudio. N&oacute;tese que se reportan experimentos computacionales para cada uno de los tama&ntilde;os de muestra utilizados (N, M, N'). Para el primer caso (20, 20, 300), el algoritmo de optimizaci&oacute;n debe resolver, 400 subproblemas de programaci&oacute;n lineal entera mixta en la primera etapa y 300 problemas de programaci&oacute;n lineal en la segunda. La cantidad de subproblemas de la primera etapa se aumentan a 600 modelos para los casos (30, 20, 300) y (20, 30, 300), y de 900 para el caso (30, 30, 300).</p>     <p>La Tabla 1 muestra los valores obtenidos en los pasos 2 y 3 de la metodologia SAA:</p>     <p align="center"><img src="img/revistas/inde/v31n1/v31n1a08f28.jpg"></p>     <p>La Tabla 2 muestra los valores de brecha de optimalidad de la metodolog&iacute;a SAA:</p>     <p align="center"><img src="img/revistas/inde/v31n1/v31n1a08f29.jpg"></p>     <p>La Tabla 3 muestra la comparaci&oacute;n de la soluci&oacute;n del MVP y el SILP en t&eacute;rminos del valor objetivo promedio y su respectiva variabilidad. Los resultados son reportados para un tama&ntilde;o de N = 30. Los resultados de la Tabla 3 muestran que el valor promedio y la variabilidad del modelo estoc&aacute;stico SILP es mucho menor a la presentada por el problema MVP; y en este caso la brecha de optimalidad, indica la superioridad de la soluci&oacute;n del SAA. Note que al considerar tama&ntilde;os peque&ntilde;os de muestra, el modelo SILP obtiene soluciones cercanas al &oacute;ptimo (gap &lt; 1%).</p>     <p align="center"><img src="img/revistas/inde/v31n1/v31n1a08f29.jpg"></p>     <p>Finalmente, es importante mencionar que los tiempos de ejecuci&oacute;n de la metodolog&iacute;a SAA no son reportados en este trabajo, debido a que son despreciables en relaci&oacute;n al horizonte de tiempo de la decisi&oacute;n que se est&aacute; abordando (orden estrat&eacute;gico-t&aacute;ctico).</p> <font size="3">    ]]></body>
<body><![CDATA[<p><b>CONCLUSIONES</b></p></font>     <p>Los resultados computacionales de la implementaci&oacute;n del SAA reflejan la importancia y efectividad de la metodolog&iacute;a propuesta como alternativa para el dise&ntilde;o de redes de suministro bajo condiciones de variabilidad de demanda. Los resultados obtenidos permitieron a la compa&ntilde;&iacute;a: i) Reducir en aproximadamente 30% los costos de operaci&oacute;n e infraestructura, ii) Disminuir la complejidad de la administraci&oacute;n en la operaci&oacute;n y la asignaci&oacute;n de prioridades en el proceso de distribuci&oacute;n, iii) Mejorar la ubicaci&oacute;n del producto en inventario, iv) Mejorar el conflicto entre divisiones, regiones y gerencias. De igual forma cabe anotar que los resultados obtenidos por el modelo matem&aacute;tico difieren notoriamente de las decisiones de cierre y consolidaci&oacute;n planeadas por la alta gerencia.</p>     <p>De manera general, se puede mencionar que la estrategia algor&iacute;tmica SAA como metodolog&iacute;a de soluci&oacute;n de problemas reales de gran escala (problemas que incluyen miles de variables y restricciones) es bastante promisoria, debido a que se cuentan con diversos algoritmos, t&eacute;cnicas de descomposici&oacute;n, etc., que son eficientes para resolver problemas determin&iacute;sticos.</p>     <p>Los resultados obtenidos en la investigaci&oacute;n son importantes como precedente para el abordaje y soluci&oacute;n de problemas reales de dise&ntilde;o de redes de abastecimiento de gran escala, en los cuales la consideraci&oacute;n de la variabilidad y la incertidumbre son una preocupaci&oacute;n cada vez mayor.</p>     <p>Queda abierto un interesante campo de investigaci&oacute;n, en el cual se pueden realizar extensiones en cuanto a la optimizaci&oacute;n de redes de distribuci&oacute;n con diversas medidas de desempe&ntilde;o como son el Valor Presente Neto (vpn) o el Flujo de Caja Descontado (fcd), consideraciones de modo de transporte y precios de transferencia para cadenas de suministro globales, formulaci&oacute;n de modelos din&aacute;micos estoc&aacute;sticos multiperi&oacute;dicos para la soluci&oacute;n de problemas reales y la revisi&oacute;n de las bondades de otras metodolog&iacute;as de soluci&oacute;n para modelos lineales estoc&aacute;sticos.</p>     <p><b>Agradecimientos</b></p>     <p>El primer autor agradece al Ministerio de Educaci&oacute;n e Investigaci&oacute;n Italiano (MIUR), Italia y los profesores del Departamento de Electr&oacute;nica, Inform&aacute;tica y Sistema (DEIS) de la Universidad de Bologna.</p>  <hr> <font size="3">    <p><b>REFERENCIAS</b></p></font>     <!-- ref --><p>&#91;1&#93; R.H. Ballou, <i>Business logistics management: planning, organizing, and controlling the supply chain, 4a ed., </i>New York: Prentice Hall Upper Saddle River, 2004, pp. 38-78.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000181&pid=S0122-3461201300010000800001&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     ]]></body>
<body><![CDATA[<!-- ref --><p>&#91;2&#93; T.Santoso, et al., &quot;A stochastic programming approach for supply chain network design under uncertainty&quot;. <i>European Journal of Operational Research, </i>vol. 167(1), pp.96-115, 2005.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000183&pid=S0122-3461201300010000800002&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;3&#93; A.J.Kleywegt, et al., &quot;The sample average approximation method for stochastic discrete optimization&quot;, <i>SIAM Journal on Optimization, </i>vol. 12(2), pp.479 -502, 2001.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000185&pid=S0122-3461201300010000800003&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;4&#93; J.Current, et al., &quot;Dynamic facility location when the total number of facilities is uncertain: A decision analysis approach&quot;. <i>European Journal of Operational Research, </i>vol. 110(3), pp.597-609, 1998.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000187&pid=S0122-3461201300010000800004&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;5&#93; C.J.Vidal, and M.Goetschalckx,&quot;A global supply chain model with transfer pricing and transportation cost allocation&quot;. <i>European Journal of Operational</i><i>Research, </i>vol. 129(1), pp.134-158, 2001.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000189&pid=S0122-3461201300010000800005&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;6&#93; O.Berman, and Z.Drezner,&quot;A probabilistic one-centre location problem on a network&quot;. <i>Journal of the Operational Research Society, </i>vol. 54(8), pp.871-877, 2003.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000191&pid=S0122-3461201300010000800006&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     ]]></body>
<body><![CDATA[<!-- ref --><p>&#91;7&#93; S.H.Owen, and M.S.Daskin,&quot;Strategic facility location: A review&quot;. <i>European Journal of Operational Research, </i>vol. 111(3), pp.423- 447, 1998.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000193&pid=S0122-3461201300010000800007&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;8&#93; B.M.Beamon, &quot;Measuring supply chain performance&quot;. <i>International Journal of Operations &amp; Production Management, </i>vol. 19(3), pp.275-292, 1999.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000195&pid=S0122-3461201300010000800008&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;9&#93; C.Laval, et al.,&quot;Hewlett-Packard combined OR and expert knowledge to design its supply chains&quot;. <i>Interfaces, </i>vol. 35(3), pp.238-247, 2005.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000197&pid=S0122-3461201300010000800009&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;10&#93; M.Fleischmann, et al.&quot;Tntegrating closed-loop supply chains and spare-parts management at IBM&quot;. <i>Interfaces, </i>vol. 33(6), pp.44-56, 2003&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000199&pid=S0122-3461201300010000800010&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --><!-- ref --><p>&#91;11&#93; N.L. Ulstein, et al., &quot;Elkem uses optimization in redesigning its supply chain&quot;. <i>Interfaces, </i>vol. 36(4), pp.314-325, 2006.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000200&pid=S0122-3461201300010000800011&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;12&#93; A.Gupta, and C.D.Maranas, &quot;Managing demand uncertainty in supply chain planning&quot;. <i>Computers &amp; Chemical Engineering, </i>vol. 27(8-9), pp. 1219-1227, 2003.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000202&pid=S0122-3461201300010000800012&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;13&#93; G.Chen, et al.,&quot;A New Model for Stochastic Facility Location Modeling&quot;. Research Report, Department of Industrial and Systems Engineering, University of Florida, 2005.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000204&pid=S0122-3461201300010000800013&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;14&#93; A.Dasci, and G.Laporte. &quot;An analytical approach to the facility location and capacity acquisition problem under demand uncertainty&quot;. <i>Journal of the Operational Research Society, </i>vol. 56(4), pp. 397- 405, 2004.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000206&pid=S0122-3461201300010000800014&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;15&#93; A.F.Gabor, and J.C.W.Van Ommeren. &quot;An approximation algorithm for a facility location problem with stochastic demands and inventories&quot;. <i>Operations research letters, </i>vol. 34(3), pp. 257-263, 2006.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000208&pid=S0122-3461201300010000800015&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;16&#93; C.S.Yu, and H.L.Li,&quot;A robust optimization model for stochastic logistic problems&quot;. <i>International Journal of Production Economics, </i>vol. 64(1), pp.385-397, 2000.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000210&pid=S0122-3461201300010000800016&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;17&#93; M.Goetschalckx, et al.,&quot;Designing flexible and robust supply chains&quot;. Presented at IERC, Dallas Spring, 2001.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000212&pid=S0122-3461201300010000800017&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;18&#93; C.J.Vidal, andM. Goetschalckx.&quot;Modeling the effect of uncertainties on global logistics systems&quot;. <i>Journal of Business Logistics, </i>vol. 21(1), pp. 95-120, 2000.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000214&pid=S0122-3461201300010000800018&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;19&#93; F. Kiya, and H Davoudpour, &quot;Stochastic programming approach to redesigning a warehouse network under uncertainty&quot;, <i>Transportation Research Part E: Logistics and Transportation Review, </i>vol. 48(5), pp. 919-936, 2012.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000216&pid=S0122-3461201300010000800019&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;20&#93; L.V.Snyder, &quot;Supply chain robustness and reliability: Models and algorithms&quot;, PhD dissertation, Evanston, Illinois, Northwestern University, 2003.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000218&pid=S0122-3461201300010000800020&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;21&#93; A. Alonso-Ayuso, et al.&quot;An approach for strategic supply chain planning under uncertainty based on stochastic 0-1 programming&quot;. <i>Journal of Global Optimization, </i>vol. 26(1), pp.97-124, 2003.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000220&pid=S0122-3461201300010000800021&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;22&#93; H.H.Toro.&quot;SAA-Sample Average Approximation Method, aplicado a la soluci&oacute;n de modelos de Programaci&oacute;n Lineal&quot;. <i>Heur&iacute;stica, </i>vol. 14, pp. 10-20,2007.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000222&pid=S0122-3461201300010000800022&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;23&#93;T.Santoso, et al.&quot;Strategic design of robust global supply chains: two case studies from the paper industry&quot;. Presented at TAPPI Conference, Atlanta, 2004.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000224&pid=S0122-3461201300010000800023&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;24&#93; J.W.Escobar, Modelaci&oacute;n y optimizaci&oacute;n de redes de distribuci&oacute;n de productos de consumo masivo con elementos estoc&aacute;sticos&quot;. Proceedings of XIV Latin American Summer Workshop on Operations Research (ELAVIO), El Fuerte, Mexico. 2009.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000226&pid=S0122-3461201300010000800024&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;25&#93; J.W. Escobar, et al.,&quot;Optimizaci&oacute;n de redes de distribuci&oacute;n de productos de consumo masivo en condiciones de riesgo&quot;. Proceedings of XXXIII Congreso Nacional de Estad&iacute;stica e Investigaci&oacute;n Operativa (SEIO), Madrid, Spain. May 2012.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000228&pid=S0122-3461201300010000800025&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;26&#93; V.Rici (2010, March 12).  Fitting Distributions with R &#91;Online&#93;. Available:<a href="http://www.fsf.org/" target="_blank"> http://www.fsf.org/</a>.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000230&pid=S0122-3461201300010000800026&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;27&#93; V.I.Norkin, et al.&quot;A branch and bound method for stochastic global optimization&quot;. <i>Mathematical programming, </i>vol. 83(3), pp.425-450, 1998.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000232&pid=S0122-3461201300010000800027&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p>     <!-- ref --><p>&#91;28&#93; W.K.Mak, et al.,&quot;Monte Carlo bounding techniques for determining solution quality in stochastic programs&quot;. <i>Operations Research Letters, </i>vol. 24(1), pp. 47-56, 1999.    &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;[&#160;<a href="javascript:void(0);" onclick="javascript: window.open('/scielo.php?script=sci_nlinks&ref=000234&pid=S0122-3461201300010000800028&lng=','','width=640,height=500,resizable=yes,scrollbars=1,menubar=yes,');">Links</a>&#160;]<!-- end-ref --></p> </font>      ]]></body><back>
<ref-list>
<ref id="B1">
<label>1</label><nlm-citation citation-type="book">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Ballou]]></surname>
<given-names><![CDATA[R.H.]]></given-names>
</name>
</person-group>
<source><![CDATA[Business logistics management: planning, organizing, and controlling the supply chain]]></source>
<year>2004</year>
<edition>4a</edition>
<page-range>38-78</page-range><publisher-loc><![CDATA[New York ]]></publisher-loc>
<publisher-name><![CDATA[Prentice Hall Upper Saddle River]]></publisher-name>
</nlm-citation>
</ref>
<ref id="B2">
<label>2</label><nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Santoso]]></surname>
<given-names><![CDATA[T]]></given-names>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[A stochastic programming approach for supply chain network design under uncertainty]]></article-title>
<source><![CDATA[European Journal of Operational Research]]></source>
<year>2005</year>
<volume>167</volume>
<numero>1</numero>
<issue>1</issue>
<page-range>96-115</page-range></nlm-citation>
</ref>
<ref id="B3">
<label>3</label><nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Kleywegt]]></surname>
<given-names><![CDATA[A.J.]]></given-names>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[The sample average approximation method for stochastic discrete optimization]]></article-title>
<source><![CDATA[SIAM Journal on Optimization]]></source>
<year>2001</year>
<volume>12</volume>
<numero>2</numero>
<issue>2</issue>
<page-range>479 -502</page-range></nlm-citation>
</ref>
<ref id="B4">
<label>4</label><nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Current]]></surname>
<given-names><![CDATA[J]]></given-names>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[Dynamic facility location when the total number of facilities is uncertain: A decision analysis approach]]></article-title>
<source><![CDATA[European Journal of Operational Research]]></source>
<year>1998</year>
<volume>110</volume>
<numero>3</numero>
<issue>3</issue>
<page-range>597-609</page-range></nlm-citation>
</ref>
<ref id="B5">
<label>5</label><nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Vidal]]></surname>
<given-names><![CDATA[C.J]]></given-names>
</name>
<name>
<surname><![CDATA[Goetschalckx]]></surname>
<given-names><![CDATA[M]]></given-names>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[A global supply chain model with transfer pricing and transportation cost allocation]]></article-title>
<source><![CDATA[European Journal of OperationalResearch]]></source>
<year>2001</year>
<volume>129</volume>
<numero>1</numero>
<issue>1</issue>
<page-range>134-158</page-range></nlm-citation>
</ref>
<ref id="B6">
<label>6</label><nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Berman]]></surname>
<given-names><![CDATA[O]]></given-names>
</name>
<name>
<surname><![CDATA[Drezner]]></surname>
<given-names><![CDATA[Z]]></given-names>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[A probabilistic one-centre location problem on a network]]></article-title>
<source><![CDATA[Journal of the Operational Research Society]]></source>
<year>2003</year>
<volume>54</volume>
<numero>8</numero>
<issue>8</issue>
<page-range>871-877</page-range></nlm-citation>
</ref>
<ref id="B7">
<label>7</label><nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Owen]]></surname>
<given-names><![CDATA[S.H]]></given-names>
</name>
<name>
<surname><![CDATA[Daskin]]></surname>
<given-names><![CDATA[M.S]]></given-names>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[Strategic facility location: A review]]></article-title>
<source><![CDATA[European Journal of Operational Research]]></source>
<year>1998</year>
<volume>111</volume>
<numero>3</numero>
<issue>3</issue>
<page-range>423- 447</page-range></nlm-citation>
</ref>
<ref id="B8">
<label>8</label><nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Beamon]]></surname>
<given-names><![CDATA[B.M]]></given-names>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[Measuring supply chain performance]]></article-title>
<source><![CDATA[International Journal of Operations & Production Management]]></source>
<year>1999</year>
<volume>19</volume>
<page-range>275-292</page-range></nlm-citation>
</ref>
<ref id="B9">
<label>9</label><nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Laval]]></surname>
<given-names><![CDATA[C]]></given-names>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[Hewlett-Packard combined OR and expert knowledge to design its supply chains]]></article-title>
<source><![CDATA[Interfaces]]></source>
<year>2005</year>
<volume>35</volume>
<numero>3</numero>
<issue>3</issue>
<page-range>238-247</page-range></nlm-citation>
</ref>
<ref id="B10">
<label>10</label><nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Fleischmann]]></surname>
<given-names><![CDATA[M]]></given-names>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[Tntegrating closed-loop supply chains and spare-parts management at IBM]]></article-title>
<source><![CDATA[Interfaces]]></source>
<year>2003</year>
<volume>33</volume>
<numero>6</numero>
<issue>6</issue>
<page-range>44-56</page-range></nlm-citation>
</ref>
<ref id="B11">
<label>11</label><nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Ulstein]]></surname>
<given-names><![CDATA[N.L]]></given-names>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[Elkem uses optimization in redesigning its supply chain"]]></article-title>
<source><![CDATA[Interfaces]]></source>
<year>2006</year>
<volume>36</volume>
<numero>4</numero>
<issue>4</issue>
<page-range>314-325</page-range></nlm-citation>
</ref>
<ref id="B12">
<label>12</label><nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Gupta]]></surname>
<given-names><![CDATA[A]]></given-names>
</name>
<name>
<surname><![CDATA[Maranas]]></surname>
<given-names><![CDATA[C.D]]></given-names>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[Managing demand uncertainty in supply chain planning]]></article-title>
<source><![CDATA[Computers & Chemical Engineering]]></source>
<year>2003</year>
<volume>27</volume>
<numero>8-9</numero>
<issue>8-9</issue>
<page-range>1219-1227</page-range></nlm-citation>
</ref>
<ref id="B13">
<label>13</label><nlm-citation citation-type="">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Chen]]></surname>
<given-names><![CDATA[G]]></given-names>
</name>
</person-group>
<source><![CDATA[A New Model for Stochastic Facility Location Modeling]]></source>
<year>2005</year>
</nlm-citation>
</ref>
<ref id="B14">
<label>14</label><nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Dasci]]></surname>
<given-names><![CDATA[A]]></given-names>
</name>
<name>
<surname><![CDATA[Laporte]]></surname>
<given-names><![CDATA[G]]></given-names>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[An analytical approach to the facility location and capacity acquisition problem under demand uncertainty]]></article-title>
<source><![CDATA[Journal of the Operational Research Society]]></source>
<year>2004</year>
<volume>56</volume>
<numero>4</numero>
<issue>4</issue>
<page-range>397- 405</page-range></nlm-citation>
</ref>
<ref id="B15">
<label>15</label><nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Gabor]]></surname>
<given-names><![CDATA[A.F]]></given-names>
</name>
<name>
<surname><![CDATA[Van Ommeren]]></surname>
<given-names><![CDATA[J.C.W]]></given-names>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[An approximation algorithm for a facility location problem with stochastic demands and inventories]]></article-title>
<source><![CDATA[Operations research letters]]></source>
<year>2006</year>
<volume>34</volume>
<numero>3</numero>
<issue>3</issue>
<page-range>257-263</page-range></nlm-citation>
</ref>
<ref id="B16">
<label>16</label><nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Yu]]></surname>
<given-names><![CDATA[C.S]]></given-names>
</name>
<name>
<surname><![CDATA[L.Li]]></surname>
<given-names><![CDATA[H]]></given-names>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[A robust optimization model for stochastic logistic problems]]></article-title>
<source><![CDATA[International Journal of Production Economics]]></source>
<year>2000</year>
<volume>64</volume>
<numero>1</numero>
<issue>1</issue>
<page-range>385-397</page-range></nlm-citation>
</ref>
<ref id="B17">
<label>17</label><nlm-citation citation-type="">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Goetschalckx]]></surname>
<given-names><![CDATA[M]]></given-names>
</name>
</person-group>
<source><![CDATA[Designing flexible and robust supply chains"]]></source>
<year>2001</year>
<publisher-loc><![CDATA[Dallas Spring ]]></publisher-loc>
</nlm-citation>
</ref>
<ref id="B18">
<label>18</label><nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Vidal]]></surname>
<given-names><![CDATA[C.J]]></given-names>
</name>
<name>
<surname><![CDATA[Goetschalckx]]></surname>
<given-names><![CDATA[M]]></given-names>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[Modeling the effect of uncertainties on global logistics systems]]></article-title>
<source><![CDATA[Journal of Business Logistics]]></source>
<year>2000</year>
<volume>21</volume>
<numero>1</numero>
<issue>1</issue>
<page-range>95-120</page-range></nlm-citation>
</ref>
<ref id="B19">
<label>19</label><nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Kiya]]></surname>
<given-names><![CDATA[F]]></given-names>
</name>
</person-group>
<source><![CDATA[Transportation Research Part E: Logistics and Transportation Review]]></source>
<year>2012</year>
<volume>48</volume>
<numero>5</numero>
<issue>5</issue>
<page-range>919-936</page-range></nlm-citation>
</ref>
<ref id="B20">
<label>20</label><nlm-citation citation-type="">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Snyder]]></surname>
<given-names><![CDATA[L.V]]></given-names>
</name>
</person-group>
<source><![CDATA[Supply chain robustness and reliability: Models and algorithms]]></source>
<year></year>
</nlm-citation>
</ref>
<ref id="B21">
<label>21</label><nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Alonso-Ayuso]]></surname>
<given-names><![CDATA[A]]></given-names>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[An approach for strategic supply chain planning under uncertainty based on stochastic 0-1 programming]]></article-title>
<source><![CDATA[Journal of Global Optimization]]></source>
<year>2003</year>
<volume>26</volume>
<numero>1</numero>
<issue>1</issue>
<page-range>97-124</page-range></nlm-citation>
</ref>
<ref id="B22">
<label>22</label><nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Toro]]></surname>
<given-names><![CDATA[H.H]]></given-names>
</name>
</person-group>
<article-title xml:lang="es"><![CDATA[SAA-Sample Average Approximation Method, aplicado a la solución de modelos de Programación Lineal]]></article-title>
<source><![CDATA[Heurística]]></source>
<year>2007</year>
<volume>14</volume>
<page-range>10-20</page-range></nlm-citation>
</ref>
<ref id="B23">
<label>23</label><nlm-citation citation-type="confpro">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Santoso]]></surname>
<given-names><![CDATA[T]]></given-names>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[Strategic design of robust global supply chains: two case studies from the paper industry]]></article-title>
<source><![CDATA[]]></source>
<year></year>
<conf-name><![CDATA[ TAPPI Conference]]></conf-name>
<conf-date>2004</conf-date>
<conf-loc>Atlanta </conf-loc>
</nlm-citation>
</ref>
<ref id="B24">
<label>24</label><nlm-citation citation-type="confpro">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Escobar]]></surname>
<given-names><![CDATA[J.W]]></given-names>
</name>
</person-group>
<article-title xml:lang="es"><![CDATA[Modelación y optimización de redes de distribución de productos de consumo masivo con elementos estocásticos]]></article-title>
<source><![CDATA[]]></source>
<year></year>
<conf-name><![CDATA[ XIV Latin American Summer Workshop on Operations Research (ELAVIO)]]></conf-name>
<conf-date>2009</conf-date>
<conf-loc>El Fuerte </conf-loc>
</nlm-citation>
</ref>
<ref id="B25">
<label>25</label><nlm-citation citation-type="confpro">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Escobar]]></surname>
<given-names><![CDATA[J.W]]></given-names>
</name>
</person-group>
<article-title xml:lang="es"><![CDATA[Optimización de redes de distribución de productos de consumo masivo en condiciones de riesgo]]></article-title>
<source><![CDATA[]]></source>
<year></year>
<conf-name><![CDATA[ XXXIII Congreso Nacional de Estadística e Investigación Operativa (SEIO)]]></conf-name>
<conf-date>May 2012</conf-date>
<conf-loc>Madrid </conf-loc>
</nlm-citation>
</ref>
<ref id="B26">
<label>26</label><nlm-citation citation-type="">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Rici]]></surname>
<given-names><![CDATA[V]]></given-names>
</name>
</person-group>
<source><![CDATA[Fitting Distributions with R]]></source>
<year>2010</year>
<month>, </month>
<day>Ma</day>
</nlm-citation>
</ref>
<ref id="B27">
<label>27</label><nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Norkin]]></surname>
<given-names><![CDATA[V.I]]></given-names>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[A branch and bound method for stochastic global optimization]]></article-title>
<source><![CDATA[Mathematical programming]]></source>
<year>1998</year>
<volume>83</volume>
<numero>3</numero>
<issue>3</issue>
<page-range>425-450</page-range></nlm-citation>
</ref>
<ref id="B28">
<label>28</label><nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Mak]]></surname>
<given-names><![CDATA[W.K]]></given-names>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[Monte Carlo bounding techniques for determining solution quality in stochastic programs]]></article-title>
<source><![CDATA[Operations Research Letters]]></source>
<year>1999</year>
<volume>24</volume>
<numero>1</numero>
<issue>1</issue>
<page-range>47-56</page-range></nlm-citation>
</ref>
</ref-list>
</back>
</article>
