P. 1
Fundamentos de Gestión de Inventarios - Carlos Vidal H. Facultad de Ing.

Fundamentos de Gestión de Inventarios - Carlos Vidal H. Facultad de Ing.

5.0

|Views: 59.194|Likes:
Publicado porFelipe Ramírez

More info:

Categories:Topics, Art & Design
Published by: Felipe Ramírez on Dec 06, 2010
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

12/14/2015

pdf

text

original

Este sistema es uno de los más simples que existen y es adecuado para patrones de
demanda perpetuos, con poca o ninguna tendencia. El modelo subyacente para este tipo de
procesos es el siguiente:

t

t b

x ε

+

=

(3.6)

donde:

t

x = Valor real u observación de la demanda en el período t (tal como se definió
anteriormente),
b = Una constante que representa el proceso de demanda uniforme que se lleva a cabo,

t

ε = Una variable aleatoria con media cero y varianza 2

ε

σ > 0 desconocida. Esta

variable representa la parte aleatoria del proceso, imposible de pronosticar.

Fundamentos de Gestión de Inventarios. Capítulo 3: Introducción a los pronósticos de demanda

47

Lo que se trata de estimar en este caso es el parámetro b. Aunque la parte aleatoria de la
demanda no puede estimarse, se responde a ella definiendo inventarios de seguridad
adecuados, como se verá en capítulos posteriores.

El método de promedio móvil estima el valor de b a través del cálculo del promedio de las
últimas N observaciones, a través de la estadística MT, definida como:

N

x

...

x

x

x

M

N

T

T

T

T

T

1

2

1

+

+

+

+

+

=

(3.7)

El subíndice T representa el período actual, a partir del cual se calcula el promedio,
devolviéndose N períodos, o sea hasta el período TN + 1. Esta expresión no es más que el
promedio simple de las últimas N observaciones de demanda. Usualmente un valor de N = 12
es adecuado, aunque se debe probar con varios valores hasta determinar el que produzca el
menor error de pronóstico sobre un período dado. El valor del promedio MT se utiliza para
pronosticar la demanda del período siguiente o de cualquier período posterior. Cuando
transcurre el próximo período y se conoce su demanda, entonces el promedio móvil ‘se corre’
un período. Por esta razón, el valor MT se puede calcular también con la siguiente expresión,
la cual puede ser más adecuada para implementar en una hoja electrónica, ya que el nuevo MT
se genera a partir del anterior, MT1.

Nx

x

M

M

N

T

T

T

T

+

=

1

(3.8)

Obsérvese que MT es un estimador insesgado de b, ya que su valor esperado E(MT) es:

b

Nb

N

x

E

N

N

x

...

x

x

x

E

M

E

N

k

k

T

N

T

T

T

T

T

=

=



=



+

+

+

+

=

∑−

= −

+

)

(

1

1

)

(

1

0

1

2

1

Además:

)

(

1

)

(

2

2

1

0

2

ε

σ

NN

x

Var

N

M

Var

N

k

k

T

T

=



=

∑−

= −

N

M
Var T

2

)

(

ε

σ

=

Ejemplo 3.2. (Simulación de pronósticos con promedio móvil)

Considere el ítem mostrado en la Figura 3.3 anterior, del cual se dispone de una historia de
demandas de 89 semanas. Las demandas de este ítem para las semanas 40–51 (12 semanas)
fueron, respectivamente, 80, 79, 88, 58, 71, 85, 79, 63, 57, 50, 71 y 112 unidades. Estos
valores sirven para ‘arrancar’ el sistema de pronósticos a partir de la semana 52. La demanda
promedio de estas 12 semanas es 74.42 unidades y este valor se toma como el pronóstico para
la semana 52. A partir de este punto se toma el promedio de las 12 semanas anteriores.

Carlos Julio Vidal Holguín (Universidad del Valle − Escuela de Ingeniería Industrial y Estadística)

48

Tabla 3.4. Simulación de un sistema de pronósticos de promedio móvil (Ejemplo 3.2)

Semana Demanda Pronóstico Error Error abs. Error cuadr.

52

53,00

74,42

-21,42

21,42

458,67

53

85,00

72,17

12,83

12,83

164,69

54

43,00

72,67

-29,67

29,67

880,11

55

47,00

68,92

-21,92

21,92

480,34

56

48,00

68,00

-20,00

20,00

400,00

57

73,00

66,08

6,92

6,92

47,84

58

23,00

65,08

-42,08

42,08

1771,01

59

116,00

60,42

55,58

55,58

3089,51

60

67,00

64,83

2,17

2,17

4,69

61

39,00

65,67

-26,67

26,67

711,11

62

81,00

64,75

16,25

16,25

264,06

63

67,00

65,58

1,42

1,42

2,01

64

58,00

61,83

-3,83

3,83

14,69

65

51,00

62,25

-11,25

11,25

126,56

66

52,00

59,42

-7,42

7,42

55,01

67

51,00

60,17

-9,17

9,17

84,03

68

65,00

60,50

4,50

4,50

20,25

69

56,00

61,92

-5,92

5,92

35,01

70

46,00

60,50

-14,50

14,50

210,25

71

75,00

62,42

12,58

12,58

158,34

72

47,00

59,00

-12,00

12,00

144,00

73

69,00

57,33

11,67

11,67

136,11

74

59,00

59,83

-0,83

0,83

0,69

75

54,00

58,00

-4,00

4,00

16,00

76

46,00

56,92

-10,92

10,92

119,17

77

44,00

55,92

-11,92

11,92

142,01

78

51,00

55,33

-4,33

4,33

18,78

79

41,00

55,25

-14,25

14,25

203,06

80

77,00

54,42

22,58

22,58

510,01

81

69,00

55,42

13,58

13,58

184,51

82

54,00

56,50

-2,50

2,50

6,25

83

76,00

57,17

18,83

18,83

354,69

84

88,00

57,25

30,75

30,75

945,56

85

55,00

60,67

-5,67

5,67

32,11

86

74,00

59,50

14,50

14,50

210,25

87

46,00

60,75

-14,75

14,75

217,56

88

49,00

60,08

-11,08

11,08

122,84

89

80,00

60,33

19,67

19,67

386,78

Sumas

-62,2500549,916712728,5764

MAD o ECM

14,4715

334,9625

Desviación estándar estimada

18,0894

18,3020

La demanda real de la semana 52 fue 53.00 unidades y por lo tanto el error de pronóstico es
53 – 74.42 = –21.42 unidades, como puede observarse en la Tabla 3.4. El pronóstico para la
semana 53 sería entonces el promedio de las demandas de las semanas 41–52, el cual también
se puede calcular de acuerdo con la expresión (3.8) como 74.42 + (53.00 – 80.00)/12 = 72.17

Fundamentos de Gestión de Inventarios. Capítulo 3: Introducción a los pronósticos de demanda

49

unidades. Se continúa así sucesivamente hasta la última semana que se va a pronosticar en la
simulación y se obtienen los resultados mostrados en la Tabla 3.4 y en la Figura 3.8. En esta
figura se han renumerado las semanas 52–89 (a semanas 1–38) para comodidad de
presentación del gráfico. Se insiste en que las semanas 52–89 ya son historia y, por lo tanto,
se conocen sus datos de demanda real. El presente puede ser, por ejemplo, la semana 90 y se
desea iniciar el pronóstico real en la semana 91.

Promedio Móvil

0

25

50

75

100

125

147

10

13

16

19

22

25

28

31

34

37

Tiempo (semanas)

Demanda (unidades)

Demanda

Pronóstico

Figura 3.8. Pronóstico basado en promedio móvil con N = 12

Con base en el ejemplo anterior, obsérvese que lo que el sistema de pronósticos sigue es
precisamente la tendencia de la demanda, pero es imposible pronosticar las variaciones
aleatorias de ésta. Para responder a esta situación se definen inventarios de seguridad
adecuados, de acuerdo con las consideraciones siguientes. En las últimas filas de la anterior
tabla de resultados, se han calculado la suma de las columnas correspondientes al error del
pronóstico, al error absoluto y al error cuadrático. Las sumas más importantes son las del
error absoluto y la del error cuadrático, ya que mediante ellas se calcula la MAD y el ECM
[(recordar las expresiones (3.4) y (3.5)], los cuales son los indicadores más utilizados para
medir la magnitud del error del pronóstico.

Lo que interesa finalmente es la estimación de la desviación estándar de los errores del

pronóstico, e

σ, la cual está relacionada con la MAD, de acuerdo con el siguiente análisis.
Supóngase que la variable aleatoria que representa el error del pronóstico, e, se distribuye
normalmente con media µ y desviación estándar e

σ. Por definición la MAD es:

Carlos Julio Vidal Holguín (Universidad del Valle − Escuela de Ingeniería Industrial y Estadística)

50

e

e

e

e

e

MAD

de

e

e

de

e

e

MAD

σ

π

σ µ

π

σ

µ

σ µ

π

σ

µ

µ

2

21

exp

2

1

2

21

exp

2

1

2

2

=





=





=

O, equivalentemente:

MAD

e

25
.
1

=

σ

(3.9)

Por otra parte, es fácil concluir que:

ECM

e =

σ

(3.10)

La expresión (3.9) supone que los errores de pronóstico se distribuyen normalmente,
mientras que la expresión (3.10) no tiene ningún supuesto acerca de su distribución
probabilística. Ambas estimaciones se han hecho en la última fila de la Tabla 3.4 y su
proximidad es satisfactoria (18.09 y 18.30, respectivamente), indicando un buen
comportamiento de este sistema de pronósticos y evidenciando la normalidad de los errores de
pronóstico. Montgomery et al. (1990, pág. 208) sostienen que la expresión (3.9) es muy
aproximada incluso cuando los errores del pronóstico no se distribuyen normalmente.

Antes de continuar, es importante describir los dos tipos más comunes de control de
inventarios de ítems individuales, los cuales se estudiarán con mayor detalle posteriormente.
El sistema de control continuo (s, Q) revisa el nivel de inventario continuamente y cuando
éste llega a su punto de pedido, s, entonces se ordena una cantidad Q. El sistema de control
periódico
(R, S) revisa el nivel de inventario cada R períodos de tiempo y ordena una cantidad
igual a la diferencia entre un inventario máximo, S, y el inventario disponible en el momento
de la revisión. El sistema periódico facilita la coordinación del control de varios ítems,
aunque genera inventarios de seguridad ligeramente superiores al sistema continuo, ya que el
primero debe responder a las fluctuaciones de demanda durante el tiempo de reposición de los
proveedores (Lead Time L) más el tiempo entre revisiones, R, mientras que para el sistema
continuo los inventarios de seguridad deben responder sólo sobre el Lead Time L.

La importancia de la estimación de la desviación estándar de los errores de pronósticos
radica en el hecho de que la desviación estándar de la demanda sobre el tiempo de reposición,

L

σˆ, o sobre el tiempo de reposición más el tiempo de revisión,

L

R+

σˆ, es decir, sobre
aquellos tiempos en los cuales existe el riesgo de tener agotados, se pueden estimar mediante
las siguientes expresiones, donde L es el tiempo de reposición o lead time de los proveedores
y R es el tiempo entre revisiones del inventario:

Fundamentos de Gestión de Inventarios. Capítulo 3: Introducción a los pronósticos de demanda

51

periódico

control

de

sistema

un

para

,

continuo

control

de

sistema

un

para

,

L

R

L

e

L

R

e

L

+

=

=

+ σ

σ

σ

σ

ˆ

ˆ

ˆ

ˆ

(3.11)

Finalmente, L

σˆ y

L

R+

σˆ son fundamentales para fijar los niveles adecuados de inventarios

de seguridad, ya que éstos vienen dados por:

periódico)

(sistema

Seguridad

de

Inventario

continuo)

(sistema

Seguridad

de

Inventario

L

R

k

k

L

k

k

e

L

R

e

L

+

=

=

=

=

+ σ

σ

σ

σ

ˆ

ˆ

ˆ

ˆ

(3.12)

donde k mide el nivel de servicio que se desea prestar al cliente y puede determinarse
mediante diversos criterios. El más simple es el de fijar el nivel de servicio de acuerdo con la
probabilidad de no tener un agotado en cada ciclo de reposición. Bajo el supuesto de
normalidad, para un nivel de servicio del 95.0%, k debe fijarse en 1.65. Para un nivel de
servicio del 97.5%, k se fija en 1.96, y para un nivel de servicio del 99.0%, k = 2.33. Sin
embargo, un nivel de servicio del 95%, representa un nivel de servicio mucho mayor medido
en la fracción de las unidades de demanda que se sirven desde el inventario disponible. Por
ejemplo, un nivel de servicio del 95% basado en la probabilidad de no tener agotados,
corresponde generalmente a un nivel de servicio del 99% aproximadamente, definido con base
en unidades de demanda satisfechas del inventario disponible.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->