Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Gestion de Inventarios PDF
Gestion de Inventarios PDF
FACULTAD DE INGENIERIA
ESCUELA DE INGENIERÍA INDUSTRIAL
LOGÍSTICA INDUSTRIAL
gestión de inventarios
pronósticos de demanda .
4Nivel de servicio
•Proporción de veces en que no ocurren agotados (P1)
•“Fill Rate”: Proporción de demanda satisfecha en
forma inmediata (P2)
4Pedidos perfectos
•Número de pedidos recibidos del proveedor
(entregados al punto de venta) sin ningún tipo de error.
4Precisión del inventario físico
4Mejora en el clima organizacional
Iniciativas en la gestión de inventarios en la
cadena de suministro
Proveedores Clientes
Tipos de organización
Proveedores
Materias primas
E-1
E-2
Procesos de producción
E-3
Línea de ensamble
B-2
B-1
Una cadena de abastecimiento general
Clientes
Identificación del sistema
La cadena de abastecimiento One–Warehouse N–Retailer
• Conocimiento de la demanda
• Conocimiento del cliente
• Ciclo de vida del producto
• Condiciones de competencia
• Conocimiento de proveedores
• Sistemas de transporte y almacenamiento
Clasificación de los SKU’s
(ABC)
Clasificación ABC
d*v
• Los primeros ítems que corresponden al 20% del
total de estos se clasifican como A, el 30% siguiente
se clasifica como B y el 50% restante se clasifica C.
Clasificación ABC
Porcentaje del total
de ventas anuales
100
80
60
40
20
A B C
Porcentaje del
total de ítems
20 40 60 80 100
Clasificación ABC
Variabilidad de la demanda
Ganesh & Rajendran, 1994; Partovi & Burton 1993; Partovi & Hopton
1994 )
120
Demanda (unid.)
120
100 100
80 80
60 60
40 40
20 20
0 0
1
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
Tiempo (semanas) Tiempo (Semanas)
Estacional Errática
Demanda Tendencia
Demanda 6
200
5
180
Demanda (unid.)
160
140
Demanda (Unid.)
4
120
100 3
80
60
2
40
20
1
0
1
5
9
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
85
89
0
Tiempo (Semanas)
1
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
Tiempo (Semanas)
Determinación de la demanda
El pronóstico y la variabilidad
σ̂ =
∑ i
(x − x ) 2
n
Ejemplo “crítico”
• Dos datos de demanda semanal: 100, 100
• Promedio = (100 + 100) / 2 = 100
• Desviación Estándar = ∑ ( 100 − 100 ) 2
+ ( 100 − 100 ) 2
=0
2
• Dos datos de demanda semanal: 125, 75
• Promedio = (125 + 75) / 2 = 100
• Desviación Estándar = ∑ ( 125 − 100 )2 + ( 25 − 100 )2
= 55.90
2
• Dos datos de demanda semanal: 200, 0
• Promedio = (200 + 0) / 2 = 100
• Desviación Estándar = ∑ ( 200 − 100 ) 2
+ ( 0 − 100 ) 2
= 100
2
El promedio y la variabilidad
Inv. Máximo
Inventario de
seguridad
97.5%
El promedio y la variabilidad
40
35
Unidades Vendidas
30
25
20
15
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
Semanas
El promedio y la variabilidad
No se puede mostrar la imagen en este momento.
?
Variabilidad de la demanda
Media
Poca variabilidad
variabilidad
Alta
variabilidad
Determinación de la demanda:
Cuál es la causa más La causa más probable del
probable del desbalanceo desbalanceo de inventarios es el
de inventarios diseño y aplicación de sistemas
de gestión y control basados
exclusivamente en el promedio
de la demanda, con atención
mínima o inexistente de la
variabilidad de dicha demanda y
sin tener en cuenta la variabilidad
de los Lead Times.
Análisis de demanda en Hoja de
Cálculo
Información global de demanda
Información global sobre
la demanda
P
R C
O L
V I
E PU N T O S D E E
E BODEGA VENTA N
D T
O E
R S
E
S
Inform ación G lobal sobre D em anda en un sistem a con una bodega y N puntos
de venta
DATOS
H IS T O R IC O S P o sib le m o d ific a c ió n d e l
M o d e lo o su s p a rá m e tro s
S e le c c ió n e in ic ia liz a c ió n
d e l m o d e lo
M ODELO
M A T E M A T IC O
D e m a n d a re a l o b se rv a d a
IN T E R V E N C IO N P ro n ó stic o
HUM ANA e sta d ístic o
CALCU LO DE
P R O N O S T IC O ERRORES DE
DE DEM ANDA P R O N O S T IC O
Ambiente común de un sistema de pronósticos (FUENTE: Adaptado de Silver et al. (1998), Pág. 75)
Metodología para elaborar pronósticos
Un método particular
que se utiliza es el
Método Delphi.
Técnicas para elaboración de pronósticos
S u a v iz a c ió n E x p o n e n c ia l S im p le
D a to s p r o n ó s t i c o s i m p le
50
40
D eman da
30
20
10
0
1
11
13
15
17
19
21
23
25
27
29
31
33
Seman as A ño
Pronósticos cuantitativos
Costo Total
óptimo
Nivel de esfuerzo para generar el Pronóstico
Elementos de tiempo de un sistema de
pronósticos
Período del pronóstico:
Unidad básica de tiempo para la cual será realizado el pronóstico.
Por ejemplo requerimos un pronóstico para una semana.
Horizonte del pronóstico :
Número de períodos en el futuro que será cubierto por el
pronóstico. Por ejemplo requerimos pronósticos para las próximas
diez semanas.
Intervalo del pronóstico :
Es la frecuencia con que el nuevo pronóstico será preparado. A
menudo el intervalo del pronóstico es el mismo periodo del
pronóstico.
Causas de imprecisión en los sistemas de
pronósticos
•Precisión
•Costo
∑x t ∑x t
Demanda Promedio d = t =1
Demanda Promedio d = t =1
n n
Demanda Promedio = 3.08 unidades Demanda Promedio = 4 .67 unidades
n 2 n 2
∑ (x t − xt ) ∑ (x t − xt )
Desviación Estándar σ d = t =1
Desviación Estándar σ d = t =1
n−1 n −1
Desviación Estándar = 3.40 unidades Desviación Estándar = 2 .67 unidades
Datos atípicos
Considerados como aquellos datos que no corresponden al
comportamiento normal de la demanda y por lo tanto deberían ser
eliminados
PERÍODO DEMANDA
1. Eliminación de datos atípicos (‘outliers’) para
1 108
la regresión lineal de inicio del pronóstico. 2 62
3 76
4 76
5 87
6 208
7 95
Zona de Inicialización Zona de simulación 8 68
9 81
10 78
11 69
12 43
13 74
14 70
15 67
16 53
17 47
18 55
19 46
20 45
Datos atípicos
2. Eliminación de datos atípicos para el control en
tiempo real.
PERÍODO DEMANDA
20 39
21 52
22 53
23 66
24 41
25 36
26 36
27 31
28 70
29 68
30 81
31 67
32 54
33 89
34 58
35 95
36 83
37 63
38 109
39 230
Eliminación de Outliers
Cuando el dato atípico será utilizado para realizar la
regresión en la inicialización de un modelo.
Demanda en el período t = a + bt + f + c + ε
1. Nivel promedio a
2. Tendencia b
3. Componente cíclico f
4. Componente estacional c
5. Componente aleatorio є
Modelo Matemático
Demanda
Demanda
a
a
Tiem po Tiempo
Xˆ t = aˆ xˆ t = aˆ + bˆt
Modelos cuantitativos para pronosticar
1600
Demanda (Trillones de BTU)
1400
1200
1000
800
600
400
200
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73
Mes
El pronóstico y la variabilidad
x̂
La variabilidad del pronóstico de la demanda se conoce como la
desviación estándar de los datos y se expresa:
σˆ = ∑ (xi − x)
ˆ 2
n
PROMEDIO MOVIL
Promedio móvil
Demanda en el periodo t (modelo sin tendencia)
)
X = a +ε
Criterio de mínimos cuadrados para seleccionar un valor apropiado del
parámetro a
T
E (a ) = ∑ ( X t − a )
2
t =1
1 T
aˆ = ∑ X t
T t =1
Promedio Móvil
xT + xT −1 + xT − 2 + ... + xT − N +1
MT =
N
xT − xT − N
M T = M T −1 +
N
Aplicación en Excel
Suavización Exponencial
Simple
Suavización exponencial simple
St = αX t + (1 − α )St −1
St: Operador. Estima el valor a o el pronóstico siguiente de la demanda realizado
en el período t.
S t = α X t − α S t −1 + S t − 1 = S t −1 + α ( X t − S t − 1 )
S t = αX t + (1 − α )[αX t −1 + (1 − α ) S t −2 ] St = αX t + α(1 − α )X t −1 + (1 − α ) St − 2
2
t −1 t −1
S t = α ∑ (1 − α )k X t − k + (1 − α ) t S 0 E ( S t ) = α ∑ (1 − α ) k Ε( X t − k ) + (1 − α ) t S 0
k =0 k =0
∞
lim E ( S t ) = α a ∑ (1 − α )k
T→ ∞
k =0
1
= αa
α
= a
Suavización exponencial simple
Valores de inicialización de la suavización exponencial
simple
x t + x t −1 + .............. + x t − N −1
So =
N
σ ε2 σ ε2 α 2-α
Var ( M t ) = (1) = σε ⇒ N =
2
N N 2−α α
∞
Var ( ST ) = V α ∑ (1 − α ) xt − k
k
Alpha N
k =0 0,01 199,0
∞ 2k 0,10 19,0
= α 2 ∑ (1 − α ) Var ( xt − k ) 0,15 12,3
k =0 0,20 9,0
0,25 7,0
α
= * σ ε2 (2) 0,30 5,7
2 -α
1 Montgomery et. al. Pag 86
2 Idem. Pag. 89
Regresión Lineal
Análisis de regresión lineal
Modelo básico para pronóstico de demanda
con tendencia x = a + bt + ε
xˆ t = aˆ + bˆt
Demanda
b
diente
a Pen
Los parámetros a y b se estiman
mediante el método de mínimos
Tiempo cuadrados
e i = x i − (a + bt )
n
e (a, b ) = ∑ [x i − (a + bti ) ]
2
i =1
∑ i
x =
i =1
ˆ
a n + ˆ
bi ∑ ti
i =1
n n n
∑ ii ∑i ∑i
x t
i =1
= ˆ
a t + ˆ t2
b
i =1 i =1
â =
(∑ X ∑ t ) − (∑ t )(∑ t X )
i i
2
i i i
bˆ =
∑X
n
i
− aˆ
n ∑ t i − (∑ t i ) ∑ ti
2 2
n
Suavización Exponencial
Doble
Suavización exponencial doble
[2 ]
= α S t + (1 − α )S t − 1
[2 ] [2 ]
St X t = 2S t − S t
ˆ
X̂ t + τ ( t ) = X̂ t + τb( t )
= 2St − St
[2 ] α
(
+ τ St − St
β
[2 ]
)
ατ ατ [2 ]
= 2 + S t − 1 + S t
β β
S t = αX t + (1 − α )S t −1 S t [2 ]
= αS t + (1 − α )S[t2−]1
Inicialización Suavización exponencial doble
Método 2
Definir los valores de S o y S [o2 ] en un nuevo origen
del tiempo donde se iniciará el pronóstico
ˆ (1 − α) ˆ (1 − α) ˆ
S0[2] = (aˆ + bˆt) − 2 ∗ ∗b
S0 = (aˆ + bt) − *b
α α
S t = αX t + (1 − α )S t −1 St
[2 ]
= α S t + (1 − α )S [t2−]1
Métodos cuantitativos para pronosticar
Promedio móvil: Para ítems con demanda estable y sin
tendencia
Suavización exponencial simple: Para ítems con
demanda estable y poca tendencia, pero que puede
cambiar su comportamiento constantemente
Suavización exponencial doble: Para ítems con
demanda estable y con tendencia
Método de Winters: Aplicables a modelos que
presentan estacionalidad
Método de Croston: Modelo para ítems con demanda
errática
Promedio móvil
demanda Promedio móvil
25
20
UNIDADES VENDIDAS
15
10
0
1
11
13
15
17
19
21
23
25
27
29
31
33
35
37
39
SEMANAS
Suavización exponencial simple
demanda Suavización exp. Simple
25
20
UNIDADES VENDIDAS
15
10
0
1
11
13
15
17
19
21
23
25
27
29
31
33
35
37
SEMANAS
Suavización exponencial doble
demanda Suavización exp. Doble
25
20
UNIDADES V ENDIDAS
15
10
0
1
11
13
15
17
19
21
23
25
27
29
31
33
35
37
SEMANAS
Método de Winters
DEMANDA Pronóstico
1800
1600
1400
1200
1000
800
600
400
200
0
1
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
M es
Método de Croston
Pronóstico nuevo Datos_demanda
12
10
8
Unidade s
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Tiempo
Causas de imprecisión en los sistemas de
pronósticos
Utilización de datos poco confiables
∑ X −−
n
X t
MAD = t =1
n
Error Cuadrático Medio ECM
n
∑( X t
− X )2
ECM = t =1
n
PRONÓSTICOS DE
INVENTARIOS EN HOJA DE
CÁLCULO
Promedio Móvil
Promedio móvil
T
E (a ) = ∑ ( X t − a )
2
t =1
1 T
aˆ = ∑ X t
T t =1
Promedio Móvil
xT + xT −1 + xT − 2 + ... + xT − N +1
MT =
N
xT − xT − N
M T = M T −1 +
N
Aplicación en Excel
Modelo Matemático
Demanda en el período t = a + bt + Fi + Ci + ε
Demanda
Demanda
a
a
Tiem po Tiempo
Xˆ t = aˆ xˆ t = aˆ + bˆt
Suavización exponencial
simple
Suavización exponencial simple
El operador utilizado para estimar el valor de a es nombrado St, y se calcula
mediante la siguiente expresión:
S t = αX t + (1 − α )S t −1
St: Operador. Estima el valor a o el pronóstico siguiente de la demanda realizado
en el período t.
S t = α X t − α S t −1 + S t − 1 = S t −1 + α ( X t − S t − 1 )
S t = αX t + (1 − α )[αX t −1 + (1 − α ) S t −2 ] St = αX t + α(1 − α )X t −1 + (1 − α ) St − 2
2
t −1 t −1
S t = α ∑ (1 − α )k X t − k + (1 − α ) t S 0 E ( S t ) = α ∑ (1 − α ) k Ε( X t − k ) + (1 − α ) t S 0
k =0 k =0
∞
lim E ( S t ) = α a ∑ (1 − α )k
T→ ∞
k =0
1
= αa
α
= a
Suavización exponencial simple
Valores de inicialización de la suavización
exponencial simple
S0 : Promedio de los últimos N datos históricos de
demanda anteriores
x t + x t −1 + .............. + x t − N −1
So =
N
σ ε2 σ ε2 α 2-α
Var ( M t ) = (1) = σε ⇒ N =
2
N N 2−α α
∞
Var ( ST ) = V α ∑ (1 − α ) xt − k
k
Alpha N
k =0 0,01 199,0
∞ 2k 0,10 19,0
= α 2 ∑ (1 − α ) Var ( xt − k ) 0,15 12,3
k =0 0,20 9,0
0,25 7,0
α
= * σ ε2 (2) 0,30 5,7
2 -α
1 Montgomery et. al. Pag 86
2 Idem. Pag. 89
Regresión Lineal
Análisis de regresión lineal
Modelo básico para pronóstico de demanda
con tendencia x = a + bt + ε
xˆ t = aˆ + bˆt
Demanda
b
diente
a Pen
Los parámetros a y b se estiman
mediante el método de mínimos
Tiempo cuadrados
200
180
160
140
Unidades
120
100
80
60
ei
40
20
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33
Semanas
e i = x i − (a + bt )
n
e (a, b ) = ∑ [x i − (a + bti ) ]
2
i =1
∑x i =1
i = aˆn + bˆi ∑ t i
i =1
n n n
∑ ii ∑i ∑i
x t
i =1
= ˆ
a t + ˆ t2
b
i =1 i =1
â =
(∑ X ∑ t ) − (∑ t )(∑ t X )
i i
2
i i i
bˆ =
∑X
n
i
− aˆ
n ∑ t i − (∑ t i ) ∑ ti
2 2
n
X̂ t + τ ( t ) = X̂ t + τb( t )
= 2St − St
[2 ] α
(
+ τ St − St
β
[2 ]
)
ατ ατ [2 ]
= 2 + S t − 1 + S t
β β
Método 1
Definir los valores de S o y S [o2 ]
en el origen del tiempo
S t = αX t + (1 − α )S t −1 S t [2 ]
= αS t + (1 − α )S[t2−]1
Inicialización Suavización exponencial doble
Método 2
Definir los valores de S o y S [o2 ] en un nuevo origen
del tiempo donde se iniciará el pronóstico
ˆ (1 − α) ˆ (1 − α) ˆ
S0[2] = (aˆ + bˆt) − 2 ∗ ∗b
S0 = (aˆ + bt) − *b
α α
S t = αX t + (1 − α )S t −1 St
[2 ]
= α S t + (1 − α )S [t2−]1
Ejemplo de suavización
exponencial doble en Excel
Método de Winters Multiplicativo
para demandas estaciónales
Pronósticos de Demanda Estacional
Modelo Multiplicativo de Winters x t = (b1 + b2 t )ct + ε t
aˆ1 (T ) = α
xT
cˆT (T − L)
[
+ (1 − α ) aˆ1 (T − 1) + bˆ2 (T − 1) ]
Esta expresión tiene como propósito eliminar el componente estacional
Esto se conoce como: La “desestacionalización” de la demanda.
Tendencia:
bˆ2 (T ) = β [aˆ 1 (T ) − aˆ 1 (T − 1)] + (1 − β )bˆ2 (T − 1)
Esta expresión tiene como propósito revisar los cambios en la tendencia
xT
Factor estacional: cˆT (T ) = γ + (1 − γ )cˆT (T − L)
aˆ 1 (T )
Esta expresión tiene como propósito estimar el factor estacional
Formula para calcular el pronóstico
Componente Componente
Tendencia
permanente estacional
[ ]
xˆ T +τ (T ) = aˆ1 (T ) + τ bˆ2 (T ) cˆT +τ (T + τ − L )
Número de períodos
futuros
Inicialización del sistema de pronósticos
Supuesto: Se tienen datos para la iniciación de los pronósticos
para un total de m estaciones, cada una compuesta por L
períodos.
Estimación de la ˆb (0) = x m − x1
( m − 1) L
2
tendencia
Estimación de la
Lˆ
componente aˆ 1 (0) = x1 − b2 (0)
permanente 2
Inicialización del sistema de pronósticos
Factores estacionales son calculados para cada período t = 1, 2, ..., mL
xt
cˆ t = , para t = 1,2,..., mL
x i − [( L + 1) / 2 − j ] bˆ2 (0)
Donde:
xi : Es el promedio para una estación correspondiente al
subíndice t,
j : Es la posición del período t dentro de la estación
Ejemplo Igualmente,
Si : 1 ≤ t ≤ L, entonces i = 1, Cuando t = 1 y t = L + 1, j = 1;
Si: L + 1 ≤ t ≤ 2L, entonces i = 2, Cuando t = 2 y t = L + 2, j = 2,
y así sucesivamente y así sucesivamente
Es decir:
j = t para cualquier período t + kL, con k = 0, 1, 2, ..., m
Inicialización del sistema de pronósticos
Como de la ecuación anterior se obtienen m estimaciones del
factor estacional, se sugiere obtener un promedio de este así:
1 m −1
ct = ∑ cˆt + kL , para t = 1, 2,..., L
m k =0
L
cˆ t (0) = c t L
, para t = 1,2,..., L
∑c
t =1
t
Ejemplo de demanda estacional: Consumo de gas
natural en EEUU (1987 – 1992)
1.800,0
1.600,0
1.400,0
Demanda (Trillones de BTU)
1.200,0
1.000,0
800,0
600,0
400,0
200,0
0,0
1
10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
55
58
61
64
67
70
Mes
Ejemplo de demanda estacional
M ES D E MA ND A MES D E M AN DA MES D EM A ND A
1 1 .499,2 13 1.633,2 25 1 .361,0
2 1 .316,5 14 1.462,6 26 1 .416,3
3 1 .155,5 15 1.178,1 27 1 .265,7
4 926,0 16 830,0 28 851,3
5 630,5 17 606,5 29 604,8
6 520,3 18 513,7 30 474,6
7 531,6 19 543,4 31 507,3
8 586,2 20 604,8 32 519,8
9 518,8 21 528,0 33 471,4
10 704,2 22 671,3 34 694,9
11 878,4 23 889,7 35 901,3
12 1 .276,2 24 1.244,0 36 1 .482,7
M ES D E MA ND A MES D E M AN DA MES D EM A ND A
37 1 .437,5 49 1.512,9 61 1 .395,3
38 1 .167,7 50 1.192,0 62 1 .194,1
39 1 .055,7 51 1.075,6 63 1 .070,8
40 824,7 52 763,0 64 834,4
41 598,9 53 551,9 65 575,9
42 483,2 54 434,0 66 458,3
43 478,1 55 472,3 67 431,0
44 523,3 56 438,8 68 441,8
45 498,1 57 448,2 69 462,6
46 635,5 58 617,9 70 700,9
47 834,6 59 900,7 71 996,6
48 1 .304,5 60 1.194,3 72 1 .344,8
Componente permanente, tendencia y factores
estaciónales de inicio
m = 4 estaciones disponibles;
Longitud de cada estación L = 12 meses
x1 = 878.6167 x2 = 892.1083
x3 = 879.2583 xm = x4 = 820.1500
Lˆ 12
aˆ1 (0) = x1 − b2 (0) = 878.6167 − ( −1.62407 ) = 888.3611
2 2
Componente permanente, tendencia y factores
estaciónales de inicio
P er ío d o Va lo r d e j E s ti m a ci ó n P er í o d o Va l o r d e j E s ti m ac i ó n
1 1 1,689146 25 1 1,532329
xt
cˆt = , para t = 1,2,..., mL 2 26
xi − [( L + 1) / 2 − j ] bˆ2 (0)
2 1,486017 2 1,597511
3 3 1,306682 27 3 1,430262
4 4 1,049082 28 4 0,963752
5 5 0,715621 29 5 0,685952
x1
cˆ1 = 6 6 0,591634 30 6 0,539275
x1 − [( L + 1) / 2 − j ] bˆ2 ( 0) 7
8
7
8
0,605602
0,669040
31
32
7
8
0,577497
0,592823
9 9 0,593215 33 9 0,538621
1,499.2
cˆ1 = = 1.689146 10 10 0,806706 34 10 0,795468
∑c
t =1
t
6
7
0,573698
0,594073
0,574242
0,594637
8 0,645405 0,646017
9 0,584187 0,584741
10 0,784938 0,785683
11 1,018526 1,019493
12 1,546918 1,548386
aˆ1 (T ) = α
xT
cˆT (T − L)
[
+ (1 − α ) aˆ1 (T − 1) + bˆ2 (T − 1) ]
+ (0.861)[888.3611 + ( −1.6241)]
1,499.2
aˆ1 (1) = (0.1390)
1.693578
aˆ1 (1) = 886.5271
xT
bˆ2 (T ) = β [aˆ1 (T ) − aˆ1 (T − 1)] + (1 − β )bˆ2 (T − 1) cˆT (T ) = γ + (1 − γ )cˆT (T − L)
ˆa1 (T )
bˆ2 (1) = (0.01)[886.5271 − 888.3611] + (0.99)( −1.6241) 1,499.2
cˆ1 (1) = (0.5374) + (0.4626)(1.693578)
bˆ2 (1) = −1.6262 886.5271
cˆ1 (1) = 1.6922
[ ]
xˆ T +τ (T ) = aˆ1 (T ) + τbˆ2 (T ) cˆT +τ (T + τ − L)
[ ]
xˆ 0+1 (0) = aˆ1 (0) + bˆ2 (0) cˆ 0+1 (T + τ − L)
xˆ 1 (0) = [888.3611 + ( −1.6241)] (1.693578)
Pronóstico:
xˆ 1 (0) = 1,501.7584
Valores de inicio: Nuevo origen de tiempo
MES D E M AND A a 1(T ) b 2(T ) c T (T ) P ro n ó s ti c o E r ro r
888,3611 -1,6241
1 1.499,2 886,5271 -1,6262 1,6922 1.501,7584 -2,5584
2 1.316,5 881,3739 -1,6614 1,5113 1.355,3787 -38,8787
3 1.155,5 877,9114 -1,6795 1,3240 1.172,7803 -17,2803
4 926,0 884,9963 -1,5918 1,0183 863,8182 62,1818
5 630,5 885,3508 -1,5723 0,7077 620,6592 9,8408
6 520,3 886,8751 -1,5414 0,5809 507,5027 12,7973
7 531,6 886,5366 -1,5294 0,5973 526,4520 5,1480
8 586,2 888,1197 -1,4982 0,6536 571,7298 14,4702
9 518,8 886,7060 -1,4974 0,5849 518,4442 0,3558
10 704,2 886,7484 -1,4820 0,7902 695,4934 8,7066
11 878,4 881,9786 -1,5149 1,0068 902,5229 -24,1229
12 1.276,2 872,6476 -1,5930 1,5022 1.363,2980 -87,0980
13 1.633,2 884,1237 -1,4623 1,7755 1.474,0358 159,1642
............. ............. ............. ............. ............. ............. .............
36 1.482,7 869,4663 -1,2743 1,5930 1.237,6371 245,0629
37 1.437,5 866,6830 -1,2894 1,6670 1.455,7094 -18,2094
38 1.167,7 845,5942 -1,4874 1,4893 1.397,8646 -230,1646
39 1.055,7 832,2355 -1,6061 1,3254 1.174,5839 -118,8839
40 824,7 832,4203 -1,5882 0,9847 812,0995 12,6005
41 598,9 834,6574 -1,5499 0,7084 579,6916 19,2084
42 483,2 835,8063 -1,5229 0,5729 472,1917 11,0083
43 478,1 829,0125 -1,5756 0,5877 500,8735 -22,7735
44 523,3 825,8374 -1,5916 0,6372 530,6828 -7,3828
45 498,1 829,7225 -1,5369 0,5894 475,3683 22,7317
46 635,5 823,1688 -1,5870 0,7860 664,4674 -28,9674
47 834,6 819,0970 -1,6119 1,0280 853,1702 -18,5702
48 1.304,5 817,6788 -1,6099 1,5943 1.302,2785 2,2215
MES D E M A ND A a 1(T ) b 2(T ) c T (T ) P ro n ó s ti co E rro r
37 1,6670
38 1,4893
39 1,3254
40 0,9847
41 0,7084
42 0,5729
43 0,5877
44 0,6372
45 0,5894
46 0,7860
47 1,0280
48 817,6788 -1,6099 1,5943
49 1.512,9 828,782156 -1,482814 1,752147 1.360,38 152,52
50 1.192,0 823,555121 -1,520256 1,466794 1.232,13 -40,13
51 1.075,6 820,574076 -1,534864 1,317553 1.089,53 -13,93
52 763,0 812,900214 -1,596254 0,959932 806,50 -43,50
53 551,9 806,830441 -1,640989 0,695294 574,71 -22,81
54 434,0 798,573795 -1,707146 0,557074 461,28 -27,28
55 472,3 797,817046 -1,697642 0,589984 468,28 4,02
56 438,8 781,181538 -1,847020 0,596643 507,30 -68,50
57 448,2 776,706789 -1,873298 0,582768 459,35 -11,15
58 617,9 776,398810 -1,857645 0,791311 609,05 8,85
59 900,7 788,667311 -1,716383 1,089272 796,20 104,50
60 1.194,3 781,693158 -1,768961 1,558577 1.254,63 -60,33
61 1.395,3 782,204838 -1,746154 1,769159 1.366,54 28,76
62 1.194,1 785,131608 -1,699425 1,495866 1.144,77 49,33
63 1.070,8 787,501559 -1,658731 1,340226 1.032,21 38,59
64 834,4 797,429375 -1,542866 1,006380 754,36 80,04
65 575,9 800,388070 -1,497850 0,708316 553,37 22,53
66 458,3 802,197513 -1,464777 0,564722 445,04 13,26
67 431,0 790,977781 -1,562327 0,565753 472,42 -41,42
68 441,8 782,615266 -1,630329 0,579379 471,00 -29,20
69 462,6 782,765321 -1,612525 0,587182 455,13 7,47
70 700,9 795,686092 -1,467192 0,839443 618,13 82,77
71 996,6 810,990875 -1,299472 1,164291 865,12 131,48
72 1.344,8 817,076239 -1,225624 1,605487 1.261,97 82,83
73 1.443,37
1 .z t = αχ t + (1 − α ) z t−1
2. nˆ t = α n t + (1 − α ) nˆ t- 1
nt = Número de períodos desde la última transacción
nˆt = Valor estimado de n al final del período t
z t = Valor estimado del promedio del tamaño de la transacción
al final del período t
1 Silver, et. al. Pag 128.
ẑ t
Pr onóstico =
nˆt
Modelo de Croston (2)
PERIODO SEMANA Xt nt zt
1 50 1 1 50
DATOS DE INICIO
2 0 0 2 0 0
3 0 0 3 0 0
4 65 1 1 65 3
5 5 1 1 5 1
6 22 1 1 22 1
7 0 0 2 0 0
̂ (Promedio sin incluir ceros) 33,8889
8 0 0 3 0 0
9 0 0 4 0 0
10 62 1 1 62 4
11 0 0 2 0 0
12 0 0 3 0 0 (Promedio sin incluir ceros)
13 10 1 1 10 3 2,3750
14 55 1 1 55 1
15 2 1 1 2 1
16 0 0 2 0 0
17 0 0 3 0 0
18 0 0 4 0 0
19 0 0 5 0 0
20 34 1 1 34 5
DATOS DE I
Modelo de Croston (3) 33,8889/2,3750
=14,26
ERROR ERROR AL
PRONÓSTICOS ERROR ABSOLUTO CUADRADO
2
PERIODO SEMANA Xt nt zt ňt žt žt / ňt e │e│ e
20 34 1 1 34 5 2,3750 33,8889
21 0 0 1 0 2,3750 33,8889 14,2690 -14,2690058 14,2690058 203,6045279
22 17 1 2 17 2,3713 33,7200 14,2690 2,73099415 2,73099415 7,458329059
23 0 0 1 0 2,3713 33,7200 14,2203 -14,2203479 14,2203479 202,2182949
24 0 0 2 0 2,3713 33,7200 14,2203 -14,2203479 14,2203479 202,2182949
25 70 1 3 70 2,3775 34,0828 14,2203 55,7796521 55,7796521 3111,369586
26 53 1 1 53 2,3638 34,2720 14,3353 38,6646635 38,6646635 1494,956207
27 0 0 1 0 2,3638 34,2720 14,4989 -14,498909 14,498909 210,2183628
28 0 0 2 0 2,3638 34,2720 14,4989 -14,498909 14,498909 210,2183628
29 0 0 3 0 2,3638 34,2720 14,4989 -14,498909 14,498909 210,2183628
SIMULACIÓN
•Modelo EOQ
•Demanda variante con el tiempo
Cantidad Q
Figura. Costos en función de la cantidad ordenada
Modelo EOQ
Nivel de inventario
Q Pendiente
D
Q /D Tiem po
Análisis de sensibilidad
Q ′ = (1 + p)EOQ % costo penalizado
25
Q’=(1+p)EOQ
Porcentaje de costo penalizado 20
TRC(Q ′) −TRC(EOQ)
PCP = x100 15
TRC(EOQ) 10
p2 5
PCP = 50
1 + p -0.40 -0.20 0.0 0.20 0.40 0.60
p
Ejemplo: Suponga que para el
0.20 2
ejemplo anterior se determinó
pcp = 50 x
(1 + 0.20)
ordenar un 20% mas en
unidades del ítem
= 1.666%
1 10
200
2 62
Cantidad unidades
150
3 12
4 130 100
5 154 50
6 129 0
7 88 1 2 3 4 5 6
Meses
7 8 9 10 11 12
8 52
9 124 A : $54 por pedido
10 160 v : $20.oo por unidad
11 238 r: .02 $/$ por mes
12 41 Determinar las cantidades a ordenar
Total 1200
Política de lote por lote
Mes 1 2 3 4 5 6 7 8 9 10 11 12 Total
Inv. Inicial 0 0 0 0 0 0 0 0 0 0 0 0 -
Inv. Fina 0 0 0 0 0 0 0 0 0 0 0 0 -
2AD
EOQ =
vr
D = Demanda promedio durante
el horizonte de planeación
Requerimie ntos totales 1200
D= = = 100 Unidades/m es
Horizonte de planeación 12
2(54)(100)
EOQ = ≅ 164 unidades
(20)(.02)
Resultados utilizando el EOQ
Mes 1 2 3 4 5 6 7 8 9 10 11 12 Total
Inv. Inicial 0 204 142 130 0 0 0 52 0 0 0 0 -
Xij = Cantidad ordenada en el período i para ser utilizada para la demanda del mes j; i =
1, 2, ..., N; j = 1, 2, ..., N; j ≥ i, donde N es el número de períodos considerados en el
horizonte bajo análisis.
Función objetivo:
N N −1 N −2
= ∑ AYi + (vr )(1) ∑ X ij + (vr )(2) ∑X ij + ...
i =1 i =1: j = i +1 i =1: j = i + 2
2 1
+ (vr )( N − 2) ∑X ij
i =1: j = i + N − 2
+ (vr )( N − 1) ∑X ij
i =1: j = i + N −1
Un modelo de programación
lineal entera–mixta (2)
Sistemas de control continuo
∞
1 −u02
Gu ( k ) = ∫ ( u0 − k ) e du0
k 2π
K : Factor de seguridad
L : Tiempo de reposición en años
Pu(K) : Probabilidad que la normal unitaria (0, 1) tome un valor mayor o
igual a k
∞ uo2
1 −
pu ( k ) = ∫ e 2
du0
k 2π
Q : Tamaño de pedido en unidades
r : Costo de mantenimiento del inventario %/año
s : Punto de reorden en unidades
SS : Inventario de seguridad en unidades
v : Valor unitario del ítem en $/unidad
d : Demanda esperada sobre el tiempo de reposición L, en unidades
s = x̂L + SS = x̂L + kσ L
CURVAS DE DISTRIBUCIÓN
PRoBABILÍSTICA NoRMAL,
ESTÁNDAR, PU(K), GU(K)
Curva de distribución probabilística Normal
1 1 (x0 − x )2
0.45 f x (x0 ) = exp− 2
σ x 2π 2 σ x
0.40
0.35
0.30
0.25
0.20
0.15
0.10
0.05
- 3σ x - 2σ x - 1σ x x 1σ x 2σ x 3σ x x0
Curva de distribución probabilística Normal
Estándar
1
0.45 f u (U0 ) = exp( −U 02 2)
2π
Nivel de 0.40
Servicio 0.35
0.30
Riesgo de
0.25 agotados
0.20
0.15
Área = Pu > (k)
Pu > (k) = prob(u ≥ k)
0.10
∞
= ∫ f u (U 0 )du0
k
0.05
0 k
U0
Curva de probabilidad de ocurrencias de
agotados
1,20
∞
pu (k) = ∫ f u (U 0 )du0
1,00
k
0,80
∞
0,60
Gu (k) = ∫ pu (k)
k
0,40
Riesgo de
0,20 agotados en
unidades
0,00
-4,0 -3,0 -2,0 -1,0 0,0 1,0 2,0 3,0
k
EUFCR: Valor esperado de unidades
faltantes en el ciclo de reposición
∞
EUFCR = ∫ (xo − s)f x (x0 )dx0
s
∞
(xo − xˆ )* σ L = u0
EUFCR = ∫ (xo − xˆ - kσ L )f x (x0 )dx0
s
∞
1 1 2
EUFCR = σ L ∫ (uo - k) exp- u0 du0
s 2π 2
EUFCR = σ LGu(k)
Reglas de decisión para P2
Fracción de demanda que no es
satisfecha directamente del inventario a
mano
EUFCR = σL Gu (k )
EUFCR σ LGu ( k )
P2 = 1 − =1−
Q Q
Q
Gu ( k ) = ( 1 − P2 ) (1)
σL
2. Faltantes convertidos
Valor esperado de la demanda en cada ciclo =
totalmente en ventas perdidas
Q + EUFCR
Q 1 − P2
G u (k) = (2)
σ L P2
Paso 1
Seleccione el factor k Paso 2
1. Ordenes pendientes Calcule punto de reorden
2. Ventas perdidas Utilizando EOQ
El costo total relevante
AD Q D
TRC1 = + + Kσ L vr + B1 Pu (k)
Q 2 Q
AD Q D
TRC2 = + + kσL vr + ( B2v )σLGu ( k )
Q 2 Q
Costo anual de ordenamien to Costo anual de almacenamiento
Cr =
AD Q
Cc = I vr = + σ L vr
Q 2
Pedido 1
Pedido 2
Pedido 3
Pedido 4
S= 20810
Inventario
neto
Llega pedido 2
Llega pedido 1
SS+Q = 12952
SS = 2809
L
Tiempo
Regla de decisión para P1, de no ocurrencia de
Stockout por ciclo de reposición
Implementación de la regla de
decisión
Paso 1 Paso 2
Seleccione el factor k Calcule punto de reorden
Regla de decisión para P1, de no ocurrencia de
Stockout por ciclo de reposición
Paso 2 DB1
k = 2 ln
2π Qvσˆ L r
Determinar el factor
de seguridad
Paso 3
Calcule punto de reorden
Regla de decisión para un costo especificado B1
por cada ocurrencia de faltantes
k = 2 ln[1.4918]
Se obtuvo un valor mayor
que 1, se calcula k
El punto de reorden
s = 18.000 + 0.8944 * 3.797 = 21.397 unidades
σˆ LGz (k ) 3.797 * 0.1014
P2 = 1 − = 1− = 0.962
Q 10.142
1000 * (12 *12.000) 10.142 (12.000 *12)
TRC1 = + + 0.89 * 3.79714 * 0.20 + * 2.800 * 0.185
10.142 2 10.142
14.198,4 + 23.907,7 + 7.354.8 = $45.260.9
Regla de decisión para una fracción especificada
del costo por unidad faltante (B2)
Implementación de la regla de decisión
Qr
Paso 1 >1
DB2
Paso 2 Qr
Determinar el factor Pu (k ) =
de seguridad DB2
3.797 * 0,08174
P2 = 1 − = 09694
10.142
Q2 Q3
Q1
L2
L1
R R
Tiempo
Sistemas de control periódico
Aplican las mismas reglas de decisión del modelo (s, Q)
Sistema (s, Q) Sistema (R, S)
s S
Q DR
L R+L
Supuestos:
•La rata de demanda promedio varía poco con el tiempo
•Probabilidad de demanda cero entre revisiones es muy pequeña
•Tiempo de reposición se asume constante
•Sistema apropiado para niveles de servicio altos
•Errores de pronóstico con distribución normal y desviación estándar σR+L, sobre
el intervalo de revisión R+L
•R es predeterminado
•Los costos del sistema de control, no dependen de S
Notación básica – Cambios. Sistema (R, S)
A’ : Costo fijo de ordenamiento incrementado en el costo de revisión del
inventario, en $/pedido
R : Intervalo de revisión pre-especificado (o calculado con base en el
EOQ) En unidades de tiempo.
S : Nivel máximo del inventario hasta el cual se ordena
A′ DR 1
TRC1 = + + kσ R + L vr + B1 Pu ( k )
R 2 R
A′ DR 1
TRC2 = + + kσR+L vr + ( B2v )σR+LGu ( k )
R 2 R
Obsérvese, se ha reemplazado en las
ecuaciones anteriores a A, Q y σL por A’, DR
y σR+L, respectivamente.