Gestion de Inventarios PDF

UNIVERSIDAD DEL VALLE
FACULTAD DE INGENIERIA
ESCUELA DE INGENIERÍA INDUSTRIAL
LOGÍSTICA INDUSTRIAL
PROGRAMA DE INGENIERÍA INDUSTRIAL
Profesor: Julio César Londoño Ortega

Gestión de Inventarios
Objetivos de aprendizaje
1. Establecer la importancia de realizar una adecuada
gestión de inventarios
2. Conocer las principales técnicas para realizar los
pronósticos de demanda .
3. Conocer los sistemas para el control de inventarios

Gestión de inventarios
¿Cuál es el propósito que cumplen los inventarios?
¿Cómo afectan los inventarios a las organizaciones?
¿Qué indicadores se utilizan para medir la eficiencia

de la organización en cuanto a inventarios?
¿Cómo administrar los inventarios?

Propósito que cumplen los inventarios
Factores de seguridad: Bajo alguna circunstancia la
organización puede quedar sin abastecimiento de la
materia prima.
Satisfacer un incremento inesperado de la
demanda.
Protegerse cuando los proveedores son distantes
y/o no son cumplidos
Protegerse cuando existen sistemas de transporte
que pueden ser inadecuados, lentos y/o costosos.
Tener una estrategia de costos (posible alza de un
producto)
Resolver situaciones de vida o muerte
Qué le pasa amigo, No sé que pasa, a
no tiene con qué pesar de que compro
surtir su negocio “bastante” el
inventario no alcanza
!Qué le pasa!
¿Porqué estamos No sé, las ventas
llenos de inventarios? deben haber
bajado
Gestión de inventarios
Naturaleza e importancia de los inventarios
¿Por qué tener inventarios?
Evitar que bajo alguna circunstancia la organización pueda
quedar sin abastecimiento de productos.
Para responder a las fluctuaciones de la demanda.
Protegerse para cuando los proveedores no pueden hacer
despachos continuos.
Un despacho desde un proveedor puede tardar días o meses
en llegar.
Para resolver situaciones de vida o muerte
Objetivos del control de inventarios
Optimizar la gestión de
inventarios es mejorar los
resultados de cada uno de los
Reducir el Mejorar el
costo de la servicio al objetivos anteriores.
operación cliente
Balancear dichos objetivos
Reducir el costo disminuye los agotados y evita

por manejo de
inventarios los excesos de inventarios,
manteniendo o disminuyendo
el costo de la operación.
Aspectos administrativos de la gestión de inventarios
• Multiplicidad de ítems a controlar.

• Inventarios en diversos sitios geográficos.
• Diversidad de proveedores.
• Sistemas de almacenamiento diversos.
• Formas de distribución, por unidad, por cientos, en cajas,
paquetes, etc.
• Definir políticas generales, tales como contratos de ventas, precios
de venta, promociones, descuentos, niveles de servicio, negocios
especiales, etc.
Determinar la distribución física de los productos al interior de

las bodegas y plantas de producción.
Establecer y ejecutar la programación de despachos a los puntos
de venta.
Definir políticas de operaciones al interior de la bodega.
Registrar y reportar de inmediato cuando un proveedor no
cumple exactamente con el pedido
Definir políticas de asignación de recursos
Unificar criterios entre quienes controlan los inventarios, quienes

manejan la producción y los que hacen el mercadeo.
Determinar los sistemas de información adecuados.
Reconocer los cambios en las tendencias del mercado.
Registrar despachos no atendidos.
Determinación de sistemas de control físico de inventarios.
Determinación del modelo a utilizar para controlar ítems nuevos.
Influencia de los inventarios en el desempeño de
la organización
El tener inventarios:
• Representa una inversión que afecta el flujo de caja.
• Afecta el desempeño de la organización, obliga a
incrementar los controles y genera un deterioro del
clima organizacional.
• Genera aumento de costos, espacio físico, personal,
etc.
El NO tener inventarios genera:

• Bajos niveles de servicio.
• Reducción de utilidades.
• Deterioro en el clima organizacional.
• Deterioro de la imagen de la compañía.
Indicadores de eficiencia de la gestión y control
de inventarios
Rotación del inventario:
Rotación del inventario en días (Total) :

Inventario Promedio mensual al costo [$]
No. de días = × 30
Ventas mensuales al costo [$]
Rotación neta del inventario:
Rotación del inventario en días (Total) :

Inventario Promedio mensual al costo (pagado) [$]
No. de días = × 30
Ventas mensuales al costo [$]
Ejemplo comparativo de los dos indicadores
Se está negociando la compra de un producto con un plazo de pago de 40 días.
Se sugiere comprar 1.000 unidades para dicho tiempo. Al cabo de 1 mes, se han
vendido 850 unidades. Calcular la rotación del inventario y la rotación neta
durante ese mes, asumiendo un inventario inicial del producto = 100 unidades ya
pagadas.
Rotación del inventario en días :

(1.100 + 250)/2
No. de días = × 30 = 23.82 días
850
Rotación neta del inventario en días :

(100 + 0)/2
No. de días = × 30 = 1.76 días
850
Indicadores de eficiencia de gestión y control
de inventarios
Mi bodega está llena, pero no he pagado el inventario, y lo más probable es que
lo venda ANTES de que lo pague. (¿Importa entonces la rotación en este caso?)
Ejemplo: Se realiza una compra de productos que seguramente se venden en 60
días y el plazo de pago es 90 días
Mi bodega está llena, el inventario ya se pagó, pero el proveedor me ha

concedido unos descuentos especiales por pronto pago, que generan una
excelente inversión. (¿Importa entonces la rotación neta en este caso?) Ejemplo:
Obtengo un descuento por pronto pago del 10%, en una entidad financiera
obtengo dinero prestado aproximadamente al 2%
Por lo tanto, es necesario definir y utilizar otros indicadores de gestión de

inventarios. ¿Cuáles deben ser?
Indicadores de calidad en la gestión y control de
inventarios
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
La revolución de la información y la tecnología

han permitido generar iniciativas para mejorar el
conocimiento de la demanda y así realizar una
producción que satisfaga las necesidades de los
clientes
• EDI: Electronic Data Interchange
• ECR: Efficient Customer Response
• VMI: Vendor Managed Inventory
Metodología para la Gestión de Inventarios
1. Identificación del sistema.

2. Clasificación de los SKU’s
3. Determinación de la demanda (análisis de su
comportamiento, el promedio y la variabilidad)
4. Evaluación y selección del sistema de pronósticos
(determinación de variables, la MAD, el ECM, la Señal de
rastreo)
5. Evaluación y selección del sistema de control de inventarios
(modelos de revisión continua y periódica)
6. La gestión de inventarios “una herramienta para el control”
Identificación del
sistema
Identificación del sistema
Información, productos y dinero
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
PROVEEDORES BODEGA PUNTOS DE VENTA

CENTRAL C LIE N T E S
Factores claves en la administración de
inventarios
• 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
Determinación del SKU de un ítem

.
• El SKU (Stock Keeping Units) o “unidad básica de

almacenamiento” es la descripción de un ítem en
particular.
• Al nombrar un SKU en particular, se estará definiendo el

ítem en general. (Presentación, peso, cantidad,
especificaciones, proveedor, clasificación, empaque,
etc.)
Clasificación ABC
Es un método que permite clasificar los ítems, para

controlarlos de acuerdo a su importancia en la empresa.
Este método se fundamenta en el principio de Paretto,

consiste en determinar el 20% de los ítems que producen el
80% de las ventas, el 30 % que produce el 15% de las ventas
y el 50% restante, que solo produce un 5% en ventas.
Clasificación ABC
• La clasificación se realiza mediante el producto de la
demanda d por el valor v
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
Ítems clase A: Los más importantes. Pocos ítems. Requieren

más control.
Ítems clase B: Son ítems importantes. Volúmenes de ventas
considerables. Utilizar controles automáticos.
Ítems clase C: Son un volumen bastante alto y prácticamente
no requieren de controles sofisticados. Rotan muy poco
tienen muy poco valor.
Se pueden realizar otras clasificaciones para ítems obsoletos y

para ítems nuevos.
Consideraciones de la clasificación ABC
Valor del producto muy alto
Volumen de ventas muy bajo
Variabilidad de la demanda
Ciclo de vida del producto

Otras Clasificaciones ABC
Enfoque AHP (analytic hierarchy process) Saaty (1980) [6], (Gajpal,
Ganesh & Rajendran, 1994; Partovi & Burton 1993; Partovi & Hopton
1994 )
Enfoques multiatributo (Flores and Whybark 1986, 1987)
Análisis Cluster (Ernst and Cohen, 1990)
Clasificación ABC basada en redes neuronales.

Determinación de
la demanda
Patrones de demanda
Perpetua o Uniforme Con Tendencia
Demanda Tendencia Demanda Tendencia
140 140
D = -0,0145t + 63,184 D = 0,2481t + 34,979
Demanda (unid.)
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
• El pronóstico de la demanda se puede estimar como el

promedio de los datos históricos de la demanda y se
n
expresa:
∑x i
x̂ = i =1
n
La variabilidad de la demanda se conoce como la
desviación estándar de los datos y se expresa:
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
• Promedio = (125 + 75) / 2 = 100
• Desviación Estándar = ∑ ( 125 − 100 )2 + ( 25 − 100 )2
= 55.90
2
• 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%
Datos históricos de ventas

45
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
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
(Fuente: Adaptada de Silver, E . A. , D. F. Pyke y R. Peterson , Inventory M anagement and

Production and Scheduling, tercera edición , John W iley & Sons, New York, 1998, pág. 490)
Demanda y la clasificación ABC
CARACTERÍSTICAS POLÍTICAS DE MÉTODOS DE
CONTROL CONTROL
• Ítems clase A (los más • Control estricto con • Monitoreo frecuente o
importantes) supervisión personal continuo
• Relativamente pocos • Comunicación directa • Registros precisos

ítems con la administración
y los proveedores • Suavización
• El mayor porcentaje exponencial doble
del volumen de ventas • Aproximación a Justo
(en $) a Tiempo y stock • Políticas basadas en el
balanceado nivel de servicio al
cliente
• Cubrimiento de
existencias entre 1 y 4
semanas

CONTROL CONTROL
• Ítems clase B • Control clásico de • Sistema de control
inventarios computarizado clásico
• Ítems importantes
• Administración por • Suavización
• Volumen de ventas (en excepción exponencial simple
$) considerable
• Cubrimiento de • Reporte por
existencias entre 2 y 8 excepciones
semanas
CONTROL CONTROL
• Ítems clase C • Supervisión mínima • Sistema de control
simple
• Muchos ítems • Pedidos bajo orden
• Promedio móvil
• Bajo volumen de • Tamaños de orden (aceptar el pronóstico)
ventas (en $), pocos grandes
movimientos o ítems • Evitar agotados y
de muy bajo valor • Políticas de cero o de exceso de inventario
unitario alto inventario de
seguridad • Larga frecuencia de
órdenes
• Cubrimiento de
existencias entre 3 y 20 • Sistema automático
semanas
Sistema de pronósticos y la clasificación ABC
CONTROL CONTROL
• Ítems clase C • Supervisión mínima • Sistema de control
simple
• Muchos ítems • Pedidos bajo orden
• Promedio móvil
• Bajo volumen de • Tamaños de orden (aceptar el pronóstico)
ventas (en $), pocos grandes
movimientos o ítems • Evitar agotados y
de muy bajo valor • Políticas de cero o de exceso de inventario
unitario alto inventario de
seguridad • Larga frecuencia de
órdenes
• Cubrimiento de
existencias entre 3 y 20 • Sistema automático
semanas
Selección del sistema
de pronósticos
Metodología para elaborar pronósticos
1. Seleccione un modelo apropiado de acuerdo al

patrón que sigue la demanda a lo largo del
tiempo.
2. Seleccione los valores de los parámetros

inherentes en los modelos
3. Utilice el modelo y los parámetros escogidos para

pronosticar la demanda.
Sistema de pronósticos
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
1. Seleccione un modelo apropiado de acuerdo al patrón que sigue la

demanda a lo largo del tiempo.
2. Seleccione los valores de los parámetros inherentes en los modelos.
3. Utilice el modelo y los parámetros escogidos para pronosticar la

demanda.
Consideraciones a tener en cuenta
• Todo pronóstico será errado. Es imposible predecir lo que
realmente ocurrirá en un futuro.
• El pronóstico más eficiente es aquel que produce un error

mínimo.
• Un pronóstico óptimo es aquel que produce mejores

resultados con menos inversión tecnológica.
• Determine la variabilidad de los datos, existen productos con

demanda errática
• Revise periódicamente los parámetros del modelo

matemático del pronóstico.
Técnicas para elaboración de pronósticos
• Pronóstico Cualitativo (1) Comité ejecutivo de

proyección de ventas: Es una técnica que se utiliza
frecuentemente cuando no existen datos precisos o
son limitados, generalmente se acude al buen juicio y
la opinión de los expertos conocedores.
Un método particular
que se utiliza es el
Método Delphi.
• Pronóstico Cualitativo (2) método estimativo de fuerza

de ventas. Similar al método anterior consiste en pedir la
opinión de los gerentes acerca de lo que pasará en el
futuro.
Predice las ventas

analizando las
opiniones
de un grupo de
vendedores.
• Pronóstico Cuantitativo: Es una técnica basada en la
modelación matemática de datos históricos para predecir el futuro.
Conocido como series de tiempo
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
Consideraciones a tener en cuenta
• Todo pronóstico será errado. Es imposible predecir lo que

realmente ocurrirá en un futuro.
• El pronóstico más eficiente es aquel que produce un error mínimo.
• Un pronóstico óptimo es aquel que produce mejores resultados con
menos inversión tecnológica.
• Determine la variabilidad de los datos, existen productos con
demanda errática
• Revise periódicamente los parámetros del modelo matemático del
pronóstico.
Conflicto de costos en un sistema de pronósticos
Costo
Costo Total
Perdidas debido Costo del pronóstico

a la incertidumbre
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
•Utilización de datos poco confiables

•Utilización de datos de ventas y no de demanda
•Sesgos en los pronósticos
•Velocidad de respuesta al cambio
•Comportamiento de los proveedores
•Casos especiales de demanda en los pronósticos
•Selección del período de los pronósticos
Indicadores de eficiencia de un sistema
de pronósticos
•Precisión
•Costo
•Utilidad de los resultados
•Estabilidad y respuesta de los sistemas de

pronósticos.
Análisis de datos históricos de
demanda
• Determinación de confiabilidad de los datos.
• Promedio, desviación estándar, coeficiente de variación.
• Demanda medida con base en las ventas.
• Datos atípicos “outliers”.
• Información en tiempo real.
• Disponibilidad de los datos (por días, meses, turnos,

etc.)
Demanda no servida sin reportar
SEMANA VENTAS SEMANA DEMANDA
1 10 1 10
2 9 2 9
3 3 3 3
4 5 4 5
5 3 5 3
6 3 6 3
7 0 7 4
8 0 8 7
9 0 9 3
10 0 10 5
11 2 11 2
12 2 12 2
n n
∑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.
Dato atípico ≥ xˆ + 2.5σ ε , se debe reeplazar por xˆ
Cuando el dato atípico será utilizado para el

pronóstico
Determinar que no sea un efectivo cambio en el

comportami ento de la demanda.
e(T)
El dato atípico ocurre cuando es 4 o 5 veces
MAD(T)
Modelo matemático general
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
Modelo sin tendencia Modelo con tendencia
Xˆ t = aˆ xˆ t = aˆ + bˆt
Modelos 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: Para ítems con demanda estacional.
• Modelo de Croston: Para ítems con demanda errática.

Promedio Móvil
Suavización Exponencial Simple
Suavización Exponencial Doble
Método de Winters
DEMANDA Pronóstico Inv. Máximo

1800
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
El pronóstico de la demanda se puede estimar como el promedio

de los datos históricos de la demanda y se expresa:
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
Igualando la derivada a cero 0, se obtiene
1 T
aˆ = ∑ X t
T t =1
Promedio Móvil
Suma de demandas últimas N semanas

Pronóstico semanal =
N
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
El operador utilizado para estimar el valor de a es nombrado St, y se calcula

mediante la siguiente expresión:
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.
St-1: Valor estimado del parámetro a o el pronóstico anterior de la demanda,

realizado al final del período t-1 ó período anterior.
Xt: Demanda real observada al final del período actual t.
α Constante de suavización. Valores entre (0 ≤ α ≤ 1). Su función real es

darle mayor o menor peso al último dato de demanda registrado.
También se expresa mediante la siguiente ecuación
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
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
El valor del parámetro α, se selecciona en un rango entre 0.01 y 0.3

Ejemplo de Suavización
Exponencial Simple en Excel
Relación entre el modelo promedio móvil y
suavización exponencial simple
El modelo promedio móvil es igual a suavización exponencial simple
cuando, además de su valor esperado sus varianzas son iguales
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
Consiste en encontrar los valores para los parámetros a y

b, tal que la suma de los errores al cuadrado sea mínima
ei
e i = x i − (a + bt )
n
e (a, b ) = ∑ [x i − (a + bti ) ]
2
i =1
Los valores de a y b se obtienen de resolver las

siguientes ecuaciones:
Ecuaciones normales de mínimos cuadrados
n n
∑ 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 
Pronóstico próximo período

)  α   α  [2 ]
X t +1 ( T ) =  2 + −
 t 
S 1 + S t
 1 −α  1 −α
Inicialización Suavización exponencial doble
Método 1
Definir los valores de S o y S [o2 ]
en el origen del tiempo
Determinar los valores de los parámetros

de la ecuación de la línea recta
β ˆ β ˆ
S 0 = aˆ (0 ) − b (0 ) S[02 ] = aˆ (0) − 2 b(0)
α α
S t = αX t + (1 − α )S t −1 S t [2 ]
= αS t + (1 − α )S[t2−]1
Método 2
Definir los valores de S o y S [o2 ] en un nuevo origen
del tiempo donde se iniciará el pronóstico

a1 ( t ) = a + b( t )
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
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
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
Utilización de datos de ventas y no de demanda
Sesgos en los pronósticos
Velocidad de respuesta al cambio
Comportamiento de los proveedores
Casos especiales de demanda en los pronósticos
Selección del período de los pronósticos

Análisis del error
Es la diferencia entre el valor pronosticado y el valor
observado en el período, se expresa así:
Error del pronóstico et = xt + x
et : Error del pronóstico, para el período t

xt : valor real de la variable demanda en el período t
xt : Pronóstico para el período t, estimado con
anticipación
Otros indicadores para medir el error
Error Absoluto
−
et = xt − x
Desviación media absoluta MAD
∑ 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
Demanda en el periodo t (modelo básico)

)
X = a+ε
Criterio de mínimos cuadrados para seleccionar un valor apropiado del
parámetro a
T
E (a ) = ∑ ( X t − a )
2
t =1
Igualando la derivada a cero 0, se obtiene
1 T
aˆ = ∑ X t
T t =1
Promedio Móvil
Suma de demandas últimas N semanas

Pronóstico semanal =
N
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
Modelo sin tendencia Modelo con tendencia
Xˆ t = aˆ xˆ t = aˆ + bˆt
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.
St-1: Valor estimado del parámetro a o el pronóstico anterior de la demanda,

realizado al final del período t-1 ó período anterior.
Xt: Demanda real observada al final del período actual t.
α Constante de suavización. Valores entre (0 ≤ α ≤ 1). Su función real es

darle mayor o menor peso al último dato de demanda registrado.
También se expresa mediante la siguiente ecuación
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
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
El valor del parámetro α, se selecciona en un rango entre 0.01 y 0.3

Ejemplo de suavización exponencial
simple en Excel
Relación entre el modelo promedio móvil y
suavización exponencial simple
El modelo promedio móvil es igual a suavización exponencial simple
cuando, además de su valor esperado sus varianzas son iguales
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
Consiste en encontrar los valores para los parámetros a y

b, tal que la suma de los errores al cuadrado sea mínima
Cálculo de los parámetros a y b - Método Regresión lineal
demanda Linea de regresión
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
Los valores de a y b se obtienen de resolver las

siguientes ecuaciones:
Ecuaciones normales de mínimos cuadrados

n n
∑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
Ejemplo de regresión lineal en

Excel
[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 
Pronóstico próximo período

)  α   α  [2 ]
X t +1 ( T ) =  2 + −
 t 
S 1 + S t
 1 −α  1 −α
Método 1
Definir los valores de S o y S [o2 ]
en el origen del tiempo

β ˆ β ˆ
S 0 = aˆ (0 ) − b (0 ) S[02 ] = aˆ (0) − 2 b(0)
α α
S t = αX t + (1 − α )S t −1 S t [2 ]
= αS t + (1 − α )S[t2−]1
Método 2
Definir los valores de S o y S [o2 ] en un nuevo origen
del tiempo donde se iniciará el pronóstico

a1 ( t ) = a + b( t )
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
Componente permanente: a1 (T ) = b1 + b2T

Factor estacional multiplicativo: ct
Componente aleatoria: εt
Longitud del período estacional:
L periodos
Se dispone de datos para las últimas m estaciones
Actualización de los parámetros del modelo
Componente permanente:
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
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
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
Normalización de los factores estacionales
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
ˆb ( 0) = x m − x1 = 820.15 − 878.6167 = −1.62407

( m − 1) L ( 4 − 1) × 12
2
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
878.6167 − [(12 + 1) / 2 − 1] (-1.62407)

11 11 1,008139 35 11 1,033660
12 12 1,467429 36 12 1,703615
13 1 1,812571 37 1 1,733845
1,316.5
cˆ2 = = 1.486017 14 2 1,626165 38 2 1,411189
878.6167 − [(12 + 1) / 2 − 2] ( -1.62407)

15 3 1,312218 39 3 1,278344
16 4 0,926165 40 4 1,000594
17 5 0,677999 41 5 0,728070
1,155.5
cˆ3 = = 1.306682
18 6 0,575303 42 6 0,588578
878.6167 − [(12 + 1) / 2 − 3] ( -1.62407)

19 7 0,609674 43 7 0,583520
20 8 0,679801 44 8 0,639955
21 9 0,594562 45 9 0,610349
22 10 0,757312 46 10 0,780266
23 11 1,005538 47 11 1,026768
24 12 1,408553 48 12 1,608077
Continuación factores estaciónales
1 3
c1 = ∑ cˆ1+12 k , para t = 1
4 k =0
1 1
c1 = (c1 + c13 + c 25 + c37 ) = (1.689146 + 1.812571 + 1.532329 + 1.733845)
ˆ ˆ ˆ ˆ
4 4
c1 = 1.691972
MES Promedio Normalizados
1 1,691972 1,693578
2 1,530221 1,531673
3 1,331877 1,333140
L 4 0,984898 0,985833
cˆ t (0) = c t L
, para t = 1,2,..., L 5 0,701910 0,702576
∑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
Suma = 11,988623 12,000000

Cálculos para actualizar el origen de tiempo
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
Va lo r d e k = 1,96 MA D 48,55 EC M 3.881,56

D es v. E s t. (M A D ) 60,69 D es v. E s t. (E C M ) 62,30
SISTEMAS DE PRONÓSTICOS DE ÍTEMS
CON DEMANDA ERRÁTICA NUEVOS
Modelo de Croston (1)
χt = 0 (Demanda no ocurre)
1.El tamaño estimado de la transacció n no se actualiza.
2. nˆt = n̂ t −1
χt = 1 (Transacción ocurre)
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
30 65 1 4 65 2,3801 34,5793 14,4989 50,501091 50,501091 2550,36019

31 0 0 1 0 2,3801 34,5793 14,5283 -14,5283376 14,5283376 211,0725929
32 0 0 2 0 2,3801 34,5793 14,5283 -14,5283376 14,5283376 211,0725929
33 0 0 3 0 2,3801 34,5793 14,5283 -14,5283376 14,5283376 211,0725929
34 0 0 4 0 2,3801 34,5793 14,5283 -14,5283376 14,5283376 211,0725929
35 36 1 5 36 2,4063 34,5935 14,5283 21,4716624 21,4716624 461,032287
36 0 0 1 0 2,4063 34,5935 14,3761 -14,3760651 14,3760651 206,671247
37 15 1 2 15 2,4023 34,3975 14,3761 0,62393493 0,62393493 0,389294791
38 0 0 1 0 2,4023 34,3975 14,3188 -14,3188184 14,3188184 205,0285615
39 43 1 2 43 2,3982 34,4835 14,3188 28,6811816 28,6811816 822,6101757
40 0 0 1 0 2,3982 34,4835 14,3787 -14,3787056 14,3787056 206,7471748
41 7 1 2 7 2,3943 34,2087 14,3787 -7,3787056 7,3787056 54,44529635
42 0 0 1 0 2,3943 34,2087 14,2878 -14,2878322 14,2878322 204,1421488
43 24 1 2 24 2,3903 34,1066 14,2878 9,71216781 9,71216781 94,32620348
44 0 0 1 0 2,3903 34,1066 14,2687 -14,2686897 14,2686897 203,5955046
45 56 1 2 56 2,3864 34,3256 14,2687 41,7313103 41,7313103 1741,502263
46 0 0 1 0 2,3864 34,3256 14,3838 -14,3837689 14,3837689 206,8928081
47 0 0 2 0 2,3864 34,3256 14,3838 -14,3837689 14,3837689 206,8928081
48 22 1 3 22 2,3925 34,2023 14,3838 7,61623109 7,61623109 58,006976
49 0 0 1 0 2,3925 34,2023 14,2954 -14,2953639 14,2953639 204,3574281
50 47 1 2 47 2,3886 34,3303 14,2954 32,7046361 32,7046361 1069,593225
Selección del
sistema de control
de inventarios.
Modelos
determinístico y
estocásticos
Preguntas Básicas para la Administración
de Inventarios
• ¿Cada cuánto debo revisar el nivel de inventario?
• ¿Cuándo debo hacer un pedido?
• ¿Qué cantidad debo pedir?

Sistemas de Control de
Inventarios
•Sistemas con demanda determinística
•Modelo EOQ
•Demanda variante con el tiempo
•Sistemas de inventarios con demanda probabilística
•Sistemas de revisión continua

•Sistemas de revisión periódica
Sistemas de control de inventarios
Con Demanda Determinística
Costo total relevante es la función a
optimizar (minimizar)
TRC(Q) = AD/Q + Qvr/2
Costo $ Costo de cargar el inventario Qvr/2
Costo de ordenar AD/Q
Costo Total TRC
Cantidad Q
Figura. Costos en función de la cantidad ordenada
Modelo EOQ
Nivel de inventario
Q Pendiente
D
Q /D Tiem po
Comportamiento del nivel de inventario con el tiempo
Supuestos básicos del modelo:
•Los parámetros no cambian con el tiempo

•La demanda es determinística
•Lead Time es cero
•El pedido se realiza cuando el nivel del inventario es cero
δTRC(Q)
=0
El costo mínimo es δQ
el punto donde la vr AD
+ =0
tangente de la 2 Q
curva de costo total 2AD

Qóptimo ó EOQ =
vr
es cero
TRC(Qóptimo ) = 2ADvr
Ejemplo: Considere un ítem con las siguientes condiciones:

Demanda 2.400 unidades/año, costo unitario $40, el costo fijo por ordenar es
$3.200, además suponga que el valor de llevar el inventario (r) es de
0.24$/($/año).
2 x $ 3200 x 2400 unids / año

EOQ = = 1264 .91 unidades
$ 40 / unid .x 0 .24 $ / $ / año
= 1265 unidades
El costo total relevante es:
TRC(EOQ) = 2 x3200 x 2400 x 40 x0.24 = $ 12.143.14

El tiempo entre pedidos es:
Tiempo = Q = 1265/2400
D
= 0.527 años
O sea cada 192 días aproximadamente
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%
Conclusión: La cantidad a ordenar se incremento en 20% y el costo solo

incremento en un 1.6 %
Demanda variante con el
tiempo
Supuestos básicos
La demanda Dj es la demanda que debe ser satisfecha en el período j, j = 1, 2, ..., N.

Se asume que los pedidos llegan al comienzo de los períodos donde son requeridos.
(LT determinístico se puede manejar también)
No se consideran descuentos.
Los factores de costo no varían significativamente dentro del horizonte de análisis.
Se considera cada ítem independiente de los otros.
No se consideran faltantes de inventario.
Se considera que el costo de inventario se carga sobre el inventario al final de cada
período.
Un ejemplo
Mes Demanda 250
Demanda mensual
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 -
Pedido 10 62 12 130 154 129 88 52 124 160 238 41 1200
Demanda 10 62 12 130 154 129 88 52 124 160 238 41 1200
Inv. Fina 0 0 0 0 0 0 0 0 0 0 0 0 -
Costos totales de preparación = 12 pedidos × $54/pedido = $648.0
Costos de llevar el inventario = 0 unid⋅mes × $20/unid

× 0.02 $/$⋅mes = 0.0
Costos totales de preparación e inventario = $ 648.0
Inventario promedio (convención final de mes) = 0/12 = 0 unidades.
Rotación del inventario = Demanda/Inv. promedio = No definida

Política de pedir para tres períodos
Mes 1 2 3 4 5 6 7 8 9 10 11 12 Total
Inv. Inicial 0 74 12 0 283 129 0 176 124 0 279 41 -
Pedido 84 413 264 439 1200
Demanda 10 62 12 130 154 129 88 52 124 160 238 41 1200
Inv. Fina 74 12 0 283 129 0 176 124 0 279 41 0 1.118
Costos totales de preparación = 4 pedidos × $54/pedido = $ 216.0
Costos de llevar el inventario = 1,118 unid⋅mes × $20/unid

× 0.02 $/$⋅mes = 447.2
Inventario promedio (convención final de mes) = 1,118/12 = 93.17 unidades
Rotación del inventario = Demanda/Inv. promedio = 1,200/93.17 = 12.88

Uso de la cantidad económica de pedido EOQ
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 -
Pedido 214 0 0 0 154 129 140 0 124 160 238 41 1200
Demanda 10 62 12 130 154 129 88 52 124 160 238 41 1200
Inv. Fina 204 142 130 0 0 0 52 0 0 0 0 0 528
Costos totales de preparación = 8 pedidos × $54/pedido = $ 432.0
Costos de llevar el inventario = 528 unid⋅mes × $20/unid

× 0.02 $/$⋅mes = 211.2
Inventario promedio (convención final de mes) = 528/12 = 44 unidades.
Rotación del inventario = Demanda/Inv. promedio = 1,200/44 = 27.27

Un modelo de programación lineal entera–mixta (1)
DEFINICIÓN DE PARÁMETROS Y VARIABLES:
Di = Demanda del período i, i = 1, 2, ..., N.
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.
Yi = 1, si se realiza un pedido en el período i, i = 1, 2, ..., N; 0, de lo contrario
Función objetivo:
Minimizar C = Costos de ordenamiento + costos de almacenamiento
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
Sistema (s, Q) Sistema (s, S)

Notación básica utilizada en los
sistemas de control
s : Punto de reorden, o sea el nivel de inventario efectivo para el cual debe

emitirse una nueva orden
Q : Cantidad a ordenar en cada pedido
S : Número máximo del inventario hasta el cual debe llenarse
R : Número de unidades de tiempo que transcurren entre cada consulta del

inventario
Definiciones básicas
Inventario a mano: Es el inventario que está físicamente en la estantería
Inventario neto: Inventario a mano – ordenes pendientes por cumplir - Backorders.

Puede llegar a ser negativo.
Inventario efectivo o Inventario de posición: Inventario a la mano + pendientes por

llegar - requisiciones pendientes con clientes- comprometidos.
Inventario de seguridad: Nivel promedio de inventario líquido justo antes llegar un

pedido. Atiende la demanda durante el tiempo de aprovisionamiento.
Sistema de inventario (s, Q)

Sistema de inventario (s, S)

Las demandas no atendidas
1. El cliente espera que llegue un

aprovisionamiento para que la orden sea
completada. Se dice que se crea un
Backorder
2. El cliente va donde otro proveedor para
satisfacer su necesidad. Venta perdida
Dependiendo de estas dos

situaciones se puede definir el
inventario de seguridad
Criterios para la definición de inventarios de seguridad SS
•SS basados en factores constantes: Utiliza un factor constante de

tiempo para determinar el inventario de seguridad.
•SS basado en el costo de faltantes.
B1 Especificado por cada ocasión que ocurren faltantes.
B2v Especificado por cada unidad de faltante
B3v Especificado por cada unidad faltante por unidad de
tiempo´.
•SS Tiempo promedio especificado entre ocurrencia de faltantes
TBS
•SS basado en el servicio al cliente
•P1 probabilidad de no tener un faltante en el ciclo de
reposición
•P2 fracción especificada de la demanda a ser satisfecha
rutinariamente del inventario a la mano
Notación básica sistema (s, Q):
D : Rata de demanda en unidades/año
Gu(K) : Función especial de la distribución normal N(0, 1)
∞
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
xˆ L : Demanda esperada sobre el tiempo de reposición L,

en unidades
σˆ L : Desviación estándar de los errores de los pronosticos sobre

el tiempo de reposición L en unidades
Punto de reorden
Se calcula como la demanda esperada durante el tiempo de reposición

mas un factor de seguridad que es una fracción que corresponde a k
veces la desviación estándar
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 )
1. Fracción de la demanda que se

convierte en órdenes pendientes EUFCR EUFCR
=
Vlr. esperado de demanda en cada ciclo Q
Fracción de la demanda satisfecha directamente del inventario a mano
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 
Implementación de la regla de decisión
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 
Costo anual de faltantes Cs, depende de la

definición del costo del Stockout, B1 ó B2v
Ejemplo : Sistema (s,Q) con P2 especificado
Demanda mensual pronosticada d = 12,000 unid/mes
Desviación estándar de los errores del pronóstico
= 3,100 Unidad
(basada en pronósticos con período mensual) σ
Tiempo de reposición L = 1,5 meses
Valor unitario del ítem v = $14.00/Unidad
Costo de ordenamiento A = $ 1.000,00
Costo de llevar el inventario r = 0,2
Nivel de servicio deseado P 2 = 95%
Asumir que las ordenes faltantes se convierten en ordenas pendientes
Q óptimo:
2 AD 2 * 1.000* 12.000* 12
Q = EOQ = =
vr 14* 0.20
Q = 10.142 unidades
Desviación estándar durante el periodo de
reposición:
σ
ˆ L =σ
ˆ 1 L = 3100 * 1.5 = 3797unidades
Determinación del factor de seguridad k
Q 10.142
Gu ( k ) = ( 1 − P2 ) = ( 1 − 0.95 ) = 0.1336
σ
ˆL 3.797
Para un valor de G u ( k ), en la tabla k = 0.74
La demanda esperada en el tiempo de reposición L
X̂ L = dL = ( 12.000 )( 1.5 ) = 18.000 unidades
El punto de reorden s
s = x̂L + kσ L = 18.000 + ( 0.74 )3797 = 20.810
La política de inventario (s, Q)
•Ordenar Q = 10.142 unidades
•El pedido se debe realizar cuando el inventario
efectivo tenga un valor de 20.810 unidades
•Mediante ésta política se logrará satisfacer con el
inventario a mano los pedidos de los clientes en un
95% de las veces.
Unidades
Inventario
efectivo
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
Ejemplo regla de decisión P1

Con los datos del ejemplo anterior,
determinar el punto de reorden s para una
probabilidad de no ocurrencia de stockout
P1 igual al 90%, determine el nivel de
servicio P2 derivado de esta política
Regla de decisión para un costo especificado B1
por cada ocurrencia de faltantes
DB1
Paso 1 <1
2π Qvσˆ L r
• Si la respuesta es NO, entonces continúe con el paso 2.
• De lo contrario, fije el valor de k como el mínimo especificado
por la administración y vaya a paso 3.
Paso 2  DB1 
k = 2 ln  
 2π Qvσˆ L r 
Determinar el factor
de seguridad
Paso 3
Calcule punto de reorden
Ejemplo regla de decisión B1

Asuma que Q = 10,142 unidades ya ha sido
determinado mediante la cantidad económica de
pedido. Determinar el punto de reorden s para
un costo de faltante especificado B1 = $2,800,000
por cada ocasión de faltantes que ocurra.
Determinar también el nivel de servicio P2
obtenido mediante la aplicación de esta política.
(12.000 *12) * 2.800
= 1.4918
2π *10.142 *14 * 3.797 * 0.2
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 * 3.79714 * 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)
Qr
Paso 1 >1
DB2
Paso 2 Qr
Determinar el factor Pu (k ) =
de seguridad DB2
Ejemplo regla de decisión B2

Asuma de nuevo que Q = 10,142 unidades.
Determinar el punto de reorden s asumiendo que
B2=0.09. Calcular el nivel de servicio P2 para este caso
y el costo total relevante. Comparar con los
resultados
10.142 * 0.20 Es menor que 1
= 0.1565 Se selecciona k de tal forma que pu(k) = 0.1565
12 *12.000 * 0.09
Por lo tanto k = 1,01

s = 12.000 *1.5 + 1.01* 3.797 = 21.835 Unidades
3.797 * 0,08174
P2 = 1 − = 09694
10.142
1000(12.000 x12) 10.142 

TRC2 = + + (1,01x3.797) (14 x0.20) +
10.142  2 
12.000 x12
(0.09 x14)(3.797)(0.08174) = 44.687,6 $/año
10.142
Sistemas de control periódico
Sistema (R, S) Sistema (R, s, S)

Inventario
Nivel de inventario máximo
Inventario neto
S
Inventario efectivo
Q2 Q3
Q1
L2
L1
R R
Tiempo
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
x̂R + L : Demanda pronosticada sobre un int ervalo de

tiempo R + L, en unidades
σ
ˆ R+L : Desviación estándar de los errores de los pronosti cos
sobre el tiempo igual a R + L, en unidades
El costo total relevante
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.

Gestion de Inventarios PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Gestion de Inventarios PDF

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DEL VALLE

PROGRAMA DE INGENIERÍA INDUSTRIAL

Profesor: Julio César Londoño Ortega

1. Establecer la importancia de realizar una adecuada

2. Conocer las principales técnicas para realizar los

3. Conocer los sistemas para el control de inventarios

¿Cuál es el propósito que cumplen los inventarios?

¿Cómo afectan los inventarios a las organizaciones?

¿Qué indicadores se utilizan para medir la eficiencia

¿Cómo administrar los inventarios?

Reducir el costo disminuye los agotados y evita

• Multiplicidad de ítems a controlar.

Determinar la distribución física de los productos al interior de

Unificar criterios entre quienes controlan los inventarios, quienes

El NO tener inventarios genera:

Rotación del inventario en días (Total) :

Rotación neta del inventario:

Rotación del inventario en días (Total) :

Rotación del inventario en días :

Rotación neta del inventario en días :

Mi bodega está llena, el inventario ya se pagó, pero el proveedor me ha

Por lo tanto, es necesario definir y utilizar otros indicadores de gestión de

La revolución de la información y la tecnología

1. Identificación del sistema.

PROVEEDORES BODEGA PUNTOS DE VENTA

Determinación del SKU de un ítem

• El SKU (Stock Keeping Units) o “unidad básica de

• Al nombrar un SKU en particular, se estará definiendo el

Es un método que permite clasificar los ítems, para

Este método se fundamenta en el principio de Paretto,

Ítems clase A: Los más importantes. Pocos ítems. Requieren

Se pueden realizar otras clasificaciones para ítems obsoletos y

Valor del producto muy alto

Volumen de ventas muy bajo

Ciclo de vida del producto

Enfoque AHP (analytic hierarchy process) Saaty (1980) [6], (Gajpal,

Enfoques multiatributo (Flores and Whybark 1986, 1987)

Análisis Cluster (Ernst and Cohen, 1990)

Clasificación ABC basada en redes neuronales.

• El pronóstico de la demanda se puede estimar como el

Datos históricos de ventas

(Fuente: Adaptada de Silver, E . A. , D. F. Pyke y R. Peterson , Inventory M anagement and

• Relativamente pocos • Comunicación directa • Registros precisos

CARACTERÍSTICAS POLÍTICAS DE MÉTODOS DE

1. Seleccione un modelo apropiado de acuerdo al

2. Seleccione los valores de los parámetros

3. Utilice el modelo y los parámetros escogidos para

1. Seleccione un modelo apropiado de acuerdo al patrón que sigue la

2. Seleccione los valores de los parámetros inherentes en los modelos.

3. Utilice el modelo y los parámetros escogidos para pronosticar la

• El pronóstico más eficiente es aquel que produce un error

• Un pronóstico óptimo es aquel que produce mejores

• Determine la variabilidad de los datos, existen productos con

• Revise periódicamente los parámetros del modelo

• Pronóstico Cualitativo (1) Comité ejecutivo de

• Pronóstico Cualitativo (2) método estimativo de fuerza

Predice las ventas

Consideraciones a tener en cuenta

• Todo pronóstico será errado. Es imposible predecir lo que

Perdidas debido Costo del pronóstico

•Utilización de datos poco confiables

•Utilidad de los resultados

•Estabilidad y respuesta de los sistemas de