Departamento de Ciencias de la Ingeniería y Producción

Pontificia Universidad Javeriana

Curso: Almacenes e Inventarios

Análisis y planeación de la demanda

Prof. Julio César Londoño Ortega

juliocesar@javerianacali.edu.co

1
Sistemas de Inventarios
Introducción

2
 Qué le pasa No sé que pasa, a
amigo, no tiene pesar de que
con qué surtir su compro “bastante”
negocio el inventario no
alcanza

3
 !Qué le pasa!
¿Porqué estamos llenos No sé, las ventas
de inventarios? deben haber
bajado

4
 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

5
 Objetivos del control de inventarios

Optimizar la gestión de inventarios es

Reducir el mejorar los resultados de cada uno de los

Mejorar el costo por
servicio al manejo de objetivos anteriores.
cliente inventarios
Balancear dichos objetivos disminuye los
Reducir el agotados y evita los excesos de inventarios,
costo de la
operación manteniendo o disminuyendo el costo de
la operación.

6
 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.

7
 Aspectos administrativos de la gestión de
inventarios

 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

8
 Aspectos administrativos de la gestión de
inventarios

 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.

9
 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.

10
 Barreras en la Administración de Inventarios
• Ignorar la variabilidad de la demanda
• Utilizar sistemas de control demasiado simples
• Ausencia de mediciones en la cadena (Por ejemplo, indicadores de eficiencia
adecuados)
• Definición inadecuada de nivel de servicio
• Falta de información acerca del estado de despachos
• Sistemas de información ineficientes
• Discriminación contra clientes internos
• Coordinación pobre
• Consideración incorrecta de costos de inventarios
• Barreras organizacionales
• Decisiones aisladas con respecto del resto de la cadena

11
 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”

12
 Sistemas de Inventarios

1. Sistemas para ítems con demanda determinística. La demanda de

los ítems es conocida con anticipación y se supone no cambia en el
tiempo. Estos conceptos se pueden aplicar a ítems con demanda
dependiente en sistema MRP.
2. Sistemas para ítems con demanda Probabilística. La demanda no es
conocida, sin embargo, a partir de información histórica de la
demanda, se puede determinar su población, su distribución de
probabilidad y sus estimadores insesgados media y varianza con lo
que se puede inferir su comportamiento futuro,

13
 Sistemas de Inventarios
1. Sistemas para ítems con demanda determinística
1. Sistemas de demanda constante
1. Cantidad económica de pedido EOQ
2. Cantidad económica de producción
3. Cantidad económica de pedido con descuento

2. Sistemas con demanda variante con el tiempo

1. Métodos heurísticos – Modelos lote x lote, EOQ redondeado a

un número entero de periodos, Cubrimiento para un número de
periodos basado en EOQ, Algoritmo de Silver y Meal
2. Métodos exactos – Modelos de programación Lineal entera
Mixta

14
 Sistemas de Inventarios

2. Sistemas para ítems con demanda Probabilística

1. Sistema de Revisión Periódica
2. Sistema de Revisión Continúa
3. Sistemas de control para ítems clase B (rutinarios)
4. Sistemas de control de ítems especiales A
5. Sistemas de control de ítems especiales C
6. Sistemas de control de ítems especiales perecederos
7. Sistemas de control conjunto de ítems
8. Sistemas de control Conjunto
9. Sistemas de control multietapas
10. Sistemas de control en cadenas de abastecimiento

15
Determinación de
la demanda

16
 Patrones de demanda

Perpetua o Uniforme

Demanda Tendencia
140
D = -0,0145t + 63,184
Demanda (unid.)
120

100

80

60

40

20

0
1

11

16

21

26

31

36

41

46

51

56

61

66

71

76

81

86
Tiempo (semanas)

17
 Patrones de demanda

Con Tendencia

Demanda Tendencia
140

D = 0,2481t + 34,979
Demanda (unid.)
120

100

80

60

40

20

0
1

11

16

21

26

31

36

41

46

51

56

61

66

71

76

81

86
Tiempo (Semanas)

18
 Patrones de demanda

Estacional

Demanda
200

180
Demanda (unid.)
160

140

120

100

80

60

40

20

0
1
5
9
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
85
89
Tiempo (Semanas)

19
 Patrones de demanda

Errática
Demanda Tendencia
6

4
Demanda (Unid.)

0
1

11

16

21

26

31

36

41

46

51

56

61

66

71

76

81

86
Tiempo (Semanas)

20
Ejemplos de comportamientos de la demanda

Datos históricos de demanda Ítem 94

600

500

400

300

200

100

0
1
5
9
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
21
Ejemplos de comportamientos de la demanda

Datos históricos de demanda Ítem 69

1400

1200

1000

800

600

400

200

0
1
5
9
13
17
21
25
29
33

37
41
45
49
53
57
61
65

69
73
77
81
22
Ejemplos de comportamientos de la demanda

Datos históricos de demanda Ítem 62

120

100

80

60

40

20

0
1
5
9
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
23
Ejemplos de comportamientos de la demanda

Datos históricos de demanda Ítem 117

160

140

120

100

80

60

40

20

0
1
5
9
13
17
21

25
29
33
37

41
45
49
53

57
61
65
69
73
77
81
24
 Identificar la Demanda – Análisis Cuantitativo

Datos históricos de ventas

Bajo el supuesto que el 25
comportamiento de la
demanda se distribuye
normal 20

UNIDADES VENDIDAS
15

x̂, ˆ 10

5
Promedio, Desviación
estándar y Coeficiente
de Variación 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 35 36 37 38
SEMANAS

25
 El promedio y la variabilidad

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

26
 El promedio y la variabilidad
Datos históricos de ventas

?
160

140

120

Unidades Vendidas
100

80

60

40

20

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

Semanas

27
 Variabilidad de la demanda

Media
Poca variabilidad
variabilidad

Alta
variabilidad

28
 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 expresa:

x i
x̂  i 1
n
La variabilidad de la demanda se conoce como la desviación estándar de
los datos y se expresa:

σˆ 
 (xi  x)
ˆ 2

n
29
 Ejemplo “crítico”
• Dos datos de demanda semanal: 100, 100
• Promedio = (100 + 100) / 2 = 100  ( 100  100 ) 2
 ( 100  100 ) 2
0
• Desviación Estándar = 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  ( 200  100 ) 2
 ( 0  100 ) 2
 100
• Desviación Estándar = 2

30
Análisis de la variabilidad de la demanda por
horizonte de planeación en Hoja de Cálculo

31
Tiempo de reposición aleatorio - La variabilidad del
lead time

Depende de:
•La disponibilidad del proveedor
•Sistema de transporte utilizado

Existen dos formas de considerar la variabilidad del tiempo de reposición

1. Medir la demanda real sobre el tiempo de reposición L, (o tiempo de

reposición mas tiempo de revisión R+L)
2. Asumir que el tiempo de reposición L y la demanda D, son variables
independientes.

32
 1. Medición de la demanda real

El objetivo es encontrar el punto de reorden cuando los parámetros y la forma de la

distribución de la demanda durante el tiempo de reposición son conocidos
También se conoce el nivel P1 de servicio deseado
Se requiere registrar la demanda sobre el lead time

El procedimiento es el siguiente:
1. Organice los datos de menor a mayor, considere n observaciones
2. Haga (n+1)P1=y+w, donde 0 <= w < 1 y, y es un entero
3. Si (n+1)P1>n, haga s=x(n), de lo contrario, haga s= (1-w)x(y)+wx(y+1)

33
 1. Medición de la demanda real – Ejemplo
Una compañía nueva está definiendo el punto de reorden para varios ítems que son
importantes para su negocio. Debido a que el tiempo de entrega es de aproximadamente dos
o tres semanas y el tamaño de las órdenes no es tan grande, el administrador ha reunido un
número de observaciones de la demanda durante el tiempo de abastecimiento. Estas son: 15,
18, 12, 22, 28, 25, 22, 23, 11, y 19. El administrador tiene un nivel de servicio P1.
Paso 1. Ordenar los datos de menor a mayor. 11 12 15 18 19 22 22 23 25 28
Paso 2.
n= 10, P1 = 0,85, (n+1)*P1 =11*0,85=9,35
y + w = 9,35, entonces y = 9 y w = 0,35 (recuerde 0 <= w < 1 y, y es un entero)
Paso 3.
(n+1)* P1 <n, entonces, s= (1-w)*X(y)+w*X(y+1)
X(y) es la novena observación, 25 y X(y+1) es la décima observación, 28
Por lo tanto s=(1-0,35)25+0,35*28 = 26,05 ≅26
Lordahl y Bookbinder (1994) muestran que este método es mejor que utilizar la distribución
normal en muchos casos
34
 2. Uso de la distribución de la tasa de demanda por unidad de
tiempo combinado con la distribución del tiempo de abastecimiento
-Notación básica

d :Rata de demanda. En unidades por unidad de tiempo

E(d) :Valor esperado de la rata de demanda.
d :Desviación estándar de la rata de demanda. En unidades
x : Demanda aleatoria durante el tiempo de reposición.
E(x) : Valor esperado de la demanda durante el tiempo de reposición.
x : Desviación estándar de la demanda durante el tiempo de reposición.
LT : Tiempo de reposición aleatorio, en unidades de tiempo. (Antes L)
E(LT) : Valor esperado del tiempo de reposición
LT : Desviación estándar del tiempo de reposición
R : Periodo de revisión del inventario

35
El valor esperado de x y su desviación estándar se definen como sigue (Ross,
1993, pág. 98–99) para un modelo de revisión periódica:

E ( x)  E ( LT  R) E (d )

 x  E ( LT  R)  E (d )  LT
2
d
2 2

 x  E (d ) LT  x  E ( LT  R)  E (d )  LT
2
d
2 2

Si no hay variabilidad de la Si no hay variabilidad del tiempo de

demanda abastecimiento

36
 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.

37
 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)

38
 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.

39
 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 la 1 108

2 62
regresión lineal de inicio del pronóstico. 3 76
4 76
5 87
6 208
7 95
8 68
Zona de Inicialización Zona de simulación 9 81
10 78
11 69
12 43
13 74
14 70
15 67
16 53
17 47
18 55
19 46
20 45

40
 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
41
 Eliminación de Outliers

Cuando el dato atípico será utilizado para realizar la regresión en la

inicialización de un modelo.

Dato atípico  xˆ  2.5  , se debe reeplazar por xˆ

Cuando el dato atípico será utilizado para el pronóstico

Determinar que no sea un efectivocambio en el

comportamiento de la demanda.
e(T)
El dato atípico ocurre cuando es 5 o 6 veces
MAD(T)

42
 Modelo matemático general

Demanda en el período t  a  bt  f  c  ε

1. Nivel promedio a • Un serie de tiempo es una

2. Tendencia b secuencia cronológica de

3. Componente cíclico f observaciones sobre una

4. Componente estacional c variable de interés

5. Componente aleatorio є • Las demandas se consideran

series de tiempo.

43
 Ejemplo de series de tiempo

Ejemplo de tres trayectorias de un proceso estocástico Realizaci´on diaria del´Indice General de la Bolsa de
dado Valores de Colombia entre 2000-07-03 y 2011-03-03.

44
 Pronósticos de series de tiempo
• Los pronósticos se basan en datos u observaciones sobre la variable de interés.
• Estos datos suelen tener la forma de una serie de tiempo.
• Suponga que hay T períodos de datos disponibles, siendo el período T el más reciente.
• La observación de esta variable en el período de tiempo t se denota por y 1, t = I. 2 ...., T
• Esta variable puede representar una cantidad acumulada, como la demanda total de un
producto durante el período t
• Sea yt un pronóstico que se realizó en algún período de tiempo anterior t - t, y un valor
ajustado de y1 que ha resultado de estimar los parámetros en un modelo de serie de tiempo a
datos históricos.
• El pronóstico realizado en el período de tiempo t - t , se denota por y1 (t - t).

45
PRONÓSTICOS FUTUROS

46
 Pronósticos Futuros - Notación

Pronóstico para t períodos futuros : Xˆ T  τ (t )


Varianza del pronóstico t períodos futuros : Var Xˆ t  τ (t ) 
L
Pronóstico acumulado L Períodos : X̂ L (t)   X t  τ (t)
τ 1

Varianza del pronóstico acumulado L Períodos : Var Xˆ L (t)  

47
 Pronósticos Futuros - Notación
Dada la siguiente información, calcule el pronóstico futuro para las
próximas cuatro semanas y el acumulado, utilizando las técnicas de
promedio móvil, suavización exponencial simple y suavización
exponencial doble a partir de la última fila de la hoja de cálculo:

PARÁMETROS a 89,4 ALFA ALFA DOBLE BETA

b -2,16842105 0,27341638 0,188547213 0,81145279

PROM MÓVIL SUAV. EXP. SIMPLE SUAV. EXP. DOBLE
PERÍODO DEMANDA
Mt St Xt St St[2] Xt
39 55 75 75 83 73 68 91

48
 Errores del pronóstico y su varianza - Notación 2

Varianza del error del pronóstico : Var e(t)  Var x(t)  Var x̂(t)

Dado que se puede expresar como la suma de dos varianza de variables

aleatorias, demanda y pronóstico

Error del pronóstico futuro : Varianza del error del pronóstico futuro t períodos :
eτ (t )  xT  xˆT (t  t ) Var eτ (t )  Var ( xt )  Var xˆ t (t  t )

Error del pronóstico acumulado : Varianza del error del pronóstico acumulado :

VarL e(t)  Var X L (t)  Var X̂ L (t) 
L
E L (t )   eτ (t - L  τ)
τ 1

49
2 Montgomery, et. al, Capítulo 8
 Varianza del error del pronóstico acumulado

ˆ  p L 
Expresión general para la Varianza del error de los 2 2
pronósticos acumulados para L-períodos en función EL
de la varianza de los errores de los pronósticos

PL es una constante que depende 1.25MAD 

ˆ E L  p L   ,   
de L y , ( =1-) C1

Varianza del error del PL


ˆ EL  1.25MAD(T)
pronóstico acumulado C1

c1  1 
α
(1  β)3

1  4β  5β 2
 2α(1 3β)t  2α t
2 2

L2
Factor PL  L 
2  (1   ) 3
5(1  2   2
)  4 L(1   2 )   2 L2 
50
SISTEMAS DE PRONÓSTICOS DE ÍTEMS
CON DEMANDA ERRÁTICA NUEVOS

51
 Pronósticos de Ítems de Demanda Errática

Método de Croston

Este método combina el pronóstico de la probabilidad

de ocurrencia de la demanda y estima el tamaño de
ésta, actualizando los parámetros solo cuando ocurre
la demanda.

52
 Modelos de pronósticos para ítems con
demanda errática

Una transacción (demanda) se

puede expresar como sigue:
t  yt z t

yt  1 Si existe la transacción
0 Sí la transacción no ourre zt Es el tamaño de la transacción

Prob(y  1)  1 Prob(y  0)  1 - 1
n
n
n: Denota el número de períodos que ocurren entre sucesivas transacciones
53
 Modelo de Croston (1)
t  0 1.El tamaño estimado de la transacció n no se actualiza.
(Demanda no ocurre) 2. nˆt  n̂ t 1

t  0
(Transacción ocurre)
zt  Valor estimado del promedio del tamaño
de la transacción al final del período t
1.z t   t  (1  )z t 1
2. nˆt  nt  (1  )nˆt-1
n t  Número de períodos desde
la última transacción

n̂ t  Valor estimado de n ẑ t
Pr onóstico 
al final del período t nˆt

1 Silver, et. al. Pag 128.

54
 Pronósticos de Ítems sin historia

• El principal problema radica en que no se dispone de información histórica

• Las proyecciones se hacen con base en estudios de mercado, con métodos causales y/o
con base en el análisis del comportamiento de la demanda e ítem semejantes que ya se
encuentren en su etapa de madurez.
• Proyecciones de demanda suelen ser exageradas en algunos casos y cortas en otros
• Mientras la historia se obtiene se pueden hacer pronósticos con promedio móvil
progresivo
• El pronóstico se utiliza hasta tener un tamaño de N = 6, a partir de ahí, se puede aplicar
otros sistema de pronósticos
• Como la MAD y el ECM no son confiables para pocos datos, Vidal sugiere asumir el
proceso de demanda como Poisson y calcular la desviación a partir de la raíz cuadrada
del pronóstico estadístico del ítem

55
 Error en el pronóstico de los inventarios

• Se utiliza como un elemento que sirve para determinar qué modelo

de pronóstico se debe implementar.
• Es un indicador que muestra las características de la variabilidad de
la demanda, información fundamental para establecer los inventarios
de seguridad.
• Sirve para indicar cuándo el modelo seleccionado está por fuera de
control estadístico. (Señal de rastreo)
• Permite realizar cálculos para pronósticos acumulados.

56
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

57
 Medición de errores del pronóstico

Error del pronóstico et  xt  xˆ t

Error absoluto et  x t  xˆ t

Error cuadrático e  ( x t  x
2
t
ˆt ) 2

e t  Error del pronóstico

x t  Valor real de la demanda
x̂ t  Pronóstico de demanda
Todos para el período t
58
 Medición de errores del pronóstico

Desviación Absoluta Media : Error Cuadrático Medio :

n n 2

x t  xˆt  x t  xˆ t 
MAD  t 1
ECM  t 1
n n
Error porcentual : Mean Absolute Percentaje Error :
n
xt  xˆt
xt  xˆt 100 * 
APE  100 * MAPE  t 1 xt
xt n
Error porcentual : Mean Absolute Percentaje Error :
n
xt  xˆt
xt  xˆt 100 * 
APE  100 * xˆt
xˆt MAPE  t 1

n
59
 PARÁMETROS INDICADORES
ERROR
N PROM.
MAD ECM MAPE MAPE'
8 5,78 13,38 267,31 22% 24%
2
PERÍODO DEMANDA ESTIMADOR PRONÓSTICO e lel e lel/xt lel/x't
1 31

DATOS DE INICIO
2 26
3 34

Medición de errores del

4 26
5 33

pronóstico en Excel
6 31
7 38
8 26
9 56
10 30
11 42
12 41 37,1
13 35 37,4 37,1 -2,13 2,13 4,52 0,06 0,06
14 41 38,6 37,4 3,63 3,63 13,14 0,09 0,10
15 58 41,1 38,6 19,38 19,38 375,39 0,33 0,50
16 49 44,0 41,1 7,88 7,88 62,02 0,16 0,19
17 54 43,8 44,0 10,00 10,00 100,00 0,19 0,23
18 56 47,0 43,8 12,25 12,25 150,06 0,22 0,28
19 80 51,8 47,0 33,00 33,00 1089,00 0,41 0,70
20 46 52,4 51,8 -5,75 5,75 33,06 0,13 0,11
21 33 52,1 52,4 -19,38 19,38 375,39 0,59 0,37
SIMULACIÓN
22 56 54,0 52,1 3,88 3,88 15,02 0,07 0,07
23 35 51,1 54,0 -19,00 19,00 361,00 0,54 0,35
24 85 55,6 51,1 33,88 33,88 1147,52 0,40 0,66
25 61 56,5 55,6 5,38 5,38 28,89 0,09 0,10
26 53 56,1 56,5 -3,50 3,50 12,25 0,07 0,06
27 65 54,3 56,1 8,88 8,88 78,77 0,14 0,16
28 36 53,0 54,3 -18,25 18,25 333,06 0,51 0,34
29 61 56,5 53,0 8,00 8,00 64,00 0,13 0,15
30 66 57,8 56,5 9,50 9,50 90,25 0,14 0,17
31 63 61,3 57,8 5,25 5,25 27,56 0,08 0,09
32 73 59,8 61,3 11,75 11,75 138,06 0,16 0,19
33 76 61,6 59,8 16,25 16,25 264,06 0,21 0,27
34 94 66,8 61,6 32,38 32,38 1048,14 0,34 0,53
35 66 66,9 66,8 -0,75 0,75 0,56 0,01 0,01
36 88 73,4 66,9 21,13 21,13 446,27 0,24 0,32
37 67 74,1 73,4 -6,38 6,38 40,64 0,10 0,09
38 100 78,4 74,1 25,88 25,88 669,52 0,26 0,35
39 59 77,9 78,4 -19,38 19,38 375,39 0,33 0,25 60
40 66 77,0 77,9 -11,88 11,88 141,02 0,18 0,15
 ESTIMACIÓN DE LOS ERRORES
Error Promedio
Dado que se pueden tener algunos datos históricos de los errores, podría
estimarse el valor esperado de los errores del pronóstico, como un
promedio simple de estos, como sigue:
T

 e(t ) Y (t )
ŶT : t 1

T T
Donde Y(T), es la suma de los errores de los pronósticos, o el Error acumulado

El error acumulado puede calcularse también como :

Y (t ) : Y (t  1)  e(t )
61
 Pronóstico del Error
El pronóstico del error se puede obtener a partir de los últimos N datos
históricos, como un promedio simple.
T
1
ˆe(T ) 
N
 e (t )
t T  N 1

O a partir de un proceso de suavización exponencial

Error suavizado : Q(t)  we(t)  (1 - w)Q(t - 1)

Donde: w, se conoce como la constante de suavización del error (cumple una función
similar a ), y aunque puede estar en un rango entre 0 y 1, se sugiere utilizar un valor de
0.1 ó 0.15
Para inicialiar el modelo : Q(0)  0

Debido a que el valor esperado de los errores del pronóstico es cero

62
 MAD Suavizada
MAD suavizada : MAD(T)  w e(t)  (1 - w)MAD(t - 1)

Para inicializa r el modelo MAD (0)  0.8 c1ˆ  1

donde :
n

 t t
( x  x ) 2

ˆ   t 1
Con base en residuos de la R.L.
n2
n:Número de datos que se toman para inicializar el pronóstico

cτ  1 
α
( 1  β)3
1 
 4 β  5 β 2
 2α( 1  3 β)t  2α t
2 2
 2

1 Montgomery, et. al, pág. (209)

t: Número de períodos futuros, =(1-) 2 Montgomery, et. al, pág. (212)

63
 ECM suavizado

ECM suavizado : ECMS(T)  we2 (T)  (1- w)ECMS(T -1)

 t t
( x  ˆ
x ) 2

Para inicializa r el modelo ECSM (0)  t 1

n2

A partir del ECMS se puede obtener la desviación estándar de los errores del
pronóstico para cada período.

ˆ1 (T )  ECMS (T )

64
 Cálculo del Inventario de Seguridad
Inventario de seguridad para el sistema de Revisión
Continua (s, Q)
Inventariode seguridad SS  k L
 L  1 L
Inventario de seguridad para el sistema de Revisión
Periódica (R, S)

Inventario de seguridad SS  k R L

 R L   1 R  L
ˆ1 se obtiene como se mostró así :
ˆ1 (T )  ECMS (T )  1.25MAD suavizada 65
 Inventario de Seguridad Dinámico
Inventario de seguridad para el sistema de Revisión Continua (s, Q)

Inventariode seguridad SS  k L

 L  1 L

Inventario de seguridad para el sistema de Revisión Periódica (R, S)

Inventario de seguridad SS  k R L

 R L   1 R  L
66
 Señales de rastreo

• La señal de rastreo es un indicador que muestra cuando un pronóstico

está fuera de control estadístico.

• Cuando dos o más señales de rastreo sucesivas sobrepasan el valor

máximo, entonces debe tomarse una acción administrativa, que puede

ser recalcular los parámetros del modelo y/o revisarse el modelo que

se esté utilizando.

67
 Señales de rastreo
La señal de rastreo en función del error suavizado y la MAD :
Q(T )
Señal de Rastreo 
MAD(T )
La señal de rastreo siempre está entre -1 y 1.
Los valores máximos aceptables dependen de la aplicación y pueden variar de 0.4 a 0.6.
Cuando dos o más señales de rastreo sucesivas sobrepasan el valor máximo, deben
recalcularse los parámetros del modelo y/o revisarse el modelo que se está utilizando.

La señal de rastreo en función del error acumulado y la MAD(T) :

Y (T )
Señal de Rastreo 
MAD(T )

Para este caso, se considera el pronóstico sesgado si la señal de rastreo es superior a 4

68
 Estimación del Error, Inventario Máximo, Señales de rastreo

INDICADORES ESTIMADORES Inventario Máximo SEÑALES DE RASTREO

ERROR Error Error MAD ECM
a 26,2727 PROM.
MAD ECM MAPE MAPE' Prom. Suavizado Suavizada Suavizado
Nivel de servicio

b 1,26573 W E C1 1,96
0,15 7,796808 1,657643 PERIODO
LEAD
DE
-0,80 14,44 323,47 26% 24% 1,22 0,02 REVISIÓN
TIMES

PERÍODO DEMANDA PRONÓSTICO e lel e2 lel/xt lel/x't Y(T) T MAD(T) ECM(T) 1 5 Q(T)/MAD(T) Y(T)/MAD8T)
13 35 42,7 -7,73 7,73 59,71 0,22 0,18 -7,7273 -1,1591 7,9852 60,6283 94 0,14515547 -0,967703126
14 41 39,4 1,64 1,64 2,70 0,04 0,04 -6,0839 -0,7387 7,0339 51,9391 88 0,10502340 -0,864942459
15 58 40,9 17,09 17,09 291,97 0,29 0,42 11,0031 1,9351 8,5419 87,9434 89 0,22654803 1,288142353
16 49 51,9 -2,88 2,88 8,31 0,06 0,06 8,1198 1,2124 7,6931 75,9990 111 0,15759186 1,055464764
17 54 52,4 1,59 1,59 2,53 0,03 0,03 9,7104 1,2691 6,7777 64,9786 110 0,18724712 1,432697278
18 56 55,4 0,64 0,64 0,41 0,01 0,01 10,3502 1,1747 5,8570 55,2932 113 0,20056319 1,767136815
19 80 57,9 22,12 22,12 489,13 0,28 0,38 32,4664 4,3159 8,2959 120,3684 115 0,52024834 3,913543293
20 46 73,4 -27,35 27,35 748,06 0,59 0,37 5,1156 -0,4341 11,1541 214,5227 148 0,03891576 0,458631108
21 33 61,1 -28,13 28,13 791,19 0,85 0,46 -23,0124 -4,5882 13,7002 301,0221 134 0,33489710 -1,679709142
SIMULACIÓN

22 56 46,0 10,02 10,02 100,45 0,18 0,22 -12,9897 -2,3965 13,1486 270,9368 114 0,18226608 -0,987918425
23 35 51,2 -16,19 16,19 261,97 0,46 0,32 -29,1753 -4,4649 13,6041 269,5921 122 0,32820133 -2,144590487
24 85 41,6 43,43 43,43 1886,09 0,51 1,04 14,2538 2,7192 18,0779 512,0666 107 0,15041635 0,788468219
25 61 66,3 -5,27 5,27 27,76 0,09 0,08 8,9855 1,5211 16,1564 439,4198 160 0,09414699 0,556157107
26 53 65,7 -12,66 12,66 160,17 0,24 0,19 -3,6704 -0,6055 15,6314 397,5326 155 0,03873413 -0,234808935
27 65 60,1 4,86 4,86 23,65 0,07 0,08 1,1928 0,2148 14,0161 341,4504 144 0,01532761 0,085103612
28 36 64,0 -27,99 27,99 783,45 0,78 0,44 -26,7973 -4,0159 16,1122 407,7498 146 0,24924590 -1,663164192
29 61 48,6 12,43 12,43 154,53 0,20 0,26 -14,3664 -1,5489 15,5600 369,7663 125 0,09954304 -0,923290519
30 66 54,9 11,12 11,12 123,62 0,17 0,20 -3,2481 0,3512 14,8938 332,8441 135 0,02358008 -0,218081628
31 63 61,5 1,47 1,47 2,17 0,02 0,02 -1,7735 0,5197 12,8809 283,2436 144 0,04034700 -0,137682005
32 73 63,4 9,62 9,62 92,48 0,13 0,15 7,8430 1,8842 12,3912 254,6284 142 0,15206028 0,632944322
33 76 70,3 5,74 5,74 32,95 0,08 0,08 13,5834 2,4626 11,3936 221,3771 153 0,21614295 1,192194914
34 94 75,7 18,32 18,32 335,79 0,19 0,24 31,9080 4,8419 12,4333 238,5390 159 0,38943441 2,566341507
35 66 89,2 -23,16 23,16 536,31 0,35 0,26 8,7496 0,6419 14,0420 283,2050 185 0,04571180 0,623099163
36 88 79,4 8,60 8,60 73,95 0,10 0,11 17,3488 1,8355 13,2256 251,8161 173 0,13878240 1,311755673
37 67 86,6 -19,61 19,61 384,69 0,29 0,23 -2,2648 -1,3819 14,1838 271,7472 183 0,09742597 -0,159672541
38 100 77,7 22,33 22,33 498,52 0,22 0,29 20,0627 2,1745 15,4053 305,7625 170 0,14115434 1,302321259
39 59 92,1 -33,13 33,13 1097,66 0,56 0,36 -13,0682 -3,1213 18,0642 424,5468 198 0,17278872 -0,723432387
40 66 75,3 -9,32 9,32 86,93 0,14 0,12 -22,3920 -4,0517 16,7531 373,9046 176 0,24184490 -1,336584782

69
 Métodos Auto-Adaptivos
Qué hacer cuando se considera que el
sistema de pronósticos está fuera de control?
La alternativa es corregir los parámetros que optimizan los modelos.
Se sugieren dos técnicas a seguir:
1. Recalcular la constante de suavización Alfa
2. Hacer que la constante de suavización tome los valores
obtenidos en la señal de rastreo del período

Las técnicas Auto-Adaptivas son una propuesta y deben ser

exploradas con más profundidad, ya que como lo asegura Silver
(1998), este método puede traer más problemas que soluciones.

En algunas ocasiones, es necesario revisar el modelo propuesto, las

las condiciones iníciales pudieron haber cambiado significativamente
70