Región Sur
LS Ingeniería Industrial y de Sistemas
e Ingeniería Mecatrónica
Sistemas de Producción I
Unidad 5. Modelos dinámicos y estocásticos
para la planeación y el control de inventarios
Contenido
– El modelo dinámico básico
– Procesos estocástico
– Modelos estocásticos
– Cadenas de Markov
– Identificación del riesgo
– El heurístico de Silver-Meal
– Simulación Monte Carlo
– Elementos de optimización
Lagrangiana
El modelo dinámico básico
Los modelos dinámicos de inventarios llamados a menudo
modelos de inventarios para períodos múltiples, son aquellos
que se prolongan de un período de tiempo al siguiente.
3
Procesos estocástico
En estadística, y específicamente en la teoría de la probabilidad,
un proceso estocástico es un concepto matemático que sirve para
caracterizar una sucesión de variables aleatorias (estocásticas) que
evolucionan en función de otra variable, generalmente el tiempo.
Cada una de las variables aleatorias del proceso tiene su propia
función de distribución de probabilidad y pueden o no, estar
correlacionadas entre ellas.
4
Modelos estocásticos
Un modelo es estocástico cuando al menos una variable del
mismo es tomada como un dato al azar y las relaciones entre
variables se toman por medio de funciones probabilísticas.
Sirven por lo general para realizar grandes series de muestreos,
quitan mucho tiempo en el computador son muy utilizados en
investigaciones científicas.
Para lograr modelar correctamente un proceso estocástico es
necesario comprender numerosos conceptos de probabilidad y
estadística.
En los modelos estocásticos, podemos incluir en el análisis toda la
incertidumbre presente en el modelo.
5
Modelos estocásticos
Aleatoriedad en los inventarios principalmente debida a:
-Demanda (cuánto y cuándo pedir)
-Plazo de entrega
Modelos de punto de reorden
Modelos de revisión periódica
Modelos de revisión continua
6
Modelos estocásticos
EJERCICIOS
7
Modelos de Inventarios
PRO con costos conocidos de falta de existencias
1. Aproximar la cantidad de pedido a partir de la fórmula básica de Q.
2. Calcular la probabilidad de tener existencias durante el tiempo de
entrega si se permiten pedidos pendientes.
𝑄𝐼𝐶
𝑃 =1−
𝐷𝑘
O si se pierde la venta
𝑄𝐼𝐶
𝑃 =1−
𝐷𝑘 + 𝑄𝐼𝐶
3. Determinar una Q revisada a partir de la fórmula modificada
2𝐷 𝑆 + (𝑘)(𝑠𝑑 )( 𝐿)(𝐸𝑧 )
𝑄=
𝐼𝐶
4. Repetir los pasos 2 y 3 hasta que no haya cambios en P o Q.
5. Calcular PRO y otras estadísticas.
8
Modelos de Inventarios
PRO con costos conocidos de falta de existencias
𝐵 = 𝑍(𝑠𝑑 )( 𝐿)
𝑃𝑅𝑂 = 𝐵 + 𝐷𝐿
(𝑠𝑑 )( 𝐿)(𝐸𝑧 )
𝑆𝐿 = 1 −
𝑄
𝐷 𝑄 𝐷
𝐶𝑇 = 𝑆 + 𝐼𝐶 + 𝐼𝐶𝐵 + (𝑘)(𝑠𝑑 )( 𝐿)(𝐸𝑧 )
𝑄 2 𝑄
9
Modelos de Inventarios
Ejercicio Inventarios (PRO con costos conocidos de falta de
existencias)
BuyersProducts distribuye un artículo usado en equipamiento para
camiones. Se han reunido los sig. datos de este artículo mantenido en
inventario. Considere que se permiten pedidos pendientes.
Pronóstico de demanda mensual d=11107 u
Error estándar de pronóstico 𝑠𝑑 =3099 u
Tiempo de reaprovisionamiento L=1.5 meses
Costo de procesamiento de pedido S=$10/pedido
Costo de manejo de inventario I=20%/año
Valor del artículo C=$.11 u
% de existencias en período de entrega P= 75%
Costo de falta de existencias k= $0.01/u
Calcule: Q*, B, PRO, Costo total.
10
Modelos de Inventarios
PRO con demanda y tiempos de entrega inciertos
Sumar la variación de la demanda a la variación del tiempo de
entrega da una fórmula modificada para la desviación estándar.
𝑠𝑑′ = 𝐿(𝑠𝑑 )2 +𝑑2 (𝑠𝐿 )2
Ejercicio
Con los mismos datos del problema anterior, considere que el error
del tiempo de entrega (𝑠𝐿 ) es igual a 0.5 meses. ¿Cuál sería el valor
de la desviación estándar?
11
Modelos de Inventarios
Modelo de revisión periódica con demanda incierta
Es una alternativa al método de control de punto de reorden.
Pueden revisarse al mismo tiempo los niveles de inventario
para múltiples artículos, por lo que pueden solicitarse juntos,
con lo que se logran economías de producción, transportación
o compras.
Da como resultado un poco más de inventario, peor los costos
añadidos de su manejo pueden estar más que compensados
por costos administrativos reducidos, precios más bajos o
costos de adquisición más bajos.
12
Modelos de Inventarios
Sistema Mín-Máx
Tal vez sea el más popular de todos los procedimientos de
control de inventarios de demanda. Es una variante del
modelo de punto de reorden. Se ha puesto en práctica
usando procedimientos de control manual y
mantenimiento de registros por tarjetas.
Cuando se coloca un pedido se hace por la cantidad que
determina la diferencia entre la cantidad objetivo (M,
nivel máximo) y la cantidad disponible (q), en el
momento en el que el nivel de inventario alcanza el punto
de reorden.
13
Modelos de Inventarios
Sistema Mín-Máx
El nivel máximo (M), simplemente es la cantidad de punto de
reorden (PRO) más la cantidad económica de pedido (Q*) hallado
por el modelo de punto de reorden.
Es un método apropiado para usarse cuando la demanda es
irregular.
1. Si la desviación estándar es mayor que la demanda promedio,
se dice que la demanda es irregular y se pasa al siguiente paso.
2. Calcular Q*.
3. Se ajusta el PRO añadiendo el déficit esperado (ED) para el
PRO, que es la cantidad promedio a la que la cantidad
disponible es probable que caiga antes de que se haga el
pedido (cambio desde la última medición y el momento del
pedido)
𝑃𝑅𝑂 = 𝑍(𝑠𝑑 )( 𝐿) + 𝐷𝐿 + 𝐸𝐷
14
Modelos de Inventarios
Sistema Mín-Máx
4. Aproximar el déficit esperado (ventas promedio del
período) como la mitad de la cantidad inicial y final
disponible entre las actualizaciones de los registros de las
cantidades disponibles.
5. Fijar el nivel máximo como la cantidad PRO más la
cantidad de pedido menos el déficit esperado.
𝑀 = 𝑃𝑅𝑂 + 𝑄∗ − 𝐸𝐷
6. Ejecutar el sistema de control mín-máx, de tal manera que
cuando el nivel efectivo de inventario caiga a la cantidad
de PRO, hacer un pedido por una cantidad igual a la
diferencia entre el nivel máximo (M*) y la cantidad
disponible (q).
15
Modelos de Inventarios
Ejercicio Sistema Mín-Máx
Los requerimientos semanales de un artículo en un inventario
muestran una tasa de demanda d=100 unidades y una
desviación 𝑠𝑑 = 100 unidades. El artículo cuesta $1.45, los
costos de adquisición son $12 por pedido, los costos de
manejo anuales son de 25% y el tiempo de entrega del pedido
es de una semana. La probabilidad de tener existencias
durante el tiempo de entrega tiene que ser al menos de 85%.
La cantidad disponible se actualiza diariamente, y la cantidad
promedio de ventas diarias es de 10 unidades, donde una
aproximación al déficit esperado es ED=10 unidades. Calcula
la cantidad de pedido (Q), el PRO y el nivel máximo M.
16
Cadenas de Markov
En la teoría de la probabilidad, se conoce como cadena de Markov
o modelo de Markov a un tipo especial de proceso estocástico
discreto en el que la probabilidad de que ocurra un evento
depende solamente del evento inmediatamente anterior.
Se utilizan en inventarios, mantenimiento, flujo de procesos, etc.
En los negocios se han utilizado para analizar los patrones de
compra, los deudores morosos, para planear las necesidades de
personal y para analizar el reemplazo de equipo.
Permite encontrar la probabilidad de que un sistema se encuentre
en un estado en particular en un momento dado. Algo más
importante aún, es que permite encontrar el promedio a la larga o
las probabilidades de estado estable para cada estado.
17
Identificación del riesgo
El riesgo es consecuencia de nuestra incapacidad para ver el
futuro y supone un grado de incertidumbre.
Para el análisis del riesgo hay que cuantificarlo:
-Identificando la variable y todos los valores que puede tener.
-Determinar la probabilidad de que se presenta cada uno de los
valores posibles, la mayor parte de las veces esto depende del
juicio de las personas.
El riesgo se puede cuantificar utilizando una distribución de
probabilidad.
18
Identificación del riesgo
El análisis de riesgo forma parte de todas las decisiones que
tomamos. Nos enfrentamos continuamente a la incertidumbre, la
ambigüedad y la variabilidad. Y aunque tenemos un acceso a la
información sin precedentes, no podemos predecir con precisión
el futuro.
19
El heurístico de Silver-Meal
Fue desarrollado por E.A Silver y H.C Meal en 1973, y ha
demostrado un muy buen rendimiento en situaciones en las que
el comportamiento de la demanda es muy variable. La base del
método consiste en minimizar los costos totales de ordenar y
mantener por unidad de tiempo.
El método entonces parte por asumir que en el primer período se
emite una orden de un tamaño tal que irá cubriendo uno a uno los
períodos siguientes, entonces podrá calcularse cuanto sería el
costo total de cubrir cada demanda en un período dado con un
pedido emitido en el primer período, y también se calculará el
costo total por unidad de tiempo al dividir dicho costo total por el
período en el que se desea conocer.
20
Simulación Monte Carlo
Es una técnica matemática computarizada que permite tener en
cuenta el riesgo en análisis cuantitativos y toma de decisiones.
Esta técnica es utilizada por profesionales de campos tan dispares
como los de finanzas, gestión de proyectos, energía,
manufacturación, ingeniería, investigación y desarrollo, seguros,
petróleo y gas, transporte y medio ambiente.
La simulación Monte Carlo permite ver todos los resultados
posibles de las decisiones que tomamos y evaluar el impacto del
riesgo, lo cual nos permite tomar mejores decisiones en
condiciones de incertidumbre.
21
Simulación Monte Carlo
La simulación Monte Carlo realiza el análisis de riesgo con la
creación de modelos de posibles resultados mediante la
sustitución de un rango de valores —una distribución de
probabilidad— para cualquier factor con incertidumbre inherente.
Luego, calcula los resultados una y otra vez, cada vez usando un
grupo diferente de valores aleatorios de las funciones de
probabilidad. Dependiendo del número de incertidumbres y de los
rangos especificados, para completar una simulación Monte Carlo
puede ser necesario realizar miles o decenas de miles de
recálculos. La simulación Monte Carlo produce distribuciones de
valores de los resultados posibles.
22
Elementos de optimización
Lagrangiana
En los problemas de optimización, el método de los
multiplicadores de Lagrange, llamados así en honor a Joseph
Louis Lagrange, es un procedimiento para encontrar los máximos y
mínimos de funciones de múltiples variables sujetas a
restricciones.
El método de los Multiplicadores de Lagrange permite abordar la
resolución de modelos de programación no lineal que consideran
restricciones de igualdad. En este sentido, el dominio de
soluciones factibles considerará exclusivamente aquellas
soluciones que permiten verificar el cumplimiento de la igualdad
de dichas restricciones.
23
Elementos de optimización
Lagrangiana
Este método reduce el problema restringido con n variables a uno
sin restricciones de n + k variables, donde k es igual al número de
restricciones, y cuyas ecuaciones pueden ser resueltas más
fácilmente. Estas nuevas variables escalares desconocidas, una
para cada restricción, son llamadas multiplicadores de Lagrange.
24
Región Sur
LS Ingeniería Industrial y de Sistemas
e Ingeniería Mecatrónica
Sistemas de Producción I
Unidad 6. Control de materiales
Contenido
– Tipos de bienes
– Aspectos tangibles e
intangibles de los bienes o
materiales
– Obsolescencia
– Identificación de los
materiales
– Sistemas de identificación
automática
– Sistemas de localización y
colocación de los materiales
Tipos de bienes
27
Aspectos tangibles e intangibles
de los bienes o materiales
…
28
Obsolescencia
29
Identificación de los
materiales
SKU (Stock Keeping Unit)
Estratificación del inventario
Formación de familias
30
Sistemas de identificación
automática
Código de barras lineales
EAN
Code 128, 39, 93 y codebar
Código de barras bidimensional
Código QR
Datamatrix
PDF417
Sistemas de lectura
Escaneo básico
Radriofrecuencia
31
Sistemas de localización y
colocación de los materiales
Sistemas de memoria
Sistemas de zona
Sistemas al azar
32
