Pascual Pascual Miguel 2009

Divisin de Ciencias Forestales
Departamento en Estadstica
Matemtica y Cmputo

Modelos Probabilsticos de Inventarios

T e s i s p r o f e s i o n a l

Que como requisito parcial para obtener el ttulo de:

L I C E N C I A D O EN E S T A D S T I C A

P R E S E N T A:

Pascual Pascual Miguel

Chapingo, Texcoco, Edo. de Mxico, Diciembre del 2009
ii

Esta tesis fue realizada por C. Pascual Pascual Miguel, bajo la direccin del Doctor Eduardo
Gutirrez Gonzlez. Fue revisada y aprobada por el siguiente Comit Revisor y Jurado
Examinador, para obtener el ttulo de Licenciado en Estadstica.

PRESIDENTE.
Dr. Eduardo Gutirrez Gonzlez
_______________________________

SECRETARIO.
Dr. Antonio Villanueva Morales
______________________________

VOCAL.
Lic. Margarito Soriano Montero
______________________________

SUPLENTE.
M. C. Alejandro Corona Ambriz
______________________________

SUPLENTE.
M. C. ngel Leyva Ovalle
______________________________

Chapingo, Texcoco, Edo. de Mxico, Diciembre del 2009
iii

Agradecimientos

A dios que me dio el ser.
A la Universidad Autnoma Chapingo por darme la valiosa oportunidad de formarme
profesionalmente y por ser mi hogar durante siete maravillosos aos.
Al Dr. Eduardo Gutirrez Gonzlez, por su paciencia y su valioso tiempo brindado para la
elaboracin del presente trabajo. Y a los profesores que conforman mi comit asesor.
A todos mis profesores de la licenciatura en Estadstica que se esforzaron en mi formacin
profesional.
Especialmente a mi familia por todo el desgaste fsico y econmico que brindaron, y por su
gran muestra de cario y amor.

iv

Dedicatoria

A mis padres: Teresa y Alejandro, por ensearme
a luchar hacia delante, por su gran corazn
y capacidad de entrega, pero sobre todo por
ensearme a ser responsable, gracias a
ustedes he llegado a esta meta. Los AMO.

A mis hermanas (os): Miguel, Mariola, J uanita,
Alejandro y Ashley, que son parte importen
en mi vida y que siempre me compartieron
su apoyo y cario, los AMO.

A mis abuelos: Pascual y Felipe,
por sus sabios consejos durante
esta etapa de mi vida.
A la memoria de mis abuelas: Mara
y J uana
,
que Dios los tenga en su gloria.

A Gladis, una mujer extraordinaria
que siempre me ha brindado su cario y amor.

A mis amigos (as), que con quienes
compart momentos gratos e inolvidables,
desde mi infancia hasta mi formacin profesional.

A todas las amistades que de alguna
forma aportaron su granito de arena
en mi formacin profesional.

Con cario
Pascual
v

Contenido

Introduccin .......................................................................................................................... 1
Planteamiento ....................................................................................................................... 3
0bjetivos ................................................................................................................................ 4

CAPTULO 1 .......................................................................................................................... 5
MODELOS DE INVENTARIOS PROBABILSTICOS ............................................................................... 5
1.1 INTRODUCCIN .................................................................................................................................... 5
1.2 ANLISIS MARGINAL .......................................................................................................................... 5
1.3 MODELO DE INVENTARIOS DE ARTCULOS PERECEDEROS O DEL VENDEDOR DE
PERIDICOS DEMANDA DISCRETA ....................................................................................................... 6
ANLISIS DEL MTODO .................................................................................................................. 7
1.4 MODELO DE INVENTARIOS DE ARTCULOS PERECEDEROS O DEL VENDEDOR DE
PERIDICOS DEMANDA CONTINUA .................................................................................................... 11
1.5 MODELO ESTOCSTICO DE REVISIN CONTINA .................................................................... 14
1.6 MODELO DE VENTAS PENDIENTES O COSTO DE ORDENAR SIGNIFICATIVOS ................... 16
1.7 MODELO CON VENTAS PRDIDAS ................................................................................................. 22
1.8 MODELO ESTOCSTICO CON DFICIT CONVERTIDO EN COMBINACIN DE VENTAS
PENDIENTES Y PRDIDAS ...................................................................................................................... 27
1.9 CANTIDAD ECONMICA DE PEDIDO CON DEMANDA INCIERTA: MTODO DE NIVEL DE
SERVICIO PARA DETERMINAR EL NIVEL DE LA RESERVA DE SEGURIDAD ............................. 29
1.10 DETERMINACIN DEL PUNTO DE REORDEN Y DE NIVEL DE RESERVA DE SEGURIDAD
PARA 1 SLM .............................................................................................................................................. 31
1.11 DETERMINACIN DEL PUNTO DE REORDEN Y DE NIVEL DE RESERVA DE SEGURIDAD
PARA 2 SLM ............................................................................................................................................. 33
1.12 MODELO DE INVENTARIOS DE DOS PERIODOS SIN COSTO DE PREPARACIN................ 35
1.13 MODELO DE VARIOS PERIODOS SIN COSTO DE PREPARACIN ........................................... 37
CAPTULO 2 ........................................................................................................................ 38
MODELOS DE INVENTARIOS CON DEMANDA DE DISTRIBUCIN CONOCIDA ........................ 38
2.1 INTRODUCCIN .................................................................................................................................. 38
2.2 MODELO DE INVENTARIOS DE ARTICULOS PERECEDEROS DEMANDA DISCRETA ......... 38
2.2.1 DEMANDA CON DISTRIBUCION BINOMIAL ......................................................................... 38
2.2.2 DEMANDA CON DISTRIBUCION POISSON ............................................................................ 38
2.2.3 DEMANDA CON DISTRIBUCION GEOMTRICA ................................................................... 41
2.3 MODELO DE INVENTARIOS DE ARTICULOS PERECEDEROS DEMANDA CONTINUA ........ 42
2.3.1 DEMANDA CON FUNCIN DE DISTRIBUCIN UNIFORME ............................................... 42
2.3.2 DEMANDA CON FUNCIN DE DISTRIBUCIN NORMAL ................................................... 43
2.3.3 DEMANDA CON FUNCIN DE DISTRIBUCIN GAMMA .................................................... 44
2.3.4 DEMANDA CON FUNCIN DE DISTRIBUCIN EXPONENCIAL ........................................ 45
2.3.5 DEMANDA CON FUNCIN DE DISTRIBUCIN WEIBULL .................................................. 45
2.4 MODELO ESTOCSTICO DE REVISIN CONTINA ................................................................... 47
1) DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIN UNIFORME ......... 48
vi

2) DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIN NORMAL ............. 48
3) DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIN GAMMA............... 48
4) DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIN EXPONENCIAL .. 49
5) DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIN WEIBULL ............ 49
2.5 MODELO DE VENTAS PENDIENTES O COSTO DE ORDENAR SIGNIFICATIVOS ................... 50
2.5.1 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIN UNIFORME ..... 51
2.5.2 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIN NORMAL ........ 51
2.5.3 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIN GAMMA .......... 52
2.5.4 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIN EXPONENCIAL
................................................................................................................................................................. 53
2.5.5 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIN WEIBULL ........ 53
2.6 MODELO CON VENTAS PRDIDAS ................................................................................................ 56
................................................................................................................................................................. 59
2.7 MODELO ESTOCSTICO CON DFICIT CONVERTIDO EN COMBINACIN DE VENTAS
PENDIENTES Y PRDIDAS ...................................................................................................................... 62
................................................................................................................................................................. 64
CAPTULO 3 ........................................................................................................................ 68
MODELOS DE INVENTARIOS DINMICOS Y CON CADENAS DE MARKOV ............................... 68
3.1 INTRODUCCIN .................................................................................................................................. 68
3.2 MODELO ESTOCSTICO DINMICO ............................................................................................. 68
3.3 PROCESOS ESTOCSTICOS .............................................................................................................. 78
3.3.1 CONCEPTOS BSICOS DE LAS CADENAS DE MARKOV .................................................... 79
3.3 .2 MODELO CUANDO LA DEMANDA ES GENERADA POR UN PROCESO POISSON ......... 82
CAPTULO 4 ........................................................................................................................ 88
APLICACIN ................................................................................................................................................. 88
4.1 CASO DE ESTUDIO ............................................................................................................................. 88
4.2 METODOLOGA ................................................................................................................................... 89
4.3 SOLUCIN DEL PROBLEMA ............................................................................................................ 96

Conclusiones .................................................................................................................... 106
Bibliografa ........................................................................................................................ 107
Anexo. 109

vii

ndice de tablas

Tabla 4.1. Muestra de la demanda y devoluciones......96
Tabla 4.2. Clases y frecuencias de la demanda....96
Tabla 4.3. Clases y frecuencias de las devoluciones..97
Tabla 4.4. Anlisis de ventas semanales......101
Tabla 4.5. Muestra de la demanda......102
Tabla 4. 6. Clases y frecuencias de la demanda....102
Tabla 4.7. Anlisis de la demanda semanal.105

ndice de figuras

Figura 1.1. Muestra el costo esperado y su valor mnimo....6
Figura 4.1. Histograma de la demanda.97
Figura 4.2. Histograma de las devoluciones..97
Figura 4.3. Prueba de bondad y ajuste, prueba de normalidad en R...99
Figura 4.4. Histograma de la demanda..103
viii

RESUMEN

En la presente investigacin se revisan los modelos probabilsticos de inventarios partiendo
del anlisis marginal como la base terica de los modelos probabilsticos existentes. Se
generalizan los modelos probabilsticos a partir de familias de distribuciones conocidas
obteniendo resultados importantes y algoritmos de solucin que son fciles de aplicar para la
estimacin del lote econmico.
De forma introductoria se ilustra la solucin de ejemplos de inventarios con demanda
dinmica probabilstica e inventarios generados por cadenas de Markov.
Se desarrolla una metodologa para la estimacin del lote econmico ( q ) fundamentada
en la teora de la inferencia estadstica y se ilustra la solucin de inventarios de dos productos
de forma independiente.

Palabras clave
Estadstica, cadena, inventario, modelo y probabilidad.
ix

SUMMARY

In this research we review probabilistic inventory models based on the marginal analysis as
the theoretical basis of the existing probabilistic models.It generalizes the probabilistic models
from known distributions to obtain significant results and solution algorithms that are easy to
apply to estimate the efficient lot.

In an introductory we illustrate the solution of examples of probabilistic dynamic demand
inventories and inventories generated by Markov chains.

We develop a methodology for estimating the efficient lot ( q ) based on the theory of
statistical inference, and illustrate of inventories solution of two products independently.

Keywords
Statistics, chain, inventory, and probability model.
1
Introduccin

Un inventario constituye la cantidad de existencias de un bien o recurso cualesquiera, un
Sistema de Inventarios es el conjunto de polticas y controles que regulan los niveles de
inventario y determinan que niveles de inventario se deben mantener [Nahmias (2007)].
Por otra parte Ballou (2004) considera a los inventarios como acumulaciones de
materias primas, provisiones, componentes, trabajo en proceso, y productos terminados que
aparecen en numerosos puntos a lo largo del canal de produccin y de logstica en una
empresa.
El objetivo bsico de los inventarios es especificar cuando se deben ordenar los artculos
y cul debe ser el volumen de la orden [Winston(2004)].
Mantener un nivel de inventario genera costos que se deben de tener en cuenta cuando se
toma alguna decisin [Ballou (2004)]. A continuacin se mencionan:
1. Costos de ordenar o fabricar,
2. Costos de mantener o almacenar,
3. Costos de penalizacin por faltantes o demanda insatisfecha,
Otros costos relevantes:
4. Los ingresos,
5. Los costos de recuperacin o salvamento y
6. Las tasas de descuento.
Los inventarios en general tienen una demanda probabilstica. Luego, en esta
investigacin se generalizan los modelos probabilsticos ya existentes de inventarios de un
solo periodo que tienen como fundamento terico el anlisis marginal. Las funciones de
distribuciones que se generalizan partiendo de la teora son: la binomial, Poisson, geomtrica,
uniforme, normal, gamma, exponencial y la weibull.
Los resultados generalizados con las funciones de distribucin son tan importantes y
fciles de aplicar para la estimacin del lote econmico ( q ) que est en funcin del costo y el
punto de reorden ptimo.
Estos resultados son aplicables a ciertos inventarios probabilsticos que presenten una
tendencia o comportamiento de cualquiera de las distribuciones mencionadas anteriormente.
La aplicacin se lleva a cabo mediante la elaboracin de algoritmos de solucin, es decir,
2

pasos para resolver un problema de aplicacin; y el algoritmo se aplica de forma iterativa para
llegar a una solucin ptima.
Los inventarios probabilsticos se complementan con una introduccin a inventarios
dinmicos probabilsticos y los inventarios con procesos estocsticos, en particular con
cadenas de Markov que dan solucin a ciertos inventarios que presentan un comportamiento
discreto y que siguen cierto proceso, como por ejemplo el proceso Poisson.
Se propone una metodologa que da solucin a los inventarios que presentan una
tendencia de las distribuciones generalizadas. Esta metodologa se fundamenta en la teora de
la inferencia estadstica, por lo mismo que se requiere la determinacin de la distribucin, la
estimacin de los parmetros y pruebas de bondad de ajuste.
La metodologa propuesta se ilustra mediante la solucin de dos inventarios
probabilsticos de forma independiente siguiendo de forma detallada los pasos propuestos en
la metodologa y utilizando los datos que provienen de la demanda en una tienda de
conveniencia.
De esta forma el trabajo se desarrolla en cuatro captulos los cuales son los siguientes:
En el captulo uno se revisar las bases tericas de los modelos probabilsticos, iniciando
con el anlisis marginal, como fundamento terico para la creacin de los modelos de
inventarios probabilsticos.
En el captulo dos se desarrollarn los modelos probabilsticos de inventarios,
clasificndolos por el tipo de distribucin de su demanda, se vern inventarios con funciones
de distribucin conocidas.
En el captulo tres se hace una introduccin a modelos dinmicos probabilsticos
mediante la ilustracin de ejemplos y la teora de procesos estocsticos, en particular las
cadenas de Markov aplicadas a inventarios probabilsticos.
Finalmente en el capitulo cuatro se desarrolla una metodologa para la solucin de
problemas de inventario probabilstico para tiendas de conveniencia o a empresas similares, es
decir, que maneje este tipo de inventarios.

3

Planteamiento

La demanda siempre es incierta, es por ello que se desarrolla modelos probabilsticos para
mitigar esta incertidumbre y que conlleva a la de decisin adecuada u optima en la cantidad
del lote econmico a pedir.
La obtencin de los modelos probabilsticos de inventarios parte de la teora
fundamental que es el anlisis marginal. El anlisis marginal se fundamenta en la
minimizacin del costo total del lote econmico.
La generalizacin de los modelos probabilsticos de inventarios con funciones de
distribucin ms conocidas es muy importante, puesto que por medio de ellos se generan
resultados y algoritmos de solucin a ciertos inventarios probabilsticos. En este caso a
inventarios de tiendas de conveniencia.
De forma introductoria se ilustra ejemplos de inventario dinmicos probabilsticos y
procesos estocsticos.
Finalmente de se desarrolla una metodologa para la estimacin del lote econmico para
estos tipos de inventarios, misma que se ilustra con dos problemas, es decir, con dos productos
de una tienda de conveniencia.

4

0bjetivos

En el presente trabajo se siguen los siguientes objetivos:

Revisar las bases tericas de los modelos probabilsticos.
Construir modelos de inventarios probabilsticos con funciones de distribucin
desconocidas.
Construir modelos de inventarios probabilsticas con funciones de distribucin
conocidas.
Revisar la teora de modelos de inventarios estocsticos.
Desarrollar una metodologa para la aplicacin de los modelos de inventarios
probabilsticos.

5
Captulo 1

MODELOS DE INVENTARIOS PROBABILSTICOS

1.1 INTRODUCCIN
En los modelos deterministas de inventarios se requiere que se conozca con certeza la
demanda durante cualquier periodo, o que se pueda aplicar la aproximacin a los modelos que
cumplen con un coeficiente de variacin pequeo. Pero en general las demandas son de tipo
probabilstico y dependen de cierta distribucin, de esta forma el trabajo que se presenta
resume los modelos de inventarios probabilsticos ms usados, llevando en cada caso una
metodologa de pasos para poder generalizar a diferentes tipos de distribuciones.
Por su parte en este captulo se revisarn las bases de los modelos probabilsticos,
iniciando con el anlisis marginal, como fundamento terico para la creacin de los modelos
de inventarios probabilsticos. En los modelos probabilsticos de inventarios, se revisarn
inventarios de periodo nico en los que se termina un problema una vez que se ha hecho una
decisin nica de pedido.
El captulo finaliza resumiendo los modelos de inventarios en varios periodos, estos se
desarrollan bajo la teora para la estimacin de los valores crticos
* *
2
*
1
,..., ,
n
q q q que describen
la poltica ptima de inventario.
1.2 ANLISIS MARGINAL
Supngase que la variable aleatoria D, descrita en el modelo de periodo nico, es discreta de
valor entero, donde ) ( ) ( d p d D P = = . Sea el costo esperado ) (q E tal que

=
d
q d c d p q E ) , ( ) ( ) (
.
(1)
En la mayora de las aplicaciones prcticas ) (q E es una funcin convexa de q.

Modelos de Inventarios probabilsticos. 6
6

Fig. 1.1 Muestra el costo esperado y su valor mnimo.
Fuente: Elaboracin propia
Sea
*
q el valor de q que hace mnimo a ) (q E . Si ) (q E es una funcin convexa, note
que
*
q es el valor mnimo de q para el cual

0 ) ( ) 1 (
* *
> + q E q E .
(2)
Esta ecuacin representa el cambio de costo esperado cuando se aumenta en una unidad
el lote q.
El anlisis se realiza aumentando q, a partir de cero, en una unidad y observando el signo
de la diferencia que se mantendr negativa hasta llegar a
*
q , para que la diferencia se
convierta en positiva. Este mtodo para determinar a
*
q al calcular en forma repetida el valor
esperado al sumar una unidad marginal el valor de q, se denomina mtodo de anlisis
marginal. El mtodo es til cuando es fcil determinar una expresin sencilla para
) ( ) 1 ( q E q E + .
1.3 MODELO DE INVENTARIOS DE ARTCULOS PERECEDEROS O DEL VENDEDOR
DE PERIDICOS DEMANDA DISCRETA
Supngase que la empresa tiene la sucesin de eventos:
- La empresa decide cuntas unidades pedir o producir,
*
q .
- La demanda es estocstica, pero se conoce su distribucin de probabilidad ) (d p .
- Dependiendo de d y q, se incurre en el costo ) , ( q d c .
Los problemas que siguen la secuencia anterior se suelen llamar problemas del
vendedor de peridicos. Los cuales se caracterizan por la situacin de que el vendedor de
peridicos puede pedir una mayor cantidad de la que vender (perdiendo porque el peridico
sobrante se lo aceptan a un precio menor del que se lo vendieron, o en el caso de comprar
menos peridico gana menos de lo que pudo haber ganado, prdida de oportunidad).
*
q 1
*
q
1
*
+ q

) (q E
q
Captulo 1. 7
7
ANLISIS DEL MTODO
Empleando el anlisis marginal para el problema del vendedor de peridico cuando la
demanda es una variable aleatoria discreta y ) , ( q d c tiene la forma:

+ = q c q d c
0
) , ( (trminos sin q) ) ( q d s
+ = q c q d c
u
) , ( (trminos sin q) ) 1 ( + > q d
(3)
En donde,
0
c es el costo unitario de comprar o producir demasiado, sobreabastecimiento.
Por lo tanto,
0
c es el costo debido a tener una unidad de excedente, de tal manera que a
0
c se le
suele llamar costo de sobreabastecimiento. Similarmente
u
c es el costo unitario de tener
faltantes y se le llama costo de subabastecimiento.
Para encontrar
*
q que minimiza el costo esperado, esto es, el valor mnimo de q para el
que
0 ) ( ) 1 ( > + q E q E ,
se tiene lo siguiente:
| | | |( )
| |
| | { } 0 sin trminos ) (
sin trminos ) (
) ( 1 sin trminos ) ( sin trminos ) ( ) 1 (
0
0
0
> + s + =
+ s + =
s + + s + = +
q q c q D P c c
q q c q D qP c c
q D P q q c q D P q q c q E q E
u u
u u
u

Por lo tanto, resulta que ) (q E ser reducida al mnimo por el valor mnimo de q
(denotado
*
q ) que satisface | | 0 ) (
0
> s +
u u
c q D P c c . Es decir,

u
u
c c
c
q D P
+
> s
0
*
) ( o
u
c c
c
q D P
+
= >
0
0 *
) (
(4)
Adems, en promedio pedir 1 + q unidades costar
| | ) ( 1 ) (
0
q D P c q D P c
u
s s o | |
u u
c q D P c c s + ) (
0
,
ms las q unidades que se piden.
EJEMPLO 1
Supngase que en agosto se tiene que decidir cuntos calendarios encargar para vender a
principios del prximo ao. Cada calendario cuesta $4 y se vende a $9. Despus del primero
de enero cualquier calendario no vendido se remata en $2. Se estima la demanda a partir de la
distribucin, mostrada a continuacin
8
Demanda Probabilidad
100 0.30
150 0.20
200 0.30
250 0.15
300 0.05
Si se desea maximizar la ganancia neta esperada debido a ventas de calendarios. Cuntos
calendarios se deben pedir en agosto?
Solucin
Primeramente se determinarn los costos
0
c y
u
c , para esto se analizan los dos casos posibles:
- + = q c q d c
0
- + = q c q d c
u
) , ( (trminos sin q) ) 1 ( + > q d
En donde, q es el nmero de calendarios que se piden en agosto y d el nmero de calendarios
necesitados hasta el primero de enero.
De esta forma,
- Si q d s se incurre en los costos siguientes (la ganancia se denota por el signo
negativo): Compra de q calendarios a $4 cada uno ( q 4 ), venta de calendarios a
$9 cada uno ( d 9 ) y devolucin de d q calendarios ( ) ( 2 d q ). Obteniendo
un costo total de d q d q d q 7 2 ) ( 2 9 4 = . Luego, 2
0
= c .
- Si q d > se incurre en los costos siguientes (la ganancia se denota por el signo
negativo): Compra de q calendarios a $4 cada uno ( q 4 ) y venta de calendarios a
$9 cada uno ( q 9 ). Obteniendo un costo total de q q q 5 9 4 = . Luego, 5 =
u
c .
Finalmente el valor de
*
q , se obtiene de la distribucin de probabilidad del inventario
71 . 0
7
5
5 2
5
) (
0
*
= =
+
=
+
> s
u
u
c c
c
q D P .
As, de la tabla de probabilidades

Captulo 1. 9
9
Demanda Probabilidad Acumulada
100 0.30 0.30
150 0.20 0.50
200 0.30 0.80
250 0.15 0.95
300 0.05 1.00
De aqu se concluye que en agosto debe pedirse 200
*
= q calendarios.
En trminos del anlisis marginal, la probabilidad de vender el 200vo. calendario que se
pide es 50 . 0 ) 200 ( = > D P , lo cual significa que el 200vo. calendario vendido tiene
probabilidad 5 . 0 5 . 0 1 = de no ser vendido. De tal forma que el 200vo. calendario aumentar
los costos esperados en
| | 5 . 1 5 . 0 * 5 5 . 0 * 2 ) ( 1 ) (
0
= = s s q D P c q D P c
u
(ganancia)
Por lo tanto, se deber pedir el 200vo. calendario.
Similarmente, la probabilidad de vender el 201vo. calendario que se pide es
20 . 0 ) 201 ( = > D P , lo cual significa que el 201vo. calendario vendido tiene probabilidad
8 . 0 2 . 0 1 = de no ser vendido. De tal forma que el 201vo. calendario aumentar los costos
esperados en
| | 6 . 0 2 . 0 * 5 8 . 0 * 2 ) ( 1 ) (
0
u
(prdida).
Por lo tanto, no se deber pedir el 201vo. calendario.
Costo total
>
s
=
>
s
=
200 , 1000
200 , 7 400
, 5
, 7 2
d
d d
q d q
q d d q

EJEMPLO 2
Supngase que la energa en la estacin de Len se suministra mediante celdas solares. Una
vez al ao vuela un avin y les vende celdas a $200 cada una. Se estima la demanda a partir
de la distribucin de probabilidad mostrada en la tabla de abajo. Debido a la incertidumbre de
las necesidades futuras, en la planta slo se puede adivinar el nmero de celdas que se
necesitarn durante el ao venidero. Si se acaban las celdas, se debe hacer un pedido especial
pagando $300 por cada una.
a) Suponiendo que es relevante en este caso el problema del vendedor de peridicos,
cuntas celdas debe pedir al avin?
b) En el inciso (a), cul costo se est ignorando?

10
Demanda celdas Probabilidad
50 0.20
60 0.15
70 0.30
80 0.10
90 0.15
100 0.10
Solucin
0
c y
u
- + = q c q d c
0
- + = q c q d c
u
) , ( (trminos sin q) ) 1 ( + > q d
En donde, q es el nmero de celdas que se piden cuando el avin vuela y d el nmero de
celdas necesitadas durante el ao. De esta forma,
negativo): Compra de q celdas a $200 cada una ( q 200 ), utilizacin de celdas
$200 cada una ( d 200 ) y no se usan las celdas d q no se tienen costo.
Obteniendo un costo total de d q 200 200 . Luego, 200
0
= c .
negativo): Compra de q celdas a $200 cada una ( q 200 ) y cuando la demanda
rebase la cantidad pedida a $300 cada una ( ) ( 300 q d ). Obteniendo un costo
total de d q q d q 300 100 ) ( 300 200 + = + . Luego, 100 =
u
c .
*
q , se obtiene de la distribucin de probabilidad del inventario
33 . 0
100 200
100
) (
0
*
=
+
=
+
> s
u
u
c c
c
q D P .
As, de la tabla de probabilidades se tiene que 60
*
= q celdas.
El costo total
| | 5 65 . 0 * 100 35 . 0 * 200 ) ( 1 ) (
0
u
.
Captulo 1. 11
11
1.4 MODELO DE INVENTARIOS DE ARTCULOS PERECEDEROS O DEL VENDEDOR
DE PERIDICOS DEMANDA CONTINUA
Se revisar el modelo de inventarios del vendedor de peridicos pero con demanda D variable
aleatoria continua y funcin de densidad ) (d f . De forma similar que en el caso discreto, se
obtiene una expresin con la que se puede calcular el valor ptimo de
*
q , pero a diferencia
del caso discreto en el continuo se obtiene mediante una igualdad. Es decir, ) (q E ser
reducido al mnimo por el valor mnimo de q (denotado
*
q ) que satisface a (4)
u
u
c c
c
q D P
+
= s
0
*
) ( o
u
c c
c
q D P
+
= >
0
0 *
) ( .
De tal forma que lo ptimo es pedir unidades hasta el punto en el que la ltima que se
pida tenga una probabilidad
u
c c
c
q D P
+
= >
0
0 *
) ( de venderse.
EJEMPLO 3
Suponga que la asociacin de Ingeniera Industrial efecta un congreso anual y el ao prximo
ser en Baja California Sur. Para tal efecto seis meses antes de la fecha sealada para su inicio
es necesario reservar las habitaciones en el hotel sede. En este momento se puede hacer la
reservacin pagando $500 por cada habitacin, pero no se sabe con certeza cunta gente
asistir. Sin embargo, se estima que el nmero de habitaciones necesarias sigue una
distribucin normal con una media de 500 y una desviacin de 200. Si el nmero necesario de
habitaciones es mayor que el reservado se tendrn que alquilar habitaciones en hoteles
cercanos a un costo de $800. Para los participantes ser incmodo alojarse en otros hoteles y
la distancia aumenta el costo en $100, Cuntas habitaciones se recomienda reservar?
Solucin
0
c y
u
- + = q c q d c
0
- + = q c q d c
u
) , ( (trminos sin q) ) ( q d >
Se tiene la densidad de la demanda dada para el nmero de habitaciones, de donde, q es
el nmero de reservaciones que se piden seis meses antes y d el nmero de habitaciones
necesitados hasta el primero de enero.
De esta forma,
12
- Si q d s , entonces el costo en que se incurre es el costo de las habitaciones
reservadas con anterioridad y por lo tanto, el costo total es de q 500 . Luego,
500
0
= c .
- Si q d > se incurre en los siguientes costos (la ganancia se denota por el signo
negativo): Costos de reservacin de q habitaciones a $500 cada una ( q 500 ),
costos de renta q d habitaciones en hoteles vecinos $800 cada uno
( ) ( 800 q d ) y finalmente costos de incomodidad a los participantes adicionales
$100 cada uno ( ) ( 100 q d ). Obteniendo un costo total de
d q q d q d q 900 400 ) ( 100 ) ( 800 500 + = + + .
Luego, 400 =
u
c .
*
q , se obtiene de la distribucin de probabilidad del inventario,
tal que
444 . 0
400 500
400
) (
0
*
=
+
=
+
= s
u
u
c c
c
q D P .
En donde, ) 200 , 500 ( ~
2
N D si estandarizamos
444 . 0
200
500
*
=
|
|
.
|
\
|
s
q
Z P .
Con el uso de tablas de la distribucin normal 14 . 0
200
500
*
=
q
, despejando
*
q se
tiene
472
*
= q reservaciones.
EJEMPLO 4
El precio de un boleto de avin es de $2,000. Cada aeronave tiene capacidad para transportar
hasta 100 pasajeros. Por experiencias se sabe que algunos de los pasajeros que ya han
comprado el boleto no se presentan (faltan). Por esta razn la aerolnea intenta vender ms de
100 boletos para cada vuelo. Pero la ley establece que cualquier pasajero con boleto que no
puede abordar el avin debe recibir una compensacin de $1,000. Los datos indican que el
nmero de faltas puede estimarse a partir de una distribucin normal con media 20 y
desviacin estndar 5. Para maximizar los ingresos esperados menos costos de
compensaciones. Cuntos boletos es aconsejable vender? A quin no use boleto se le
reembolsa $1,750?
Captulo 1. 13
13
Solucin
0
c y
u
- + = q c q d c
0
- + = q c q d c
u
) , ( (trminos sin q) ) ( q d >
Debido a que se da la distribucin del nmero de faltantes, se tiene, q el nmero de
boletos vendidos por la aerolnea y d el nmero de faltas.
De esta forma, d q es el nmero de clientes que se presentan realmente en el vuelo.
- Si 100 > d q (o 100 = ' s q q d ), entonces abordarn 100 pasajeros el avin,
pagando 000 , 200 ) 100 ( 2000 = a la aerolnea, y no se recibirn d q ' clientes.
Los cuales recibirn una compensacin de ) ( 1000 d q ' . Por lo tanto, si d q > ' el
costo total para la aerolnea ser de
200000 750 1000 1750 200000 ) ( 1000 + ' = + ' d q d d q .
Luego, 1000
0
= c .
- Si 100 s d q (o 100 = ' > q q d ), entonces todos los pasajeros que se
presenten abordarn el avin y el costo para la aerolnea ser
d q 1750 200000 2000 + ' . Luego, 2000 =
u
c .
*
q , se obtiene de la distribucin de probabilidad del inventario,
tal que
667 . 0
2000 1000
2000
) (
0
*
=
+
=
+
= ' s
u
u
c c
c
q D P .
En donde, ) 5 , 20 ( ~
2
N D estandarizando
667 . 0
5
20
*
=
|
|
.
|
\
| '
s
q
Z P .
Con el uso de tablas de la distribucin normal 43 . 0
5
20
*
=
' q
, despejando
*
q se tiene
100 15 . 22
* *
= = ' q q .
Se concluye que la aerolnea debe vender hasta 122 o 123 boletos y no ms.
14
1.5 MODELO ESTOCSTICO DE REVISIN CONTINA
Estos modelos se caracterizan por lo siguiente:
- La demanda no se conoce con certeza, se estima una distribucin de probabilidad que
describe su comportamiento.
- El tiempo de entrega L es distinto de cero.
- Los mayores problemas se presentan durante el tiempo de entrega, por lo que se trabaja
con la distribucin de probabilidad que describe la demanda durante el tiempo de
entrega ) (u f
L
.
Por otro lado, la probabilidad de que la demanda durante el tiempo de entrega L est
entre a y b es
}
b
a
L
du u f ) (
y la probabilidad de que la demanda durante el tiempo de entrega no
exceda a la cantidad es la distribucin acumulada
}
=

0
) ( ) ( du u f F
L L
, para 0 > u , estas
distribuciones de probabilidad se suponen independientes del tiempo en el que se ordena y el
nivel de inventario. La demanda promedio por unidad de tiempo d , entonces la demanda
promedio durante el tiempo de entrega es
}
= =
0
) ( du u uf dL d
L
. Si s es el punto de reorden,
entonces el nivel de inventario cuando se recibe la orden es de L d s , tomando en cuenta la
aleatoriedad de la demanda el nivel esperado de inventario al recibir la orden es de:
}
=
s
L
du u f u s s y
0
) ( ) ( ) (

(5)
}
=
s
L d
du u f s u s y ) ( ) ( ) (
(dficit)
(6)

) ( ) (
) ( ) ( ) ( ) ( ) ( ) ( ) ( ) (
0 0 0 0
s y s y
du u f u s du u f u s du u f u s du u uf du u f s L d s
d
s
L
s
L L L L
=
+ = = =
} } } } }

Por lo tanto, resulta
) ( ) ( s y L d s s y
d
+ = . (7)
Si se usa la poltica de inventario que consiste en llevar el inventario hasta s cada vez que
se presenta una demanda. El valor de s que minimiza el costo de inventario, sin reconocer el
costo por ordenar, se obtiene a partir de:
Captulo 1. 15
15
} }

+ = + =
s
L
s
L d
du u f s u
q
d
p du u f u s h
q
d
s y p s y h s CT ) ( ) ( ) ( ) ( ) ( ) ( ) (
0

Para obtener un mnimo, se deriva el costo total
| |
q
d
p du u f
q
d
p h
du u f
q
d
p du u f h
du u f
q
d
p du u f h
du u f
q
d
p s f s s
q
d
p du u f h s f s s h
du u f s u
q
d
p du u f u s h
ds
d
ds
s CT d
s
L
s
L
s
L
s
L
s
L
s
L L
s
L L
s
L
s
L
(
(
+ =
(
(
=
=
+ =
(
(
+ =
}
} }
} }
} }
} }
0
0 0
0
0
0
) (
) ( 1 ) (
) ( ) (
) ( ) ( ) ( ) ( ) ( ) (
) ( ) ( ) ( ) (
) (

Se iguala a cero la primera derivada y se obtiene

q
d
p h
q
d
p
du u f s F
s
L L
+
= =
}
0
) ( ) ( .
(8)
EJEMPLO 5
Las rdenes para un artculo se reciben despus de una semana que se solicitaron. La
demanda durante el tiempo de entrega es ) 3 , 8 (
2
N . El tamao promedio de la orden es de una
unidad. El costo por inventario es de $10 por unidad por semana, el costo por dficit es de
$100 por unidad demanda no satisfecha. Encontrar el tamao adecuado de s.
Solucin
Datos del problema
1 = L semana, tiempo en recibir el inventario
10 = h costo por inventario por unidad
100 = p costo por dficit por unidad
8 = d demanda media
1 = q tamao de la orden
Sustituyendo los valores en
16
9877 . 0
810
800
1
8
100 10
1
8
100
) ( = =
|
.
|
\
|
+
|
.
|
\
|
=
+
=
q
d
p h
q
d
p
s F
L

Estandarizando la demanda
9877 . 0
3
8
) ( = |
.
|
\
|
s =
s
Z P s F
L

De tablas porcentuales de la distribucin normal
25 . 2
3
8
=
s
.
Despejando el punto de reorden
15 75 . 14 ~ = s artculos.
1.6 MODELO DE VENTAS PENDIENTES O COSTO DE ORDENAR SIGNIFICATIVOS
Si el costo por ordenar K es significativo se usa la poltica ) , ( q s , esto es, se pide una orden de
tamao q, cada vez que el nivel de inventario es s. Cuando la demanda no se satisface se
convierten en ventas pendientes, el nivel de inventario, ) , ( s q y , depende de q y s, y se estima
a partir del inventario residual ) (s y ms la mitad de la cantidad promedio aadida al almacn
cuando se recibe la orden ) (s y q
d
, esto es
| | ) (
2
1
) ( ) , ( s y q s y s q y
d
+ = .
(9)
De las expresiones anteriores

) ( ) ( s y L d s s y
d
+ = o L d s s y s y
d
+ = ) ( ) (
(10)
Luego,
| | ( ) | |
2 2 2 2
) (
) (
2
1
) ( ) (
2
1
) ( ) , (
L d s q s y
L d s s y q s y s y q s y s q y
d
+ + = + + = + =
El costo total
Captulo 1. 17
17
{ }
2 2
) (
2 2
) (
) (
2 2
) (
2 2
) (
2 2 2 2
) (
) ( ) , ( ) , (
2
L d h hs
s y
h q
h
q
L d p d ps s y d p d K
L d
q
d
p
q
d
ps s y
q
d
p
L d h hs
s y
h q
h
q
d
K
L d s s y
q
d
p
L d s q s y
h
q
d
K
s y
q
d
p s q y h
q
d
K s q CT
d
+ + +
+ +
=
+ + + + + =
+ +
+ + + =
+ + =

Derivando parcialmente con respecto a q y s, e igualando a cero se obtiene el sistema de
ecuaciones
2
) (
) , (
2
2
h
q
L d p d ps s y d p d K
s q CT
q
+
+ +
=
c
c

Igualando a cero y factorizando d p se obtiene L d s s y s y
d
+ = ) ( ) (
( )
0
2
) (
2
= +
+ +
h
q
L d s s y d p d K

Sustituyendo L d s s y s y
d
+ = ) ( ) ( , resulta
0
2
) (
2
= +
+
h
q
s y d p d K
d

Despejando a q

| |
h
s y p K d
q
d
) ( 2 +
= .
(11)
Similarmente para s, se deriva el costo total parcialmente con respecto a s
2
) (
2
) (
) , (
h
s y
s
h
q
d p s y
s
d p
s q CT
s
+
c
c
+
c
c
=
c
c
.
Igualando a cero y resolviendo con respecto a la derivada parcial
18
0
2
) (
2
0
2
) (
2
) (
= +
c
c
|
|
.
|
\
|
+
= +
c
c
+
c
c
q
d p h
s y
s q
d p h
h
s y
s
h
q
d p s y
s
d p

2
2
) (
h
q
d p
h
q
d p
s y
s
+
=
c
c

Por otro lado, se vio que
}
=
s
L
du u f u s s y
0
) ( ) ( ) (
, luego
) ( ) ( ) ( ) 0 1 ( ) ( ) ( ) ( ) ( ) (
0 0 0
s F du u f du u f s f s s du u f u s
s
s y
s
L
s
L
s
L L
s
L
= = + =
c
c
=
c
c
} } }

Obteniendo finalmente, al sustituir ) ( ) ( s F s y
s
L
=
c
c
, en la penltima expresin

2
2
) (
h
q
d p
h
q
d p
s F
L
+
= . (12)
Algoritmo de solucin
Paso 1. Suponer 0 ) ( = s y
d
y encontrar el valor de q con (11),
| |
h
s y p K d
q
d
) ( 2 +
= .
Paso 2. Con el valor ms reciente de q encontrar s, empleando la expresin (12), con su
distribucin correspondiente.
Paso 3. Con el ltimo valor de s encontrar ) (s y
d
empleando (6),
}
=
s
L d
du u f s u s y ) ( ) ( ) (

con su distribucin correspondiente.

Captulo 1. 19
19
NOTA
- En el caso de la distribucin normal estndar se tienen tablas, llamadas prdida
de la normal unitaria (ver anexo A), denotada por ) ( I e igual a
) (
2
exp
2
1
) ( ) (
2
d
y du
u
u I =
)
`
=
}
.
- En el caso de la distribucin normal no estndar, primeramente se estandariza
}
)
`

=
s
d
du
u
s u s y
2
2
2
) (
exp
2
1
) ( ) (
o
t o

con el cambio
o

=
u
z , se estandariza, resultando
|
|
.
|
\
|
=
)
`
|
|
.
|
\
|
=
}
L
L
L
s
L
L
L
d
s
I du
z s
z s y
L
L
o
o
t o
o
2
exp
2
1
) ( .
Paso 4. Con el ltimo valor de s y ) (s y
d
, y empleando (11), regresar al paso 1 y calcular q.
Repetir hasta que dos valores sucesivos de q estn suficientemente cercanos de
modo que una iteracin ms no proporcione una mejora apreciable.
EJEMPLO 6
Las rdenes para un artculo se reciben despus de una semana que se solicitaron. La
demanda durante el tiempo de entrega es ) 3 , 8 ( ~
2
N d
L
. El tamao promedio de la orden es
de una unidad. El costo por inventario es de $10 por unidad por semana, el costo por dficit es
de $100 por unidad demandada no satisfecha. Agrguese un costo por ordenar de $8.
Encontrar el tamao adecuado de s.
Solucin
Datos del problema
1 = L semana, tiempo en recibir el inventario, 8 ) 3 , 8 ( ~
2
= = d N Ld d
L

8 = d demanda media
8 = K costo por ordenar
20
d
y encontrar el valor de q correspondiente.
| |
57 . 3
10
) 8 )( 8 ( 2
10
)) 100 ( 0 8 )( 8 ( 2 ) ( 2
= =
+
=
+
=
h
s y p K d
q
d
.
Paso 2. Con el valor ms reciente de q se encuentra s.
95634 . 0
2
10
57 . 3
) 8 ( 100
2
10
57 . 3
) 8 ( 100
2
2
) ( =
+
=
+
=
h
q
d p
h
q
d p
s F
L
.
Con las tablas porcentuales de la distribucin normal, despus de estandarizar
( )
956 . 0
3
8
956 . 0
=
|
.
|
\
|
s
= s
s
Z P
s D P

Resulta 71 . 1
3
8
=
s
, de donde 13 . 13 = s .
Paso 3. Con el ltimo valor de s encontrar
}
=
s
L d
du u f s u s y ) ( ) ( ) (
con su distribucin
correspondiente.
|
.
|
\
|
=
)
`

=
}
o
o
t o
s
I du
u
s u s y
s
d
2
2
2
) (
exp
2
1
) ( ) ( .
Luego, el valor de ) 13 . 13 ( ) (
d d
y s y = se encuentra del punto 2 de la nota anterior y las tablas
de las integrales de prdida normales
( ) 0534 . 0 ) 0178 . 0 ( 3 71 . 1 3
3
8 13 . 13
3 ) 13 . 13 ( = = = |
.
|
\
|
= I I y
d

Paso 4. Con 0534 . 0 ) 13 . 13 ( =
d
y se encuentra el correspondiente valor de q.
| |
62 . 4
10
) 34 . 13 )( 8 ( 2
10
)) 0534 . 0 ( 100 8 )( 8 ( 2 ) ( 2
= =
+
=
+
=
h
s y p K d
q
d

Captulo 1. 21
21
944 . 0
2
10
62 . 4
) 8 ( 100
2
10
62 . 4
) 8 ( 100
2
2
) ( =
+
=
+
=
h
q
d p
h
q
d p
s F
L
.
Con las tablas porcentuales de la distribucin normal, y despus de estandarizar resulta
589 . 1
3
8
=
s
, de donde 767 . 12 = s .
d
, empleando la expresin (6)
( ) 59 . 1 3
3
8 767 . 12
3 ) 767 . 12 ( I I y
d
= |
.
|
\
|
= .
d d
( ) 0714 . 0 ) 0238 . 0 ( 3 59 . 1 3
3
8 767 . 12
3 ) 767 . 12 ( = = = |
.
|
\
|
= I I y
d

Paso 7. Con 0714 . 0 ) 767 . 12 ( =
d
y y encontrar el valor de q correspondiente.
| |
92 . 4
10
) 14 . 15 )( 8 ( 2
10
)) 0714 . 0 ( 100 8 )( 8 ( 2 ) ( 2
= =
+
=
+
=
h
s y p K d
q
d

94 . 0
2
10
92 . 4
) 8 ( 100
2
10
92 . 4
) 8 ( 100
2
2
) ( =
+
=
+
=
h
q
d p
h
q
d p
s F
L
.
Con las tablas porcentuales de la distribucin normal, despus de estandarizar, resulta
555 . 1
3
8
=
s
, de donde 665 . 12 = s .
Paso 9. Con el ltimo valor de s encontrar su correspondiente q, empleando la expresin (6)
( ) 555 . 1 3
3
8 665 . 12
3 ) 665 . 12 ( I I y
d
= |
.
|
\
|
= .
d d
22
( ) ( ) 0765 . 0 ) 0255 . 0 ( 3 56 . 1 3 56 . 1 3 ) 767 . 12 ( = = = = I I y
d
.
Paso 10. Con 0765 . 0 ) 767 . 12 ( =
d
y se encuentra el valor correspondiente de q
| |
00 . 5
10
) 65 . 15 )( 8 ( 2
10
)) 0765 . 0 ( 100 8 )( 8 ( 2 ) ( 2
= =
+
=
+
=
h
s y p K d
q
d

Este es el valor de 5 = q ya que vara muy poco con respecto al anterior.
1.7 MODELO CON VENTAS PRDIDAS
En este caso el nivel esperado de existencias se estima mediante

2
) ( ) , (
q
s y s q y + =
(13)
Por consiguiente, el costo total se calcula con

q
d
s y c r p s q y h
q
d
K s q CT
d
) ( ) ( ) , ( ) , ( + + + =
(14)
donde el costo por dficit ) ( c r p + incluye la ganancia prdida, r precio de venta y c su
costo.
Se obtendr el lote econmico q y la probabilidad de tener un nivel de inventario s.
Derivando se obtiene:
+ ' + =
c
c
' + + ' =
c
c
2 2
) ( ) ( ) , ( ) , (
) ( ) ( ) , ( ) , (
q
d
s y c r p s q y h
q
d
K s q CT
q
q
d
s y c r p s q y h s q CT
s
d q
d s

Pero de (13),
' = '
= '
) ( ) , (
2
1
) , (
s y s q y
s q y
s s
q

Sustituyendo en la expresin anterior e igualando a cero
= + +
= ' + + '
0 ) ( ) (
2
0 ) ( ) ( ) (
2 2
q
d
s y c r p
h
q
d
K
q
d
s y c r p s y h
d
d s

Captulo 1. 23
23
En la segunda ecuacin se despeja a q, para esto se multiplica por
2
q
0 ) ( ) (
2
2
= + + d s y c r p q
h
d K
d
.
Luego,
| |d s y c r p K q
h
d
) ( ) (
2
2
+ + = .
Finalmente el lote econmico, se calcular como:

| |
h
d s y c r p K
q
d
) ( ) ( 2 + +
= (15)

Ahora se calcula la probabilidad del nivel de inventario s. En la ecuacin
0 ) ( ) ( ) ( = ' + + '
q
d
s y c r p s y h
d s
,
se despeja a q. Se sustituye ) ( ) ( s F s y
s
L
=
c
c
,
0 ) ( ) ( ) ( = ' + +
q
d
s y c r p s hF
d L

Por otro lado, se tena
}
)
`

=
s
d
du
u
s u s y
2
2
2
) (
exp
2
1
) ( ) (
o
t o

Derivando con respecto a s,
| | ) ( 1
2
) (
exp
2
1
2
) (
exp
2
1
) 1 0 (
2
) (
exp
2
1
) ( ) (
2
2
2
2
2
2
s F du
u
du
u u
s s s y
ds
d
L
s
s
d
=
)
`

=
)
`

+
)
`

=
}
}
t o
o
t o o
t o

De tal forma que
24
| |
0 ) ( ) ( ) (
0 ) ( 1 ) ( ) (
= +
(
(
+ +
= +
q
d
c r p s F h
q
d
c r p
q
d
s F c r p s hF
L
L L

Finalmente, la probabilidad de un nivel de inventarios s

h
q
d
c r p
q
d
c r p
s F
L
+ +
+
=
) (
) (
) ( .
(16)
As, la solucin al modelo con ventas prdidas est dada por (15) y (16)
EJEMPLO 7
Resolver el ejemplo anterior en el que 1000 = r y 630 = c . Las rdenes para un artculo se
reciben despus de una semana que se solicitaron. La demanda durante el tiempo de entrega
es ) 3 , 8 (
2
N . El tamao promedio de la orden es de una unidad. El costo por inventario es de
$10 por unidad por semana, el costo por dficit es de $100 por unidad demandada no
satisfecha. Agrguese un costo por ordenar de $8. Encontrar el tamao adecuado de s.
Solucin
Datos del problema
8 = d demanda media
1000 = r precio de venta y
630 = c costo por unidad.
d
| |
58 . 3
10
) 8 )( 8 ( 2
10
) 0 ) 630 1000 100 ( 8 )( 8 ( 2 ) ( ) ( 2
= =
+ +
=
+ +
=
h
s y c r p K d
q
d

Captulo 1. 25
25
997 . 0
10
1
8
) 630 1000 100 (
1
8
) 630 1000 100 (
) (
) (
) ( =
+ +
+
=
+ +
+
=
h
q
d
c r p
q
d
c r p
s F
L
.
( )
997 . 0
3
8
997 . 0
= |
.
|
\
|
s
= s
s
Z P
s D P

Resulta 75 . 2
3
8
=
s
, de donde 25 . 16 = s .
}
=
s
L d
du u f s u s y ) ( ) ( ) (
.
|
.
|
\
|
=
)
`

=
}
o
o
t o
s
I du
u
s u s y
s
d
2
2
2
) (
exp
2
1
) ( ) ( .
d d
y s y = se encuentra de las tablas de integrales de prdida
normales
( ) 0027 . 0 ) 0009 . 0 ( 3 75 . 2 3
3
8 25 . 16
3 ) 25 . 16 ( = = = |
.
|
\
|
= I I y
d

Paso 4. Con 0027 . 0 ) 25 . 16 ( =
d
| |
85 . 3
10
) 0027 . 0 ) 630 1000 100 ( 8 )( 8 ( 2 ) ( ) ( 2
=
+ +
=
+ +
=
h
s y c r p K d
q
d
.
9899 . 0
10
85 . 3
8
) 630 1000 100 (
85 . 3
8
) 630 1000 100 (
) (
) (
) ( =
+ +
+
=
+ +
+
=
h
q
d
c r p
q
d
c r p
s F
L
.
26
( )
9899 . 0
3
8
9899 . 0
= |
.
|
\
|
s
= s
s
Z P
s D P

Resulta 323 . 2
3
8
=
s
, de donde 969 . 14 = s .
}
=
s
L d
du u f s u s y ) ( ) ( ) (
. Luego, el valor de
( ) 969 . 14 ) (
d d
y s y = se encuentra de las tablas de integrales de prdida normales
( ) 0105 . 0 ) 0035 . 0 ( 3 323 . 2 3 ) 969 . 14 ( = = = I y
d
.
Paso 7. Con 0105 . 0 ) 969 . 14 ( =
d
| |
5493 . 4
10
) 0105 . 0 ) 630 1000 100 ( 8 )( 8 ( 2 ) ( ) ( 2
=
+ +
=
+ +
=
h
s y c r p K d
q
d
.
9880 . 0
10
55 . 4
8
) 630 1000 100 (
55 . 4
8
) 630 1000 100 (
) (
) (
) ( =
+ +
+
=
+ +
+
=
h
q
d
c r p
q
d
c r p
s F
L
.
( )
988 . 0
3
8
988 . 0
= |
.
|
\
|
s
= s
s
Z P
s D P

Resulta 26 . 2
3
8
=
s
, de donde 78 . 14 = s .
}
=
s
L d
du u f s u s y ) ( ) ( ) (
. Luego, el valor de
) 78 . 14 ( ) (
d d
y s y = se encuentra de las tablas de integrales de prdida normales
( ) 0123 . 0 ) 0041 . 0 ( 3 26 . 2 3 ) 78 . 14 ( = = = I y
d
.
Paso 10. Con 0123 . 0 ) 78 . 14 ( =
d
Captulo 1. 27
27
| |
70 . 4
10
) 0123 . 0 ) 630 1000 100 ( 8 )( 8 ( 2 ) ( ) ( 2
=
+ +
=
+ +
=
h
s y c r p K d
q
d
.
As, como el valor de q ya no cambia significativamente, se tiene 5
*
~ q artculos.
1.8 MODELO ESTOCSTICO CON DFICIT CONVERTIDO EN COMBINACIN DE
VENTAS PENDIENTES Y PRDIDAS
En la prctica, es frecuente que una fraccin o de los clientes, que aparecen cuando se ha
agotado la existencia, acepte esperar a que se surta su pedido y el resto o 1 de estos clientes
prefieren buscar la satisfaccin de la demanda con otro proveedor.
Usando, en este caso, el mismo razonamiento que en los anteriores se obtiene que los
parmetros correspondientes al costo mnimo sean:

( ) { }
h
d s y c r p K
q
d
) ( ) )( 1 ( 2 + +
=
o

| |
| | o o
o o
2
) )( 1 (
2
) )( 1 (
) (
h
h
q
d
c r p
h
q
d
c r p
s F
L
+ +
+
= .
(17)
El algoritmo de solucin es el mismo que de los casos que se estn combinando
EJEMPLO 8
Las rdenes de un artculo se reciben una semana despus de que son puestas. ) 3 , 8 (
2
N D
L
= ,
8 $ = K , 1 $ = h por semana, 10 $ = p , 70 $ = r , 63 $ = c , % 80 = o
Solucin
Datos del problema
8 = d demanda media
28
80 . 0 = o fraccin de clientes que estn dispuestos a esperar a que se surta el material.
d
( ) { } ( ) { }
2 8
1
) 0 ( ) 63 70 )( 80 . 0 1 ( 10 8 ) 8 ( 2 ) ( ) )( 1 ( 2
=
+ +
=
+ +
=
h
s y c r p K d
q
d
o
.
| |
| |
8845 . 0
) 80 . 0 (
2
1
1
2 8
8
) 63 70 )( 80 . 0 1 ( 10
) 80 . 0 (
2
1
2 8
8
) 63 70 )( 80 . 0 1 ( 10
) ( =
+ +
+
= s F
L
.
( )
8845 . 0
3
8
8845 . 0
= |
.
|
\
|
s
= s
s
Z P
s D P

Resulta 198 . 1
3
8
=
s
, de donde 594 . 11 = s .
}
=
s
L d
du u f s u s y ) ( ) ( ) (
.
|
.
|
\
|
=
)
`

=
}
o
o
t o
s
I du
u
s u s y
s
d
2
2
2
) (
exp
2
1
) ( ) ( .
d d
y s y = se encuentra de las tablas de integrales de prdida
normales
( ) 1683 . 0 ) 05610 . 0 ( 3 198 . 1 3 ) 594 . 11 ( = = = I y
d
.
Paso 4. Con 1683 . 0 ) 594 . 11 ( =
d
( ) { } ( ) { }
60 . 12
1
) 1683 . 0 ( ) 63 70 )( 80 . 0 1 ( 10 8 ) 8 ( 2 ) ( ) )( 1 ( 2
=
+ +
=
+ +
=
h
s y c r p K d
q
d
o
.
Captulo 1. 29
29
| |
| |
872 . 0
) 80 . 0 (
2
1
1
60 . 12
8
) 63 70 )( 80 . 0 1 ( 10
) 80 . 0 (
2
1
60 . 12
8
) 63 70 )( 80 . 0 1 ( 10
) ( =
+ +
+
= s F
L
.
872 . 0
3
8
= |
.
|
\
|
s
s
Z P
Resulta 136 . 1
3
8
=
s
, de donde 408 . 11 = s .
}
=
s
L d
du u f s u s y ) ( ) ( ) (
.
( ) 19 . 0 ) 14 . 1 ( 3 136 . 1 3 ) 41 . 11 ( = = = I I y
d
.
Paso 7. Con 19 . 0 ) 41 . 11 ( =
d
( ) { }
( ) { } 75 . 12 ) 19 . 0 ( 4 . 11 8 16
) ( ) )( 1 ( 2
= + =
+ +
=
h
s y c r p K d
q
d
o
.
As, como el valor de q ya no cambia significativamente, se tiene 13
*
~ q artculos.
1.9 CANTIDAD ECONMICA DE PEDIDO CON DEMANDA INCIERTA: MTODO DE
NIVEL DE SERVICIO PARA DETERMINAR EL NIVEL DE LA RESERVA DE
SEGURIDAD
En la prctica, generalmente resulta que es difcil determinar con exactitud el costo de acrecer
de una unidad (costo de oportunidad). Por tal motivo, los gerentes frecuentemente deciden
controlar la escasez al cumplir con un nivel de servicio especificado. Por tal razn resulta tener
una importancia relativa la medicin del nivel de servicio especificado. Sean dos medidas:
Medida 1 del nivel de servicio 1 SLM . Fraccin esperada (expresada
generalmente como porcentaje) de toda la demanda que se satisface a tiempo.
= 1 SLM .el porcentaje de demanda que se satisface oportunamente.
Medida 2 del nivel de servicio 2 SLM . Nmero esperado de ciclos por ao
durante el cual hay escasez.
= 2 SLM nmero esperado de ciclos por ao con dficit.
En esta parte se supondr que la escasez se acumula.
30
EJEMPLO 9
Considrese un sistema de inventario en el que la demanda anual promedio es de 1000
artculos, la cantidad econmica de pedido es 100. La demanda durante el tiempo de entrega
es aleatoria y se describe mediante la distribucin de probabilidad discreta uniforme para las
demandas 20, 30, 40, 50 y 60. Para un punto de reorden de 30 unidades, determine 1 SLM y
2 SLM .
Solucin
100
*
= = q EOQ artculos
30 = r punto de reorden
1000 = D demanda anual de artculos
Demanda esperada en un tiempo de entrega L es
40 ) 60 50 40 30 20 (
5
1
= + + + + =
L
d .
Como el punto de reorden es 30, el tamao del dficit es 0, 0, 10, 20 y 30,
respectivamente para cada una de las demandas. De tal forma que el nmero esperado por
faltantes por ciclo est dado por:
12 )) 30 60 ( ) 30 50 ( ) 30 40 ( 0 0 (
5
1
= + + + + .
Por otro lado, el nmero promedio de pedidos es
10
100
1000 ) (
= =
q
D E
.
Luego, el nmero promedio de carencias que se presentan durante un ao, est dado por:
Nmero promedio de pedidos nmero esperado de faltantes por ciclo
120 12 * 10 = carencias durante el ao.
De tal modo que la demanda satisfecha oportunamente es de 880 120 1000 = .
Finalmente,
% 88 88 . 0
1000
880
1 = = = SLM .
Con esto se puede apreciar que an si el punto de reorden es menor que la demanda
promedio durante el tiempo de entrega, se puede tener un 1 SLM relativamente alto, porque
las carencias slo se pueden presentar durante el tiempo de entrega, que con frecuencia es una
parte pequea de cada ciclo.
Se puede establecer la frmula para el 1 SLM
Captulo 1. 31
31

q
y
q
y E
D E
q D E y E D E
SLM
d d d
= =
= 1
) (
1
) (
) ( ) ( ) (
1
(18)
As, se tiene por frmula
88 . 0
100
12
1
) (
1 1 = = =
q
y E
SLM
d

Ahora se calcula el 2 SLM para un punto de reorden de 30. Primeramente recurdese
que con ese punto de reorden haba escasez para las demandas de 40, 50 y 60. Es decir,
durante cualquier ciclo en el que la demanda en el tiempo de entrega,
L
D , sea mayor a 30.
As, la probabilidad de escasez durante un ciclo est dada por:
5
3
5
1
5
1
5
1
) 60 ( ) 50 ( ) 40 ( ) ( = + + = = + = + = =
L L L d
D P D P D P y P .
Luego, como se tiene un nmero promedio de 10 ciclos por ao, el nmero esperado de
ciclos por ao que representan carencias es de 6 6 . 0 * 10 = . Es decir, 6 2 = SLM .
Puede establecerse la frmula para el 2 SLM

q
y E
y P SLM
d
d
) (
) ( 2 = .
(19)
1.10 DETERMINACIN DEL PUNTO DE REORDEN Y DE NIVEL DE RESERVA DE
SEGURIDAD PARA 1 SLM
Dado un valor deseado de 1 SLM , cmo determinar el punto de reorden que d el nivel de
servicio deseado? Supngase que se pide la cantidad econmica de pedido q y y que se usa un
punto de reorden r, de (18)
q
y E
SLM
q
y E
SLM
d d
) (
1 1
) (
1 1 = = .
En el ejemplo anterior para calcular
d d
y y E = ) ( se utiliz el hecho de que la
distribucin era discreta uniforme. Cuando se trata de la distribucin normal ) , (
2
o N anual,
para el caso de un tiempo de entrega L sera
|
|
.
|
\
|
L L
N
2
,
o
y se usa
|
|
.
|
\
|
=
)
`
|
|
.
|
\
|
= =
} }

L
L
L
r
L
L
L
r
L d
r
I du
z r
z du u f r u r y
L L
L
o

o
t o
o

o
2
exp
2
1
) ( ) ( ) (
.
En donde el subndice L indica la media y desviacin estndar en el tiempo de entrega.
32
As, sustituyendo esta expresin de
d d
y y E = ) ( en
q
y E
SLM
d
) (
1 1 = , se obtiene la
frmula para el punto de reorden r.

L L
L
SLM q r
I
o o
) 1 1 (
=
|
|
.
|
\
|

(20)
Luego de las tablas de la funcin de prdida normal se puede conocer r , con

L
L
L
SLM q
I r
o
o +
(

=

) 1 1 (
1

(20a)
EJEMPLO 10
Se venden en promedio 1000 procesadores de alimentos al ao. Cada pedido cuesta $500. El
tiempo de entrega es un mes. Cuesta $100 almacenar un procesador durante un ao. La
demanda anual de procesadores se distribuye normalmente con desviacin estndar 69.28.
Para cada uno de los siguientes valores de 1 SLM determine el punto de reorden: 80%, 90%,
95%, 99% y 99.9%.
Solucin
1000 ) ( = = D D E artculos
500 = K
100 = h
) 240 , ( ~
2
N D
Se requieren los valores de q,
L
y
L
o , Primeramente se calcula el valor de q, con lote
econmico
100
100
) 1000 )( 500 ( 2 2
= = =
h
D K
q .
Para
L
y
L
o , se tiene que el tiempo de entrega es un mes, como los valores de la
demanda estn dados en aos, se tiene que dividir entre 12.
33 . 83
12
1000
= =
L
y 20
12
240
= =
L
o .
Ahora empleando la frmula 20 o 20a para cada uno de los 1 SLM
1. 80 . 0 1= SLM
Captulo 1. 33
33
| | { }
65 33 . 65
33 . 83 90 . 0 20 33 . 83 1 20
33 . 83
20
) 80 . 0 1 ( 100
20
) 1 1 (
1
1 1
~ =
+ = + =
+
(

= +
(

I
I
SLM q
I r
L
L
L

o
o

2. 90 . 0 1= SLM
| | { }
80 63 . 79
33 . 83 185 . 0 20 33 . 83 5 . 0 20
33 . 83
20
) 90 . 0 1 ( 100
20
) 1 1 (
1
1 1
~ =
+ = + =
+
(

= +
(

I
I
SLM q
I r
L
L
L

o
o

3. 95 . 0 1= SLM
| | { }
90 23 . 90
33 . 83 345 . 0 20 33 . 83 25 . 0 20
33 . 83
20
) 95 . 0 1 ( 100
20
) 1 1 (
1
1 1
~ =
+ = + =
+
(

= +
(

I
I
SLM q
I r
L
L
L

o
o

4. 99 . 0 1= SLM
| | { } 108 43 . 108 33 . 83 255 . 1 20 33 . 83 05 . 0 20
33 . 83
20
) 99 . 0 1 ( 100
20
) 1 1 (
1
1 1
~ = + = + =
+
(

= +
(

I
I
SLM q
I r
L
L
L

o
o

5. 999 . 0 1= SLM
| | { } 127 23 . 127 33 . 83 195 . 2 20 33 . 83 005 . 0 20
33 . 83
20
) 999 . 0 1 ( 100
20
) 1 1 (
1
1 1
~ = + = + =
+
(

= +
(

I
I
SLM q
I r
L
L
L

o
o

1.11 DETERMINACIN DEL PUNTO DE REORDEN Y DE NIVEL DE RESERVA DE
SEGURIDAD PARA 2 SLM
Suponga que un gerente desea tener suficiente reserva de seguridad como para asegurar que
0
s
ciclos por ao en promedio se tenga escasez. Sea
L
D la demanda durante el tiempo de reorden
y y r un punto de reorden, una fraccin ) ( r D P
L
> de todos los ciclos conducir a escasez.
Como se tendr un promedio de q D E ) ( ciclos por ao (recurdese que se supone
acumulacin de pedidos), un promedio de
0
) ( ) (
s
q
D E r D P
L
s
>
o bien
) (
) (
0
D E
q s
r D P
L
s > .
34
As, se obtiene el punto de reorden r de 2 SLM , para la demanda durante el tiempo de
entrega. Slo falta determinar la distribucin de la demanda,

Discreta
) (
) (
0
D E
q s
r D P
L
s > .
Continua
) (
) (
0
D E
q s
r D P
L
= > .
(21)
EJEMPLO 11
En ejemplo anterior determine 2 SLM , cuando se desea asegurar que la escasez ocurra durante
un promedio de dos tiempos de entrega por ao.
Solucin
1000 ) ( = = D D E artculos,
500 = K ,
100 = h ,
2
0
= s
Se clculo 100 = q , 33 . 83
12
1000
= =
L
y 20
12
240
= =
L
o . Luego, si
) 240 , ( ~
2
N D , entonces ) 20 , 33 . 83 ( ~
2
N D
L
. Por la frmula (21)
20 . 0
1000
) 100 ( 2
) (
) (
0
= = = >
D E
q s
r D P
L
.
De las tablas porcentuales de la normal estndar, resultar
8416 . 0
20
33 . 83
80 . 0 )
20
33 . 83
( =
<
r r
Z P .
Finalmente, 100 16 . 100 ) 8416 . 0 ( 20 33 . 83 ~ = + = r . As, el nivel de reserva de
seguridad que produce un promedio de dos agotamientos por ao sera:
17 83 . 16 33 . 83 16 . 100 ) ( ~ = =
L
D E r .
1.12 MODELO DE INVENTARIOS DE DOS PERIODOS SIN COSTO DE PREPARACIN
Los supuestos del modelo son los siguientes:
1. La planeacin se hace para dos periodos, en donde la demanda insatisfecha en el
periodo 1 se acarrea para satisfacerla en el periodo 2, pero no se permite acarrear
faltantes del periodo 2.
Captulo 1. 35
35
2. Las demandad
1
D y
2
D para los periodos 1 y 2 son variables aleatorias independientes
e idnticamente distribuidas. Su distribucin de probabilidad comn tiene la funcin de
densidad de probabilidad ) (
D
y la funcin de distribucin ) (
D
u .
3. El nivel de inventario inicial al principio del periodo 1 es 0
1
> x .
4. El objetivo es minimizar el costo total esperado para ambos periodos, en donde los
componentes del costo para cada periodo son:
c = costo unitario de comprar o producir cada unidad.
h = costo de mantener inventario por unidad que queda al final del periodo.
p = costo por faltantes por unidad de demanda no satisfecha al final del cada
periodo.
Para comenzar el anlisis, sea
- =
*
i
q valor ptimo de 2 , 1 = i para q
i
.
- = ) (
1 1
x C costo total esperado para ambos periodos cuando se sigue la poltica optima
dado que
1
x es el nivel de inventario (antes de reabastecer) al principio del periodo 1.
- = ) (
2 2
x C costo total esperado solo para el periodo 2 cuando se sigue la poltica optima
dado que
2
x es el nivel de inventario (antes de reabastecer) al principio del periodo 2.
Para usar el enfoque de programacin dinmica, primero se obtiene
*
2 2 2
) ( q y x C , donde
se tiene solo un periodo por analizar. Despus se utilizan estos resultados para encontrar
*
1 1 1
) ( q y x C . De los resultados del modelo de un solo periodo,
*
2
q se encuentra resolviendo
( )
h p
c p
q
+
= u
*
2

Dado
2
x , entonces la poltica ptima resultante es

>
<
ordena se no q
q hasta inventario de nivel el elevar para x q ordena se q
x Si
*
2
*
2 2
*
2
*
2
2
) (

(22)
El costo ptimo se puede expresar como

< +
>
=
*
2 2
*
2 2
*
2
*
2 2 2
2 2
), ( ) (
), (
) (
q x si q L x q c
q x si x L
x C (23)
En donde ) (z L es el costo esperado de almacenaje y faltantes para un solo periodo cuando
existe z unidades en inventario (despus de reabastecer). Ahora ) (z L se puede expresar como
36
d z p d z h z L
D
z
D
q
) ( ( ) ( ) ( ) (
0
} }

+ =

Cuando se consideran ambos periodos, los costos consisten en el costo de compra
) (
1 1
x q c , el costo esperado de almacenaje y faltantes ) (
1
q L y los costos asociados a seguir
una poltica durante el segundo periodo. As, el costo esperado si se sigue una poltica optima
en los dos periodos est dado por
| | { } ) ( ) ( ) ( min ) (
2 2 1 1 1 1 1
1 1
x C E q L x q c x C
x q
+ + =
>
.
En donde | | ) (
2 2
x C E se obtiene de la siguiente manera. Observe que
1 1 2
D q x = de manera
que
2
x es una variable aleatoria al principio del periodo 1. Entonces
< + +
>
= =
*
2 1 1
*
2 1 1
*
2
*
2 1 1 1 1
1 1 2 2 2
), ( ) (
), (
) ( ) (
q D q si q L D q q c
q D q si D q L
D q C x C
As, ) (
2 2
x C es una variable aleatoria y su valor esperado est dada por
| | | | d q L q q c d q L d q C x C E
D
q q
D
q q
D
) ( ) ( ) ( ) ( ) ( ) ( ) ( ) (
*
2 1
*
2 1
*
2 1
*
2
0
1
0
1 2 2 2
} } }

+ + + = =
Entonces

| |

+ + +
+ +
=
}
}
>

d q L q q c
d q L q L x q c
x C
D
q q
D
q q
x q
) ( ) ( ) (
) ( ) ( ) ( ) (
min ) (
*
2 1
*
2 1
1 1
*
2 1
*
2
0
1 1 1 1
1 1

(24)
Se puede demostrar que ) (
1 1
x C tiene un valor mnimo nico y que el valor optimo de
1
q , denotado por
*
1
q , satisface la ecuacin
( ) ( ) 0 ) ( ) ( ) ( ) ( ) (
*
2 1
0
*
1
*
2
*
1
*
1
= u + + u + u + +
}
d q h p q q p c q h p p
D
q q

Entonces, la poltica ptima que resulta para el periodo 1 es la siguiente

>
<
ordena se no q
x Si
*
1
*
1 1
*
1
*
1
1
) (

(25)
Captulo 1. 37
37
1.13 MODELO DE VARIOS PERIODOS SIN COSTO DE PREPARACIN
Ahora, se considera la extensin del problema anterior de dos periodos a n periodos, donde
2 > n , con suposiciones idnticas. La nica diferencia es que se usa un factor de descuento
) 1 , 0 ( e o , para calcular el costo total esperado para n periodos. El problema sigue siendo
encontrar nmeros crticos
* *
2
*
1
,..., ,
n
q q q que describan la poltica ptima de inventario. Al igual
que el modelo de dos periodos, es difcil obtener estos valores numricos, pero se puede
demostrar que la poltica ptima tiene la siguiente forma.
Para cada periodo i, (i=1, 2,, n) con
i
x como nivel de inventario al iniciar este periodo
(antes de reabastecer) se hace lo siguiente:

>
<
i periodo el en ordenar no q
x Si
i
i i i i
i
*
* * *
) (

(26)
Lo que es ms
*
1
*
2
*
1
*
...
q q q q
n n
s s s s

Para el caso de un nmero finito de periodos, todos estos nmeros crticos ,... ,
*
2
*
1
q q son
iguales. Sea
*
q este valor constante. Se puede demostrar que
*
q satisface la ecuacin

( )
h p
c p
q
+

= u
) 1 (
*
o

(27)

38
Captulo 2

MODELOS DE INVENTARIOS CON DEMANDA DE DISTRIBUCIN
CONOCIDA

2.1 INTRODUCCIN
En este captulo se desarrollarn los modelos de inventarios revisados en el captulo previo,
pero con base a funciones de distribucin probabilsticas ms comunes, como son la binomial,
geomtrica, poisson, exponencial, gama y beta. Adems se desarrollarn algunos ejemplos con
dichos modelos.
Es muy importante el desarrollo terico de los inventarios con funcin de distribucin
conocida para facilitar la aplicacin de los resultados que se obtendrn en el clculo del costo
mnimo y el punto de reorden ptimo a ciertos inventarios que muestren un comportamiento
como los mencionados en el prrafo anterior.
2.2 MODELO DE INVENTARIOS DE ARTICULOS PERECEDEROS DEMANDA DISCRETA
En esta seccin se desarrollarn los modelos de inventarios de artculos perecederos con
distribucin de la demanda conocida, cuando la distribucin de la demanda es discreta. Para
esto se tomar como base de estudio el anlisis marginal desarrollado en el captulo anterior.
El problema es el siguiente, supngase que en el departamento de compras, el encargado
de tomar las decisiones de la empresa tiene que decidir cuntas unidades pedir o producir, es
decir encontrar el lote econmico
*
q . Para esto se analizarn diferentes casos de la demanda
y su costo.
- La demanda es estocstica, pero se conoce su distribucin de probabilidad ) (d p .
- El costo incurrido, ) , ( q d c , es una funcin de d y q.
Empleando el anlisis marginal para el modelo de inventarios discretos, se obtuvo en el
captulo anterior el resultado general:
Captulo 2. 39
39

u
u
c c
c
q D P
+
> s
0
*
) ( .
(1)
En donde,
0
c : El costo de sobreabastecimiento, es decir, el costo unitario de comprar o producir
demasiado.
u
c : El costo de subabastecimiento, es decir, el costo unitario de tener faltantes.
Ahora se analizarn los diferentes tipos de demanda discreta ms conocidas para este
tipo de modelo de inventario.
2.2.1 DEMANDA CON DISTRIBUCIN BINOMIAL
En el caso de artculos perecederos suponga una demanda aleatoria, D, con distribucin
binomial y parmetros (n, p), entonces se tiene que el lote econmico que minimiza los costos
se obtiene de la frmula (1)
( )
u
u
q
i
i n i
c c
c
p p
i
n
q D P
+
>
|
|
.
|
\
|
= s

=
0 0
*
*
1 ) ( , (2)
para estimar la
*
q que minimiza los costos, se obtiene por tablas de la distribucin binomial,
donde
*
1, 2,..., q n = .
EJEMPLO 12
Una agencia de autos en un rea metropolitana est intentando cuantos autos comprar cada
semana. Es posible aproximar la demanda de auto mediante una distribucin geomtrica con
parmetros n=10 p=0.4. El auto cuesta 35 mil dlares a la agencia y los vende a 50 mil
dlares el ejemplar. La agencia de autos no obtiene ningn beneficio de autos sobrantes y se
regresan al proveedor. Cuntos autos debe comprar cada semana?
Solucin
0
c y
u
negativo): Compra de q autos a 35 cada uno ( q 35 ), venta de autos a 50 cada uno
( d 50 ). Obteniendo un costo total de d q 50 35 . Luego, 35
0
= c .
negativo): Compra de q autos a 35 cada uno ( q 35 ) y venta de autos a 50 cada
uno ( q 50 ). Obteniendo un costo total de q q q 15 50 35 = . Luego, 15 =
u
c .

Modelos de Inventarios con demanda de distribucin conocida. 40
40
( )
3 . 0
15 35
15
38 . 3 ) 3 (
1 ) (
0 0
*
*
=
+
> = s
+
>
|
|
.
|
\
|
= s

=
D P
c c
c
p p
i
n
q D P
u
u
q
i
i n i

Por lo tanto, la agencia debe hacer un pedido de 3 autos por semana.
2.2.2 DEMANDA CON DISTRIBUCIN POISSON
En el caso de artculos perecederos con demanda D y distribucin de probabilidad Poisson con
parmetro 0 > , se tiene que de la frmula 1

*
*
0
0
( )
!
i q
u
i
u
c
P D q e
i c c
=
s = >
+
, (3)
para estimar la
*
q que minimiza los costos, se obtiene por tablas de la distribucin Poisson,
donde
*
0,1, 2,... q = .
EJEMPLO 13
Supngase que la energa en la estacin de Len se suministra mediante celdas solares. Una
vez al ao vuela un avin y les vende celdas a $200 cada una. Se estima la demanda a partir
de una distribucin de probabilidad poisson con parmetro 30 = . Debido a la incertidumbre
de las necesidades futuras, en la planta slo se puede adivinar el nmero de celdas que se
necesitarn durante el ao venidero. Si se acaban las celdas, se debe hacer un pedido especial
pagando $300 por cada una.
Solucin
0
c y
u
negativo): Compra de q celdas a $200 cada una ( q 200 ), utilizacin de celdas
$200 cada una ( d 200 ) y no se usan las celdas d q no se tienen costo.
Obteniendo un costo total de d q 200 200 . Luego, 200
0
= c .
negativo): Compra de q celdas a $200 cada una ( q 200 ) y cuando la demanda
rebase la cantidad pedida a $300 cada una ( ) ( 300 q d ). Obteniendo un costo
total de d q q d q 300 100 ) ( 300 200 + = + . Luego, 100 =
u
c .
*
q se obtiene con la frmula (3)
Captulo 2. 41
41
33 . 0 33 . 0 ) 27 (
!
) (
0
0 0
*
*
=
+
> = s
+
> = s

=
u
u
u
u
q
i
i
c c
c
D P
c c
c
i
e q D P

As, de la tabla de probabilidades se tiene que 27
*
= q celdas.
2.2.3 DEMANDA CON DISTRIBUCIN GEOMTRICA
En el caso de artculos perecederos con demanda D y distribucin de probabilidad geomtrica
con parmetro p, se tiene de la frmula 1
( ) ( )
( )
( )
( )
*
*
* *
1 1
1 1
1 1
1 1 ) (
1
1
1
1 * q
q
q
i
i
q
i
i
p
p
p
p p p p p q D P =

= = = s

=

Ahora, sea
0
u
u
c
k
c c
=
+
, entonces despejando a
*
q de la expresin anterior se obtiene el
siguiente resultado:
( )
( )
( )
( )
( ) p
k
q
k p q
k p
k p
k p q D P
q
q
q
>
s
s
s
> = s
1 ln
) 1 ln(
) 1 ln( 1 ln
) 1 ln( 1 ln
1 1
1 1 ) (
*
*
*
*
*
*

Por lo tanto, sustituyendo el valor de k para determinar el tamao de lote econmico que
minimice los costos en un inventario con distribucin de probabilidades geomtrica con
parmetro p la siguiente expresin:

( ) p
c c
c
q
u
|
|
.
|
\
|
+
>
1 ln
ln
0
0
*
.
(4)
EJEMPLO 14
Una agencia de autos en un rea metropolitana est intentando calcular cuantos autos comprar
cada semana. Es posible aproximar la demanda de auto mediante una distribucin geomtrica
con parmetro p=0.1 El auto cuesta 35 mil dlares a la agencia y los vende a 50 mil dlares el
ejemplar. La agencia de autos no obtiene ningn beneficio de autos sobrantes y se regresan al
proveedor. Cuntos autos debe comprar cada semana la agencia?
Solucin
0
c y
u
42
negativo): Compra de q autos a 35 cada uno ( q 35 ), venta de autos a 50 cada uno
( d 50 ). Obteniendo un costo total de d q d q 50 35 50 35 = . Luego, 35
0
= c .
negativo): Compra de q autos a 35 cada uno ( q 35 ) y venta de autos a 50 cada
uno ( q 50 ). Obteniendo un costo total de q q q 15 50 35 = . Luego, 15 =
u
c .
Ahora, aplicando el resultado (3) se obtiene
*
q .
( )
38 . 3
1 . 0 1 ln
15 35
35
ln
*
=
|
.
|
\
|
+
> q
Por lo tanto, se debe hacer un pedido de 3 autos a la semana.
2.3 MODELO DE INVENTARIOS DE ARTCULOS PERECEDEROS DEMANDA
CONTINUA
Se revisar el modelo de inventarios del vendedor de peridicos pero con demanda D variable
aleatoria continua y funcin de densidad ) (d f . De forma similar que en el caso discreto, se
obtiene una expresin con la que se puede calcular el valor ptimo de
*
q , pero a diferencia del
caso discreto en el continuo se obtiene mediante una igualdad. Es decir, ) (q E ser reducido
al mnimo por el valor mnimo de q (denotado
*
q ) que satisface a
u
u
c c
c
q D P
+
= s
0
*
) ( .
Luego, el pedido ptimo ser solicitar
*
q unidades hasta el punto en el que la ltima que se
pida tenga probabilidad

u
u
c c
c
q D P
+
= s
0
*
) ( de venderse.
(5)
A continuacin se desarrollarn los modelos de inventarios con funcin de densidad
conocida.
2.3.1 DEMANDA CON FUNCIN DE DISTRIBUCIN UNIFORME
Sea D una variable aleatoria contina distribuida uniforme sobre el intervalo ) , ( b a y la
funcin de densidad de probabilidades est dada por
< <
=
d.o.f , 0
,
1
) (
b x a
a b
x f
Captulo 2. 43
43
Entonces
( )
>
s
< <
= s
b q
a q
b q a
a b
a q
q D P
*
*
*
*
*
si , 1
si , 0
si ,

Ahora, se procede a despejar a
*
q de la expresin anterior igualando a (5), por lo que se
tiene:
u
u
c c
c
a b
a q
q D P
+
=
= s
0
*
*
) ( .
Finalmente, el valor de
*
q que minimiza los costos es:

( ) a a b
c c
c
q
u
u
+
+
=
0
*
.
(6)
En donde, a se refiere a la demanda mnima posible y b a la demanda mxima posible, segn
la distribucin de la demanda.
2.3.2 DEMANDA CON FUNCIN DE DISTRIBUCIN NORMAL
Sea D una variable aleatoria continua distribuida normalmente con parmetros
2
y o , y
funcin de densidad
( )
( )
< < =

x e x f
x
2 2
2
2
1
o
t o
.
Entonces,
( )
( )
dx e q D P
x
q
2 2
*
2 *
2
1
o
t o

}
= s .
Para calcular
*
q se debe estandarizar la expresin anterior. Como
D
Z

o
= una
variable aleatoria normal estndar cuando D es normalmente distribuido con parmetros
2
y o , implica que la funcin de distribucin de D puede ser expresada como
( )
|
|
.
|
\
|
u =
|
|
.
|
\
|
s = s
o

o

* *
*
q q
Z P q D P .
Ahora, se despeja
*
q de la expresin anterior igualando a (5)
44
( )
.
0
1
*
0
*
*
|
|
.
|
\
|
+
u =
+
=
|
|
.
|
\
|
u = s
u
u
u
u
c c
c q
c c
c q
q D P
o

o

Por lo tanto, la cantidad de lote econmico en el caso de una demanda con distribucin
normal estar dada por:
o +
|
|
.
|
\
|
+
u =

u
u
c c
c
q
0
1 *
.
(7)
2.3.3 DEMANDA CON FUNCIN DE DISTRIBUCIN GAMMA
Sea D una variable aleatoria continua que tiene una distribucin tipo gamma con parmetros
( ) , , >0 >0 y o o . Para determinar el tamao del lote econmico, se tiene de la expresin (5)
que ( ) ( ) k q F q D P
D
= = s
* *
, despejando en forma general a la cantidad de lote econmico

|
|
.
|
\
|
+
=

u
u
D
c c
c
F q
0
1 *
.
(8)
Ahora si se cuenta con tablas estadsticas de cuantiles para la distribucin gamma o se
dispone de algn paquete matemtico, por medio de los mtodos numricos se puede
encontrar el valor del lote econmico
*
q .
En el caso de que
+
e = Z m o , entonces si se denota x y =
( )
( ) ( )
dy e y
m
x d e x
m
q D P
q
y m
q
x m
} }

= s
* *
0
1
0
) ( 1 *
! 1
1
) ( ) (
! 1
1

,
denotando dy e y q I
q
y m
m
}

=
*
0
1 *
1
) (

e integrando por partes,
1
=
m
y u , dy y m du
m 2
) 1 (

= y
dy e dv
y
= ,
y
e v

= , se tendr
( )
( ) ( )
( )
| |. ) ( ) 1 ( ) (
! 1
1
) ( ) 1 (
! 1
1
) (
! 1
1
*
2
) ( 1 *
*
2
0
1 *
1
*
*
*
q I m e q
m
q I m e y
m
q I
m
q D P
m
q m
m
q y
y
y m
m

=
=

=
(
= s

Se obtuvo una frmula recursiva, que se aplica hasta llegar a ) (
*
0
q I
Captulo 2. 45
45
( )
( )
| |
( )
| | ( )
) 1 ( 1
)! 0 (
) (
)! 1 (
) (
)! 2 (
) (
)! 1 (
) (
1
1 )! 1 ( ) )( 1 ( ) (
! 1
) ( )! 1 ( ) )( 1 ( ) (
! 1
0 * 1 * 2 * 1 *
) (
) ( * 2 * 1 *
) (
*
0
* 2 * 1 *
) (
*
*
*
*
*
=
(
+ + +
=
+ + + +
=
+ + + +
= s

m F
q q
m
q
m
q
e
e q m q m q
m
e
q I q m q m q
m
e
q D P
m m
q
q m m
q
m m
q
v

Donde ( )
*
Poisson ~ q v . Por otro lado, para despejar a
*
q de la expresin anterior, se tiene
( ) ( ) ( ) k m F k m F q D P
V V
s > = s 1 1 1 1
*
.
En donde,
0
u
u
c
k
c c
=
+
, luego de las tablas de la distribucin de poisson se encuentra el valor
de que hace que se cumpla la desigualdad

( )
u
m
i
i
c c
c
i
e
+
s
0
0
1
0
!
y =
*
q . (9)
2.3.4 DEMANDA CON FUNCIN DE DISTRIBUCIN EXPONENCIAL
Cuando la demanda tiene una distribucin exponencial, como se sabe se trata de un caso
especial de la distribucin gamma con 1 = o , luego utilizando cualquiera de las expresiones
(8) o (9) , por ejemplo esta ltima
( )
|
|
.
|
\
| +
=
+
=
+
s

=
0
0
0
0
0
0
0
0
ln
! c
c c
c c
c
e
c c
c
i
e
u
u u
i
i
.
Finalmente, el lote econmico, =
*
q , para esta distribucin

|
|
.
|
\
| +
=
0
0 *
ln
1
c
c c
q
u
.
(10)
2.3.5 DEMANDA CON FUNCIN DE DISTRIBUCIN WEIBULL
Sea D una variable aleatoria continua con funcin de densidad Weibull con parmetros
, , v y o | , es decir su funcin de densidad estar dada por:
s
>
|
.
|
\
|
|
.
|
\
|
=
v x
v x
v x v x
x f
si , 0
si , exp
) (
1 | |
o o o
|

Entonces, para determinar el lote econmico se tiene que resolver
46
|
|
.
|
\
|
=
|
|
.
|
\
|

|
.
|
\
|
=
|
.
|
\
|
=
|
.
|
\
|
|
.
|
\
|
= s
}

|
|
|
|
| |
o
o o
o
o o o
|
v q
v q v v
v x
dx
v x v x
q D P
q
v
q
v
*
*
1
*
exp 1
exp exp
exp
exp ) (
*
*

Ahora, se sabe que debe cumplirse
( )
*
P D q k s = , de donde se despeja
*
q , luego
( )
( )
|
|
|
|
|
o
o
o
o
o
|
.
|
\
|
+ =
|
.
|
\
|
=
|
|
.
|
\
|
=
|
|
.
|
\
|
=
(
(
|
|
.
|
\
|
|
|
.
|
\
|

k
v q
k
v q
k
v q
k
v q
k
v q
1
1
ln
1
1
ln
1 ln
1 ln exp ln
exp 1
*
*
*
*
*

Por lo tanto, para
0
u
u
c
k
c c
=
+
la expresin que minimiza los costos para el lote
econmico en una distribucin Weibull, estar dada por

|
o
|
|
.
|
\
|
+ + =
0
*
1 ln
c
c
v q
u
(11)
EJEMPLO 15
Un puesto de peridicos en un rea metropolitana est intentando determinar cuntos
ejemplares de un peridico dominical debe comprar cada semana. Es posible aproximar la
demanda del peridico mediante una distribucin gamma con parmetros 2 9 = = o y .
El peridico cuesta 0.35 dlares al puesto y los vende a 0.50 dlares el ejemplar. El puesto de
Captulo 2. 47
47
peridico no obtiene ningn beneficio de los peridicos sobrantes y, por ello, absorbe el 100%
de la prdida de los que no se venden. Cuntos ejemplares debe comprar cada semana del
peridico dominical?
Solucin
- 7 . 0
0
= c
- 15 . 0 =
u
c .
Como o es entero entonces se aplica la ecuacin (9). Utilizando la tabla de funcin de
distribucin Poisson:
( )
8235 . 0
15 . 0 7 . 0
7 . 0
!
0
0
1
0
=
+
=
+
s
u
m
i
i
c c
c
i
e

Para que se cumpla la desigualdad anterior 5 . 29 = y 25 . 14
2
5 . 29
*
= = =
q . Por lo tanto, al
empleado del puesto de peridico se le aconseja hacer un pedido de 14 o 15 peridicos.
2.4 MODELO ESTOCSTICO DE REVISIN CONTINA
Estos modelos se desarrollaron y se explicaron en el captulo 1, obteniendo la frmula para el
punto de reorden cuando se utiliza la poltica de inventario que consiste en llevar el inventario
hasta s cada vez que se presenta una demanda. El valor de s que minimiza el costo de
inventario, sin reconocer el costo por ordenar, se obtiene a partir de:

d p qh
d p
q
d
p h
q
d
p
du u f s F
s
L L
+
=
+
= =
}
0
) ( ) ( .
(12)
En donde,
- El tiempo de entrega L es distinto de cero.
- ) (u f
L
la demanda durante el tiempo de entrega.
-
}
= =
0
) ( du u uf dL d
L
la demanda promedio por unidad de tiempo durante el tiempo de
entrega.
- s es el punto de reorden que minimiza el costo de inventario sin el costo por ordenar.
48
A partir de la frmula (12) se pueden obtener expresiones similares al caso de artculos
perecederos con demanda continua, para el lote econmico, si se realiza
d p qh
d p
k
+
= en lugar
de
0
u
u
c
k
c c
=
+
ahorrando los desarrollos.
1) DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIN UNIFORME
Sea D una variable aleatoria contina distribuida uniforme sobre el intervalo ) , ( b a que
representa la demanda durante el tiempo de entrega, entonces su punto de reorden que
minimiza el costo de inventario sin costo por ordenar, estar dado por

( ) a a b
d p qh
d p
s +
+
= .
(13)
2) DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIN NORMAL
Sea D una variable aleatoria contina distribuida normal con parmetros
2
y o , que
representa la demanda durante el tiempo de entrega, entonces su punto de reorden con el que
se minimiza el costo de inventario, sin costo por ordenar, estar dado por

o
o +
|
|
.
|
\
|
|
.
|
\
|
u +
+
u =

d p qh
d p
s
1
.
(14)
3) DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIN GAMMA
Sea D una variable aleatoria contina distribuida tipo gamma con parmetros
( ) , , >0 >0 y o o que representa la demanda durante el tiempo de entrega, entonces su punto
de reorden que minimiza el costo de inventario sin costo por ordenar, estar dado por

|
|
.
|
\
|
+
=

d p qh
d p
F s
T
1
.
(15)
Para la distribucin gamma con parmetros ( ) , , >0 >0 y o o .
En el caso de que
+
e = Z m o , se obtuvo ( ) ( ) ( ) k m F k m F q D P
V V
s > = s 1 1 1 1
*
.
En donde,
d p qh
d p
k
+
= , luego de las tablas de la distribucin de poisson se encuentra el valor
de que hace que se cumpla la desigualdad

( )
d p qh
qh
i
e
m
i
i
+
s
1
0
!
y = s . (16)
Captulo 2. 49
49
4) DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIN EXPONENCIAL
Cuando D tiene una distribucin exponencial, como se sabe trata de un caso especial de la
distribucin gamma con 1 = o , luego utilizando (16), para la demanda durante el tiempo de
entrega, su punto de reorden que minimiza el costo de inventario sin costo por ordenar, estar
dado por

|
|
.
|
\
| +
=
qh
d p qh
s ln
1
.
(17)
5) DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIN WEIBULL
Cuando D tiene una distribucin Weibull con parmetros , , v y o | , para la demanda durante
el tiempo de entrega, su punto de reorden que minimiza el costo de inventario sin costo por
ordenar, estar dado por

|
o
|
|
.
|
\
|
+ + =
qh
d p
v s 1 ln . (18)
EJEMPLOS 16
Un impresor que en la actualidad est haciendo una compra mensual, estudi el
comportamiento del papel libro de 70 gr. en los ltimos doce meses. Encontr que su demanda
fue de: 10, 11, 10, 9, 10, 11, 9, 10.5, 10, 9, 9 y 11.5 toneladas por mes. Esta obedece a una
funcin de distribucin uniforme en el intervalo | | 12 , 5 . 8 , y la orden se recibe despus de una
semana que se solicitaron. El tamao promedio de la orden es 10 unidades. El costo por
inventario es de $345.00 por unidad por semana y el costo por dficit es $200.00 por unidad.
Calcule el punto de reorden?
Solucin
25 . 10 = d demanda media
Utilizando la ecuacin (13)
( ) 69 . 9 5 . 8 5 . 8 12
) 25 . 10 ( 200 ) 400 ( 10
) 25 . 10 ( 200
= +
+
= s
.
Por lo tanto, el punto de reorden es de 9 10 toneladas.
50
2.5 MODELO DE VENTAS PENDIENTES O COSTO DE ORDENAR SIGNIFICATIVOS
La parte terica de estos modelos se desarroll a detalle en el captulo anterior obteniendo los
siguientes resultados y algoritmos de solucin:
a)
| |

) ( 2
h
s y p K d
q
d
+
= .
b)
qh d p
qh d p
s F
L
+
=
2
2
) ( .
En donde,
- K costo por ordenar,
- q tamao de la orden,
- s nivel de inventario,
-
}
=
s
L d
du u f s u s y ) ( ) ( ) ( ,
- d demanda media durante el tiempo de entrega,
- p costo por dficit por unidad y
- h costo por inventario por unidad
d
y encontrar el valor de q con la expresin (a).
Paso 2. Con el valor ms reciente de q encontrar s, empleando la expresin (b).
}
=
s
L d
du u f s u s y ) ( ) ( ) ( .
d
, y empleando (a), regresar al paso 2 y calcular q.
Repetir hasta que dos valores sucesivos de q estn suficientemente cercanos de modo
que una iteracin ms no proporcione una mejora apreciable.
Ahora se desarrollarn las frmulas para aplicar el algoritmo de solucin en cada una de
las distribuciones vistas. Para esto ntese que en realidad slo interesan las frmulas para los
pasos 2 y 3, ya que 1 y 4 son los mismos para cualquier distribucin. El paso dos se puede
Captulo 2. 51
51
hacer simplificando clculos si se emplea la seccin anterior con
qh d p
qh d p
k
+
=
2
2
en lugar de
d p qh
d p
k
+
= . De esta forma se iniciarn siempre con los clculos del paso 3.
2.5.1 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIN UNIFORME
Supngase que la demanda durante el tiempo de entrega tiene una distribucin uniforme entre
a y b.
Para encontrar el valor de s se utiliza el desarrollo de la seccin anterior.

( ) a b
qh d p
qh d p
s
+
=
2
2

(19a)
Para el paso 3 se requiere calcular
) ( 2
) (
2
) ( 1 1
) ( ) ( ) ( ) (
2 2
a b
s b s u
a b
du
a b
s u du u f s u s y
b
s
b
s s
L d
= =
} }
.
En caso de que b s > vale cero. Es decir,
0 ) ( ,
) ( 2
) (
) (
2
=
= s y
a b
s b
s y
d d
cuando b s > (19b)
Ahora se puede resumir el algoritmo de solucin de la siguiente manera en el caso de
una distribucin uniforme de la demanda.
d
Paso 2. Con el valor ms reciente de q encontrar s, empleando la expresin (19a).
d
empleando la expresin (19b).
d
2.5.2 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIN NORMAL
Supngase que la demanda durante el tiempo de entrega tiene una distribucin normal con
parmetros ) , (
2
o .

o +
(
|
.
|
\
|
u +
+
u =

qh d p
qh d p
s
2
2
1

(20a)
Para el paso 3 se requiere calcular ) (s y
d
.
52
( ) s D P dx x f s F
s
L L
s s = =
}
0 ) ( ) (
0

- Para el caso de de la normal estndar el valor de ( ) s I s y
d
= ) ( se obtiene de la tabla de
la prdida normal unitaria.
- Para la normal no estndar se tiene el siguiente resultado
|
|
.
|
\
|
=
)
`
|
|
.
|
\
|
=
}
L
L
L
s L L
L
d
s
I du
z s
z s y
L
L
o
o
t o o
2
exp
2
1
) (
I se obtiene de la tabla de la prdida normal unitaria. Es decir,

0 ) ( , ) ( =
|
|
.
|
\
|
= s y
s
I s y
d
L
L
L d
o
o cuando b s >
(20b)
Finalmente se tiene el siguiente algoritmo de solucin para la distribucin normal.
d
d
d
2.5.3 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIN GAMMA
Supngase que la demanda durante el tiempo de entrega tiene una distribucin gamma con
parmetros ( ) , , >0 >0 y o o .
Para encontrar el valor de s utilizamos el desarrollo de la seccin anterior.

) 2 (
2
qh d p
qh
s
+
=

(21a)
( ) ( )
} } }

I
= =
s
u
s
u
s
L d
du e
u
s du e
u
u du u f s u s y

o o
o o
o
1 1
) ( ) ( ) ( .
Aplicando el resultado de 3.3.3 se tiene el siguiente resultado

( )
( )
( ) ( ) 2 1
! 1
) ( + +
=

o o o
o

o
V V
s
d
F F e
s
s y (21b)
El valor de la funcin ( )
V
F se obtiene de la tabla de distribucin poisson.
Captulo 2. 53
53
una distribucin gamma de la demanda.
d
d
d
2.5.4 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIN
EXPONENCIAL
Supngase que la demanda durante el tiempo de entrega tiene una distribucin exponencial,
para alguna 0 > .

|
|
.
|
\
|
+
=
qh
qh d p
s
2
2
ln
1

(22a)
s
b
s
u
s
L d
e du e s u du u f s u s y

= = =
} }
1
) ( ) ( ) ( ) ( .
En caso de que 0 < vale cero. Es decir,
0 ) ( ,
1
) ( = =

s y e s y
d
s
d

cuando 0 < (22b)

una distribucin exponencial de la demanda.
d
d
d
2.5.5 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIN WEIBULL
Supngase que la demanda durante el tiempo de entrega tiene una distribucin weibull con
parmetros | o y v, .
54

|
o
|
|
.
|
\
|
+ + =
qh
d p
v s
2
1
ln

(23a)
} } }

|
.
|
\
|
=
|
.
|
\
|
|
.
|
\
|
= =
s s s
L d
du
v u
du
v u v u
s u du u f s u s y
| | |
o o o o
|
exp exp ) ( ) ( ) ( ) (
1

}
|
.
|
\
|
=
s
d
du
v u
s y
|
o
exp ) (
(23b)
Para encontrar el valor de ) (s y
d
se obtiene mediante aproximaciones numricas. Ahora
se puede resumir el algoritmo de solucin de la siguiente manera en el caso de una
distribucin weibull de la demanda.
d
Paso 2. Con el valor ms reciente de q encontrar s, empleando la expresin (23b).
d
empleando la expresin (23a).
d
EJEMPLOS 17
Una empresa determinada, vende a turistas diversos artculos de calidad hechos a mano. La
entrega se hace en promedio en una semana. Esta empresa vende miniaturas talladas a mano
de un soldado colonial, cada ao, pero el patrn de demanda anual es incierto, el tiempo de
entrega obedece a una distribucin gamma con parmetros 3 15 = = o y

. Las rplicas se
venden a $40.00 cada una, el costo anual de mantenimiento de inventario representa el 25 %
del precio de venta por unidad, el costo por pedido es de $2.00. Y el costo por dficit es de
$15.00 por unidad. Calcular el tamao de la orden?
Solucin
Datos del problema
5 = d demanda media
Captulo 2. 55
55
d
| |
41 . 1
10
)) 15 ( 0 2 )( 5 ( 2 ) ( 2
=
+
=
+
=
h
s y p K d
q
d

Paso 2. Con el valor ms reciente de q y con las tablas porcentuales de la distribucin normal
se encuentra s.
( ) ( )
06 . 0
) 10 )( 41 . 1 ( ) 5 )( 15 ( 2 3
) 10 )( 41 . 1 ( 2
2
2
=
+
=
+
=
qh d p
qh
s

}
=
s
L d
du u f s u s y ) ( ) ( ) ( con su distribucin
correspondiente.
( )
( )
( ) ( )
( )
( )
( ) ( )
84 . 16 15 1 84 . 0
13 15 14
! 1 15 3
09 . 0 ( 3
2 1
! 1
) 06 . 0 (
) 09 . 0 ( 3
15
= + + =
+ +
= + +
=

V V V V
s
d
F F e F F e
s
y o o o
o

o

Paso 4. Con 84 . 16 ) 06 . 0 ( =
d
| |
95 . 15
10
)) 15 ( 84 . 16 2 )( 5 ( 2 ) ( 2
=
+
=
+
=
h
s y p K d
q
d

( ) ( )
34 . 0
) 10 )( 95 . 15 ( ) 5 )( 15 ( 2 3
) 10 )( 95 . 15 ( 2
2
2
=
+
=
+
=
qh d p
qh
s

d
, empleando la expresin (6)
( )
( )
( ) ( )
( )
( )
( ) ( )
36 . 16 15 1 36 . 0
13 15 14
! 1 15 3
34 . 0 ( 3
2 1
! 1
) 34 . 0 (
) 34 . 0 ( 3
15
= + + =
+ +
= + +
=

V V V V
s
d
F F e F F e
s
y o o o
o

o

Paso 7. Con 36 . 16 ) 34 . 0 ( =
d
| |
73 . 15
10
)) 15 ( 36 . 16 2 )( 5 ( 2 ) ( 2
=
+
=
+
=
h
s y p K d
q
d

( ) ( )
34 . 0
) 10 )( 73 . 15 ( ) 5 )( 15 ( 2 3
) 10 )( 73 . 15 ( 2
2
2
=
+
=
+
=
qh d p
qh
s

Paso 9. Con el ltimo valor de s encontrar su correspondiente q, empleando la expresin (6)
56
( )
( )
( ) ( )
( )
( )
( ) ( )
36 . 16 15 1 36 . 0
13 15 14
! 1 15 3
34 . 0 ( 3
2 1
! 1
) 34 . 0 (
) 34 . 0 ( 3
15
= + + =
+ +
= + +
=

V V V V
s
d
F F e F F e
s
y o o o
o

o

Paso 10. Con 0765 . 0 ) 767 . 12 ( =
d
y se encuentra el valor correspondiente de q.
| |
73 . 15
10
)) 15 ( 36 . 16 2 )( 5 ( 2 ) ( 2
=
+
=
+
=
h
s y p K d
q
d

Este es el valor de 73 . 15 = q ya que no vara con respecto al anterior. Por lo tanto, se
recomienda hacer un pedido de 16 unidades.
2.6 MODELO CON VENTAS PRDIDAS
Los resultados que se muestran a continuacin se obtuvieron en el captulo uno de forma
detallada.

| |
h
d s y c r p K
q
d
) ( ) ( 2 + +
=
(a)
La probabilidad de un nivel de inventarios s

hq d c r p
d c r p
h
q
d
c r p
q
d
c r p
s F
L
+ +
+
=
+ +
+
=
) (
) (
) (
) (
) ( .
(b)
En donde,
-
}
=
s
L d
du u f s u s y ) ( ) ( ) ( ,
- p costo por dficit por unidad,
- h costo por inventario por unidad,
- c costo por unidad y
- r precio de venta.
As, la solucin al modelo con ventas perdidas est dada por las dos expresiones
anteriores. Utilizando los resultados obtenidos en la seccin 3.5 y el algoritmo de solucin
para obtener los resultados de las siguientes funciones de distribucin acumulada.
Captulo 2. 57
57
Para el paso dos se nota que se puede hacer simplificando clculos basndonos en la
seccin anterior con
( )
( ) hq d c r p
d c r p
k
+ +
+
= en lugar de
qh d p
qh d p
k
+
=
2
2
. As se inicia siempre
con los clculos del paso 3.
a y b.
Para encontrar el valor de s es:

( )
( )
( ) a b
qh d c r p
d c r p
s
+ +
+
=

(24a)
d
considerando el resultado de la seccin 3.5.1.

0 ) ( ,
) ( 2
) (
) (
2
=
= s y
a b
s b
s y
d d
cuando b s >
(24b)
Ahora se puede resumir el algoritmo de solucin de la siguiente forma.
d
d
d
parmetros ) , (
2
o .
Para calcular el valor de s se utiliza el desarrollo de la seccin anterior.

( )
( )

o
o +
(
(
|
.
|
\
|
u +
+ +
+
u =

qh d c r p
d c r p
s
1

(25a)
d
.
Para el caso de de la normal estndar el valor de ( ) s I s y
d
= ) ( se obtiene de la tabla de
prdida normal unitaria (ver anexo A).
Para la normal no estndar se tiene el siguiente resultado
|
|
.
|
\
|
=
L
L
L d
s
I s y
o
o ) (
58
Es decir,
0 ) ( , ) ( =
|
|
.
|
\
|
= s y
s
I s y
d
L
L
L d
o
o cuando b s >
(25b)
Finalmente se tiene el siguiente algoritmo de solucin para la distribucin normal.
d
d
d
parmetros ( ) , , >0 >0 y o o .

( ) | | qh d c r p
qh
s
+ +
=

(26a)
d
, pero como ya se calcul en la seccin 2.5.3 se tiene
que

( )
( )
( ) ( ) 2 1
! 1
) ( + +
=

o o o
o

o
V V
s
d
F F e
s
s y (26b)
Ahora, se resume el algoritmo de solucin de la siguiente forma.
d
d
d

Captulo 2. 59
59
EXPONENCIAL
para alguna 0 > .

( ) | |
|
|
.
|
\
|
+ + = qh d c r p
qh
s
1
ln
1

(27a)
Para el paso 3 ) (s y
d
se calculo en la seccin 3.5.4.
0 ) ( ,
1
) ( = =

s y e s y
d
s
d

cuando 0 < (27b)

una distribucin exponencial de la demanda.
d
d
d
Supngase que la demanda durante el tiempo de entrega tiene una distribucin weibull
, , v y o | .

( )
|
o
|
|
.
|
\
| +
+ + =
qh
d c r p
v s 1 ln

(28a)
Para el paso 3 se usa el resultado obtenido en la seccin 3.5.5.

}
|
.
|
\
|
=
s
d
du
v u
s y
|
o
exp ) (
(28b)
d
se obtiene mediante aproximaciones numricas.
Ahora se puede resumir el algoritmo de solucin de la siguiente forma.

60
d
d
d
EJEMPLOS 18
Una empresa determinada, vende a turistas diversos artculos de calidad hechos a mano. La
entrega se hace en promedio en una semana. Esta empresa vende miniaturas talladas a mano
de un soldado colonial, cada ao, pero el patrn de demanda anual es incierto, el tiempo de
entrega obedece a una distribucin exponencial con parmetro 5 . 0 =

. Las rplicas tienen un
costo de $25.00 y se venden a $40.00 cada una, el costo anual de mantenimiento de inventario
representa el 25 % del precio de venta por unidad, el costo por pedido es de $2.00. Y el costo
por dficit es de $15.00 por unidad. Calcular el tamao de la orden?
Solucin
Datos del problema
5 = d demanda media
d
| |
89 . 0
10
2 ) 0 ) 30 40 15 ( 2 ( 2 ) ( ) ( 2
=
+ +
=
+ +
=
h
d s y c r p K
q
d

se encuentra s.
( ) | | ( ) | | 78 . 3 ) 10 ( 89 . 0 2 30 40 15
) 10 ( 89 . 0
1
ln
5 . 0
1 1
ln
1
=
|
|
.
|
\
|
+ + =
|
|
.
|
\
|
+ + = qh d c r p
qh
s

Captulo 2. 61
61
}
=
s
L d
correspondiente.
3 . 0
5 . 0
1 1
) 78 . 3 (
) 78 . 3 ( 5 . 0
= = =

e e y
s
d

Paso 4. Con 3 . 0 ) 78 . 3 ( =
d
| | | |
96 . 1
10
2 3 . 0 ) 30 40 15 ( 2 2 ) ( ) ( 2
=
+ +
=
+ +
=
h
d s y c r p K
q
d

( ) | | ( ) | | 53 . 2 ) 10 ( 96 . 1 2 30 40 15
96 . 1
1
ln
5 . 0
1 1
ln
1
= |
.
|
\
|
+ + =
|
|
.
|
\
|
+ + = qh d c r p
qh
s

d
, empleando la expresin (6).
56 . 0
5 . 0
1 1
) 53 . 2 (
) 53 . 2 ( 5 . 0
= = =

e e y
s
d

Paso 7. Con 56 . 0 ) 53 . 2 ( =
d
| | | |
54 . 2
10
2 56 . 0 ) 30 40 15 ( 2 2 ) ( ) ( 2
=
+ +
=
+ +
=
h
d s y c r p K
q
d

( ) | | ( ) | | 18 . 2 ) 10 ( 54 . 2 2 30 40 15
) 10 ( 54 . 2
1
ln
5 . 0
1 1
ln
1
=
|
|
.
|
\
|
+ + =
|
|
.
|
\
|
+ + = qh d c r p
qh
s

d
67 . 0
5 . 0
1 1
) 18 . 2 (
) 18 . 2 ( 5 . 0
= = =

e e y
s
d

Paso 10. Con 67 . 0 ) 18 . 2 ( =
d
y se encuentra el valor correspondiente de q.
| | | |
75 . 2
10
2 67 . 0 ) 30 40 15 ( 2 2 ) ( ) ( 2
=
+ +
=
+ +
=
h
d s y c r p K
q
d

Este es el valor de 75 . 2 = q ya que no vara mucho con respecto al anterior. Por lo tanto, se
recomienda hacer un pedido de 3 unidades.
62
2.7 MODELO ESTOCSTICO CON DFICIT CONVERTIDO EN COMBINACIN DE
VENTAS PENDIENTES Y PRDIDAS
Usando el mismo razonamiento como en casos anteriores, y usado los siguiente resultados que
se exponen a continuacin.
a)
( ) { }
h
d s y c r p K
q
d
) ( ) )( 1 ( 2 + +
=
o

b)
| |
| | o o
o o
2
) )( 1 (
2
) )( 1 (
) (
h
h
q
d
c r p
h
q
d
c r p
s F
L
+ +
+
=
En donde,
-
}
=
s
L d
du u f s u s y ) ( ) ( ) ( ,
- p costo por dficit por unidad,
- h costo por inventario por unidad,
- c costo por unidad,
- r precio de venta y
- o fraccin de clientes que estn dispuestos a esperar a que se surta el material.
Los pasos del algoritmo de solucin son los mismos como en la seccin 3.5 y 3.7.
Ahora con
( )( ) | |
( )( ) | | h h
q
d
c r p
h
q
d
c r p
k
o o
o o
2
1
1
2
1
1
+ +
+
= en lugar de
( )
( ) hq d c r p
d c r p
k
+ +
+
= . As, se
inicia siempre con los clculos del paso 3.
a y b.
Para calcular el valor de s es:
Captulo 2. 63
63

( )( ) | |
( )( ) | |
( ) a b
h h
q
d
c r p
h
q
d
c r p
s
+ +
+
=
o o
o o
2
1
1
2
1
1

(29a)
Para el paso 3 se considera resultados de la seccin 3.5.1.
0 ) ( ,
) ( 2
) (
) (
2
=
= s y
a b
s b
s y
d d
cuando b s >
(29b)
Finalmente, se resume el algoritmo de solucin para esta funcin distribucin.
d
d
d
parmetros ) , (
2
o .

( )( ) | |
( )( ) | |

o
o o
o o
o +
(
(
(
(
(
|
.
|
\
|
u +
+ +
+
u =

h h
q
d
c r p
h
q
d
c r p
s
2
1
1
2
1
1
1

(30a)
Para el caso de la normal estndar el valor de ( ) s I s y
d
= ) ( se obtiene de la tabla de la
prdida normal unitaria. En el caso de la normal no estndar
|
|
.
|
\
|
=
L
L
L d
s
I s y
o
o ) (
Es decir,

0 ) ( , ) ( =
|
|
.
|
\
|
= s y
s
I s y
d
L
L
L d
o
o cuando b s >
(30b)
Finalmente, se resume el algoritmo de solucin para esta funcin distribucin.

64
d
d
d
parmetros ( ) , , >0 >0 y o o .

( )( ) ( )
(
(
+ +
=
h h
q
d
c r p
h
s
o o
2
1
1

(31a)
Para el paso 3 se utiliza resultados de la seccin 3.5.3.

( )
( )
( ) ( ) 2 1
! 1
) ( + +
=

o o o
o

o
V V
s
d
F F e
s
s y (31b)
Ahora, se puede resumir el algoritmo de solucin de la siguiente forma.
d
d
d
EXPONENCIAL
para alguna 0 > .

( )( ) ( )
|
|
.
|
\
|
(
(
+ + = h h
q
d
c r p
h
s o o
2
1
1
1
ln
1

(32a)
Para el paso 3 ) (s y
d
se calcul en la seccin 3.5.4.
Captulo 2. 65
65
0 ) ( ,
1
) ( = =

s y e s y
d
s
d

cuando 0 < (32b)

Ahora, se puede resumir el algoritmo de solucin para esta funcin de distribucin.
d
d
d
Supngase que la demanda durante el tiempo de entrega tiene una distribucin weibull
, , v y o | .

( )( ) ( )
|
o o
o
(
+
+ + =
2
1
1 ln
qh
d c r p
v s

(33a)
Para el paso 3 se usa el resultado obtenido en la seccin 3.5.5.

}
|
.
|
\
|
=
s
d
du
v u
s y
|
o
exp ) (
(33b)
d
se obtiene mediante aproximaciones numricas. Ahora,
se puede resumir el algoritmo de solucin de la siguiente forma.
d
d
d
EJEMPLOS 19
Un productor de microcomputadoras compra una unidad de procesamiento central de un solo
chip por $5.00 y el precio de de venta es de $12.00 cada uno. Segn los planes de produccin,
se necesitarn 10,000 unidades durante el prximo ao, pero esto depender de las ventas. En
realidad, la empresa piensa que la demanda durante el tiempo de entrega estar distribuida por
66
una weibull con parmetros 20 2 , 0 = = = | o y v . El gerente de abastecimiento hace planes
basndose en un tiempo de entrega promedio de una semana. El costo de cada pedido son de
$10.00, mientras que los costos de inventario es de $ 1.00 por unidad por semana y el costo
por dficit es de $15.00. Y una fraccin de 0.7 de clientes esta dispuesto a esperar el producto.
Calcule el tamao ptimo del pedido?
Solucin
Datos del problema
45 . 35 = d demanda media
12 = r precio de venta
5 = c costo por unidad y
70 . 0 = o fraccin de clientes que estn dispuestos a esperar a que se surta el material.
d
( ) { }
63 . 26
1
34 . 35 ) 0 )) 5 12 )( 7 . 0 1 ( 15 ( 10 ( 2 ) ( ) )( 1 ( 2
=
+ +
=
+ +
=
h
d s y c r p K
q
d
o

se encuentra s.
( )( ) ( ) ( )( ) ( )
12 . 2
2
7 . 0
69 . 26
45 . 35 5 12 7 . 0 1 15
1 ln 2 0
2
1
1 ln
20
=
(

+
+ + =
(
+
+ + =
|
o o
o
qh
d c r p
v s

}
=
s
L d
correspondiente.
001 . 0
2
exp ) 12 . 2 (
12 . 2
20
=
|
.
|
\
|
=
}
du
u
y
d

Paso 4. Con 001 . 0 ) 12 . 2 ( =
d
( ) { }
65 . 26
1
34 . 35 ) 001 . 0 )) 5 12 )( 7 . 0 1 ( 15 ( 10 ( 2 ) ( ) )( 1 ( 2
=
+ +
=
+ +
=
h
d s y c r p K
q
d
o

Captulo 2. 67
67
( )( ) ( ) ( )( ) ( )
12 . 2
2
7 . 0
65 . 26
45 . 35 5 12 7 . 0 1 15
1 ln 2 0
2
1
1 ln
20
=
(

+
+ + =
(
+
+ + =
|
o o
o
qh
d c r p
v s

d
001 . 0
2
exp ) 12 . 2 (
12 . 2
20
=
|
.
|
\
|
=
}
du
u
y
d

Paso 7. Con 001 . 0 ) 12 . 2 ( =
d
( ) { }
65 . 26
1
34 . 35 ) 01 . 0 )) 5 12 )( 7 . 0 1 ( 15 ( 10 ( 2 ) ( ) )( 1 ( 2
=
+ +
=
+ +
=
h
d s y c r p K
q
d
o

Este es el valor de 65 . 26 = q ya que no vara con respecto al anterior. Por lo tanto, se
recomienda hacer un pedido de26 27 unidades.
68

Captulo 3

MODELOS DE INVENTARIOS DINMICOS Y CON CADENAS DE
MARKOV

3.1 INTRODUCCIN
En los captulos previos se revisaron los inventarios en un slo periodo y generalizaron para
dos o ms periodos, analizando los casos ms comunes y sus generalizaciones a diferentes
familias de distribuciones, ahora en el presente captulo se escribe brevemente sobre otros dos
tipos de inventarios probabilsticos que hacen falta de analizar, los inventarios dinmico-
probabilsticos y finalmente los inventarios obtenidos mediante cadenas de Markov.
Los inventarios dinmico-probabilsticos como es caracterstico partirn de una demanda
incierta y una funcin recursiva que determine el costo en cada etapa del inventario para la
toma de la mejor decisin y avanzar a la siguiente etapa.
En el caso de los inventarios obtenidos mediante cadenas de Markov se parte de la
definicin de un proceso estocstico, los conceptos bsicos de las cadenas de markov, y las
condiciones que debe cumplir una cadena de markov. Finalmente, para la parte de inventarios
se ilustran stos con un proceso de Poisson.
3.2 MODELO ESTOCSTICO DINMICO
En el modelo dinmico probabilstico la demanda es incierta. Por lo tanto, se siguen los
siguientes pasos para encontrar el modelo.
- El problema se divide en etapas,
- A cada etapa se le asocian varios estados (nmero de artculos en el almacn,
i
y ),
- Se toma una decisin en cada etapa (nmero de artculos por ordenar,
i
q ),
- Con la decisin tomada se transforma el estado actual en un nuevo estado en la etapa
siguiente (funcin de transicin)
Captulo 3. 69
69
) (
1 i i i i
D E q y y + =

- Observar que dado el estado actual, la decisin ptima para cada una de las etapas
restantes no depende de estados o decisiones previas.
- Se obtiene la funcin recursiva que determina, en la etapa t , el costo correspondiente a
T t t t , , 2 , 1 , + +

| | { } ) ( min ) (
*
1 1 i i i i i i
q
i i
y J E y h q c K y J
i
+
+ + + =
(1)
En donde, | | ) (
*
1 i i
y J E
+
es el costo esperado mnimo para el almacenamiento de
i
y en la
siguiente etapa.
EJEMPLO 20
Se considera el siguiente sistema de inventario durante tres periodos. Al principio de cada
periodo es necesario determinar cuntas unidades producir durante dicho periodo. El costo de
produccin es ) (q c , donde 0 ) 0 ( = c y para q q c 20 30 ) ( + = . La capacidad de produccin est
limitada a 4 unidades durante cada periodo. Despus de tener la produccin se observa la
demanda aleatoria del periodo que puede ser de 1 o 2 unidades con la misma probabilidad.
Despus de satisfacer la demanda se observa la existencia en el almacn a la que se carga un
costo de almacenamiento de $10 por unidad. La capacidad del almacn est limitada a tres
artculos. Se necesita satisfacer a tiempo toda la demanda. La existencia al final del tercer
periodo se remata a $20 la unidad. Al inicio se cuenta con una unidad en la bodega. Use la
programacin dinmica para determinar una poltica de produccin que minimice el costo neto
esperado incurrido durante los tres periodos.
Solucin
Se determinar la funcin de transicin ) (
1 i i i i
D E q y y + =

, para esto se requiere la
demanda esperada. Del enunciado la demanda aleatoria del periodo puede ser de 1 o 2
unidades con la misma probabilidad. Luego, 2 3 ) 5 . 0 ( 2 ) 5 . 0 ( 1 ) ( = + = D E . As,
2 3
1
+ =
i i i
q y y .
Ahora la funcin recursiva, | | { } ) ( min ) (
*
1 1 i i i i i i
q
i i
y J E y h q c K y J
i
+
+ + + = . Para esto
| | | | ) 2 ( ) 1 (
2
1
2
1
) 2 (
2
1
) 1 ( ) (
1
*
1 1
*
1 1
*
1 1
*
1
*
1
+ + + = + + + =
+ + + + + i i i i i i i i i i i i i i
q y J q y J q y J q y J y J E

De tal forma que la funcin recursiva est dada por:
Modelos de inventarios dinmicos y con cadenas de Markov. 70
70
)
`
+ + + + + + =
+ +
2
1
) 2 (
2
1
) 1 ( min ) (
1
*
1 1
*
1 1 i i i i i i i i i i
q
i i
q y J q y J y h q c K y J
i

Etapa 3
En particular la frmula recursiva en la tercera etapa se debe contemplar que la
existencia al final del tercer periodo se remata a $20 la unidad, pero | | ) (
*
1 i i
y J E
+
se
considera costo, y el remate es ganancia, luego se analiza
| | ) 2 ( ) 1 ( ) 20 (
2
1
1
*
1 1
*
1
+ + +
+ + i i i i i i
q y J q y J
| |
| |
{ } 15 10 10 )) ( 1 ( 30 min
2 1 ) 20 (
2
1
) 2 3 ( 10 20 )) ( 1 ( 30 min
) 2 ( ) 1 ( ) 20 (
2
1
)) ( 1 ( min ) (
2 3 3
3 2 3 2 3 2 3 3
3 2 3 2 3 3 3 3 3 2 3
3
3
3
+ + =
)
`
+ + + + + + =
)
`
+ + + + + =
y q q
q y q y q y q q
q y q y y h q c q K y J
q
q
q
o
o
o

En donde, ) (x o es la funcin delta de Dirac. La funcin de transicin 2 3
3 2 3
+ = q y y .
2 1
y y
i
=

Costo esperado de
almacenamiento
2 3
3 2 3
+ = q y y
Cantidad de
artculos por
ordenar en la
etapa actual
3
q
Costos esperado total

15 10 10 )) ( 1 ( 30 ) (
2 3 3 2 3
+ + = y q q y J o
3
2 3 0 15 15 ) 3 ( 10 ) 0 ( 10 ) 1 1 ( 30 ) 3 (
3
= + + = J
3
2 5 1 25 15 ) 3 ( 10 ) 1 ( 10 ) 0 1 ( 30 ) 3 (
3
= + + = J
2
2 1 0 5 15 ) 2 ( 10 ) 0 ( 10 ) 1 1 ( 30 ) 2 (
3
= + + = J
2
2 3 1 35 15 ) 2 ( 10 ) 1 ( 10 ) 0 1 ( 30 ) 2 (
3
= + + = J
2
2 5 2 45 15 ) 2 ( 10 ) 2 ( 10 ) 0 1 ( 30 ) 2 (
3
= + + = J
1
2 1 1 45 15 ) 1 ( 10 ) 1 ( 10 ) 0 1 ( 30 ) 1 (
3
= + + = J
1
2 3 2 55 15 ) 1 ( 10 ) 2 ( 10 ) 0 1 ( 30 ) 1 (
3
= + + = J
1
2 5 3 65 15 ) 1 ( 10 ) 3 ( 10 ) 0 1 ( 30 ) 1 (
3
= + + = J
0
2 1 2 65 15 ) 0 ( 10 ) 2 ( 10 ) 0 1 ( 30 ) 0 (
3
= + + = J
0
2 3 3 75 15 ) 0 ( 10 ) 3 ( 10 ) 0 1 ( 30 ) 0 (
3
= + + = J
0
2 5 4 85 15 ) 0 ( 10 ) 4 ( 10 ) 0 1 ( 30 ) 0 (
3
= + + = J
Etapa 2
La funcin de transicin 2 3
2 1 2
+ = q y y .
Captulo 3. 71
71
)
`
+ + +
+ + + =
2
) 2 ( ) 1 (
)) ( 1 ( min ) (
2 1 3 2 1 3
2 2 2 2 2 1 2
2
q y J q y J
y h q c q K y J
q
o
o sustituyendo 2 3
2 1 2
+ = q y y
)
`
+ + +
+ + + =
)
`
+ + +
+ + + + =
)
`
+ + +
+ + + =
2
) 2 ( ) 1 (
15 10 30 )) ( 1 ( 30 min
2
) 2 ( ) 1 (
) 2 3 ( 10 20 )) ( 1 ( 30 min
2
) 2 ( ) 1 (
)) ( 1 ( min ) (
2 1 3 2 1 3
1 2 2
2 1 3 2 1 3
2 1 2 2
2 1 3 2 1 3
2 2 2 2 2 1 2
2
2
2
q y J q y J
y q q
q y J q y J
q y q q
q y J q y J
y h q c q K y J
q
q
q
o
o
o

Los mejores costos en la etapa 3: 15 ) 3 (
3
= J , 5 ) 2 (
3
= J , 45 ) 1 (
3
= J y 65 ) 0 (
3
= J .
1 1
y y
i
=

Costo esperado de
almacenamiento
2 3
2 1 2
+ = q y y
2
q
Costo esperado total periodos del 2 al 3
2
) 2 ( ) 1 (
15 10 30 )) ( 1 ( 30 ) (
2 1 3 2 1 3
1 2 2 1 2
+ + +
+
+ + + =
q y J q y J
y q q y J o

3 2 3 0
| |
35
2
) 1 ( ) 2 (
15 ) 3 ( 10 ) 0 ( 30 ) 1 1 ( 30 ) 3 (
3 3
2
=
+
+ + + =
J J
J
3 2 5 1
| |
65
2
) 2 ( ) 3 (
15 ) 3 ( 10 ) 1 ( 30 ) 0 1 ( 30 ) 3 (
3 3
2
=
+
+ + + =
J J
J
2 2 1 0
| |
60
2
) 0 ( ) 1 (
15 ) 2 ( 10 ) 0 ( 30 ) 1 1 ( 30 ) 2 (
3 3
2
=
+
+ + + =
J J
J
2 2 3 1
| |
85
2
) 1 ( ) 2 (
15 ) 2 ( 10 ) 1 ( 30 ) 0 1 ( 30 ) 2 (
3 3
2
=
+
+ + + =
J J
J
2 2 5 2
| |
85
2
) 2 ( ) 3 (
15 ) 2 ( 10 ) 2 ( 30 ) 0 1 ( 30 ) 2 (
3 3
2
=
+
+ + + =
J J
J
1 2 1 1
| |
110
2
) 0 ( ) 1 (
15 ) 1 ( 10 ) 1 ( 30 ) 0 1 ( 30 ) 1 (
3 3
2
=
+
+ + + =
J J
J
1 2 3 2
| |
105
2
) 1 ( ) 2 (
15 ) 1 ( 10 ) 2 ( 30 ) 0 1 ( 30 ) 1 (
3 3
2
=
+
+ + + =
J J
J
1 2 5 3
| |
105
2
) 2 ( ) 3 (
15 ) 1 ( 10 ) 3 ( 30 ) 0 1 ( 30 ) 1 (
3 3
2
=
+
+ + + =
J J
J
0 2 1 2
| |
130
2
) 0 ( ) 1 (
15 ) 0 ( 10 ) 2 ( 30 ) 0 1 ( 30 ) 0 (
3 3
2
=
+
+ + + =
J J
J
0 2 3 3
| |
125
2
) 1 ( ) 2 (
15 ) 0 ( 10 ) 3 ( 30 ) 0 1 ( 30 ) 0 (
3 3
2
=
+
+ + + =
J J
J
0 2 5 4
| |
125
2
) 2 ( ) 3 (
15 ) 0 ( 10 ) 4 ( 30 ) 0 1 ( 30 ) 0 (
3 3
2
=
+
+ + + =
J J
J

72
Etapa 1
Por condiciones del problema, 1
0
= y . Luego, la funcin de transicin.
2 1 2 3
1 1 0 1
= + = q q y y .
De esta forma la funcin recursiva de costos
| |
| |
2
) 1 ( ) (
10 20 )) ( 1 ( 30
2
) 2 ( ) 1 (
10 20 )) ( 1 ( 30 ) (
1 2 1 2
1 1 1
1 0 2 1 0 2
1 1 1 0 1
+
+ + + =
+ + +
+ + + =
q J q J
y q q
q y J q y J
y q q y J
o
o

Se puede hacer sustituyendo la funcin de transicin
| |
| |
2
) 1 ( ) (
5 30 )) ( 1 ( 30
2
) 1 ( ) (
) 2 1 ( 10 20 )) ( 1 ( 30 ) (
1 2 1 2
1 1
1 2 1 2
1 1 1 0 1
+
+ + =
+
+ + + =
q J q J
q q
q J q J
q q q y J
o
o

En donde, los mejores costos en la etapa 2, son: 35 ) 3 (
2
= J , 60 ) 2 (
2
= J , 105 ) 1 (
2
= J y
125 ) 0 (
2
= J .
0 1
y y
i
=

Costo esperado
de
almacenamiento
1
y
Cantidad de artculos
por ordenar en la
etapa actual (1 )
1
q
| |
2
) 1 ( ) (
10 20 30 ) (
1 2 1 2
1 1 0 1
+
+ + + =
q J q J
y q y J
1 2 1 1
| |
170
2
) 0 ( ) 1 (
2
1
10 ) 1 ( 20 30 ) 1 (
2 2
1
=
+
+ + + =
J J
J
1 2 3 2
| |
5 . 167
2
) 1 ( ) 2 (
2
3
10 ) 2 ( 20 30 ) 1 (
2 1
1
=
+
+ + + =
J J
J
1 2 5 3
| |
5 . 162
2
) 2 ( ) 3 (
2
5
10 ) 3 ( 20 30 ) 1 (
2 1
1
=
+
+ + + =
J J
J
La solucin ptima corresponde al costo esperado de $162.50 que alcanza cuando en la
primera etapa se producen 3
1
= q unidades. Para conocer con cuntas unidades se iniciar en la
etapa 2, se tiene que la demanda por etapa puede ser de 1 o 2 unidades, as es necesario
analizar las dos situaciones. Por ejemplo, si 1
1
= d , entonces la etapa 2 inicia con
3 1 3 1
1 1 0
= + = + d q y .
Eligiendo el menor costo en la segunda etapa cuando se inicia con 3 unidades, resulta un
costo de 35 ) 3 (
2
= J y se obtiene cuando en la segunda etapa se producen 0
2
= q unidades.
Similarmente se analizan las diferentes opciones de la demanda en la segunda etapa, para ver
con cuntas unidades se deber iniciar la tercera etapa. En la siguiente tabla se resumen las
diferentes opciones.
Captulo 3. 73
73
Etapa 1 Etapa 2 Etapa 3
P
r
o
d
u
c
c
i
n
1
q

D
e
m
a
n
d
a

1
d

Inicio etapa 2
1 1 0 1
d q y y + =
P
r
o
d
u
c
c
i
n
2
q

D
e
m
a
n
d
a

2
d

Inicio etapa 3
2 2 1 2
d q y y + =
P
r
o
d
u
c
c
i
n
3
q

D
e
m
a
n
d
a

3
d

Final etapa 3
3 3 2 3
d q y y + =
(remate)
3 1 3
0 1 2
0 1 1
0 2 0
0 2 1
1 1 1
1 2 0
3 2 2
0 1 1
1 1 1
1 2 0
0 2 0
2 1 1
2 2 0

EJEMPLO 21
Chip Milton vende sudaderas en los juegos de ftbol. Con igual probabilidad puede vender
200 o 400 en cada juego. Cada vez que Chip hace un pedido, paga $5000.00 ms $5.00 por
cada sudadera pedida. Cada sudadera se vende a $80.00. Se carga un costo de almacenamiento
de $20.00 por sudadera que sobra al final del juego, debido al costo de oportunidad del capital
ligado a las sudaderas, y a sus costos de almacenamiento. Chip puede almacenar 400
sudaderas cuando mucho despus de cada juego. Suponiendo que el nmero de sudaderas
pedidas por Chip debe ser mltiplo de 100, determine una poltica de pedidos que maximice
las ganancias netas que se obtengan durante los tres primeros juegos de la temporada. Suponga
que cualquier sobrante tiene un valor de $60.00 por sudadera.
Solucin
Se va a determinar la funcin de transicin ) (
1 i i i i
D E q y y + =

, para esto se requiere la
demanda esperada. Del enunciado la demanda aleatoria del periodo puede ser de 200 o 400
unidades con la misma probabilidad. Entonces, 300 ) 5 . 0 ( 400 ) 5 . 0 ( 200 ) ( = + = D E . As,
300
1
+ =
i i i
q y y .
Ahora la funcin recursiva, | | { } ) ( min ) (
*
1 1 i i i i i i
q
i i
y J E y h q c K y J
i
+
+ + + = . Para esto
74
| |
| | ) 400 ( ) 200 (
2
1

2
1
) 400 (
2
1
) 200 ( ) (
1
*
1 1
*
1
1
*
1 1
*
1
*
1
+ + + =
+ + + =
+ +
+ + +
i i i i i i
i i i i i i i i
q y J q y J
q y J q y J y J E

De tal forma que la funcin recursiva est dada por:
)
`
+ + + + + + =
+ +
2
1
) 400 (
2
1
) 200 ( min ) (
1
*
1 1
*
1 1 i i i i i i i i i i
q
i i
q y J q y J y h q c K y J
i

Partido 3
En particular la frmula recursiva en la tercera etapa se debe contemplar que la existencia al
final del tercer periodo se remata a $60 la unidad, pero | | ) (
*
1 i i
y J E
+
se considera costo, y el
remate es ganancia, luego se considerar | | ) 400 ( ) 200 ( ) 60 (
2
1
1
*
1 1
*
1
+ + +
+ + i i i i i i
q y J q y J

| |
| |
{ } 12000 40 10 )) ( 1 ( 5000 min
400 200 ) 60 (
2
1
) 300 ( 20 50 )) ( 1 ( 5000
min
) 400 ( ) 200 ( ) 60 (
2
1
)) ( 1 ( min ) (
2 3 3
3 2 3 2
3 2 3 3
3 2 3 2 3 3 3 3 3 2 3
3
3
3
+ =

)
+ + +
+ + +
=
)
`
+ + + + + =
y q q
q y q y
q y q q
q y q y y h q c q K y J
q
q
q
o
o
o

En donde, ) (x o es la funcin delta de Dirac. La funcin de transicin 300
3 2 3
+ = q y y .
2 1
y y
i
=

Costo esperado de
almacenamiento
300
3 2 3
+ = q y y

Cantidad de
artculos por
ordenar en la
etapa actual
3
q
Costos esperado total

12000 40 10 )) ( 1 ( 5000 ) (
2 3 3 2 3
+ = y q q y J o
400 100 0 4000 ) 400 (
3
= J
300 0 0 0 ) 300 (
3
= J
300 100 100 4000 ) 300 (
3
= J

200 0 100 8000 ) 200 (
3
= J

200 100 200 7000 ) 200 (
3
= J

100 0 200 11000 ) 100 (
3
= J

100 100 300 10000 ) 100 (
3
= J
0 0 300 14000 ) 0 (
3
= J

0 100 400 13000 ) 0 (
3
= J
Captulo 3. 75
75
Partido 2
La funcin de transicin 300
2 1 2
+ = q y y .
)
`
+ + +
+ + + =
2
) 400 ( ) 200 (
)) ( 1 ( min ) (
2 1 3 2 1 3
2 2 2 2 2 1 2
2
q y J q y J
y h q c q K y J
q
o
o sustituyendo 300
2 1 2
+ = q y y
)
`
+ + +
+ + + =
+ + +
+
+ + +
=
)
`
+ + +
+ + + =
2
) 400 ( ) 200 (
6000 20 70 )) ( 1 ( 5000 min
2
) 400 ( ) 200 (
) 300 ( 20 50 )) ( 1 ( 5000
min
2
) 400 ( ) 200 (
)) ( 1 ( min ) (
2 1 3 2 1 3
1 2 2
2 1 3 2 1 3
2 1 2 2
2 1 3 2 1 3
2 2 2 2 2 1 2
2
2
2
q y J q y J
y q q
q y J q y J
q y q q
q y J q y J
y h q c q K y J
q
q
q
o
o
o

Los mejores costos en la etapa 3: 4000 ) 400 (
3
= J , 0 ) 300 (
3
= J , 7000 ) 200 (
3
= J ,
10000 ) 100 (
3
= J y 13000 ) 0 (
3
= J .
1 1
y y
i
=

Costo esperado de
almacenamiento
300
2 1 2
+ = q y y
2
q
2
) 400 ( ) 200 (
6000 20 70 )) ( 1 ( 5000 ) (
2 1 3 2 1 3
1 2 2 1 2
+ + +
+
+ + + =
q y J q y J
y q q y J o

400 100 0 12000 ) 400 (
2
= J
300 0 100 22000 ) 300 (
2
= J
200 100 200 27000 ) 200 (
2
= J
100 100 300 32000 ) 100 (
2
= J
0 2 5 400 37000 ) 0 (
2
= J
Partido 1
Por condiciones del problema, 0
0
= y . Luego, la funcin de transicin.
300 300
1 1 0 1
= + = q q y y .
De esta forma la funcin recursiva de costos
| |
2
) 400 ( ) 200 (
20 50 )) ( 1 ( 5000 ) (
1 2 1 2
1 1 1 0 1
+
+ + + =
q J q J
y q q y J o
Se puede hacer sustituyendo la funcin de transicin
76
| |
| |
2
) 400 ( ) 200 (
6000 70 )) ( 1 ( 5000
2
) 400 ( ) 200 (
) 300 ( 20 50 )) ( 1 ( 5000 ) (
1 2 1 2
1 1
1 2 1 2
1 1 1 0 1
+
+ + =
+
+ + + =
q J q J
q q
q J q J
q q q y J
o
o

0 1
y y
i
=

Costo esperado
de
almacenamiento
300
1 1
= q y
Cantidad de artculos
por ordenar en la
etapa actual (1 )
1
q
| |
2
) 400 ( ) 200 (
6000 70 5000 ) (
1 2 1 2
1 0 1
+
+
+ =
q J q J
q y J

0 0 400 59000 ) 0 (
1
= J
La solucin ptima corresponde al costo esperado de $59000.00 que alcanza cuando en
la primera etapa se hace un pedido de 400
1
= q

unidades. Para conocer con cuntas unidades
se iniciar en la etapa 2, se tiene que la demanda por etapa puede ser de 200 o 400 unidades,
as es necesario analizar las dos situaciones. Por ejemplo, si 200
1
= d , entonces la etapa 2
inicia con 200 200 400 0
1 1 0
= + = + d q y .
Eligiendo el menor costo en la segunda etapa cuando se inicia con 200 unidades, resulta
un costo de 27000 ) 200 (
2
= J y se obtiene cuando en la segunda etapa se un pedido de
200
2
= q unidades. Similarmente se analizan las diferentes opciones de la demanda en la
segunda etapa, para ver con cuntas unidades se deber iniciar la tercera etapa. En la siguiente
tabla se resumen las diferentes opciones.
Etapa 1 Etapa 2 Etapa 3
P
e
d
i
d
o
1
q

D
e
m
a
n
d
a

1
d

Inicio etapa 2
1 1 0 1
d q y y + =
P
e
d
i
d
o
2
q

D
e
m
a
n
d
a

2
d

Inicio etapa 3
2 2 1 2
d q y y + =
P
e
d
i
d
o
3
q

D
e
m
a
n
d
a

3
d

Final etapa 3
3 3 2 3
d q y y + =
(remate)
400 200 200
200 200 200
200 200 200
200 400 0
200 400 0
400 200 200
400 400 0
400 400 0
400 200 200
200 200 200
200 400 0
400 400 0
400 200 200
400 400 0

Captulo 3. 77
77
GENERALIZACIN DE UN MODELO ESTOCSTICO DINMICO
Generalizando el razonamiento que condujo a la ecuacin (1) se tiene lo siguiente: supngase
que los estados posibles durante el periodo 1 + t son
n
s s s ,..., ,
2 1
y que la probabilidad de que
el estado del periodo 1 + t sea
i i
P es s . Entonces el costo mnimo esperado en que se incurre
durante los periodos ,..., 2 , 1 + + t t al trmino del problema, es
=
+
n
i
i t i
s J p
1
1
) (
donde ) (
1 i t
s J
+
el costo mnimo esperado en que se incurre desde el periodo 1 + t hasta el final
del problema, dado que el estado durante el periodo 1 + t es
i
s .

Figura 3.1 Diagrama de flujo para las etapas de un modelo estocstico dinmico.
Fuente: Elaboracin propia
En lo que se refiere este diagrama sea S el numero de estados posibles en la etapa 1 + n
y etiquete estos estados al lado derecho por S ,..., 2 , 1 . El sistema cambia al estado i con
probabilidad
i
p ( ) S ,..., 2 , 1 dado el estado
n
s y la decisin
n
x en la etapa n . Si el estado
cambia al estado i ,
i
C es la contribucin de la etapa n a la funcin objetivo.
Debido a la estructura probabilstica, la relacin entre ) ( ) , (
1
*
1 + + n n n n n
s J y x s J
necesariamente es mas complicada que para el caso determinstico. La forma exacta de esta
relacin depender de la forma global de la funcin objetivo.
Poltica ( ) S s,
Para la poltica de inventario se siguen los siguientes pasos.
Probabilidad Contribucin Etapa n+1
de la etapa n
1

1
C
) 1 (
*
1 + n
J

1
p

n
S
n
x
2
p
1
C 2

s
p ) 2 (
*
1 + n
J

1
C
S

) (
*
1
S J
n+

78
1. El costo de producir 0 > x unidades durante un periodo consta de un costo fijo K y un
costo variable de produccin c por unidad.
2. La demanda durante un periodo dado ser x con probabilidad ) (x p .
3. Se carga un costo de almacenamiento de h por unidad a cada inventario al trmino del
periodo. Si hace falta, se incurre en un costo d de escasez por unidad. El costo donde
no se permite escasez se puede obtener al hacer muy grande.
4. La meta es reducir al mnimo el costo total incurrido durante los periodos T ,..., 2 , 1 .
5. Se debe de satisfacer todas las demandas al final del periodo t .
Scarf (1060) para un problema de inventario as, uso la programacin dinmica para demostrar
que: para cada ( ) T t t ,..., 2 , 1 = , existe un par de nmeros ) , (
t t
S s tales que si
1 t
i , la entrada
inventada por el periodo t , es menor que
t
S , entonces una unidad
1
t t
i S se produce
t t
s i >
1
, entonces es optimo no producir durante el periodo t a esta poltica se llama poltica
( ) S s, .
3.3 PROCESOS ESTOCSTICOS
Un proceso estocstico se puede definir de la siguiente forma:
Sea ( ) P F, , O un espacio de probabilidad y E un conjunto no vaco. Un proceso estocstico es
una coleccin de variables aleatorias { } T t X
t
e O : , indexadas por algn conjunto T.
usualmente,
{ }
=
continuo tiempo a o estocstic proceso
discreto tiempo a o estocstic proceso
T
R
,... 2 , 1 , 0
,
El conjunto E es el espacio de estados si E es numerable se dice que el proceso tiene un
espacio de estado discreto mientras que si E continuo entonces se dice que tiene espacio de
estados continuo.
Por ejemplo, el proceso estocstico ,... , ,
3 2 1
X X X , puede representar la coleccin de
niveles semanarios (o mensuales) de inventario de un producto dado, o bien, puede representar
la coleccin de demandas semanales (o mensuales) de ese producto.
El conjunto T es el conjunto ndicedel proceso estocstico. Si T es contable, entonces
el proceso es un proceso en tiempo discreto. Si T es un intervalo abierto o cerrado de la recta
real, entonces el proceso es de tiempo continuo. El conjunto de los posibles valores de las
variables aleatorias ( ) t X , T t e , es el espacio de estados del proceso. Este espacio de estados
puede ser, tambin, continuo o discreto.
Captulo 3. 79
79
3.3.1 CONCEPTOS BSICOS DE LAS CADENAS DE MARKOV
Un modelo de Markov consiste en un conjunto de estados discretos. Este conjunto es
exhaustivo y describe todos los posibles estados donde el sistema puede estar. La transicin
del estado i a j ocurre con una probabilidad
ij
P .

PROPIEDAD DE LA CADENA MARKOV
Una cadena discreta de markov en un Proceso Estocstico con { } 0 = Z T y que cumple:
( ) ( ) S i i j i i X j X P i X i X j X P
t t t t t
e = = = = = =
+ + 1 0 1 0 0 1
,..., ; , , ,..., la Probabilidad de
transicin.
En palabras, esta propiedad markoviana establece que la probabilidad condicional de
cualquier evento futuro dados cualquier evento pasado y el estado actual i X
t
= , es
independiente del evento pasado y slo depende del estado actual del proceso.
Definicin. Se dir que una CM (que cumple con la propiedad marcovina) tiene probabilidad
de transicin si
1 , + t t
ij
P no dependa de t.
Definicin. Si la CM { } ,... 2 , , 1 , 0 , = n P
t
es estacionaria a la matriz { }
S j i
ij
P P
e
=
,

( ) ( ) 1
1 0 1
1 ,
= = = = = = =
+
+
t t
t t
ij ij
X j X P i X j X P P P
Se le conoce como Matriz Transicin de Probabilidades a la matriz
(
(
(
(
=
nn n n
n
n
P P P
P P P
P P P
P
1 0
1 11 10
0 01 00

Adems, cumplen las filas con la siguiente condicin:
i P
S j
ij
=
e
1 .
Para calcular el tiempo de espera de primera pasada del estado i al estado j . Denote
esta esperanza por
ij
, que se define por las expresiones.
=
1 ,
,
0
) (
0
) (
0
) (
n
n
ij
n
n
ij
n
n
ij
ij
f si nf
f si

Siempre que
80
1
0
) (
=
= n
n
ij
f
Entonces
ij
satisface de manera nica, la ecuacin
=
+ =
j k
kj ik ij
p 1
Donde
) (n
ij
f denota la probabilidad de que el tiempo de primera pasada del estado i al j sea
igual a n .
ECUACIONES DE CHAPMAN KOLMOGROV
Las ecuaciones de Chapman Kolmogrov proporcionan un mtodo para calcular
probabilidades de transicin de n pasos.
n m con n y j i toda para P P P
M
k
m n
kj
m
ik
n
ij
s s =
0 ,
0
) ( ) ( ) (

Estas ecuaciones sealan que al ir del estado i al estado j en n pasos, el proceso estar
en algn estado k despus de exactamente ) ( n m m < pasos.
As,
) ( ) ( m n
kj
m
ik
P P

es slo la probabilidad condicional de que si se comienza en el estado i ,
el proceso vaya al estado k despus de m pasos y despus al estado j en n m pasos.
Proposicin. La matriz de probabilidades de transicin de n pasos se puede obtener de
( ) n n
P P = .
CLASIFICACIN DE ESTADOS DE UNA CADENA DE MARKOV
Definicin. Se dice que el estado j es accesible desde el estado i si 0
) (
>
n
ij
p para alguna
0 > n .
En general, una condicin suficiente para que todos los estados sean accesibles es que exista
un valor de n para el que 0
) (
>
n
ij
p para toda j y i .
Definicin. Si el estado j es accesible desde el estado i y el estado i es accesible desde el
estado j , entonces se dice que los estados j y i se comunican.
En general:
1) Cualquier estado se comunica consigo mismo,
2) Si el estado i se comunica con el estado j , entonces el estado j se comunica con el
estado i y
Captulo 3. 81
81
3) Si el estado i se comunica con el estado j y el estado j se comunica con el estado k ,
entonces el estado i se comunica con el estado k .
Definicin. Se dice que una cadena de Markov es irreducible si existe solo una clase, es decir,
si todos los estados se comunican.
Definicin. Sea
ii
f la probabilidad de que el proceso regrese al estado i dado que comienza
en el estado i . El estado i se llama estado recurrente si 1 =
ii
f y es transitorio si 1 <
ii
f .
Definicin. Se dice que un estado i es absorbente si la probabilidad de transicin
ii
p sea
igual a 1.
PROPIEDADES DE LAS CADENAS DE MARKOV A LARGO PLAZO
Distribucin lmite
La distribucin lmite es un vector
t
t t t t ,..., ,
2 1
= , es la nica solucin del sistema.
T j P
T
k
ij k j
,..., 2 , 1 , 0 ,
0
= =
=
t t .
1
0
=
=
T
k
k
t
El lmite de una matriz de transicin es:
| |
j t
t
j X P t = =

lim
J ustificacin
| | | | | |
( )
| |
| |
( )
| | | |
j j
T
k
T
k
t
kj
t t
T
k
t
kj
T
k
t t
k X P k X P P j X P
k X P P k X P k X j X P j X P
t t = = = = = =
= = = = = = =

= =

= =
0
0
0
0 0
0
0
0
0 0
lim lim
,

Esto es, de forma matricial:
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
(
(
(
(
=
(
(
(
(
(
(
=

n
n
n
n
nn
t
n
n
t
n
n
t
n
n
t
n
t
n
t
n
n
t
n
t
n
t
n
t
P P P
P P P
P P P
P
t t t
t t t
t t t
1 0
1 0
1 0
1 0
1 11 10
0 01 00
lim lim lim
lim lim lim
lim lim lim
lim
Este resultado es importante cuando se calcula un costo promedio a largo plazo asociado a una
cadena de Markov.
82
El costo promedio esperado en el que se incurre a lo largo de los primeros n periodos est
dado por la expresin
(
=
n
t
t
X C
n
E
1
) (
1

Sabiendo que
( )
j
n
k
k
ij
n
p
n
t =
)
`
=

0
1
lim
Entonces, el costo promedio esperado por unidad de tiempo (a largo plazo), est dado por
j
M
j
n
t
t
n
j C x C
n
E t

= =

=
)
`
1 1
) ( ) (
1
lim
Las cadenas de Markov estudiadas en este captulo tienen las siguientes propiedades:
1. Un nmero finito de estados,
2. Probabilidades de transicin estacionarias.
Tambin se supondr que se conocen las probabilidades inciales { } i X P =
0
para toda i .
3.3 .2 MODELO CUANDO LA DEMANDA ES GENERADA POR UN PROCESO POISSON
El proceso de conteo { } 0 ), ( > t t N es un Proceso de Poisson con tasa 0 > si
i. { } 0 ) ( = t N ,
ii. El proceso tiene incrementos independientes,
iii. En nmero de eventos en cualquier intervalo de magnitud t tiene una distribucin de
Poisson con media t , es decir,
( )
( )
,... 1 , 0 ,
!
) ( ) ( = = = + n
n
t
n s N s t N P
n
,
De la condicin (iii) se deduce que un proceso de Poisson tiene incrementos
estacionarios y que | | t t N E = ) ( de donde es llamada la tasa del proceso.
EJEMPLO 22
Una tienda de cmaras tiene en almacn un modelo especial de cmara que se puede ordenar
cada semana. Sean ,... ,
2 1
D D las demandas respectivas de esta cmara durante la primera,
segunda,, semanas. Se supone que las
i
D son variables aleatorias independientes e
idnticamente distribuidas que tienen una distribucin Poisson con media de uno. Sea
0
X el
Captulo 3. 83
83
nmero de cmaras que se tiene en el momento de iniciar el proceso,
1
X el nmero de
cmaras que se tienen al final de la semana uno,
2
X el nmero de cmaras que se tienen al
final de la semana dos, etc. Suponga que 3
0
= X . El sbado en la noche la tienda hace un
pedido que le entregan en el momento de abrir la tienda el lunes. La tienda usa la siguiente
poltica para ordenar: si no hay cmaras en el inventario, ordena tres cmaras. De otra manera,
si se cuenta con cmaras en el almacn, no se hace el pedido. Se supone que las ventas se
pierden cuando la demanda excede el inventario. Entonces, { }
t
X para ,..., 1 , 0 = t es un proceso
estocstico de la forma de que se acaba de describir. Los estados posibles del proceso son los
enteros 3 , 2 , 1 , 0 que representan el nmero posible de cmaras en inventario al final de la
semana. Las variables aleatorias
t
X son dependientes y se pueden evaluar en forma iterativa
por medio de la expresin
{ }
{ }
,... 2 , 1 , 0 ,
0 0 ,
0 0 , 3
1
1
1
=
>
=
=
+
+
+
t para
X si D X mx
X si D mx
X
t t t
t t
t

Solucin
t
X representa el estado del sistema en el tiempo t dado que el estado actual es i X
t
= .
1 + t
X
depende solo de
1 + t
D (la demanda en la semana 1 + t ) y
1 + t
X . Como
1 + t
X es independiente de
la historia del sistema de inventarios, el proceso estocstico { }( ) ,... 1 , 0 = t X
t
tiene la propiedad
markoviana y por lo tanto es una cadena de Markov.
Ahora, se obtienen las probabilidades de transicin, es decir, los elementos de la matriz
de transicin.
(
(
(
(
=
3 32 31 30
23 22 21 20
13 12 11 10
03 02 01 00
3
2
1
0
3 2 1 0
p p p p
p p p p
p p p p
p p p p
P
estado

Dado que
1 + t
D tiene una distribucin Poisson con media uno. Entonces,
{ }
( )
,..., 1 , 0 ,
!
1
1
1
= = =

+
n para
n
e
n D P
n
t

As,
84
{ }
{ }
{ }
{ } { } ( ) 080 . 0 184 . 0 368 . 0 368 . 0 1 2 1 3
184 . 0
2
2
368 . 0 1
368 . 0 0
1 1
1
1
1
1
1
1
= + + = s = >
= = =
= = =
= = =
+ +
+
t t
t
t
t
D P D P
e
D P
e D P
e D P

Para el primer rengln de P , se trata de la transicin del estado 0 =
t
X a algn estado
1 + t
X . Como se fini { } 0 0 , 3
1 1
= =
+ + t t t
X si D mx X
Por lo tanto, para la transicin a , 1 2 , 3
1 1 1
= = =
+ + + t t t
X o X X
{ }
{ }
{ } 184 . 0 2
368 . 0 1
368 . 0 0
1 01
1 02
1 03
= = =
= = =
= = =
+
+
+
t
t
t
D P p
D P p
D P p

Una transicin de 0 0
1
= =
+ t t
X a X implica que la demanda de cmaras en la semana
1 + t es 3 o ms, despus que se agreguen tres cmaras al inventario agotado al principio de la
semana, de manera que { } 080 . 0 3
1 00
= > =
+ t
D P p .
Para los otros dos renglones de P, la frmula que se ocupa para los siguientes estados es
{ } 1 0 ,
1 1
> =
+ + t t t t
X si D X mx X
Esto implica que
t t
X X s
+1
entonces, 0 , 0 , 0
23 13 12
= = = p p p . Para las otras
transiciones,
{ }
{ } { }
{ }
{ }
{ } { } ( ) 264 . 0 368 . 0 368 . 0 1 1 1 2
368 . 0 1
368 . 0 0
632 . 0 0 1 1
368 . 0 0
1 1 20
1 21
1 22
1 1 10
1 11
= + = s = > =
= = =
= = =
= = = > =
= = =
+ +
+
+
+ +
+
t t
t
t
t t
t
D P D P p
D P p
D P p
D P D P p
D P p

Para el ltimo rengln de P, la semana 1 + t comienza con tres cmaras en inventario y
los clculos de las probabilidades de transicin son junto las mismas que para el primer
rengln. En consecuencia, la matriz de transicin completa es
(
(
(
(
=
368 . 0 368 . 0 184 . 0 080 . 0
0 368 . 0 368 . 0 264 . 0
0 0 368 . 0 632 . 0
368 . 0 368 . 0 184 . 0 080 . 0
3
2
1
0
3 2 1 0
P
estado

Captulo 3. 85
85
Ahora, analizando la matriz de transicin de probabilidades a dos etapas se tiene que:
(
(
(
(
=
(
(
(
(
(
(
(
(
= =
165 . 0 300 . 0 286 . 0 249 . 0
097 . 0 233 . 0 319 . 0 351 . 0
233 . 0 233 . 0 252 . 0 283 . 0
165 . 0 300 . 0 286 . 0 249 . 0
368 . 0 368 . 0 184 . 0 080 . 0
0 368 . 0 368 . 0 264 . 0
0 0 368 . 0 632 . 0
368 . 0 368 . 0 184 . 0 080 . 0
368 . 0 368 . 0 184 . 0 080 . 0
0 368 . 0 368 . 0 264 . 0
0 0 368 . 0 632 . 0
368 . 0 368 . 0 184 . 0 080 . 0
2 ) 2 (
P P

Por lo tanto, dado que queda una cmara en existencia al final de una semana, la
probabilidad de que no se tenga cmara alguna en existencia 2 semanas ms tarde es de
283 . 0
) 2 (
10
= p
Anlogamente, dado que quedan 2 cmaras en existencia al final de una semana, la
probabilidad de que se tengan 3 cmaras en existencia 2 semanas ms tarde es de
097 . 0
) 2 (
23
= p
Ahora, se obtiene la matriz de transicin en 4 pasos.
(
(
(
(
=
(
(
(
(
(
(
(
(
= = =
164 . 0 261 . 0 286 . 0 289 . 0
171 . 0 263 . 0 283 . 0 284 . 0
166 . 0 268 . 0 285 . 0 282 . 0
164 . 0 261 . 0 286 . 0 289 . 0
165 . 0 300 . 0 286 . 0 249 . 0
097 . 0 233 . 0 319 . 0 351 . 0
233 . 0 233 . 0 252 . 0 283 . 0
165 . 0 300 . 0 286 . 0 249 . 0
165 . 0 300 . 0 286 . 0 249 . 0
097 . 0 233 . 0 319 . 0 351 . 0
233 . 0 233 . 0 252 . 0 283 . 0
165 . 0 300 . 0 286 . 0 249 . 0
2 2 ) 2 ( ) 2 ( ) 4 (
P P P P P

Por lo tanto, dado que resulta en existencia una cmara al final de una semana, la
probabilidad de que no se tengan cmaras en existencias 4 semanas ms tarde es de
282 . 0
) 4 (
10
= p
De manera anloga dado que quedan 2 cmaras en existencia al final de una semana, la
probabilidad de que se tengan 3 cmaras 4 semanas ms tarde es de
71 . 1 . 0
) 4 (
23
= p
86
Finalmente, se calcula el tiempo esperado hasta que ya no se tenga cmaras en el
almacn, suponiendo que el proceso inicia cuando se tienen tres cmaras; es decir, se puede
obtener el tiempo esperado de primera pasada
30
.
Si se considera que todos los estados son recurrentes, el sistema de ecuaciones conduce
al sistema de ecuaciones.
+ + + =
+ + + =
+ + + =
30 13 20 12 10 11 10
30 23 20 22 10 21 20
30 33 20 32 10 31 30
1
1
1

p p p
p p p
p p p

Esto es
+ =
+ + =
+ + + =
10 10
20 10 20
30 20 10 30
368 . 0 1
368 . 0 368 . 0 1
368 . 0 368 . 0 184 . 0 1

La solucin es 50 . 3 51 . 2 , 58 . 1
30 20 10
= = = y .
Por lo tanto, el tiempo esperado hasta que la tienda se quede sin cmaras es de 3.5
semanas.
Luego, despus de muchas semanas, la probabilidad de encontrar cero, uno, dos y tres
cmaras en el almacn tiende a 166 . 0 263 . 0 , 286 . 0
3 2 0
= = = t t t y , respectivamente. Estos
resultados se obtienen resolviendo el siguiente sistema de ecuaciones lineales.
+ + + =
+ =
+ + =
+ + + =
+ + + =
3 2 1 0
3 0 3
3 2 0 2
3 2 1 0 1
3 2 1 0 0
1
368 . 0 368 . 0
368 . 0 368 . 0 368 . 0
184 . 0 368 . 0 368 . 0 184 . 0
080 . 0 264 . 0 632 . 0 080 . 0
t t t t
t t t
t t t t
t t t t t
t t t t t

y los tiempos de recurrencia correspondientes son
semanas
semanas
semanas
semanas
02 . 6
1
79 . 3
1
51 . 3
1
51 . 3
1
3
33
2
22
1
11
0
00
= =
= =
= =
= =
t

Captulo 3. 87
87
Por ltimo, supngase que en el almacn de cmaras se asigna los siguientes costos por
almacenamiento al final de semana:
Si 0 =
t
X , entonces 0 ) 0 ( = C .
Si 2 =
t
X , entonces 2 ) 1 ( = C .
Si 2 =
t
X , entonces 8 ) 2 ( = C y 3 =
t
X , 18 ) 3 ( = C .
Finalmente, el costo promedio esperado por semana, a largo plazo, por mantener el
inventario se calcula de la siguiente forma.
67 . 5 ) 166 . 0 ( 18 ) 264 . 0 ( 8 ) 285 . 0 ( 2 ) 285 . 0 ( 0 ) (
1
lim
1
= + + + =
)
`
=

n
t
t
n
x C
n
E

88
Captulo 4

APLICACIN

4.1 CASO DE ESTUDIO
Los datos presentados en el caso de estudio pertenecen a una tienda de conveniencia de la cual
no se mencionar su marca comercial ni su ubicacin por razones de privacidad comercial. Sin
embargo, es importante mencionar que la tienda en donde se realiz el estudio se encuentra en
una zona mixta, es decir, su demanda es variable ya que en su ubicacin se encuentran casas
habitacin y oficinas.

Las tiendas de conveniencia son aquellas que basan su xito en el amplio catlogo que
manejan; alrededor de tres mil artculos, de los cules el treinta por ciento es de alta
frecuencia. Estas tiendas estn situadas en lugares estratgicos que permiten al cliente tener
casi cualquier producto a su alcance las 24 hrs del da. Esta ventaja en servicio al cliente
representa tambin un problema en el momento del clculo de la cantidad de artculos a pedir.

Por esta razn toma importancia la estadstica en la teora de inventarios para el clculo
de lote econmico al mnimo costo. Para ilustrar la aplicacin se analiza dos productos de
forma independiente, uno con comportamiento continuo y el otro discreto.

Captulo 4. 89
89
4.2 METODOLOGA
Para la aplicacin de los modelos de inventarios revisados en los captulos previos se propone
la siguiente metodologa (mostrada en el diagrama de abajo) que ayude al decisor en un
problema prctico a tomar decisiones sobre la mejor eleccin del mejor modelo de inventarios.
Posteriormente, se describe cada una de las etapas de la metodologa y resolvern dos
problemas.

Inicio
Ordenar la
informacin
Estimacin
distribucin de la
demanda
Prueba de bondad
y ajuste
Estimacin de los
parmetros
Eleccin del
modelo
Estimacin
Lote econmico q
Seleccin de la
informacin
Comprobacin del
modelo
Aplicacin. 90
90
4.2.1 inicio
En esta etapa se determinan los tipos de datos que se va a utilizar y su origen.
4.2.2 ORDENAR LA INFORMACIN
Se organiza la informacin para facilitar el manejo, el anlisis y la interpretacin de los datos.
Generalmente la informacin se obtiene de bases de datos que no estn ordenados para el
anlisis que se pretende hacer con stos, es por ello, que se le da un tratamiento de reorden. En
particular, para los datos procedentes de un inventario se considera lo siguiente.
Los campos ms indispensables que se pueden tomar en cuenta en el manejo de la
informacin para su control y diseos de los modelos son los siguientes:
1. Nombre del artculo.
2. Descripcin del artculo.
3. Nmero de artculo.
4. Cdigo de proveedor.
5. Nombre del proveedor.
6. Costo del artculo.
7. Precio del artculo.
8. Nmero de movimiento en inventario.
9. Tipo de movimiento en inventario.
I. Entradas.
II. Salidas.
III. Otros movimientos.
10. Descripcin de movimiento
11. Nmero de unidades en existencia
4.2.3 SELECCIN DE LA INFORMACIN
Se toman los datas de inters para su anlisis estadstico, previamente ordenados y los que
pueden ser de utilidad para hacer estimaciones sobre la cantidad de lote econmico que se
pretende pedir.
4.2.4 DETERMINACIN DE LA DISTRIBUCIN DE LA DEMANDA
Mediante los mtodos estadsticos se estima la distribucin que siguen las demandas,
partiendo intuitivamente de un histograma para tener una idea del comportamiento de los
datos. Una vez teniendo una distribucin inicial de los datos se buscan los estimadores de los
parmetros de dicha distribucin. Finalmente se realiza una prueba de bondad de ajuste para
determinar la distribucin de la demanda.
Captulo 4. 91
91
4.2.4.1 ESTIMACIN DE PARMETROS
Para la estimacin de los parmetros de una distribucin, en estadstica existen varios
mtodos, como el de momentos y mxima verosimilitud (descritos ms abajo), que
dependiendo de los tipos de parmetros que se pretende estimar el mtodo puede tomar un
grado de complejidad elevado que no sea posible encontrarlo explcitamente, sino nicamente
por simulacin y la solucin se determina mediante paquetes estadsticos.
Un estimador es un estadstico (esto es, una funcin de la muestra) usado para estimar
un parmetro desconocido de la poblacin. Por ejemplo, si se desea conocer el precio medio
de un artculo (el parmetro desconocido) se recogern observaciones del precio de dicho
artculo en diversos establecimientos (la muestra) y la media aritmtica de las observaciones
puede utilizarse como estimador del precio medio.
Para cada parmetro pueden existir varios estimadores diferentes. En general, se
escoger el estimador que posea mejores propiedades que los restantes, como insesgamiento,
eficiencia, convergencia y consistencia.
El valor de un estimador proporciona lo que se denomina en estadstica una estimacin
puntual del valor del parmetro en estudio. En general, se suele preferir realizar una
estimacin mediante un intervalo, esto es, obtener un intervalo [a,b] dentro del cual se espera
est el valor real del parmetro con un cierto nivel de confianza. Utilizar un intervalo resulta
ms informativo, al proporcionar informacin sobre el posible error de estimacin, asociado
con la amplitud de dicho intervalo. El nivel de confianza es la probabilidad de que a priori el
verdadero valor del parmetro quede contenido en el intervalo.
Los mtodos ms utilizados para encontrar estimadores:
a) Mtodo de los Momentos
Este mtodo fue propuesto por Pearson (1857-1936) y consiste en igualar un determinado
nmero de momentos tericos de la distribucin de la poblacin con los correspondientes
momentos mustrales, para obtener una o varias ecuaciones que, resueltas, permitan estimar
los parmetros desconocidos de la distribucin poblacional.
Por ejemplo, sea
n
X X X ,..., ,
1 1
una m.a.s. de una distribucin con funcin de densidad
) , ; (
2 1
u u x f . Como se tienen 2 parmetros, se consideran los dos primeros momentos respecto
al origen,
dx x f x X
n
dx x xf X
n
n
i
i
n
i
i
}

=
= = ) , (
1
, ) , (
1
2 1 ;
2
1
2
2 1 ;
1
u u u u
b) Mxima Verosimilitud
El mtodo de Mxima Verosimilitud tiene la propiedad de seleccionar como estimacin, el
valor del parmetro que maximiza el valor de la probabilidad de la muestra aleatoria
Aplicacin. 92
92
observada. El mtodo consiste en encontrar el valor del parmetro que maximiza el valor de la
funcin de verosimilitud.
Por ejemplo, para una muestra aleatoria
n
X X X ,..., ,
1 1
de una distribucin con funcin
de probabilidad o de densidad ) (
;
u x f , la funcin L, se denomina Funcin de Verosimilitud de
la Muestra:
( )
[
=
=
n
i
i X n
x f x x x L
i
1
1 1
) ; ( ,..., , ; u u
El Estimador de Maxima Verosmil, u
, debe satisfacer la ecuacion

( ) ( )
n n
x x x L x x x L ,..., , ; max ,..., , ;
1 1 1 1
u u
u O e
= ,
siendo el Espacio Paramtrico.
El Mtodo de Mxima Verosimilitud tiene la propiedad de proporcionar estimadores que
son funciones de estadsticos sucientes, si y slo si el Estimador de Mxima Verosimilitud es
nico. Debido a la naturaleza de la funcin L, suele ser ms fcil maximizar ) ln(L .
4.2.4.2 PRUEBA DE BONDAD Y AJUSTE
Las pruebas de bondad de ajuste tienen por objetivo determinar si los datos se ajustan a una
determinada distribucin, esta distribucin puede estar completamente especicada (hiptesis
simple) o perteneciente a una clase paramtrica (hiptesis compuesta).Con mucha frecuencia
no se conoce la distribucin de probabilidad de la variable aleatoria en estudio, digamos X, y
se desea probar la hiptesis de que X sigue una distribucin de probabilidad particular. Por
ejemplo, podra ser de inters probar la hiptesis de que X sigue una distribucin normal, una
exponencial, etc.
Las pruebas de bondad de ajuste ms conocidas son:
- La ji cuadrada,
- Kolmogrov Smirnov,
- Shapiro Wilk.
a) Pruebas
2
_
Las pruebas
2
_ , estn diseados para variables aleatorias discretas y continuas con un
nmero finito de valores, si esto no ocurriese los valores de la variable se agrupan en un
nmero finito de clases.
Hiptesis nula
0 0
: F X H =

Se puede hacer mediante el estadstico de Pearson.
Captulo 4. 93
93
Estadstico de Pearson
2
) , 1 (
1
2
2
~
) (
o
_ _

=

=
m k
k
i i
i i
c
np
np n
.
En donde, m cantidad de parmetros a estimar.
k - nmero de clases en la tabla de distribucin de frecuencias.
i
n - el nmero de datos en la clase i,
n - tamao de la muestra,
i
p - es la probabilidad de que la variable aleatoria X (poblacional) tome valores en
el intervalo i.
En ocasiones se simboliza
esperada frecuencia
observada frecuencia
i i
i i
Fe np
Fo n
=
=

Regla de decisin:
Rechazar
0
H al nivel de significancia o , si:
2
) , 1 (
2
o
_ _

>
m k c
.
b) Prueba de Kolmogorov -Smirnov
Se basa en el concepto de la funcin de distribucin emprica y sus propiedades como
aproximacin de la funcin de distribucin terica. Dada una muestra aleatoria de una variable
aleatoria continua ( )
n
X X X ,..., ,
2 1
y una hiptesis simple sobre el comportamiento de esa
variable
0 0
: F X H = considera el estadstico
) ( ) ( sup
0
x F x F D
n
x
n
=
9 e

y rechaza la hiptesis nula cuando el valor de este estadstico es grande. Para estudiar el
comportamiento de
n
D , cuyos valores estn en el intervalo (0,1), y que a medida que el
tamao de muestra aumenta tiende a tomar valores ms prximos a cero (Teorema de
Glivenko-Canteli), se utilizan los estadsticos
( ) ( ) ) ( ) ( sup ) ( ) ( sup
0 0
x F x F D x F x F D
n
x
n n
x
n
= =
9 e
9 e
+

que permite comprobar que
|
.
|
\
|
=
= n i
n
i
x F x F
n
i
D
i i n
,..., 1
1
) ( ), ( max
) ( 0 ) ( 0
.
La distribucin de
n
D es independiente de la distribucin formulada en la hiptesis
nula, ya que la transformacin de los estadsticos ordenados de una variable contina por su
Aplicacin. 94
94
funcin de distribucin da lugar a los estadsticos ordenados de una ) 1 , 0 ( U . En consecuencia
n
D est tabulado para muestras de tamao pequeo y para muestras de tamao grande se
utiliza la aproximacin asinttica
( )

= |
.
|
\
|
s
1
2 1
2 2
1 1 lim
i
z i i
n r
n
e
n
z
D P
La distribucin
n
D sirve para buscar bandas de confianza para la funcin de distribucin
terica de una variable.
c) Pruebas de normalidad
Comprueban la hiptesis compuesta Normal X H = :
0

1. Pruebas grficas basadas en los P-P plots y Q-Q plots.
2. Lillefors: ) (
) ( sup
,
x F x F D
s x n
x
n
=
9 e
| es una modificacin de la prueba de Kolmogrov
- Smirnov, de cmo busca los parmetros de la normal a partir de la muestra ya se est
ajustando a la muestra. Por tanto este estadstico toma valores en general menores que
el de K-S y posee unas tablas propias para este caso. Existen tablas especiales para el
caso exponencial.
3. Shapiro Wilk: ) ,..., 1 ) , ((
) ( ) (
2
n i E X R W
i i
= = , con =
) (i
E Esperanza del estadstico
ordenado de orden i de una muestra aleatoria de tamao n de N(0,1). Otras expresiones
para este estadstico son:
2
2
) (
2 /
1
) (
2
2
) ( ) 1 (
2 /
1
) (
1
) ( ) (
ns
x x a
ns
x x a
W
i
n
i
n
i i i n
n
i
n
i n
|
.
|
\
|

=
|
.
|
\
|

=

=
+
=
+

donde los coeficientes
) (
1
) ( n
i n
n
i
a a
+
= dependen del tamao de muestra y se buscan en
las tablas de Shapiro Wilk.
La regin crtica de esta prueba es { } c W RC < = , donde el valor se obtiene buscando
el comportamiento de W en el caso de que la distribucin sea normal.
4. Agostino: se basa en el estadstico
=
|
.
|
\
|

+
=
|
.
|
\
| +
=
+
= = =

s n
x x i
n
s n
x
n
i
s n
x x i
D
i i n
n
i
i
n
i
i
n
i
2
) ( ) 1 (
2 /
1
2
) (
1
2
) (
1
) (
2
1
2
1
) (

se puede utilizar para n>50 y tiene como regin crtica { }
2 1
c W o c W RC > < = ,
donde los lmites de la regin crtica se encuentran tabulados bajo la hiptesis de
Captulo 4. 95
95
normalidad. Para tamaos de muestra muy grandes mayores de 250 se utiliza una
aproximacin asinttica del estadstico D a una normal.
4.2.5 ELECCIN DEL MODELO
En los modelos clsicos slo se contemplan las demandas, pero en los inventarios de las
tiendas de conveniencia a parte de la demanda se tiene que tomar en consideracin que el
reabastecimiento de productos en muchas ocasiones ocurre por devoluciones por parte del
centro de abastecimiento a las tiendas. Dichas devoluciones tambin son aleatorias y esto
dificulta el problema del inventario, porque se debe tener una demanda real que sera:
s
>
=
devolucin clientes demanda si; 0,
devolucin clientes demanda si; , devolucin clientes demanda
real Demanda
Es decir, para conocer la distribucin de la demanda real se requiere conocer la
distribucin de la demanda de los clientes y la distribucin de las devoluciones.
Posteriormente, por medio de alguna tcnica de transformacin de distribuciones encontrar la
distribucin deseada.
4.2.6 ESTIMACIN DEL LOTE ECONMICO (q)
Una vez obtenido la distribucin de la demanda se procede a estimar el tamao del lote
econmico, de acuerdo al tipo de demanda se ajustan los modelos propuestos o se deduce otro
modelo.
4.2.7 COMPROBACIN DEL MODELO (q)
Con el valor obtenido en la etapa de la seccin 4.2.6 se realiza la comprobacin de que bajo
este resultado durante los periodos establecidos y tiempos de reorden de inventario no se tenga
un nivel de inventario excesivo, ni tampoco varios das con dficit. Adems de que los costos
de inventario sean bajos.

Aplicacin. 96
96
4.3 SOLUCIN DEL PROBLEMA
En la solucin de los problemas se omiten los pasos uno a tres, porque los datos se obtuvieron
previamente ordenados por parte de la tienda de conveniencia. Los datos utilizados para el
anlisis aparecern en cada problema.
4.3.1 PROBLEMA UNO (Conchita Encanto 200G)
Salidas Entradas Salidas Entradas Salidas Entradas
20 0 16 6 15 0
10 2 7 3 12 0
19 1 3 4 9 0
17 5 8 0 16 0
12 3 14 1 10 0
14 2 12 3 14 0
4 1 9 0 4 0
11 0 24 0 10 10
20 0 9 0 8 0
21 2 7 2 13 0
11 4
Tabla 4.1. Muestra de la demanda y devoluciones. Salida: ventas diarias del artculo y
Entradas: devoluciones por parte del consumidor.
Fuente. Elaboracin propia.
Paso 4.
Se analizan los datos para encontrar una distribucin conocida a partir de un histograma de
forma independiente de los datos que se tiene.
Para los datos de la demanda.
Clases Frecuencia
3 6.5 3
6.5 10 7
10 13.5 9
13.5 17 6
17 21.5 5
21.5 24 1
Tabla 4.2. Clases y frecuencias de la demanda.
Fuente. Elaboracion propia.

Captulo 4. 97
97

Figura 4.1. Histograma de la demanda.
Para los datos de las devoluciones.
Clases Frecuencia
0 2 19
2 4 7
4 6 3
6 8 1
8 10 1
Tabla 4.3. Clases y frecuencias de las devoluciones.

Grafica 4.2. Histograma de las devoluciones.
0
1
2
3
4
5
6
7
8
9
10
6.5 10 13.5 17 21.5 24
C
l
a
s
e
Frecuencia
Histograma
Demanda
0
5
10
15
20
2 4 6 8 10
C
l
a
s
e
Frecuencia
Histograma
Devoluciones
Aplicacin. 98
98
Paso 4.1.
Para estimar los parmetros se utiliza el mtodo de mxima verosimilitud.
Para la distribucin normal
05 . 27 ) (
1
1
23 . 12
1
1
2 2
1
=
=
= =
=
=
n
i
i
n
i
i
x x
n
S
x
n
X

Para la distribucin gamma
El logaritmo natural de la funcin de verosimilitud es
| | ) ( ln ) ln( ) 1 ( ) ln( ) ln(
1 1
o o o I + =

= =
n x x n L
n
i
i
n
i
i

de la anterior ecuacin se obtiene un sistema de ecuaciones no lineales, donde ) (o + es la
funcin digamma que se define como
| |
) (
) ( ln
o
o
o
+ =
I
d
d
.
=
= + +

=
=
0
0 ) ln( ) ( ) ln(
1
1
n
i
i
n
i
i
x
n
x n n
o
o

por lo que nos lleva a utilizar un paquete estadstico (Proyecto R) para encontrar los
estimadores
8 . 0
27 . 1
=
=
o

Paso 4.2.
Para corroborar la distribucin de los datos se procede a realizar una prueba de normalidad
mediante la prueba Shapiro Wilk.
Hiptesis
) 05 . 27 , 23 . 12 ( ~ : ) 05 . 27 , 23 . 12 ( ~ :
0 0
normal D H vs normal D H /

La estadstica de prueba es 976 . 0 = W 1 y el valor crtico a un nivel de confianza del 5% es
929 . 0
05 . 0 , 31
= W
.
Por lo tanto, no se rechaza la hiptesis nula.
Tambin se hace la prueba de Kolmogorov Smirnov.
La estadstica de prueba es 098 . 0 = D 1 y el valor crtico a un nivel de confianza del 5%
es 278 . 0
05 . 0 , 31
= D
.
Por lo tanto, no se rechaza la hiptesis nula.
Captulo 4. 99
99
De acuerdo a la prueba de normalidad, los datos presentan indicios de una distribucin
normal con parmetros, media 23 . 12 = . y varianza 05 . 27
2
= o .
Por otro lado, se realiza la prueba de bondad de ajuste sobre los datos de las
devoluciones y .se aplica la prueba de la ji cuadrada Pearson.

Figura 4.3. Prueba de bondad y ajuste, prueba de normalidad en R.
Hiptesis
) 0 . 0 , 27 . 1 ( ~ : ) 0 . 0 , 27 . 1 ( ~ :
0 0
gamma nes devolucico H vs gamma es devolucion H /

El estadstico de prueba es
( )
23 . 39
1
2
2
2
=
=
n
i
i
c
x x
o
_
donde 56 . 1 = x y 97 . 1
2
= o , parmetros poblacionales estimados de la poblacin que tiene
una distribucin gamma.
Regla de decisin:
Rechazar :
0
H la distribucin es ) ; ( x f , al nivel de significancia o , si: ) ), 1 ((
2 2
o _ _ > k n
t c
.
Aplicacin. 100
100
donde
n: nmero de observaciones.
k: nmero de parmetros a estimar.
Ahora se calcula el valor crtico que es
34 . 41
2
05 . 0 , 28
2
) 1 (
= =

_ _
o k n

Por lo tanto, la hiptesis nula no se rechaza a un nivel de significancia de %5, esto indica
que las devoluciones tienen una distribucin ) 8 . 0 , 27 . 1 ( gamma .
Paso 5.
Se determina la forma del modelo que se pretende aplicar para la estimacin de la demanda. El
modelo a utilizar es:
s
>
=
real Demanda
Paso 6.
De acuerdo a la grfica anterior, las entradas por devolucin tienen un comportamiento de una
distribucin gamma con parmetros 8 . 0 , 27 . 1 = = o . Por lo tanto, el promedio de
devoluciones por da es de 1.58 artculos.
Ahora, se estima
*
q con las dos demandas estimadas, es decir, las diferencia entre la
demanda (normal) y las devoluciones (gamma).

Partiendo de la teora bsica
u
u
c c
c
q D P
+
= s
0
*
) (

donde
) 8 . 0 , 27 . 1 ( ) 05 . 27 , 23 . 12 ( ~ gamma normal D

Con la distribucin resultante de la suma de una normal y una gamma no se puede
calcular analticamente la funcin de densidad, es por esto que se utiliza un mtodo de
aproximacin implementado en R (paquete estadstico).
Primeramente se calcula los valores de
u
c y c
0
. Partiendo de los siguientes precios: el
costo por unidad es de $3.22 y el precio de venta es de $4.5.

De esta forma,
negativo): Compra de q unidades a $3.22 cada uno ( q 22 . 3 ), venta de unidades a
Captulo 4. 101
101
$4.5 cada uno ( d 5 . 4 ) y devolucin de d q unidades ( ) ( 5 . 4 d q ).
Obteniendo un costo total de d q d q d q 0 28 . 1 ) ( 5 . 4 5 . 4 22 . 3 = . Luego,
28 . 1
0
= c .
negativo): Compra de q unidades a $3.22 cada uno ( q 22 . 3 ) y venta de unidades a
$4.5 cada uno ( q 5 . 4 ). Obteniendo un costo total de q q q 28 . 1 5 . 4 22 . 3 = .
Luego, 28 . 1 =
u
c .
Finalmente,
23 . 11 5 . 0
28 . 1 28 . 1
28 . 1
) (
* *
= =
+
= s q q D P

Por lo tanto, es aconsejable pedir un lote econmico de 79 artculos semanales.
Paso 7.
En esta etapa se comprueba el modelo como se muestra en la siguiente tabla.
demanda
efectiva
Unidades
calculadas
Cantidad a
pedir q/semanal
demanda
efectiva
Unidades
calculadas
Cantidad a
pedir q/semanal
20 59 79 8 71 79
8 51 13 58
18 33 9 49
12 21 9 40
9 12 24 16
12 0 9 7
3 -3 5 2
11 68 79 15 64 79
20 48 12 52
19 29 9 43
7 22 16 27
10 12 10 17
4 8 14 3
-1 9 4 -1
Tabla 4.4. Anlisis de ventas semanales.
De acuerdo a la tabla anterior, se concluye que el modelo es adecuado para la estimacin de
lote econmico semanal, ya que existen pocas unidades de sobre abastecimiento y slo se
tienen dos das de dficit al mes, que representa un 7% de desabasto.

Aplicacin. 102
102
4.3.2 PROBLEMA DOS (Activia bebfres 250G )
Se muestran los datos abajo en la siguiente tabla.
No Salidas No Salidas No Salidas
1 6 12 1 22 1
2 5 13 12 23 0
3 2 14 2 24 3
4 4 15 2 25 8
5 3 16 7 26 5
6 4 17 7 27 3
7 1 18 7 28 3
8 7 19 4 29 3
9 6 20 4 30 4
10 9 21 5 31 1
11 4
Tabla 4.5. Muestra de la demanda.
Paso 4.
Se analiza los datos para encontrar una distribucin conocida a partir de un histograma.
Clases Frecuencia
0 2 5
2.4 4 8
4.8 6 9
7.2 8 6
9.6 10 2
12 1
Tabla 4.6. Clases y frecuencias de la demanda.

De la grfica siguiente se observa que los datos de la demanda tienen una distribucin que se
asemeja a una Poisson. Para verificar esto ltimo se realizar una prueba de bondad de ajuste.
Captulo 4. 103
103

Grafica 4.4. Histograma de la demanda.
Paso 4.1.
Para estimar los parmetros se utiliza el mtodo de mxima verosimilitud determinando.
Estimador
3 . 4
1
1
= =

=
n
i
i
x
n

Paso 4.2.
Para corroborar la distribucin de los datos se realiza una prueba de J i cuadrada.
Hiptesis
) 3 . 4 ( ~ : ) 3 . 4 ( ~ :
0 0
Poisson D H vs Poisson D H /

El estadstico de prueba es
) 1 ( ~
) (
2
1
2
2

=
m k
np
np n
k
i i
i i
c
_ _
en donde, m cantidad de parmetros a estimar.
k - nmero de clases en la tabla de distribucin de frecuencias.
i
n - el nmero de datos en la clase i,
n - tamao de la muestra,
i
p - es la probabilidad de que la variable aleatoria X (poblacional) tome valores en el
intervalo i.
Ahora se calcula el estadstico y el valor crtico
35 . 4
2
=
c
_
0239 . 5
2
025 . 0 , 1
2
) 1 (
= =

_ _
o m k

0
2
4
6
8
10
2 4 6 8 10 12
C
l
a
s
e
Frecuencia
Histograma
Demanda
Aplicacin. 104
104
Por lo tanto, la hiptesis nula no se rechaza a un nivel de significancia de %2.5, esto
indica que la demanda tiene una distribucin ) 3 . 4 ( Poisson
Paso 5.
Se determina la forma del modelo que se pretende aplicar para la estimacin de la demanda. El
modelo a utilizar es:
s
>
=
real Demanda
Paso 6.
Como las devoluciones son ceros, entonces el problema se haces ms simple.
Ahora, se estimar
*
q con la distribucin obtenida previamente.
Partiendo de la teora bsica

u
u
c c
c
q D P
+
= s
0
*
) (

donde
) 3 . 4 ( ~ Poisson D

Se calcula los valores de
u
c y c
0
. Partiendo de los siguientes precios: el costo por
unidad es de $4 y el precio de venta es de $7.

De esta forma,
negativo): Compra de q unidades a $4 cada uno ( q 4 ), venta de unidades a $7
cada uno ( d 7 ). Obteniendo d q 7 4 . Luego, 4
0
= c .
negativo): Compra de q unidades a $4 cada uno ( q 4 ) y venta de unidades a $7
cada uno ( q 7 ). Obteniendo un costo total de q q q 3 7 4 = . Luego, 3 =
u
c .
Finalmente,
5 27 . 0
67 . 2 23 . 7
67 . 2
) (
* *
= =
+
> s q q D P

Por lo tanto, es aconsejable pedir un lote econmico de 35 artculos semanales. Pero el
producto se vende por paquete de 10 unidades, entonces se debe comprar 3 paquetes.
Paso 7.
En esta etapa se comprueba el modelo como se muestra en la siguiente tabla.
Captulo 4. 105
105
Demanda
Unidades
calculadas
Cantidad a pedir
q/semanal
Demanda
Unidades
calculadas
Cantidad a pedir
q/semanal
6 24 30 2 28 30
5 19 7 21
2 17 7 14
4 13 7 7
3 10 4 3
4 6 4 -1
1 5 5 -6
7 23 30 1 29 30
6 17 0 29
9 8 3 26
4 4 8 18
1 3 5 13
12 -9 3 10
2 -11 3 7
Tabla 4.7. Anlisis de la demanda semanal.

Analizando la tabla anterior es aceptable el modelo para la estimacin del lote
econmico. Con dficit de cuatro das, es decir, 14% de desabasto al mes.

106

Conclusiones

Despus de realizar el trabajo, se obtiene como punto final que la aplicacin de la teora bsica
o clsica de inventarios para estimacin del lote econmico sin herramientas estadsticas tiene
una alta probabilidad de hacer malas estimaciones del lote econmico, esto es, debido a que se
tiene el elemento aleatorio en la demanda de los artculos mismo que est en funcin de las
necesidades de los clientes.
Por esta razn, la estadstica toma importancia en los inventarios, en particular los
modelos probabilsticos clsicos que se generalizan al aplicarse a familias de distribucin
conocida, como por ejemplo: Poisson, uniforme, exponencial, normal, entre otras. Con las que
se proporcionan las formulas, resultados y algoritmos para la aplicacin de una manera
sumamente sencilla, para la persona que est interesada en utilizar un tipo de estos modelos,
en la obtencin del lote econmico.
Los modelos desarrollados son aplicables a inventarios que maneja una tienda de
conveniencia o empresa con caractersticas similares en donde se trabaja todos los das y se
tiene demanda constantes y poco espacio de almacenamiento, tambin se caracterizan por la
ubicacin estratgica que poseen y los tipos de consumidores a acuden a estas tiendas.
Por esta razn, se propuso una metodologa para la estimacin de lote econmico en
tiendas de conveniencia. La metodologa se prob en dos productos de una tienda de
conveniencia, dando resultados bastantes satisfactorios, comparados con los que ellos obtienen
en la prctica.
Con lo anterior se cumple los objetivos propuestos al inicio de este trabajo ya que se
generalizaron los modelos probabilsticos existentes y que se complementa con la introduccin
de otras dos formas de inventarios probabilsticos los cuales son: inventarios dinmicos
probabilsticos y los inventarios que se obtienen por cadenas de Markov.
Finalmente se genera nueva informacin que no figura en la literatura, en particular lo
desarrollado en el captulo 2.
107

Bibliografa

[1] Bieman Harold, Bonini Charles y Hausman Warren. (1.999) Anlisis cuantitativo para
los negocios. 9 Ed. Bogota: Mc Graw Hill.
[2] Brito, Jose A. (1999). Contabilidad Bsica e I ntermedia (Contabilidad I y I I ).
Ediciones Centro de Contadores, 5 Ed.
[3] Bundich, Frank S. Matemticas Aplicadas para la Administracin, Economa y
Ciencias Sociales. Editorial Mc Graw Hill, 2000.
[4] Feller, William. I ntroduccin a la Teoria de Probabilidades y sus Aplicaciones. Mc
Graw Hill, 2001.
[5] Gallagher Charles A. Mtodos Cuantitativos para la Toma de Decisiones en
Administracin. Mc. Graw Hill, 2004.
[6] Guajardo C. Gerardo. Contabilidad Financiera. Mxico, 2 Ed. Editorial McGraw-Hill,
1995.
[7] H. Ballou Ronald, Logstica. Administracin de la cadena de suministro, Editorial
Prentice Hall, 5 Ed. Mxico 2004. Decisiones sobre Polticas de Inventarios. Cap. 9.
[8] Hiller, Frederick S. y G. J. Lieberman. I nvestigacin de Operaciones, 7 Ed. Mxico
Editorial McGraw-Hill, 2002, ISBN 970-10-3486-4.
[9] J. Aquilano Richard, Administracin de la Produccin y Operaciones para una
Ventaja Competitiva, Editorial MacGraw Hill, 10 Ed. Mxico 2005. Control de
Inventarios sujetos a demanda incierta. Cap. 5.
[10] Meyer L., Paul. Probabilidad y Aplicaciones Estadsticas. Mc Graw Hill, 1995.
[11] Mood, Alexander M., Graybill, Franklin A., y Boes, Duane C. I ntroduction to the
Theory of Statistics, Singapore 1986. ISBN 0-07-042864-6 Editorial Mc Graw-Hill.
[12] Nahmias Steven, Anlisis de la Produccin y Operaciones, Editorial MacGraw Hill,
5 Ed. Mxico 2007. Control de Inventarios Cap. 14.
[13] Shamblin James. I nvestigacin de Operaciones un Enfoque Fundamental. Mc. Graw
Hill, 1993.
108

[14] Ross, Sheldon M. A First Course in Probability. ISBN 0-13-185662-6 Editorial.
Pearson Prentice Hall. 7 Ed. New Yersey 2006.
[15] Taha Hamdy. (2004) I nvestigacin de operaciones, una introduccin. 7 Ed. Mxico:
Prentice Hall.
[16] Winston, Wayne L. I nvestigacin de Operaciones Aplicaciones y Algoritmos,
Mxico Editorial Grupo Editorial Iberoamerica 2005. 4 Ed. ISBN 970-625-029-8.
[17] W. Fogarty Donald, H. Blackstone John & R.Hoffman Thomas, Administracin de la
produccin e Inventarios, Compaa Editorial Continental, 2 Ed. Mxico 2000.

Pascual Pascual Miguel 2009

Cargado por

Copyright:

Formatos disponibles

Pascual Pascual Miguel 2009

Cargado por

Información del documento

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

Pascual Pascual Miguel 2009

Cargado por

Copyright:

Formatos disponibles

Divisin de Ciencias Forestales

cuando 0 < (22b)

cuando 0 < (27b)

cuando 0 < (32b)

, debe satisfacer la ecuacion

También podría gustarte