Modelos Probabilisticos de Inventarios

División de Ciencias
Forestales
Departamento en
Estadística
Matemática y
Cómputo
Modelos Probabilísticos de Inventarios
Tesisprofesional
Que como requisito parcial para obtener el título de:
L I C E N C I A D O EN E S T A D Í S T
ICA
P R E S E N T A:
Pascual Pascual Miguel

Chapingo, Texcoco, Edo. de México, Diciembre del 2009
Esta tesis fue realizada por C. Pascual Pascual Miguel, bajo la dirección del Doctor Eduardo
Gutiérrez González. Fue revisada y aprobada por el siguiente Comité Revisor y Jurado
Examinador, para obtener el título de Licenciado en Estadística.
PRESIDENTE.
Dr. Eduardo Gutiérrez González
SECRETARIO.
Dr. Antonio Villanueva Morales
VOCAL.
Lic. Margarito Soriano Montero
SUPLENTE.
M. C. Alejandro Corona Ambriz
SUPLENTE.
M. C. Ángel Leyva Ovalle
Chapingo, Texcoco, Edo. de México, Diciembre del 2009
ii
Agradecimientos
A dios que me dio el ser.
A la Universidad Autónoma Chapingo por darme la valiosa oportunidad de formarme

profesionalmente y por ser mi hogar durante siete maravillosos años.
Al Dr. Eduardo Gutiérrez González, por su paciencia y su valioso tiempo brindado para la
elaboración del presente trabajo. Y a los profesores que conforman mi comité asesor.
A todos mis profesores de la licenciatura en Estadística que se esforzaron en mi formación

profesional.
Especialmente a mi familia por todo el desgaste físico y económico que brindaron, y por su
gran muestra de cariño y amor.
Dedicatoria
A mis padres: Teresa y Alejandro, por

enseñarme a luchar hacia delante, por su gran
corazón
y capacidad de entrega, pero sobre todo por
enseñarme a ser responsable, gracias a
ustedes he llegado a esta meta. Los
AMO.
A mis hermanas (os): Miguel, Mariola,

Juanita, Alejandro y Ashley, que son parte
importen en mi vida y que siempre me
compartieron
su apoyo y cariño, los AMO.
A mis abuelos: Pascual y

Felipe, por sus sabios consejos
durante esta etapa de mi vida.
A la memoria de mis abuelas: María † y Juana †,
que Dios los tenga en su gloria.
A Gladis, una mujer extraordinaria

que siempre me ha brindado su cariño y amor.
A mis amigos (as), que con

quienes compartí momentos gratos e
inolvidables,
desde mi infancia hasta mi formación profesional.
A todas las amistades que de alguna

forma aportaron su granito de
arena en mi formación profesional.
Dedicatoria
Con
cariño
Pascual
Contenido
Introducción........................................................................................................................... 1
Planteamiento........................................................................................................................ 3
0bjetivos................................................................................................................................. 4
CAPÍTULO 1........................................................................................................................... 5
MODELOS DE INVENTARIOS PROBABILÍSTICOS.................................................................................5
1.1 INTRODUCCIÓN......................................................................................................................................5
1.2 ANÁLISIS MARGINAL...........................................................................................................................5
1.3 MODELO DE INVENTARIOS DE ARTÍCULOS PERECEDEROS O DEL VENDEDOR DE
PERIÓDICOS DEMANDA DISCRETA.........................................................................................................6
ANÁLISIS DEL MÉTODO...................................................................................................................7
1.4 MODELO DE INVENTARIOS DE ARTÍCULOS PERECEDEROS O DEL VENDEDOR DE
PERIÓDICOS DEMANDA CONTINUA.....................................................................................................11
1.5 MODELO ESTOCÁSTICO DE REVISIÓN CONTINÚA.....................................................................14
1.6 MODELO DE VENTAS PENDIENTES O COSTO DE ORDENAR SIGNIFICATIVOS...................16
1.7 MODELO CON VENTAS PÉRDIDAS..................................................................................................22
1.8 MODELO ESTOCÁSTICO CON DÉFICIT CONVERTIDO EN COMBINACIÓN DE VENTAS
PENDIENTES Y PÉRDIDAS.......................................................................................................................27
1.9 CANTIDAD ECONÓMICA DE PEDIDO CON DEMANDA INCIERTA: MÉTODO DE NIVEL DE
SERVICIO PARA DETERMINAR EL NIVEL DE LA RESERVA DE SEGURIDAD..............................29
1.10 DETERMINACIÓN DEL PUNTO DE REORDEN Y DE NIVEL DE RESERVA DE SEGURIDAD
PARA SLM1........................................................................................................................31
1.11 DETERMINACIÓN DEL PUNTO DE REORDEN Y DE NIVEL DE RESERVA DE SEGURIDAD
PARA SLM 2.......................................................................................................................33
1.12 MODELO DE INVENTARIOS DE DOS PERIODOS SIN COSTO DE PREPARACIÓN................35
1.13 MODELO DE VARIOS PERIODOS SIN COSTO DE PREPARACIÓN............................................37
CAPÍTULO 2......................................................................................................................... 38
MODELOS DE INVENTARIOS CON DEMANDA DE DISTRIBUCIÓN CONOCIDA........................38
2.1 INTRODUCCIÓN....................................................................................................................................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 GEOMÉTRICA.............................................41
2.3 MODELO DE INVENTARIOS DE ARTICULOS PERECEDEROS DEMANDA CONTINUA.........42
2.3.1 DEMANDA CON FUNCIÓN DE DISTRIBUCIÓN UNIFORME................................................42
2.3.2 DEMANDA CON FUNCIÓN DE DISTRIBUCIÓN NORMAL....................................................43
2.3.3 DEMANDA CON FUNCIÓN DE DISTRIBUCIÓN GAMMA.....................................................44
2.3.4 DEMANDA CON FUNCIÓN DE DISTRIBUCIÓN EXPONENCIAL.........................................45
2.3.5 DEMANDA CON FUNCIÓN DE DISTRIBUCIÓN WEIBULL...................................................45
2.4 MODELO ESTOCÁSTICO DE REVISIÓN CONTINÚA....................................................................47
1) DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIÓN UNIFORME..........48
2) DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIÓN NORMAL..............48
3) DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIÓN GAMMA...............48
4) DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIÓN EXPONENCIAL...49
5) DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIÓN WEIBULL.............49
2.5 MODELO DE VENTAS PENDIENTES O COSTO DE ORDENAR SIGNIFICATIVOS...................50
2.5.1 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIÓN UNIFORME.....51
2.5.2 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIÓN NORMAL.........51
2.5.3 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIÓN GAMMA...........52
2.5.4 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIÓN EXPONENCIAL
................................................................................................................................................................. 53
2.5.5 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIÓN WEIBULL........53
2.6 MODELO CON VENTAS PÉRDIDAS.................................................................................................56
................................................................................................................................................................. 59
2.7 MODELO ESTOCÁSTICO CON DÉFICIT CONVERTIDO EN COMBINACIÓN DE VENTAS
PENDIENTES Y PÉRDIDAS.......................................................................................................................62
................................................................................................................................................................. 64
CAPÍTULO 3......................................................................................................................... 68
MODELOS DE INVENTARIOS DINÁMICOS Y CON CADENAS DE MARKOV................................68
3.1 INTRODUCCIÓN....................................................................................................................................68
3.2 MODELO ESTOCÁSTICO DINÁMICO..............................................................................................68
3.3 PROCESOS ESTOCÁSTICOS................................................................................................................78
3.3.1 CONCEPTOS BÁSICOS DE LAS CADENAS DE MARKOV.....................................................79
3.3 .2 MODELO CUANDO LA DEMANDA ES GENERADA POR UN PROCESO POISSON.........82
CAPÍTULO 4......................................................................................................................... 88
APLICACIÓN...................................................................................................................................................88
4.1 CASO DE ESTUDIO...............................................................................................................................88
4.2 METODOLOGÍA.....................................................................................................................................89
4.3 SOLUCIÓN DEL PROBLEMA.............................................................................................................96
Conclusiones..................................................................................................................... 106
Bibliografía......................................................................................................................... 107
Anexo................................................................................................................................. 109
Índice 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. Análisis 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. Análisis de la demanda semanal....................................................................105
Índice de figuras
Figura 1.1. Muestra el costo esperado y su valor mínimo..................................................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
vii
RESUMEN
En la presente investigación se revisan los modelos probabilísticos de inventarios partiendo

del análisis marginal como la base teórica de los modelos probabilísticos existentes. Se
generalizan los modelos probabilísticos a partir de familias de distribuciones conocidas
obteniendo resultados importantes y algoritmos de solución que son fáciles de aplicar para la
estimación del lote económico.
De forma introductoria se ilustra la solución de ejemplos de inventarios con demanda

dinámica probabilística e inventarios generados por cadenas de Markov.
Se desarrolla una metodología para la estimación del lote económico ( q ) fundamentada

en la teoría de la inferencia estadística y se ilustra la solución de inventarios de dos productos
de forma independiente.
Palabras clave
Estadística, cadena, inventario, modelo y probabilidad.
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.
ix
Introducción
Un inventario constituye la cantidad de existencias de un bien o recurso cualesquiera, un

Sistema de Inventarios es el conjunto de políticas 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 producción y de logística en una
empresa.
El objetivo básico de los inventarios es especificar cuando se deben ordenar los artículos
y cuál 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 decisión [Ballou (2004)]. A continuación se mencionan:
1. Costos de ordenar o fabricar,
2. Costos de mantener o almacenar,
3. Costos de penalización por faltantes o demanda
insatisfecha, Otros costos relevantes:
4. Los ingresos,
5. Los costos de recuperación o salvamento y
6. Las tasas de descuento.
Los inventarios en general tienen una demanda probabilística. Luego, en esta

investigación se generalizan los modelos probabilísticos ya existentes de inventarios de un
solo periodo que tienen como fundamento teórico el análisis marginal. Las funciones de
distribuciones que se generalizan partiendo de la teoría son: la binomial, Poisson, geométrica,
uniforme, normal, gamma, exponencial y la weibull.
Los resultados generalizados con las funciones de distribución son tan importantes y
fáciles de aplicar para la estimación del lote económico ( q ) que está en función del costo y el
punto de reorden óptimo.
Estos resultados son aplicables a ciertos inventarios probabilísticos que presenten una
tendencia o comportamiento de cualquiera de las distribuciones mencionadas anteriormente.
La aplicación se lleva a cabo mediante la elaboración de algoritmos de solución, es decir,
1
pasos para resolver un problema de aplicación; y el algoritmo se aplica de forma iterativa para
llegar a una solución óptima.
Los inventarios probabilísticos se complementan con una introducción a inventarios

dinámicos probabilísticos y los inventarios con procesos estocásticos, en particular con
cadenas de Markov que dan solución a ciertos inventarios que presentan un comportamiento
discreto y que siguen cierto proceso, como por ejemplo el proceso Poisson.
Se propone una metodología que da solución a los inventarios que presentan una
tendencia de las distribuciones generalizadas. Esta metodología se fundamenta en la teoría de
la inferencia estadística, por lo mismo que se requiere la determinación de la distribución, la
estimación de los parámetros y pruebas de bondad de ajuste.
La metodología propuesta se ilustra mediante la solución de dos inventarios

probabilísticos de forma independiente siguiendo de forma detallada los pasos propuestos en
la metodología y utilizando los datos que provienen de la demanda en una tienda de
conveniencia.
De esta forma el trabajo se desarrolla en cuatro capítulos los cuales son los siguientes:
En el capítulo uno se revisará las bases teóricas de los modelos probabilísticos, iniciando
con el análisis marginal, como fundamento teórico para la creación de los modelos de
inventarios probabilísticos.
En el capítulo dos se desarrollarán los modelos probabilísticos de inventarios,

clasificándolos por el tipo de distribución de su demanda, se verán inventarios con funciones
de distribución conocidas.
En el capítulo tres se hace una introducción a modelos dinámicos probabilísticos

mediante la ilustración de ejemplos y la teoría de procesos estocásticos, en particular las
cadenas de Markov aplicadas a inventarios probabilísticos.
Finalmente en el capitulo cuatro se desarrolla una metodología para la solución de

problemas de inventario probabilístico para tiendas de conveniencia o a empresas similares, es
decir, que maneje este tipo de inventarios.
2
Planteamiento
La demanda siempre es incierta, es por ello que se desarrolla modelos probabilísticos para
mitigar esta incertidumbre y que conlleva a la de decisión adecuada u optima en la cantidad
del lote económico a pedir.
La obtención de los modelos probabilísticos de inventarios parte de la teoría

fundamental que es el análisis marginal. El análisis marginal se fundamenta en la
minimización del costo total del lote económico.
La generalización de los modelos probabilísticos de inventarios con funciones de

distribución más conocidas es muy importante, puesto que por medio de ellos se generan
resultados y algoritmos de solución a ciertos inventarios probabilísticos. En este caso a
inventarios de tiendas de conveniencia.
De forma introductoria se ilustra ejemplos de inventario dinámicos probabilísticos y

procesos estocásticos.
Finalmente de se desarrolla una metodología para la estimación del lote económico para
estos tipos de inventarios, misma que se ilustra con dos problemas, es decir, con dos productos
de una tienda de conveniencia.
0bjetivos
En el presente trabajo se siguen los siguientes objetivos:
 Revisar las bases teóricas de los modelos probabilísticos.

 Construir modelos de inventarios probabilísticos con funciones de distribución
desconocidas.
 Construir modelos de inventarios probabilísticas con funciones de distribución
conocidas.
 Revisar la teoría de modelos de inventarios estocásticos.
 Desarrollar una metodología para la aplicación de los modelos de inventarios
probabilísticos.
Capítulo 1
MODELOS DE INVENTARIOS PROBABILÍSTICOS
1.1 INTRODUCCIÓN
En los modelos deterministas de inventarios se requiere que se conozca con certeza la
demanda durante cualquier periodo, o que se pueda aplicar la aproximación a los modelos que
cumplen con un coeficiente de variación pequeño. Pero en general las demandas son de tipo
probabilístico y dependen de cierta distribución, de esta forma el trabajo que se presenta
resume los modelos de inventarios probabilísticos más usados, llevando en cada caso una
metodología de pasos para poder generalizar a diferentes tipos de distribuciones.
Por su parte en este capítulo se revisarán las bases de los modelos probabilísticos,
iniciando con el análisis marginal, como fundamento teórico para la creación de los modelos
de inventarios probabilísticos. En los modelos probabilísticos de inventarios, se revisarán
inventarios de periodo único en los que se termina un problema una vez que se ha hecho una
decisión única de pedido.
El capítulo finaliza resumiendo los modelos de inventarios en varios periodos, estos se

desarrollan bajo la teoría para la estimación de los valores críticos q * , q*,...,
que describen
q*
1 2 n
la política óptima de inventario.
1.2 ANÁLISIS MARGINAL

Supóngase que la variable aleatoria D, descrita en el modelo de periodo único, es discreta de
valor entero, donde P(D  d)  p(d) . Sea el costo esperado E(q) tal que
E(q)   p(d )c(d, q) . (1)

d
En la mayoría de las aplicaciones prácticas E(q) es una función convexa de q.
5
Modelos de Inventarios probabilísticos. 6
E(q)
● q
●
q* 1 q* q*  1
Fig. 1.1 Muestra el costo esperado y su valor mínimo.
Fuente: Elaboración propia
Sea
q* el valor de q que hace mínimo a E(q) . Si E(q) es una función convexa, note
qu
e q* es el valor mínimo de q para el cual
E(q* 1)  E(q* )  0 . (2)
Esta ecuación representa el cambio de costo esperado cuando se aumenta en una unidad
el lote q.
El análisis se realiza aumentando q, a partir de cero, en una unidad y observando el signo
de la diferencia que se mantendrá negativa hasta llegar a
q* , para que la diferencia se
convierta en positiva. Este método para determinar a
q* al calcular en forma repetida el valor
esperado al sumar una unidad marginal el valor de q, se denomina método de análisis
marginal. El método es útil cuando es fácil determinar una expresión sencilla para
E(q 1)  E(q) .
1.3 MODELO DE INVENTARIOS DE ARTÍCULOS PERECEDEROS O DEL VENDEDOR

DE PERIÓDICOS DEMANDA DISCRETA
Supóngase que la empresa tiene la sucesión de eventos:
 La empresa decide cuántas unidades pedir o producir, q* .
 La demanda es estocástica, pero se conoce su distribución de probabilidad
p(d ) .
 Dependiendo de d y q, se incurre en el costo c(d, q) .
Los problemas que siguen la secuencia anterior se suelen llamar problemas del
vendedor de periódicos. Los cuales se caracterizan por la situación de que el vendedor de
periódicos puede pedir una mayor cantidad de la que venderá (perdiendo porque el periódico
sobrante se lo aceptan a un precio menor del que se lo vendieron, o en el caso de comprar
menos periódico gana menos de lo que pudo haber ganado, pérdida de oportunidad).
Capítulo 1. 7
ANÁLISIS DEL MÉTODO

Empleando el análisis marginal para el problema del vendedor de periódico cuando la
demanda es una variable aleatoria discreta y c(d, q) tiene la forma:
c(d, q)  c0q  (términos sin q) (d  q)

(3)
c(d, q)  cuq  (términos sin q) (d  q 1)
En donde, c0 es el costo unitario de comprar o producir demasiado, sobreabastecimiento.
Por lo tanto, c0 es el costo debido a tener una unidad de excedente, de tal manera que a c0 se
le
suele llamar costo de sobreabastecimiento. Similarmente cu 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 mínimo de q para el
qu
e
E(q 1)  E(q)  0 ,
se tiene lo siguiente:
E(q  1)  E(q)  c0 q  términos sin qP(D  q)   cu q  términos sin q 1  P(D  q) 
 c0  cu qP(D  q)  cu q  términos sin q
 c0  cu P(D  q)  cu q  términos sin q  0
Por lo tanto, resulta que E(q) será reducida al mínimo por el valor mínimo de q
(denotado
q* ) que satisface c0  cu P(D  q)  cu  0 . Es decir,
P(D  q* )  cu c0
o P(D  q* ) (4)
c0   c0 
cu cu
Además, en promedio pedir q  1 unidades costará
c0P(D  q)  cu 1 P(D  q) o c0  cu P(D
 q)  cu , más las q unidades que se piden.
EJEMPLO 1
Supóngase que en agosto se tiene que decidir cuántos calendarios encargar para vender a
Capítulo 1. 7
principios del próximo año. Cada calendario cuesta $4 y se vende a $9. Después del primero
de enero cualquier calendario no vendido se remata en $2. Se estima la demanda a partir de la
distribución, mostrada a continuación
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. ¿Cuántos
calendarios se deben pedir en agosto?
Solución
Primeramente se determinarán los costos c0 y cu , para esto se analizan los dos casos posibles:
 c(d, q)  c0q  (términos sin (d  q)

q)
(d  q 1)
 c(d, q)  cuq  (términos sin
q)
En donde, q es el número de calendarios que se piden en agosto y d el número de calendarios

necesitados hasta el primero de enero.
De esta forma,
 Si
d se incurre en los costos siguientes (la ganancia se denota por el signo
q
negativo): Compra de q calendarios a $4 cada uno ( 4q ), venta de calendarios a
$9 cada uno (  9d ) y devolución q calendarios (  2(q  d) ). Obteniendo
de d
un costo total de 4q  9d  2(q  d)  2q  7d . Luego, c0  2 .
 Si d  se incurre en los costos siguientes (la ganancia se denota por el signo

q
negativo): Compra de q calendarios a $4 cada uno ( 4q ) y venta de calendarios a
$9 cada uno (  9q ). Obteniendo un costo total de 4q  9q  5q . Luego, cu  5 .
Finalmente el valor de
q* , se obtiene de la distribución de probabilidad del inventario
P(D  q* )  Así ta de probabilidades

, de bl
la a
cu c0  cu 5
5  
 2
5 0.71.
7
Capítulo 1. 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 aquí se concluye que en agosto debe pedirse q*  200

calendarios.
En términos del análisis marginal, la probabilidad de vender el 200vo. calendario que se

pide es P(D  200)  0.50 , lo cual significa que el 200vo. calendario vendido tiene
probabilidad 1 0.5  0.5 de no ser vendido. De tal forma que el 200vo. calendario aumentará
los costos esperados en
c0 P(D  q)  cu 1 P(D  q)  2 * 0.5  5* 0.5  1.5 (ganancia)
Por lo tanto, se deberá pedir el 200vo. calendario.
Similarmente, la probabilidad de vender el 201vo. calendario que se pide es
P(D  201)  0.20 , lo cual significa que el 201vo. calendario vendido tiene probabilidad
1 0.2  0.8 de no ser vendido. De tal forma que el 201vo. calendario aumentará los costos
esperados en
c0 P(D  q)  cu 1 P(D  q)  2 * 0.8  5* 0.2  0.6 (pérdida).
Por lo tanto, no se deberá pedir el 201vo. calendario.

2q 
Costo total 
7d, d  q 400  d  200
7d, 
  d  200
  5q, d  q  1000,
EJEMPLO 2
Supóngase que la energía en la estación de León se suministra mediante celdas solares. Una
vez al año vuela un avión y les vende celdas a $200 cada una. Se estima la demanda a partir
de la distribución de probabilidad mostrada en la tabla de abajo. Debido a la incertidumbre de
las necesidades futuras, en la planta sólo se puede adivinar el número de celdas que se
necesitarán durante el año 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 periódicos,
¿cuántas celdas debe pedir al avión?
b) En el inciso (a), ¿cuál costo se está ignorando?
Demanda celdas Probabilidad

50 0.20
60 0.15
70 0.30
80 0.10
90 0.15
100 0.10
Solución

q)
(d  q 1)
q)
En donde, q es el número de celdas que se piden cuando el avión vuela y d el número de

celdas necesitadas durante el año. De esta forma,
 Si
d se incurre en los costos siguientes (la ganancia se denota por el signo
q
negativo): Compra de q celdas a $200 cada una ( 200q ), utilización de celdas
$200 cada una (  200d ) y no se usan las celdas q no se tienen costo.
d
Obteniendo un costo total de 200q  200d . Luego, c0  200 .
 Si d  se incurre en los costos siguientes (la ganancia se denota por el signo

q
negativo): Compra de q celdas a $200 cada una ( 200q ) y cuando la demanda
rebase la cantidad pedida a $300 cada una ( 300(d  q) ). Obteniendo un costo
total de 200q  300(d  q)  100q  300d . Luego, cu  100 .
q* , se obtiene de la distribución de probabilidad del inventario
P(D  q* )  cu 100  0.33.

c0   200 
cu 100
Así, de la tabla de probabilidades se tiene que q*  60 celdas.
El costo total
c0 P(D  q)  cu 1 P(D  q)  200 * 0.35 100 * 0.65  5 .
Capítulo 1. 11
1.4 MODELO DE INVENTARIOS DE ARTÍCULOS PERECEDEROS O DEL VENDEDOR

DE PERIÓDICOS DEMANDA CONTINUA
Se revisará el modelo de inventarios del vendedor de periódicos pero con demanda D variable
aleatoria continua y función de densidad f (d ) . De forma similar que en el caso discreto, se
obtiene una expresión con la que se puede calcular el valor óptimo de
q* , pero a diferencia
del caso discreto en el continuo se obtiene mediante una igualdad. Es decir, E(q) será
reducido al mínimo por el valor mínimo de q (denotado

q* ) que satisface a (4)
P(D  q* )  cu
o P(D  q* ) c0
c0   c0  cu .
cu
De tal forma que lo óptimo es pedir unidades hasta el punto en el que la última que se
pida tenga una probabilidad
c0
P(D  q* )  de venderse.
c0 
cu
EJEMPLO 3
Suponga que la asociación de Ingeniería Industrial efectúa un congreso anual y el año próximo
será en Baja California Sur. Para tal efecto seis meses antes de la fecha señalada para su inicio
es necesario reservar las habitaciones en el hotel sede. En este momento se puede hacer la
reservación pagando $500 por cada habitación, pero no se sabe con certeza cuánta gente
asistirá. Sin embargo, se estima que el número de habitaciones necesarias sigue una
distribución normal con una media de 500 y una desviación de 200. Si el número necesario de
habitaciones es mayor que el reservado se tendrán que alquilar habitaciones en hoteles
cercanos a un costo de $800. Para los participantes será incómodo alojarse en otros hoteles y
la distancia aumenta el costo en $100, ¿Cuántas habitaciones se recomienda reservar?
Solución

q)
(d  q)
q)
Capítulo 1. 11
Se tiene la densidad de la demanda dada para el número de habitaciones, de donde, q es
el número de reservaciones que se piden seis meses antes y d el número de habitaciones
necesitados hasta el primero de enero.
De esta forma,
 Si d  q , 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 500q . Luego,
c0  500 .
 Si d  se incurre en los siguientes costos (la ganancia se denota por el signo

q
negativo): Costos de reservación de q habitaciones a $500 cada una ( 500q ),
costos de renta d habitaciones en hoteles vecinos $800 cada uno
q
( 800(d  q) ) y finalmente costos de incomodidad a los participantes adicionales
$100 cada uno (100(d  q) ). Obteniendo un costo total de
500q  800(d  q) 100(d  q)  400q  900d .
Luego, cu  400 .
Finalmente el valor de q* , se obtiene de la distribución de probabilidad del inventario,

tal que
*
P(D  q )  cu 400  0.444 .

c0  cu 500 
400
En donde,
D ~ N(500, 2002 ) si estandarizamos
 q  500 
*
P Z    0.444 .
 200 
q*  500
Con el uso de tablas de la distribución normal  0.14 , despejando q* se
200 
tien
e
q*  472 reservaciones.
EJEMPLO 4
El precio de un boleto de avión 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 razón la aerolínea intenta vender más de
100 boletos para cada vuelo. Pero la ley establece que cualquier pasajero con boleto que no
puede abordar el avión debe recibir una compensación de $1,000. Los datos indican que el
número de faltas puede estimarse a partir de una distribución normal con media 20 y
desviación estándar 5. Para maximizar los ingresos esperados menos costos de
compensaciones. ¿Cuántos boletos es aconsejable vender? A quién no use boleto se le
reembolsa $1,750?
Capítulo 1. 13
Solución

q)
(d  q)
q)
Debido a que se da la distribución del número de faltantes, se tiene, q el número de

boletos vendidos por la aerolínea y d el número de faltas.
De esta forma, q  es el número de clientes que se presentan realmente en el vuelo.

d
 Si q  d  (o d  q  q 100 ), entonces abordarán 100 pasajeros el avión,

100
pagando 2000(100)  a la aerolínea, y no se recibirán q  clientes.
200,000 d
Los cuales recibirán una compensación de 1000(q  d) . Por lo tanto, si q  d el
costo total para la aerolínea será de
1000(q  d)  200000 1750d  1000q  750d  200000 .
Luego, c0  1000 .
 Si
q  d  100 (o d  q  q 100 ), entonces todos los pasajeros que se
presenten abordarán el avión y el costo para la aerolínea será
 2000q  200000 1750d . Luego, cu  2000 .
q* , se obtiene de la distribución de probabilidad del inventario,
tal que
cu 2000
P(D  q* )  0.667 .
c0   1000  2000

cu
En donde,
D ~ N(20, 52 ) estandarizando
 q  20 
*
P Z   0.667 .
 5 

Capítulo 1. 13
q*  20
Con el uso de tablas de la distribución normal 0.43 , q* se tiene
 despejando
5
q*  22.15  q* 100 .

Se concluye que la aerolínea debe vender hasta 122 o 123 boletos y no más.
1.5 MODELO ESTOCÁSTICO DE REVISIÓN CONTINÚA

Estos modelos se caracterizan por lo siguiente:
 La demanda no se conoce con certeza, se estima una distribución 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 distribución de probabilidad que describe la demanda durante el tiempo de
entrega f L (u).
Por otro lado, la probabilidad de que la demanda durante el tiempo de entrega L esté
b
entre a y b es  f L (u)du y la probabilidad de que la demanda durante el tiempo de entrega no

a

exceda a la cantidad  es la distribución acumulada FL ( )   f L (u)du , u  0 , estas
para
0
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 
d  dL   uf L (u)du . Si s es el punto de reorden,

0
entonces el nivel de inventario cuando se recibe la orden es de

s  dL , tomando en cuenta la
aleatoriedad de la demanda el nivel esperado de inventario al recibir la orden es de:
s
y(s)   (s  u) f L (u)du (5)

0

yd (s)   (u  s) f L (déficit) (6)

(u)du
s
   s 
s  dL  s  f L (u)du   uf L (u)du   (s  u) f L (u)du   (s  u) f L (u)du   (s  u) f L (u)du

0 0 0 0 s
 y(s)  yd (s)
Por lo tanto,
resulta
y(s)  s  dL  yd (s) . (7)
Si se usa la política 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:
Capítulo 1. 15
s 
d d
CT (s)  hy(s)  pyd (s)  h(s  u) f L (u)du  p (u  s) f L (u)du
q q
0 s
Para obtener un mínimo, se deriva el costo total

dCT
(s) d 
s 
d
ds  
 h (s  u) f L (u)du  p  (u  s) f L (u)du
ds q
 0 s 
s 
d d
 h(s  s) f L (s)  h f L (u)du  p
q s
(s  s) f L (s)  p f L (u)du
s
0

q
 h f L (u)du  p d  f L (u)du
q
0 s
d  
s s
 h f L (u)du  p 1   f L (u)du
q
0
 0 
 ds d
 h  p  f L (u)du  p
q q
 0
Se iguala a cero la primera derivada y se obtiene
d
s p
q
FL (s)   f L (u)du . (8)
d
 hp
0 q
EJEMPLO 5
Las órdenes para un artículo se reciben después de una semana que se solicitaron. La
demanda durante el tiempo de entrega es
N (8,32 ) . El tamaño promedio de la orden es de una
unidad. El costo por inventario es de $10 por unidad por semana, el costo por déficit es de
$100 por unidad demanda no satisfecha. Encontrar el tamaño adecuado de s.
Solución
Datos del problema
L  1 semana, tiempo en recibir el inventario
h  10 costo por inventario por unidad
p  100 costo por déficit por unidad
d  8 demanda media
q  1 tamaño de la orden
Sustituyendo los valores en

d 8
p 100 
FL (s)  q  1   800  0.9877
8 810
10 

d  100 1 
hp
q  
Estandarizando la demanda
 s8
F (s)    0.9877
P Z
L 
 3 
De tablas porcentuales de la distribución normal
s8
 2.25 .
3
Despejando el punto de reorden
s  14.75  15 artículos.
1.6 MODELO DE VENTAS PENDIENTES O COSTO DE ORDENAR SIGNIFICATIVOS
Si el costo por ordenar K es significativo se usa la política (s, q) , esto es, se pide una orden de
tamaño 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, y(q, s) , depende de q y s, y se estima
a partir del inventario residual y(s) más la mitad de la cantidad promedio añadida al almacén
cuando se recibe la orden q  yd (s) , esto es

1
y(q, s)  y(s)  q  y
d (s). (9)
2
De las expresiones anteriores
y(s)  s  dL  yd (s) o yd (s)  y(s)  s  dL
(10)
Luego,
y(q, s)  y(s) 
1
q  y (s)  y(s) 
1
q  y(s)  s  y(s)

q

s

dL

dL  
2 d 2 2 2 2 2
El costo total
Capítulo 1. 17
CT (q, s)  K  hy(q, s)  p yd (s)

d d
q  q
 y(s) q s dL 
K
d
h

  

p
d
y(s)  s  dL
  
 
 
q  2 2 2 2  q
d q h hs hdL d d d
 K  h  y(s)    p y(s)  ps  p dL
q 2 2 2 2 q q q
Kd  pdy(s)  psd  pd 2 L q h hs hdL
  h  y(s)  
q 2 2 2 2
Derivando parcialmente con respecto a q y s, e igualando a cero se obtiene el sistema de

ecuaciones

CT (q, s) 
Kd  pdy(s)  psd  pd 2 L h
 
q2 2
q
Igualando a cero y factorizando pd

se obtiene yd (s)  y(s)  s  dL


Kd  pd y(s)  s  dL
 
h 
q2 20
Sustituyendo yd (s)  y(s)  s  dL , resulta
 Kd  pdyd (s) h
 0
Despejando a q 2
q2
q . (11)
2d K  pyd (s)
h parcialmente con respecto a s
Similarmente para s, se deriva el costo total
pd  y(s)  pd
 s h  h
CT (q, s)   y(s)  .
s q 2 s 2
Igualando a cero y resolviendo con respecto a la derivada parcial


pd y(s)  pd h h
s  y(s)   0
q 2 s 2
 h pd  h pd
   y(s)   0
 q  2 q

2
pd h
 q 2
y(s) 
s pd h
q 2
s
Por otro lado, se vio y(s)   (s  u) f L (u)du , luego
que 0
s s s

s
y(s)  (s  u) f L (u)du  (s  s) f L (s)  0(1  0) f L (u)du 0  f L (u)du  FL (s)
s 0

Obteniendo finalmente, al sustituir y(s)  F (s) , en la penúltima expresión
s L
pd h
q  2
FL (s)  . (12)
pd h
q  2
Algoritmo de solución
Paso 1. Suponer 2d K  pyd (s)

yd (s)  0 y encontrar el valor de q con (11), q  .
h
Paso 2. Con el valor más reciente de q encontrar s, empleando la expresión (12), con su
distribución correspondiente.

Paso 3. Con el último valor de s encontrar yd empleando (6), y (s)  (u  s) f (u)du
d  L
(s) s
con su distribución correspondiente.

Capítulo 1. 19
NOTA
En el caso de la distribución normal estándar se tienen tablas, llamadas pérdida

de la normal unitaria (ver anexo A), denotada por I ( ) e igual a

1  u 2 ).
I ( )   (u   ) 2 expdu  y ( d
 2
En el caso de la distribución normal no estándar, primeramente se estandariza


1  (u  )2 
d y (s)(u  s)exp  2 du
s   2  2

con el cambio z  u   , se estandariza, resultando


s    1 z  s
yd (s) 
sL
  z 
 LL 
exp du   L I L  .
  L2 2  L 
L
Paso 4. Con el último valor de s y yd (s) , y empleando (11), regresar al paso 1 y calcular q.
Repetir hasta que dos valores sucesivos de q estén suficientemente cercanos de

modo que una iteración más no proporcione una mejora apreciable.
EJEMPLO 6
Las órdenes para un artículo se reciben después de una semana que se solicitaron. La
demanda durante el tiempo de entrega es
dL ~ N (8,32 ) . El tamaño promedio de la orden es
de una unidad. El costo por inventario es de $10 por unidad por semana, el costo por déficit es
de $100 por unidad demandada no satisfecha. Agréguese un costo por ordenar de $8.
Encontrar el tamaño adecuado de s.
Solución
Datos del problema
L  1 semana, tiempo en recibir el d  LdL ~ N(8,32 )  d  8
inventario,
K  8 costo por ordenar
Paso 1. Suponer yd (s)  y encontrar el valor de q correspondiente.

0
2d K  pyd (s) 2(8)(8  0(100)) 2(8)(8)
q   
h 10 10
3.57 .
Paso 2. Con el valor más reciente de q se encuentra s.
pd h 100(8) 10
q 2 
2
F (s)   0.95634 .

3.57
L
pd h 100(8) 10
q 2 3.57 2 
Con las tablas porcentuales de la distribución normal, después de estandarizar

PD  ss8 0.956

P Z  0.956
 
 3 
s8
Res  1.71, de donde s  13.13.
ulta 3

Paso 3. Con el último valor de y (s)  con su distribución
d  (u  s)
s encontrar correspondiente. f L (u)du
s

 )(u
2 
 s
1
yd ex 2
2 du  I  .
(s) p 
 

(u
 s)
2 s    
Luego, el
yd (s)  yd se encuentra del punto 2 de la nota anterior y las
valor de
(13.13) tablas
de las integrales de pérdida normales
13.13  8 
y (13.13)  3I  3I 1.71  3(0.0178) 
0.0534
  d  
3
Paso 4. Con
yd (13.13)  0.0534
se en correspondie
en tra nte valor de
cu el q.
2d K  pyd (s) 2(8)(8 100(0.0534)) 2(8)(13.34)

q
h 10 10

4.62
Paso 5. Con el
valor más
reciente de q se
encuentra s.
Capítulo 1. 21
pd h 100(8) 10
q   2  0.944 .
F (s)  2 4.62
L 
pd h 100(8) 10


q 2 4.62 2
Con las tablas porcentuales de la distribución normal, y después de estandarizar resulta
s8
 1.589 , de
s  12.767 .
donde
3
Paso 6. Con el último valor de s encontrar

yd (s) , empleando la expresión (6)
12.767  8 
y (12.767)  3I  3I 1.59.
d  
3
Luego, el valor de
yd (s)  yd se encuentra del punto 2 de la nota anterior y las tablas
(12.767)
12.767  8 
y (12.767)  3I  3I 1.59  3(0.0238)  0.0714
d  
3
Paso 7. Con
yd (12.767)  0.0714 y encontrar el valor de q correspondiente.
2d K  pyd (s) 2(8)(8 100(0.0714)) 2(8)(15.14)

q    4.92
h 10 10
pd h 100(8) 10
q 
4.92   0.94 .
2 2
F (s) 
L 
pd h 100(8) 10


q 2 4.92 2
Con las tablas porcentuales de la distribución normal, después de estandarizar, resulta
s8
 1.555 , de donde s  12.665.
3
Paso 9. Con el último valor de s encontrar su correspondiente q, empleando la expresión (6)
12.665  8 
y (12.665)  3I  3I 1.555.
d  
3
Capítulo 1. 21
Luego, el valor de
yd (s)  yd se encuentra del punto 2 de la nota anterior y las tablas
(12.665)
yd (12.767)  3I 1.56  3I 1.56  3(0.0255)  0.0765 .
Paso 10. Con yd (12.767)  0.0765 se encuentra el valor correspondiente de q
2d K  pyd (s) 2(8)(8 100(0.0765)) 2(8)(15.65)

q    5.00
h 10 10
Este es el valor de q  5 ya que varía muy poco con respecto al anterior.
1.7 MODELO CON VENTAS PÉRDIDAS
En este caso el nivel esperado de existencias se

estima mediante
y(q, s)  y(s)
(13)
q

2
Por consiguiente, el costo total se calcula con
CT (q,  hy(q, s)  ( p  r (s) (

d
s)  K  c) yd 1
d q 4
q )
donde el costo por (pr incluye la ganancia pérdida, r precio de venta y c su

déficit costo.  c)
Se obtendrá el lote económico q y la probabilidad de tener un nivel de inventario s.
Derivando se obtiene:
 d
CT (q, s)  hy (q, s)  ( p  r  c) y  (s)

 s s d
q
 d
 (s)
 c)(q,y s)  ( p  r
CT (q, hy
s)d  K 
  2 q d 2
q q
q
Pero de
(13),
 1
y (q, s) 
 q
 2
 y  (q, s)  y  (s)
 s s
Sustituyendo en la expresión anterior e igualando a cero

 Modelos de Inventarios probabilísticos. 22
hy
r


s
d

q

 h d
 (s) 

 0
q  q2
c
)
y
2
d
Capítulo 1. 23
En la segunda ecuación se despeja a q, para esto se multiplica por q 2

h
 Kd  q 2  ( p  r  c) (s)d  0 .
y
Luego, 2
d
h
q 2  K  ( p  r  c)
(s)d .
y
2
d
Finalmente el lote económico, se calculará como:
2K  ( p  r  c) yd (s)d h
q (15)
Ahora se calcula la probabilidad del nivel de inventario s. En la ecuación
hy(s)
d  ( p  r  c) y (s)  0 ,
s d
q

se despeja a q. Se sustituye y(s)  F (s) ,
s L
d
hF (s)  ( p  r  c) y (s) 0
L d
q
Por otro lado, se tenía
 1  (u   ) 2 
yd (s)   (u  exp du
 2 
s)  2 
2
s
Derivando con respecto a s,

d 1  (u   ) 2   (u   ) 2 
1

yd (s)  (s  s) exp 22    (0 1) exp 22 du

ds
2  2 


1    s  
Capítulo 1. 23
(u   ) 2    2 exp
  22 du   1  FL (s)
s  
De tal forma que

(s)  ( p  r  c)1  (s)   0

hFL d
FL q
 d  d
( p  r  c)  hFL (s)  ( p  r  c)  0
q  q
 
Finalmente, la probabilidad de un nivel de inventarios s

d
( p  r  c)
FL (s)  q
. (16)
d
( p  r  c) 
h
q
Así, la solución al modelo con ventas pérdidas está dada por (15) y (16)
EJEMPLO 7
Resolver el ejemplo anterior en el quer y c  630 . Las órdenes para un artículo se
1000
reciben después de una semana que se solicitaron. La demanda durante el tiempo de entrega
es N (8,32 ) . El tamaño promedio de la orden es de una unidad. El costo por inventario es de
$10 por unidad por semana, el costo por déficit es de $100 por unidad demandada no
satisfecha. Agréguese un costo por ordenar de $8. Encontrar el tamaño adecuado de s.
Solución
Datos del problema
r precio de venta y
1000
c  630 costo por unidad.
Paso 1. Suponer
yd (s)  0 y encontrar el valor de q correspondiente.
q  2d K  ( p  r  c) yd (s)  2(8)(8  (100 1000  630)0)  2(8)(8)  3.58
h 10 10
Capítulo 1. 25
d 8
( p  r  c) (100  1000  630)
q 1
FL (s)   8  0.997 .
d (100  1000  630) 
( p  r  c) 
h 10
1
q
PD  s  0.997
s8
P Z    0.997
 3 
s8
Resulta  2.75 , de donde s  16.25.
3

Paso 3. Con el último valor de s encontrar y (s)  (u  s) f (u)du .
d  L
s

1  (u   ) 2 
s
yd (s)   (u  s) exp 2
2
du  I  .
 
s  2    
Luego, el valor de yd (s)  yd se encuentra de las tablas de integrales de pérdida

normales (16.25) 16.25  8
 
y (16.25)  3I  3I 2.75  3(0.0009)  0.0027
d  
 3 
Paso 4. Con
yd (16.25)  0.0027 se encuentra el correspondiente valor de q.
2d K  ( p  r  c) yd (s) 2(8)(8  (100  1000  630)0.0027)

q   3.85.
h 10
( p  r  c) 8
d (100  1000 
F (s)  630) 3.85  0.9899 .
q 
L
d q
( p  r  c)  8
(100  1000  630)  10
h 3.85
Capítulo 1. 25
PD  s  0.9899
s8
P Z    0.9899
 3 
s8
3

yd (s)   (u  s) f L (u)du . Luego, el valor de
s
yd (s)  yd 14.969 se encuentra de las tablas de integrales de pérdida normales
yd (14.969)  3I 2.323  3(0.0035)  0.0105 .
Paso 7. Con
2d K  ( p  r  c) yd (s) 2(8)(8  (100 1000  630)0.0105)

q   4.5493.
h 10
( p  r  c) 8
d (100  1000 
F (s)  630) 4.55  0.9880 .
q 
L
d q
( p  r  c)  8
(100  1000  630)  10
h 4.55
PD  s  0.988
s8
P Z    0.988
 3 
s8
3

yd (s)   (u  s) f L (u)du . Luego, el valor de
s
yd (s)  yd (14.78) se encuentra de las tablas de integrales de pérdida normales
yd (14.78)  3I 2.26  3(0.0041)  0.0123.

Paso 10. Con
Capítulo 1. 27
q  2d K  ( p  r  c) yd (s)   4.70.
h
Así, como el valor de q ya no cambia significativamente, se tiene
q*  5 artículos.
1.8 MODELO ESTOCÁSTICO CON DÉFICIT CONVERTIDO EN COMBINACIÓN DE

VENTAS PENDIENTES Y PÉRDIDAS
En la práctica, es frecuente que una fracción  de los clientes, que aparecen cuando se ha
agotado la existencia, acepte esperar a que se surta su pedido y el resto 1 de estos clientes

prefieren buscar la satisfacción de la demanda con otro proveedor.
Usando, en este caso, el mismo razonamiento que en los anteriores se obtiene que los
parámetros correspondientes al costo mínimo sean:
2K   p  (1   )(r  c) y d (s)d h

q
h
p  (1   )(r  c)   (17)
d 2
FL (s)  .
q
d h
p  (1   )(r  c) h 
q 2
El algoritmo de solución es el mismo que de los casos que se están combinando
EJEMPLO 8
Las órdenes de un artículo se reciben una semana después de que son puestas. D  N (8,32 ) ,
L
K  $8 , h  $1 por semana, p  $10 , r  $70 , c  $63,   80%
Solución
Datos del problema
r 70
Capítulo 1. 27
precio de venta y
c  63 costo por unidad. 2(8)(8  (100  1000  630)0.0123)
10
  0.80 fracción de clientes que están dispuestos a esperar a que se surta el material.
Paso 1. Suponer
yd (s)  y encontrar el valor de q correspondiente.
0
2d K   p  (1   )(r  c)  y d (s)
q 2(8)8  10  (1  0.80)(70  63)(0)
h  82 .
1

1 8
10  (1  0.80)(70  63)2  (0.80)
8 2
F (s)   0.8845 .
10  (  0.80)(70  63)  1 1 (0.80)
8
L
1 8 2 2
PD  s  0.8845
s8
P Z    0.8845
 3 
s8
3

d  L
s

1  (u   ) 2 
s
yd (s)   (u  s) exp 2
2
 du   I  .
 
s  2    
Luego, el valor de y d (s)  y d se encuentra de las tablas de integrales de pérdida

normales (11.594)
yd (11.594)  3I 1.198  3(0.05610)  0.1683
.
Paso 4. Con
yd (11.594)  0.1683 se encuentra el correspondiente valor de
q.
q  12.60
2d K   p  (1   )(r  c)  y d (s) 2(8)8  10  (1  0.80)(70  63)(0.1683)
h  1
.
Capítulo 1. 29
1 8
10  (1  0.80)(70  63)2
12.60
 (0.80)
FL (s)   0.872 .
8 1
10  (1  0.80)(70  63)  1  (0.80)
12.60 2
s8
P Z    0.872
 3 
s8
3

d  L
s
yd (11.41)  3I 1.136  3I (1.14)  0.19 .
Paso 7. Con yd (11.41)  0.19 se encuentra el correspondiente valor de q.
q 2d K   p  (1   )(r  c)  y d (s) 168  11.4(0.19)  12.75 .

h

Así, como el valor de q ya no cambia significativamente, se tiene

q*  13 artículos.
1.9 CANTIDAD ECONÓMICA DE PEDIDO CON DEMANDA INCIERTA: MÉTODO DE

NIVEL DE SERVICIO PARA DETERMINAR EL NIVEL DE LA RESERVA DE
SEGURIDAD
En la práctica, generalmente resulta que es difícil 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 razón resulta tener
una importancia relativa la medición del nivel de servicio especificado. Sean dos medidas:
Medida 1 del nivel de servicio SLM1. Fracción esperada (expresada
generalmente como porcentaje) de toda la demanda que se satisface a tiempo.
SLM1 .el porcentaje de demanda que se satisface oportunamente.
Medida 2 del nivel de servicio
SLM 2 . Número esperado de ciclos por año
durante el cual hay escasez.
SLM 2 
Capítulo 1. 29
número esperado de ciclos por año con déficit.
En esta parte se supondrá que la escasez se acumula.
EJEMPLO 9
Considérese un sistema de inventario en el que la demanda anual promedio es de 1000
artículos, la cantidad económica de pedido es 100. La demanda durante el tiempo de entrega
es aleatoria y se describe mediante la distribución de probabilidad discreta uniforme para las
demandas 20, 30, 40, 50 y 60. Para un punto de reorden de 30 unidades, determine SLM1 y
SLM 2 .
Solución
EOQ  q*  100 artículos
r punto de reorden
30
D demanda anual de artículos
1000
Demanda esperada en un tiempo de entrega L es
1
d  (20  30  40  50  60)  40 .
L
5
Como el punto de reorden es 30, el tamaño del déficit es 0, 0, 10, 20 y 30,
respectivamente para cada una de las demandas. De tal forma que el número esperado por
faltantes por ciclo está dado por:
1
(0  0  (40  30)  (50  30)  (60  30))  12 .
5
Por otro lado, el número promedio de pedidos es
E(D) 1000
q  100  10 .
Luego, el número promedio de carencias que se presentan durante un año, está dado por:
Número promedio de pedidos  número esperado de faltantes por ciclo
10 *12 120 carencias durante el año.
De tal modo que la demanda satisfecha oportunamente es de
1000 120  880 .
Finalmente,
SLM1 
880
 0.88  88% .
1000
Con esto se puede apreciar que aún si el punto de reorden es menor que la demanda
promedio durante el tiempo de entrega, se puede tener un SLM1 relativamente alto, porque
las carencias sólo se pueden presentar durante el tiempo de entrega, que con frecuencia es una
parte pequeña de cada ciclo.
Se puede establecer la fórmula para el SLM1
Capítulo 1. 31
E(D)  E( yd )E(D) q E( yd ) (18)

SLM1  yd 1  1
A E q q
s (
í D
, )
1
s
2 0.88
e
t 1
i SLM1 0
e 0
1
n E( yd
e
p )
1
o
r 
f q
ó
r
m
u
l
a
AS para un punto de
h L reorden de 30.
o M Primeramente
r recuérdese
a2
s
e
c
a
l
c
u
l
a
e
l
que con ese punto de reorden
había escasez para las demandas
Capítulo 1. 31
de 40, 50cualquier
y 60. Esciclo
decir,en el
exp  du   L I  2
durante DL , sea mayor  r L 
que la demanda en el tiempo a 30. SLM 
E r L L
de entrega, Así, la LL 2
q  
probabilidad de escasez

durante un ciclo está dada por: q
1 1 1
P( y )  P(D   60)     En donde el subíndice L indica
 40)  50) 3 . En el la media y desviación estándar
P(D  ejemplo
P(D en el tiempo de entrega.
d L
5 5 anterior
L 5 5 para
calcular E(
L
yd )  yd
Luego, como se tiene un número utilizó el
promedio de 10 ciclos por año, el número hecho de
esperado de que la
ciclos por año que representan carencias es de
10 * 0.6  6 . Es decir, SLM 2  6. distribución
era discreta
N an
Puede establecerse la fórmula para el uniforme. ( ual
SLM 2 Cuando se ,
trata de la ,
SLM 2  P( yd distribución 
E( yd ) normal
) q .
2
1.10 DETERMINACIÓN DEL PUNTO DE

REORDEN Y DE NIVEL DE RESERVA )
DE
  para N 2  y se
SE SLM1 el usa
GU caso 
RID SLM1, ¿cómo determinar el punto de
AD de reorden que dé el nivel de un ,
tiem
PA po
RA de
entre
Dado un ga L
sería
valor
deseado 
de  
L r
servicio deseado? Supóngase que  z
r 
se pide la cantidad económica de  

pedido q y y que se usa un punto  L
de reorden r, de (18)  
L
 .
E( yd )
SLM1  1  1
y

(  z

E( yd )
Así, sustituyendo esta expresión de E( y )  en 1 SLM1  , se obtiene la
d yd q
fórmula para el punto de reorden r.  r  L  q(1  SLM1)
I (

 
Luego de las tablas de la función de

pérdida normal se puede conocer r , con
r
1  q(1 (
I SLM1)


L    L
  L 
EJEMPLO 10
Se venden en promedio 1000
procesadores de alimentos al año.
Cada pedido cuesta $500. El
tiempo de entrega es un mes.
Cuesta $100 almacenar un
procesador durante un año. La
demanda anual de procesadores
se distribuye normalmente con
desviación estándar 69.28.
Para cada uno de SLM1 determine el punto de
los siguientes reorden: 80%, 90%,
valores de 95%,
99% y 99.9%.
Solución N(,2402 )
E(D)  D  Se requieren los
1000 artículos valores de q,  L
K  500 económico
h  100
D~
y  L , Primeramente se
calcula el valor de q, con
lote
2KD 2(500)(1000)
q h 100

 100 .
Para  L y  L , se tiene que el

tiempo de entrega es un mes, como
los valores de la
demanda están dados en años, se tiene que
dividir entre 12.
 240  20 .
 12

L
12
L
Ahora empleando
la fórmula 20 o SLM1
20a para cada uno
de los
1. SLM1  0.80
Capítulo 1. 33
r
 q(1  SLM1)  1 100(1  0.80) 
I 1   20I  83.33
L  
 L  20 
 L   
 20I 11 83.33  20 0.90 83.33
 65.33  65
2. SLM1  0.90
r
 q(1  SLM1)  1 100(1  0.90) 
I 1   20I  83.33
L  
 L  20 
 L   
 20I 10.5 83.33  20 0.185 83.33
 79.63  80
3. SLM1  0.95
r
 q(1  SLM1)  1 100(1  0.95) 
I 1   20I  83.33
L  
 L  20 
 L   
 20I 10.25 83.33  200.345 83.33
 90.23  90
4. SLM1  0.99
r
 q(1  SLM1)  1 100(1  0.99) 
I 1   20I  83.33
L  
 L  20 
 L   
 20I 10.05 83.33  201.255 83.33  108.43  108
5. SLM1  0.999
r
 q(1  SLM1)  1 100(1  0.999) 
I 1   20I  83.33
L  
 L  20 
 L   
 20I 10.005 83.33  202.195 83.33  127.23  127
1.11 DETERMINACIÓN DEL PUNTO DE REORDEN Y DE NIVEL DE RESERVA DE

SEGURIDAD PARA SLM 2
Capítulo 1. 33
Suponga que un gerente desea tener suficiente reserva de seguridad como para asegurar que s0
ciclos por año en promedio se tenga escasez. Sea
DL la demanda durante el tiempo de reorden
y y r un punto de reorden, una fracción P(DL  r) de todos los ciclos conducirá a escasez.
Como se tendrá un promedio de E(D) ciclos por año (recuérdese que se supone
q
acumulación de pedidos), un promedio de
P(DL  r)E(D)
q s o bien P(DL  r)  s0 q .
E(D)
0
Así, se obtiene el punto de reorden r de SLM 2 , para la demanda durante el tiempo de

entrega. Sólo falta determinar la distribución de la demanda,
Discreta P(DL  r)  s0 q .
E(D)
(21)
Continua
P(DL  r)  s0 q .
E(D)
EJEMPLO 11
En ejemplo anterior determine SLM 2 , cuando se desea asegurar que la escasez ocurra durante
un promedio de dos tiempos de entrega por año.
Solución
E(D)  D  artículos,
1000
K  500 ,
h  100,
s0  2
1000 240
Se cálculo q  100    83.33 y    20 . Luego, si
,
L
12 L 12
D ~ N(,2402 ) , entonces DL ~ N(83.33,202 ) . Por la fórmula (21)
P(DL
s0 q  2(100)  0.20 .
 r) 
E(D) 1000
De las tablas porcentuales de la normal estándar, resultará
r  83.33 r  83.33
P(Z  )  0.80   0.8416 .
20 20
Finalmente, r  83.33  20(0.8416)  100.16  100 . Así, el nivel de reserva de
seguridad que produce un promedio de dos agotamientos por año sería:
r  E(DL )  100.16  83.33  16.83  17 .
1.12 MODELO DE INVENTARIOS DE DOS PERIODOS SIN COSTO DE PREPARACIÓN

Los supuestos del modelo son los siguientes:
1. La planeación 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.
Capítulo 1. 35
2. Las demandad D1 y D2 para los periodos 1 y 2 son variables aleatorias independientes

e idénticamente distribuidas. Su distribución de probabilidad común
tiene la función de
densidad de probabilidad D ( ) y la función de distribución  D
( ) .
3. El nivel de inventario inicial al

principio del periodo 1 es x1  0 .
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 análisis, sea
 q*  valor
i i óptimo de q pa i  1,2 .
ra
 C1 costo total esperado para ambos periodos cuando se sigue la

(x1 política optima
)
 x1 es el nivel de inventario (antes de reabastecer) al principio del
da periodo 1.
do
qu
e
 C2 (x2 )  costo total esperado solo para el periodo 2 cuando se sigue
la política optima
da x es el nivel de inventario (antes de reabastecer) al principio del
2
do periodo 2.
qu
e
Para usar el enfoque de programación C (x ) y q* , donde
dinámica, primero se obtiene
2 2 2
se tiene solo un periodo por analizar. Después se utilizan estos resultados

para encontrar
C (x ) y q* . De los* resultados del modelo de se encuentra resolviendo
un solo periodo, q
Capítulo 1. 35
2
1
 nidades en inventario (después de reabastecer). Ahora L(z) se puede expresar
1 p como
2
1
 2
2
c
2
p 2
En
 Les
don
( el
de
h z cos 2
) to
Dado esp
x2 , entonces la
era
política óptima
do
resultante es de
 ) para elevar el al
s nivel de ma
o inventario
( hasta q* cen
aje
Si x  y
2
falt
2 ant
es
2
2 
q
* no
se
orde
na par
 2 a
un
El costo óptimo
sol
se puede
o
expresar como
per
iod
C (x o
si x2  cua 2
) nd

 q o
L *
(
x e
2
), x
2 
i
2 s
*( t
 e
x)

L
q), z
si
x u
q
q 
L(z)   h(z   )D ( )d   p(  zD ( )d

0 z
Cuando se consideran ambos periodos, los costos consisten en el costo de compra

c(q1  x1 ) , el costo esperado de almacenaje y L(q1 y los costos asociados a seguir
faltantes )
una política durante el segundo periodo. Así, el costo esperado si se sigue una política optima
en los dos periodos está dado por
C1 (x1 )  min c(q1  x1 )  L(q1 )  EC 2 (x2 ).
q1 x1
En donde
EC2 (x2 ) se obtiene de la siguiente manera. Observe x2  q1  D1 de manera
que
que x2 es una variable aleatoria al principio del periodo 1. Entonces
L(q  D ), *
1 1 si q  D  q
C (x )  C (q  D )  c(q* * 1 1 * 2
2 2 2 1 1  q  D )  L(q ), si q  D  q
 2 1 1 2 1 1 2
Así, C2 (x2
)
es una variable aleatoria y su valor esperado está dada por
  q1 q
*
E C2 (x2 )
 2   * *

  C2 (q1   ) D ( )d  L(q 1   )D ( )  c(q  q   )  L(q )
q1 q2
*
2 1 2 D ( )d
 d 
Entonces 0 0
 q1 q  *
 1  x1 )  L(q1 )  02 L(q1   ) D ( )d

c(q 
C1 (x1 )  min  (24)


q x
 

c(q    )  L(q ) ( )d
* *
11
 
 q

  2
2 1 2 D 

q1 q*
Se puede demostrar que C1 (x1 ) tiene un valor mínimo único y que el valor optimo de
*
q1 , denotado por q1, satisface la ecuación
 
   
 
* * *
  q1 q2*
*
   
p ( p h) (c p) q1 q2 (p (q1 ) D ( )d 0
q1 0
h)
Entonces, la política óptima que resulta para el periodo 1 es la siguiente
 q * se ordena (q *  x ) para elevar el nivel de inventario hasta q *
1 (25)
Si x1  q
1* 1 1
no se ordena
 1
Capítulo 1. 37
1.13 MODELO DE VARIOS PERIODOS SIN COSTO DE PREPARACIÓN

Ahora, se considera la extensión del problema anterior de dos periodos a n periodos, donde
n  2 , con suposiciones idénticas. La única diferencia es que se usa un factor de descuento
 (0,1) , para calcular el costo total esperado para n periodos. El problema sigue siendo
encontrar números críticos
q*, q*,..., q* que describan la política óptima de inventario. Al igual
1 2 n
que el modelo de dos periodos, es difícil obtener estos valores numéricos, pero se puede
demostrar que la política óptima tiene la siguiente forma.
Para cada periodo i, (i=1, 2,…, n) con

xi como nivel de inventario al iniciar este periodo
(antes de reabastecer) se hace lo siguiente:
 q * se ordena (q *  x ) para elevar el nivel de inventario hastai q *
(26)
Si xi  q*
i i i
no ordenar en el periodo i
 i
Lo que es más
q*  q*  ...  q*  q*
n n1 2 1
* *
Para el caso de un número finito de periodos, todos estos números críticos q , q ,...
son
1 2
* *
iguales. Sea q este valor constante. Se puede demostrar que q satisface la ecuación
q  
*
p  c(1 
) (27)
ph
Capítulo 2
MODELOS DE INVENTARIOS CON DEMANDA DE DISTRIBUCIÓN

CONOCIDA
2.1 INTRODUCCIÓN
En este capítulo se desarrollarán los modelos de inventarios revisados en el capítulo previo,
pero con base a funciones de distribución probabilísticas más comunes, como son la binomial,
geométrica, poisson, exponencial, gama y beta. Además se desarrollarán algunos ejemplos con
dichos modelos.
Es muy importante el desarrollo teórico de los inventarios con función de distribución
conocida para facilitar la aplicación de los resultados que se obtendrán en el cálculo del costo
mínimo y el punto de reorden óptimo a ciertos inventarios que muestren un comportamiento
como los mencionados en el párrafo anterior.
2.2 MODELO DE INVENTARIOS DE ARTICULOS PERECEDEROS DEMANDA DISCRETA
En esta sección se desarrollarán los modelos de inventarios de artículos perecederos con

distribución de la demanda conocida, cuando la distribución de la demanda es discreta. Para
esto se tomará como base de estudio el análisis marginal desarrollado en el capítulo anterior.
El problema es el siguiente, supóngase que en el departamento de compras, el encargado
de tomar las decisiones de la empresa tiene que decidir cuántas unidades pedir o producir, es
decir encontrar el lote económico q* . Para esto se analizarán diferentes casos de la demanda
y su costo.
 La demanda es estocástica, pero se conoce su distribución de probabilidad p(d ) .
 El costo incurrido, c(d, q) , es una función de d y q.
Empleando el análisis marginal para el modelo de inventarios discretos, se obtuvo en el

capítulo anterior el resultado general:
Capítulo 2. 39
*
P(D  q )  cu
. (1)
c0  cu
En donde,
c0 : El costo de sobreabastecimiento, es decir, el costo unitario de comprar o producir
demasiado.
cu : El costo de subabastecimiento, es decir, el costo unitario de tener faltantes.
Ahora se analizarán los diferentes tipos de demanda discreta más conocidas para este
tipo de modelo de inventario.
2.2.1 DEMANDA CON DISTRIBUCIÓN BINOMIAL

En el caso de artículos perecederos suponga una demanda aleatoria, D, con distribución
binomial y parámetros (n, p), entonces se tiene que el lote económico que minimiza los costos
se obtiene de la fórmula (1)
*  n i
q
c
P(D  q )     p 1  p   u ,
* ni
(2)
i0 i  c0  cu
*
para estimar la q que minimiza los costos, se obtiene por tablas de la distribución binomial,
*
donde q  1, 2,..., n .
EJEMPLO 12
Una agencia de autos en un área metropolitana está intentando cuantos autos comprar cada
semana. Es posible aproximar la demanda de auto mediante una distribución geométrica con
parámetros n=10 p=0.4. El auto cuesta 35 mil dólares a la agencia y los vende a 50 mil
dólares el ejemplar. La agencia de autos no obtiene ningún beneficio de autos sobrantes y se
regresan al proveedor. ¿Cuántos autos debe comprar cada semana?
Solución
 Si d  q se incurre en los costos siguientes (la ganancia se denota por el signo
negativo): Compra de q autos a 35 cada uno ( 35q ), venta de autos a 50 cada uno
( 50d ). Obteniendo un costo total de 35q  50d . Luego, c0  35 .
 Si d  q se incurre en los costos siguientes (la ganancia se denota por el signo
negativo): Compra de q autos a 35 cada uno ( 35q ) y venta de autos a 50 cada

uno (  50q ). Obteniendo un costo total de 35q  50q  15q . Luego, cu  15 .
Modelos de Inventarios con demanda de distribución conocida. 40
*  n i
q
c
P(D  q )     p 1  p   u
* ni
i0 i  c0  cu
15
P(D  3)  3.38   0.3
35  15
Por lo tanto, la agencia debe hacer un pedido de 3 autos por semana.
2.2.2 DEMANDA CON DISTRIBUCIÓN POISSON

En el caso de artículos perecederos con demanda D y distribución de probabilidad Poisson con
parámetro   0 , se tiene que de la fórmula 1
*
P(D  q )   e   cu ,
q i
* 
(3)
i0 i! c0  cu
*
para estimar la q que minimiza los costos, se obtiene por tablas de la distribución Poisson,
*
donde q  0,1, 2,... .
EJEMPLO 13
Supóngase que la energía en la estación de León se suministra mediante celdas solares. Una
vez al año vuela un avión y les vende celdas a $200 cada una. Se estima la demanda a partir
de una distribución de probabilidad poisson con parámetro   30 . Debido a la incertidumbre
de las necesidades futuras, en la planta sólo se puede adivinar el número de celdas que se
necesitarán durante el año venidero. Si se acaban las celdas, se debe hacer un pedido especial
pagando $300 por cada una.
Solución
negativo): Compra de q celdas a $200 cada una ( 200q ), utilización de celdas

$200 cada una (  200d ) y no se usan las celdas q no se tienen costo.
d
Obteniendo un costo total de 200q  200d . Luego, c0  200 .
negativo): Compra de q celdas a $200 cada una ( 200q ) y cuando la demanda

rebase la cantidad pedida a $300 cada una ( 300(d  q) ). Obteniendo un costo
total de 200q  300(d  q)  100q  300d . Luego, cu  100 .
Finalmente el valor de q* se obtiene con la fórmula (3)

Capítulo 2. 41
P(D  q )   e   
 u
q* i
* c
i 0
i! c 0  cu
P(D  27)  0.33 cu

  0.33
c0  cu
Así, de la tabla de probabilidades se tiene que q*  27 celdas.
2.2.3 DEMANDA CON DISTRIBUCIÓN GEOMÉTRICA

En el caso de artículos perecederos con demanda D y distribución de probabilidad geométrica
con parámetro p, se tiene de la fórmula 1
i1 1 q 1   q*
p *
* *
*
q q
i1
P(D  q ) 
 p1  p 1  p
1  1 
11p
p p
i1 i1 p
Ahora, sea cu
k , entonces despejando a q* de la expresión anterior se obtiene el
c0 
cu
siguiente resultado:
P(D  q )  1  1  p  *  k
* q
1  p  q *  1  k
ln 1  p  *  ln(1 
q
k ) q ln1  p 
*
ln(1  k )
ln(1  k )
q* 
ln1  p 
Por lo tanto, sustituyendo el valor de k para determinar el tamaño de lote económico que
minimice los costos en un inventario con distribución de probabilidades geométrica con
parámetro p la siguiente expresión:
 c 0 
ln (4)
c  c
q*   0 u .
ln 1 
EJEMPLO 14 p
Una agencia de autos en un área metropolitana está intentando calcular cuantos autos comprar
cada semana. Es posible aproximar la demanda de auto mediante una distribución geométrica
con parámetro p=0.1 El auto cuesta 35 mil dólares a la agencia y los vende a 50 mil dólares el
Capítulo 2. 41
ejemplar. La agencia de autos no obtiene ningún beneficio de autos sobrantes y se regresan al
proveedor. ¿Cuántos autos debe comprar cada semana la agencia?
Solución

negativo): Compra de q autos a 35 cada uno ( 35q ),
venta de autos a 50 cada uno ( 50d ). Obteniendo un
costo total de 35q  50d  35q  50d . Luego, c0  35 .
Si d  se incurre en los costos siguientes (la ganancia se denota por el

q signo
negativo): Compra de q autos a 35 cada uno ( 35q ) y
venta de autos a 50 cada uno (  50q ). Obteniendo un
costo total de 35q  50q  15q . Luego, cu  15 .
Ahora, aplicando el resultado (3) se obtiene q* .

 35 
*
ln  35 15 
q   3.38

ln 1 0.1
Por lo tanto, se debe hacer un pedido de 3 autos a la semana.
2.3 MODELO DE INVENTARIOS DE ARTÍCULOS

PERECEDEROS DEMANDA CONTINUA
Se revisará el modelo de inventarios del vendedor de periódicos pero con
demanda D variable
aleatoria continua y función de densidad f (d ) . De forma similar que en el
caso discreto, se
obtiene una expresión con la que se puede calcular
q* , pero a diferencia del
el valor óptimo de
caso discreto en el continuo se obtiene mediante una E( será reducido
igualdad. Es decir, q)
al mínimo por el valor mínimo de q (denotado q* P(D  q* cu .

) que satisface a ) c0  cu
Luego, el pedido óptimo *

q unidades hasta el punto en el que la última que se
será solicitar pida tenga
probabilidad
*
P(D  q )  cu de venderse.
c0  (5)
cu
A continuación se desarrollarán los modelos de inventarios

con función de densidad conocida.
2.3.1 DE
MA
ND (y
A a la
CO ,
N b
FU )
NCI
ÓN
DE
DIS
TRI
BU
CIÓ
N
UNI
FO
RM
E
Sea D una
variable
aleatoria
continúa
distribuid
a
uniforme
sobre el
intervalo
función
de
densidad
de
probabilid
ades está
dada por
 1
, a b x
f (x)  

ba d.o.f

 
Capítulo 2. 43
Entonces
q*  a
 , *
si a  q  b
ba



P Dq
*
 0 *
si q  a
,

1, *
si q  b


Ahora, se de la expresión anterior igualando
t procede a * a (5), por lo que se
i despejar a q
e
n
e
:
*
P(D  q )  q*

 c
a u
b
 .
c
a
0
c
u
*
Finalmente, el valor de q que minimiza los
costos es:
*
q  c
u
b  a   a .
c0

cu
En donde, a se refiere a la demanda
mínima posible y b a la demanda
máxima posible, según la distribución
de la demanda.
2.3.2 DEMANDA CON FUNCIÓN DE Sea D

DISTRIBUCIÓN NORMAL
Capítulo 2. 43
una
2
2 dx .
varia 
  2
ble y
aleato 2 Para *
q se debe Z un
ria , calcu
estandariza  a
conti y larr la
expresión D
nua anterior. 
distri Como 
buida 
norm variable aleatoria
normal estándar
almen cuando D es
te con normalmente
pará distribuido con
parámetros
metro
 y  2 , implica que
s la función de
funci distribución de D
ón de puede ser expresada
como
densi   q*    q
*
dad 
P D    
f 1 q 
x  .
 P2
 e
 

x
x
  Z
  
2
 . 
2   
Ahora, se
*
Entonces despeja q de la
, expresión
anterior

2
P D * igualando
q
a (5)

*
q
 
1
e
x



*  q*    cu
P Dq    
  c0  cu

q 
*

cu 
1
  .
  c0  cu 
Por lo tanto, la cantidad de lote económico en el caso de una demanda con distribución
normal estará dada por:
 
q    1 
*
c . (7)
u  c0 
  cu 
2.3.3 DEMANDA CON FUNCIÓN DE DISTRIBUCIÓN GAMMA

Sea D una variable aleatoria continua que tiene una distribución tipo gamma con parámetros
,  ,  >0 y >0 . Para determinar el tamaño del lote económico, se tiene de la expresión (5)
 *
   *
que P D  q  FD q  k , despejando en forma general a la cantidad de lote económico

q  FD  cu  .
*
(8)
1
 c
c0 u
Ahora si se cuenta con tablas estadísticas de cuantiles para la distribución gamma o se

dispone de algún paquete matemático, por medio de los métodos numéricos se puede
*
encontrar el valor del lote económico q .
En el caso de que   m Z , entonces si se denota y  x
q
1 1
q*
  
*
(  x)
P Dq *
(x) m1
e d (x) 
y
m1  y
   e dy ,

m 1 !

m 1 ! 0
0
q*
denotando I m1 (q )*
m1  y e integrando por partes, u  ym1 , du  (m 1) ym2 dy y
 y e
dy
0
y
dv  e dy , v  ey , se tendrá
  *  1  * 1 m1
*
y q  
y


 I m1 ( q ) y
em 1! 
*
 PD q m 1! y (m 1)I m2 ( q )
0 



1
 (q ) * m1
e
( q
*  (m
)
m2 
( q * ) .
m 1
1)I
Se obtuvo una fórmula recursiva, que se aplica hasta llegar I 0(q )

*
a
Capítulo 2. 45

*
(q )
P D  q *  e *
 (m 1)
m 1! )m1 (q* )  (m 1)!  I 0 ( q )
 (q
m2 q
*
*
(q )
 e
m 1!
*
)  (m 1) )  (m 1)! *

 1 *
(q )

(q m1 (q* m2 q e
(q )
* (q* ) (q* )1 (q* )0 

m1
q* )
(m2
1 e   (1)!  
(m 1)! (m  2)! (0)!


 1 F (m 1)
Donde v ~ Poisson q  . *
Por otro lado, para despejar a de la expresión anterior, se tiene
*
q

P Dq
*
 1 m 1  k  m 1  1 k .
V
F FV
cu
En donde, k  c  , luego de las tablas de la distribución de poisson se encuentra el valor
0
cu
de  que hace que se cumpla la desigualdad
m1
 i e  
 c
 0 yq  .
*
(9)
i0 i! c0  cu
2.3.4 DEMANDA CON FUNCIÓN DE DISTRIBUCIÓN EXPONENCIAL

Cuando la demanda tiene una distribución exponencial, como se sabe se trata de un caso
especial de la distribución gamma con   1, luego utilizando cualquiera de las expresiones
(8) o (9) , por ejemplo esta última
0
 i e   cc

c c
0 0
  e     ln
0 u
.
i0 i! c0  cu c0  cu  c0 
Finalmente, el lote económico, q    , para esta distribución

*
*  c 0  cu 
1
q  ln . (10)
  c0 
Capítulo 2. 45
2.3.5 DEMANDA CON FUNCIÓN DE DISTRIBUCIÓN WEIBULL
Sea D una variable aleatoria continua con función de densidad Weibull con parámetros
*
v, , y  , es decir su función de densidad estará dada por:

   x  v   1   x  v   
   exp    , si x  v
      
f (x)   
  
0, si x  v


Entonces, para determinar el lote económico se tiene que resolver
q*   x  v   1   x  v   

*
P(D  q )    exp    dx
v        
 
q*
  x  v  
 exp 
   
   
 
  v  v      q  v   
 v *
 exp      exp    
 
     
 
  q
*
 v   
 1  exp    
  
  
Ahora, se sabe que debe cumplirse P  D  q*   k , de donde se *

q , luego
despeja
 
 q v 
*
1  exp   k

    
  q*  v   
  
ln  exp      ln1  k 

   *  
 q  v 
   ln1  k 
  
 q*  v   1 
    ln1  k 
   
 1 
q  v    ln
*
 
1k
cu
Por lo tanto, para k la expresión que minimiza los costos para el lote
c0 
cu
económico en una distribución Weibull, estará dada por
*  cu 
q  v    ln1   (11)
c0 
EJEMPLO 15
Un puesto de periódicos en un área metropolitana está intentando determinar cuántos
ejemplares de un periódico dominical debe comprar cada semana. Es posible aproximar la
demanda del periódico mediante una distribución gamma con parámetros 9 y2.
El periódico cuesta 0.35 dólares al puesto y los vende a 0.50 dólares el ejemplar. El puesto de
Capítulo 2. 47
periódico no obtiene ningún beneficio de los periódicos sobrantes y, por ello, absorbe el 100%
de la pérdida de los que no se venden. ¿Cuántos ejemplares debe comprar cada semana del
periódico dominical?
Solución
 c0  0.7
 cu  0.15 .
Como  es entero entonces se aplica la ecuación (9). Utilizando la tabla de función de

distribución Poisson:
m1
 i e   c0 0.7  0.8235
 i0 i!

c0  cu

0.7  0.15
 29.5
Para que se cumpla la desigualdad anterior   29.5 y q 
*

 14.25 . Por lo tanto, al
 2
empleado del puesto de periódico se le aconseja hacer un pedido de 14 o 15 periódicos.
2.4 MODELO ESTOCÁSTICO DE REVISIÓN CONTINÚA

Estos modelos se desarrollaron y se explicaron en el capítulo 1, obteniendo la fórmula para el
punto de reorden cuando se utiliza la política 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
q  pd .
s
FL (s)   f L (u)du (12)

hp qh  pd
 d
0
En donde, q
 El tiempo de entrega L es distinto de cero.

 f L (u) la demanda durante el tiempo de entrega.

 d  dL   uf L la demanda promedio por unidad de tiempo durante el tiempo de

(u)du
0
entrega.
 s es el punto de reorden que minimiza el costo de inventario sin el costo por ordenar.
A partir de la fórmula (12) se pueden obtener expresiones similares al caso de artículos
perecederos con demanda continua, para el lote económico, si se realiza k  pd

en lugar
qh 
pd
de k  cu
ahorrando los desarrollos.
c0 
cu
1) DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIÓN UNIFORME

Sea D una variable aleatoria continúa distribuida uniforme sobre el intervalo (a, que
b)
representa la demanda durante el tiempo de entrega, entonces su punto de reorden que
minimiza el costo de inventario sin costo por ordenar, estará dado por
pd
s  qh  b  a   a . (13)
pd
2) DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIÓN NORMAL

Sea D una variable aleatoria continúa distribuida normal con parámetros  y  2 , 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, estará dado por
1
 pd   
s   . (14)
     
 qh  pd   

3) DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIÓN GAMMA

Sea D una variable aleatoria continúa distribuida tipo gamma con parámetros
,  , >0 y >0 que representa la demanda durante el tiempo de entrega, entonces su punto
 pd
de reorden que minimiza el costo de inventario 
sin costo por ordenar, estará dado por
s  F 1 .

T  qh  pd  (15)
 
Para la distribución gamma con parámetros ,  , >0 y >0 .

En el caso de que
  m Z , se obtuvo 
P Dq
*
 1 m 1  k  m 1  1 k .
V
F FV
pd
En donde, k pd
 qh 
, luego de las tablas de la distribución de poisson se encuentra el valor
de  que hace que se cumpla la desigualdad
m1
 i e   qh
 i!

qh 
ys . (16)
i0
pd
Capítulo 2. 49
4) DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIÓN EXPONENCIAL

Cuando D tiene una distribución exponencial, como se sabe trata de un caso especial de la
distribución gamma con   1, 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, estará
dado por
1  qh  pd 
s ln . (17)
  qh 
5) DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIÓN WEIBULL

Cuando D tiene una distribución Weibull con parámetros v, , y  , para la demanda durante
el tiempo de entrega, su punto de reorden que minimiza el costo de inventario sin costo por
ordenar, estará dado por
 pd 
s  v    ln1 qh  . (18)
 
EJEMPLOS 16
Un impresor que en la actualidad está haciendo una compra mensual, estudió el
comportamiento del papel libro de 70 gr. en los últimos doce meses. Encontró 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
función de distribución uniforme en el intervalo 8.5, 12, y la orden se recibe después de una
semana que se solicitaron. El tamaño promedio de la orden es 10 unidades. El costo por
inventario es de $345.00 por unidad por semana y el costo por déficit es $200.00 por unidad.
¿Calcule el punto de reorden?
Solución
L  1semana, tiempo en recibir el inventario
d  10.25 demanda media
Utilizando la ecuación (13)
s 200(10.25)
12  8.5 8.5  9.69 .
10(400)  200(10.25)
Por lo tanto, el punto de reorden es de 9 ó 10 toneladas.
2.5 MODELO DE VENTAS PENDIENTES O COSTO DE ORDENAR SIGNIFICATIVOS

La parte teórica de estos modelos se desarrolló a detalle en el capítulo anterior obteniendo los
siguientes resultados y algoritmos de solución:
2d K  pyd (s)
a) q .
h
b) 2 pd  qh
FL(s)  2 pd  qh.
En donde,
 K costo por ordenar,
 q tamaño de la orden,
 s nivel de inventario,

 yd (s)   (u  s) f
s
L (u)du ,
 d demanda media durante el tiempo de entrega,

 p costo por déficit por unidad y
 h costo por inventario por unidad
Paso 1. Suponer yd (s)  0 y encontrar el valor de q con la expresión (a).
Paso 2. Con el valor más reciente de q encontrar s, empleando la expresión (b).


Paso 3. Con el último valor de s encontrar yd (s)   (u  s) f L (u)du .

s
Paso 4. Con el último valor de s y yd (s) , y empleando (a), regresar al paso 2 y calcular q.
Repetir hasta que dos valores sucesivos de q estén suficientemente cercanos de modo
que una iteración más no proporcione una mejora apreciable.
Ahora se desarrollarán las fórmulas para aplicar el algoritmo de solución en cada una de
las distribuciones vistas. Para esto nótese que en realidad sólo interesan las fórmulas para los
pasos 2 y 3, ya que 1 y 4 son los mismos para cualquier distribución. El paso dos se puede
Capítulo 2. 51
hacer simplificando cálculos si se emplea la sección anterior con 2 pd  en lugar de

kqh
2 pd 
qh
pd . De esta forma se iniciarán siempre con los cálculos del paso 3.

k  qh 
pd
2.5.1 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIÓN UNIFORME

Supóngase que la demanda durante el tiempo de entrega tiene una distribución uniforme entre
a y b.
Para encontrar el valor de s se utiliza el desarrollo de la sección
anterior.
2 pd  qh (19a)
s b  a
2 pd  qh
Para el paso 3 se requiere calcular
 b 2
1 b (b  s)
1(u  s) 2 
yd (s)   (u  s) f L (u)du   (u  s) du  2(b  a)
.
s s ba b  a2
s
En caso de que s  vale cero. Es decir,

b
(b  s)2
yd (s)  , yd (s)  0 cuando s  (19b)

2(b  a) b
Ahora se puede resumir el algoritmo de solución de la siguiente manera en el caso de
una distribución uniforme de la demanda.
Paso 2. Con el valor más reciente de q encontrar s, empleando la expresión (19a).

Paso 3. Con el último valor de s encontrar yd (s) empleando la expresión (19b).
2.5.2 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIÓN NORMAL

Supóngase que la demanda durante el tiempo de entrega tiene una distribución normal con
parámetros ( ,  ) .
2
Para encontrar el valor de s se utiliza el desarrollo dela sección anterior.

1 2 pd  qh   
s     
Capítulo 2. 51
  (20a)

 2 pd  qh 
  
Para el paso 3 se requiere calcular yd (s) .
s
FL (s)   f L (x)dx  P0  D  s

0
 Para el caso de de la normal estándar el valor de y (s)  I s se obtiene de la tabla de

d
la pérdida normal unitaria.
 Para la normal no estándar se tiene el siguiente resultado

 s  1  z s
yd (s)    z  L
 exp  du   I L 
 L
sL  L   L 2  2   L 
L
I se obtiene de la tabla de la pérdida normal unitaria. Es decir,

 s  L 
yd (s)   L I  s
yd (s)  0 cuando b (20b)
,
 L 
Finalmente se tiene el siguiente algoritmo de solución para la distribución normal.

2.5.3 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIÓN GAMMA

Supóngase que la demanda durante el tiempo de entrega tiene una distribución gamma con
parámetros ,   ,  >0 y >0 .
Para encontrar el valor de s utilizamos el desarrollo de la sección anterior.
s 2qh
(21a)
(2 pd 
qh)
  
  1   1  
yd (s)  (u  s) f L (u)du  u  u  e 
du  s  u e du .
u u


s s s 
Aplicando el resultado de 3.3.3 se tiene el siguiente resultado

s
     
s 
yd (s)   F 1  FV  (21b)
 1! 2
V
e
El valor de la función F   se obtiene de la tabla de distribución poisson.

V
Capítulo 2. 53

una distribución gamma de la demanda.

2.5.4 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIÓN

EXPONENCIAL
Supóngase que la demanda durante el tiempo de entrega tiene una distribución exponencial,
para alguna   0 .
Para encontrar el valor de s se utiliza el desarrollo de la sección anterior.
1
s  2 pd  qh
 (22a)
ln
  
 2qh 

 1
yd (s)   (u  s) f L (u)du   (u  s)e u du 
b
es .
s s

En caso de que   0 vale cero. Es decir,
1
y (s)  e  s ,
d
yd (s)  0 cuando   0 (22b)

una distribución exponencial de la demanda.

2.5.5 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIÓN WEIBULL

Supóngase que la demanda durante el tiempo de entrega tiene una distribución weibull con
Capítulo 2. 53
parámetros v,  y  .
Para encontrar el valor de s se utiliza el desarrollo de la sección

anterior.
 1 pd 
 ln (23a)
s  v    2qh 
  
   u
 v 
Para el paso 3 se requiere calcular u 
  
v
u
 
1
v



yd (s)  e  
f (u  s) x du du
p 
L
 p
(u)du  ex
s) (u  
 
 
 
s   

s  
 
 
 



 u  v   
yd


s   

P contrar
yd (s)
a el valor
r de
a
e
n
se obtiene mediante apr oximaciones numéricas. Ahora u é
se puede resumir el algoritmo de solución de la n f
siguiente manera en el caso de una distribución i i
weibull de la demanda. d c
a i
Paso 2. Con el valor más reciente de q encontrar s, empleando la expresión (23b).

Paso 3. Con el último valor de s encontrar yd (s) empleando la expresión (23a).
d t
EJEMPLOS 17
Una empresa determinada, vende a turistas diversos artículos
c p
de calidad hechos a mano. La entrega se hace en promedio en
o o
una semana. Esta empresa vende miniaturas talladas a mano de
s r
un soldado colonial, cada año, pero el patrón de demanda
t
anual es incierto, el tiempo de
o u
entrega obedece a una distribución   y  . Las réplicas se
gamma con parámetros 15  3 n
p i
venden a $40.00 cada una, el costo anual de mantenimiento de
o d
inventario representa el 25 % del precio de venta por unidad, el
r a
costo por pedido es de $2.00. Y el costo por déficit es de
d
$15.00 por unidad. ¿Calcular el tamaño de la orden?
d
Solución d  5 demanda media
Datos del problema q  5 tamaño de la orden
L  1 semana, tiempo en recibir el inventario K  2 costo por ordenar
h co
 sto
10
po
p
 r
15 in
ve
nt
ari
o
po
r
Capítulo 2. 55
Paso 1. Suponer yd (s)  0 y encontrar el valor de q correspondiente.
2d K  pyd (s) q
2(5)(2  0(15))
h 10  1.41
Paso 2. Con el valor más reciente de q y con las tablas
porcentuales de la distribución normal se encuentra s.
s
 2 

2(1.41)(10)  0.06
q
h 
 2 pd  qh 3 2(15)(5)  (1.41)(10)

Paso 3. Con el último valor

yd (s)   (u  s) con su distribución
de s encontrar
f L (u)du
s
correspondiente.


s    3(0.
09)    
153(0.09
1 
yd (0.06) e  F FV  2 315 e
F  15FV 13
 1!
V V
1
1! 4
 0.84  1 
15  16.84
Paso 4. y (0.06)  16.84 se encuentra el correspondiente valor de q.
d
Con
2d K  pyd (s) q
2(5)(2 16.84(15))
h 10  15.95
s 2 
q    0.34
h 
 2 pd  2(15.95)(10)
3 2(15)(5)  (15.95)(10)
qh Paso 6. Con el último valor y (s) , empleando la expresión (6)
d
de s encontrar
(0.34
15


s    
3
.3
4)  
Capítulo 2. 55
encue
3(0 
 
1 2 3 
yF ntra
(0V 15F
.3  13 s.
4) F  V
 V
 1
s
5 2
 q
 h 
1
1
e 2(1 
 5.7
 !e 0
3)
0. .
(10
3 3 2 pd 
)
6 4 3 2(15)(5)  (15.73)(10)
 qh
1 Paso
 9.
1 Con
5 el
 últim
1 o
6. valor
3 de s
6 enco
ntrar
Py (0.34)  16.36 su
a d corre
y encontrar el spon
s
valor de q dient
o
correspondiente. e q,
7
. empl
C eand
o o la
n expre
sión
(6)
2d K  pyd (s) 2(5)(2  16.36(15))
q
h 10


15.7
3
Paso 8. Con el
valor más
reciente de q se
s
     3(0.34)  y  F 
   15FV
d
( V 1 2 3 13
s 

3(0.3415 0.   15
3
4 F 
) V
 1
!e

e!

0.
3
6

1

1
5

1
6.
3
6
P yd se encuentra el valor
a
(12.7 correspondiente de q.
s
67) 
o
0.076
1
5
0
.
C
o
n
2d K  pyd (s) 2(5)(2  16.36(15))

q
h 10
 15.73
E esqel 15.73
s valor
t de
e
ya v ía con respecto r( c. manda o l do los resultados
que a al anterior. Por  pd media d a obtenidos en la
no r lo tanto, se (  durante
( e s sección 3.5 y el
p crh el
recomienda hacer un )qb l algoritmo de
pedido de 16 d ) tiempo
de o d solución para
unidades. 
entrega, o obtener los
2.6 MODELO CON  p costo c s resultados de las
VENTAS por o siguientes
PÉRDIDAS déficit n e funciones de
por
Los x distribución
unidad,
result v p acumulada.
  h costo
ados por e r
que inventa n e
se rio por t s
muest unidad, a i
ran a  c costo s o
conti por n
unidad
nuaci p e
 y
ón se e s
 r precio
obtuv de r
ieron venta. d a
en el i n
A
capítu d t
s
lo a e
í
uno  s r
,
de  i
l
forma e o
a
detall s r
ada. t e
s
á s
o2K  ( p  r  c) yd (s)d h
q .
l
d
La u
a U
probabilidad c
de un nivel de d t
i
inventarios s a i
ó
( l
c n
p i
En Fq  r  c)
d o z
don( h
s a
de,   r a
(p q l
n
m
Capítulo 2. 57
Para el paso dos se nota que se puede hacer simplificando cálculos basándonos en la
 p  r  cd 2 pd  qh
sección anterior con en lugar de k  . Así se inicia siempre
k  2 pd  qh
 p  r  cd
 hq
con los cálculos del paso 3.

a y b.
Para encontrar el valor de s es:
 p  r  cd
s b  (24a)
a
 p  r  cd  qh
Para el paso 3 se requiere calcular y (s) considerando el resultado de la sección 3.5.1.
d
2
(b  s)
yd (s)  2(b  a) yd (s)  0 cuando s  (24b)
, b
Ahora se puede resumir el algoritmo de solución de la siguiente forma.


2.6.2 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIÓN NORMAL

Supóngase que la demanda durante el tiempo de entrega tiene una distribución normal con
2
Para calcular el valor de s se utiliza el desarrollo de la sección anterior.

1
  p  r  cd   
s         (25a)

p  r  cd  qh   

Para el paso 3 se requiere calcular yd (s) .
Para el caso de de la normal estándar el valor de pérdida normal unitaria (ver anexo A).
Capítulo 2. 57
yd (s)  I s se obtiene de la tabla de
Para la normal no estándar se tiene el siguiente resultado
 s  L 
yd (s)   L I  
 L 
Es decir,
 s  L 
yd (s)   L I  sb  (25b)
d (s)  0
ycuando
 L 
Finalmente se tiene el siguiente algoritmo de solución para la distribución normal.

2.6.3 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON

DISTRIBUCIÓN GAMMA Supóngase que la demanda durante el tiempo de
entrega tiene una distribución gamma con parámetros ,   ,  >0 y >0
.
s
 qh  (2
6
a
)
 p  r  cd  qh
Para el paso 3 se requiere yd (s) , pero como ya se calculó en la sección 2.5.3 se tiene
calcular que


s     
yd (s)   F 1  FV (26b)
V 2
 1!
e
Ahora, se resume el algoritmo de solución de la siguiente forma.


Capítulo 2. 59

EXPONENCIAL
s ln p  r  cd  qh (27a)


1  qh
1 
 
3Para el paso yd (s) se calculo en la sección 3.5.4.
1
y (s)  es ,
d yd (s)  0 cuando   0 (27b)

una distribución exponencial de la demanda.


Supóngase que la demanda durante el tiempo de entrega tiene una distribución weibull
v,  , y  .
 p  r  c  d 
s  v    ln1  (28a)
 qh 
Para el paso 3 se usa el resultado obtenido en la sección 3.5.5.
 
 u  v   
yd (s)  exp    du (28b)
    
s
Para encontrar el valor de y (s) se obtiene mediante aproximaciones numéricas.

d
Ahora se puede resumir el algoritmo de solución de la siguiente forma.


EJEMPLOS 18
Una empresa determinada, vende a turistas diversos artículos 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 año, pero el patrón de demanda anual es incierto, el tiempo de
entrega obedece a una distribución exponencial con parámetro   0.5 . Las réplicas 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 déficit es de $15.00 por unidad. ¿Calcular el tamaño de la orden?
Solución
Datos del problema
h  costo por inventario por unidad
10 costo por déficit por unidad
p
15
r  40 precio de venta y
c  30 costo por unidad.
Paso 1. Suponer
yd (s)  0 y encontrar el valor de q
correspondiente.
q
2K  ( p  r  c) yd (s)d h 2(2  (15  40  30)0)2  0.89

10
Paso 2. Con el valor más reciente de q y con las tablas porcentuales de la distribución normal
se encuentra s.
1  1
s ln p  r  cd  qh 0.5
1 
ln
1
15  40  302  0.89(10) 
  qh

 0.89(10)
 
3.78
Capítulo 2. 61

Paso 3. Con el último valor de s encontrar yd (s)   (u  s) f L con su distribución
correspondiente. (u)du y1
s d 0.5(3.78)
0e  0.3
.
5
P y (3.78)  0.3 se encuentra el
a d
correspondiente valor de q.
s
o
4
.
C
o
n
2K  ( p  r  c) yd (s)d h 22  (15  40  30)0.32

q
10
 1.96
Paso 5. Con el valor más

reciente de q se encuentra s.
1
s 
1

p  1l 15  40 
ln r  n 302  
 
cd  1 1.96(10) 
qh   2.53
 
  0.5
 
 1.96
Paso 6.
Con el yd (s) , empleando
último la expresión (6).
valor de s
encontrar
y1
0.5(2.53)
0e  0.56
d
.
5
P s 7. Con
yd (2.53) 
a o
Capítulo 2. 61
0.56 valor de q
y
correspondiente.
encon 2K  ( p  r  c) yd (s)d h
q trar el
 2.54 22  (15  40  30)0.562

10
Paso 8. Con el valor más reciente de q se
encuentra s.
1
s

 p  r 1
1
1 cd  ln
 15  40  302 
ln
 qh    2.54(10)  2.18
  0.5 
  2.54(10)
Paso 9. Con el
último valor de yd (s) , empleando la
s encontrar expresión (6).
y1
0.5(2.18)
0 e  0.67
d
.
5
Pas yd se encuentra el valor
o
(2.18) correspondiente de q.
10.
Co 
n 0.67
2K  ( p  r  c) yd (s)d h 22  (15  40  30)0.672

q 
10

2.75
Este es el valor de q  2.75 ya que no varía

mucho con respecto al anterior. Por lo tanto, se
recomienda hacer un pedido de 3 unidades.
2.7 MODELO ESTOCÁSTICO CON DÉFICIT CONVERTIDO EN COMBINACIÓN DE

VENTAS PENDIENTES Y PÉRDIDAS
Usando el mismo razonamiento como en casos anteriores, y usado los siguiente resultados que
se exponen a continuación.
2K   p  (1  )(r  c) y d (s)d h

a) q
h
p  (1   )(r   
d
c)
q 2
b) F (s)  h
(1  )  c)   h  
d
L p
 (r q 2

En donde,
 K costo por ordenar,
 q tamaño de la orden,
 s nivel de inventario,

 yd (s)   (u  s) f L (u)du ,
s
 d demanda media durante el tiempo de entrega,

 p costo por déficit por unidad,
 h costo por inventario por unidad,
 c costo por unidad,
 r precio de venta y
  fracción de clientes que están dispuestos a esperar a que se surta el material.
Los pasos del algoritmo de solución son los mismos como en la sección 3.5 y 3.7.
1
p  1   r  
Ahora con k  c
d
h en lugar de k  p  r  . Así, se
q 2 cd
p  1   r  h
1 p  r  cd  hq
d
c h
q 2
inicia siempre con los cálculos del paso 3.

a y b.
Para calcular el valor de s es:
Capítulo 2. 63
1
p  1   r  
d
c h b  (29a)
s 2 a
q
1
p  1   r  h h
d 2
c
q
Para el paso 3 se considera resultados de la sección 3.5.1.

2
(b  s)
yd (s)  2(b  a) yd (s)  0 cuando s  (29b)
, b
Finalmente, se resume el algoritmo de solución para esta función distribución.

Paso DEMANDA
2.7.2 d (s)  0 y encontrar
1. Suponer yDURANTE EL TIEMPO el valor de q con la expresión
DE ENTREGA (a).
CON DISTRIBUCIÓN NORMAL
Supóngase
Paso 2. Conque la demanda
el valor durantedeelqtiempo
más reciente de entrega
encontrar tiene una
s, empleando distribución
la expresión normal con
(29a).
2

 de s y y (s) , y empleando
Paso 4. Con el último valor 1  paso 2 y calcular q.
p  1 d  r   (a), regresar  
al
d

 c q h2
s   1      (30a)


 p  1   r   h 
1   
 d 
c   h
 q 2 
Para el caso de la normal estándar el valor de yd (s)  I s se obtiene de la tabla de la
pérdida normal unitaria. En el caso de la normal no estándar
 s  L 
yd (s)   L I  
 L 
Es decir,
 s  L 
yd (s)   L I  , yd (s)  0 cuando sb  (30b)
 L 
Finalmente, se resume el algoritmo de solución para esta función distribución.

2.7.3 DEMANDA DURANTE EL TIEMPO DE ENTREGA CON DISTRIBUCIÓN GAMMA

Supóngase que la demanda durante el tiempo de entrega tiene una distribución gamma con
parámetros ,  , >0 y >0 .
h
s  
 dp  1   r   h  1 h (31a)
c
 
 q 2 
Para el paso 3 se utiliza resultados de la sección 3.5.3.

s
     
s 
yd (s)   F 1  FV  (31b)
 1! 2
V
e
Ahora, se puede resumir el algoritmo de solución de la siguiente forma.



EXPONENCIAL
s
1 ln 1  p  1   r  1 h 
h  (32a)
d
c  2 
h
 
q
Para el paso yd (s) se calculó en la sección 3.5.4.
3
Capítulo 2. 65
1
y (s)  e  s ,
d
yd (s)  0 cuando   0 (32b)

Ahora, se puede resumir el algoritmo de solución para esta función de distribución.


Supóngase que la demanda durante el tiempo de entrega tiene una distribución weibull
v,  , y  .
 p  1  r  cd

s  v    ln1 
 (33a)
 qh 2
Para el paso 3 se usa el resultado obtenido en la sección 3.5.5.
 
 u  v   
yd (s)  exp    du (33b)
   
s  
Para encontrar el valor de y (s) se obtiene mediante aproximaciones numéricas. Ahora,
d
se puede resumir el algoritmo de solución de la siguiente forma.


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. Según los planes de producción,
se necesitarán 10,000 unidades durante el próximo año, pero esto dependerá de las ventas. En
realidad, la empresa piensa que la demanda durante el tiempo de entrega estará distribuida por
una weibull con parámetros v  0,   2 y   20 . El gerente de abastecimiento hace planes

basándose 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 déficit es de $15.00. Y
una fracción de 0.7 de clientes esta dispuesto a esperar el
producto.
¿Calcule el tamaño óptimo del pedido?
Solución
Datos del problema
d
3
5
.
4
5
d
e
m
a
n
d
a
m
e
d
i
a
q
r

o
5 r
d
t e
a n
m a
a r
ñ r 12 precio de venta
o c  5costo por unidad y
  0.70 fracción de clientes que están dispuestos a esperar a que se surta el
d material.
e Paso 1.
Suponer yd (s) y encontrar el valor de q correspondiente.
l 0
a
2K   p  (1   )(r  c)  y d (s)
q d h
2(10  (15  (1  0.7)(12  5))0)35.34
o 
26.63
r 1
d Paso 2. Con el valor más reciente de q y con las tablas
e porcentuales de la distribución normal se encuentra s.
n

0.7 
 p  1   r  cd 
K  ln 1   15
 qh 2  1

 0.7
12

1 5
35.4
0 5
s 0  

c 2 2 2 
 20 ln 6 2.12
o 1 .
s v  6
t 9
o 

p
o
Paso 3. yd (s) con su

distribuc

ión
(u 
Con el
s) f L
último (u)du
s
valor de s
encontrar
correspon
diente.
 u  20 


yd (2.12)   exp    du 
0.001 2
2.12    
P y (2.12)  0.001 se
d
a
encuentra el
s
correspondiente valor de
o
q.
4
.
C
o
n
q 2K   p2(10
 (1  )(r  c)  y d (s)d h

(15  (1
26.65
 0.7)(12

5))0.001)
35.34
1
Paso 5. Con el valor más
reciente de q se encuentra s.
Capítulo 2. 67
 15  1  0.712  0.7 
 p  1   r  cd  535.45
 ln 1   s 
 2
 qh 2
6. 2
6
5 

2
1
2
Pas yd (s) ,
o 6.
empleando
Con
la expresión
el
(6).
últi
mo
valo
r de
s
enco
ntrar
 u  20 


yd (2.12) exp   
  du  0.001
2
2.12   

Py (2.12)  0.001
a d
y encontrar el
s
valor de q
o
correspondiente.
7
.
C
o
n
2K   p  (1   )(r  c)  y d (s)d h q 2(10 0.

  (15 7)
(1
 (1
2

Capítulo 2. 67
 5))0.01)35.34 1
 26.65
Este es el q ya que no varía con respecto al anterior. Por lo tanto, se
valor de 26.65
recomienda hacer un pedido de26 ó 27 unidades.
Capítulo 3
MODELOS DE INVENTARIOS DINÁMICOS Y CON CADENAS DE

MARKOV
3.1 INTRODUCCIÓN
En los capítulos previos se revisaron los inventarios en un sólo periodo y generalizaron para
dos o más periodos, analizando los casos más comunes y sus generalizaciones a diferentes
familias de distribuciones, ahora en el presente capítulo se escribe brevemente sobre otros dos
tipos de inventarios probabilísticos que hacen falta de analizar, los inventarios dinámico-
probabilísticos y finalmente los inventarios obtenidos mediante cadenas de Markov.
Los inventarios dinámico-probabilísticos como es característico partirán de una demanda
incierta y una función recursiva que determine el costo en cada etapa del inventario para la
toma de la mejor decisión y avanzar a la siguiente etapa.
En el caso de los inventarios obtenidos mediante cadenas de Markov se parte de la
definición de un proceso estocástico, los conceptos básicos de las cadenas de markov, y las
condiciones que debe cumplir una cadena de markov. Finalmente, para la parte de inventarios
se ilustran éstos con un proceso de Poisson.
3.2 MODELO ESTOCÁSTICO DINÁMICO

En el modelo dinámico probabilístico 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 (número de artículos en el almacén, yi ),
 Se toma una decisión en cada etapa (número de artículos por ordenar, qi ),
 Con la decisión tomada se transforma el estado actual en un nuevo estado en la etapa
siguiente (función de transición)
68
Capítulo 3. 69
yi  yi1  qi  E(Di )
 Observar que dado el estado actual, la decisión óptima para cada una de las etapas
restantes no depende de estados o decisiones previas.
 Se obtiene la función recursiva que determina, en la etapa t , el costo correspondiente a
t, t 1, t  2,,T
J ( y )  min K  c 
 hy  E J ( y )
*
 
q
i i1
qi i i ii i1 (1)
i
En donde,

E J*(y)  es el costo esperado mínimo para el almacenamiento de y en la
i1 i i
siguiente etapa.
EJEMPLO 20
Se considera el siguiente sistema de inventario durante tres periodos. Al principio de cada

periodo es necesario determinar cuántas unidades producir durante dicho periodo. El costo de
producción es c(q) , donde c(0)  0 y para c(q)  30  20q . La capacidad de producción está
limitada a 4 unidades durante cada periodo. Después de tener la producción se observa la
demanda aleatoria del periodo que puede ser de 1 o 2 unidades con la misma probabilidad.
Después de satisfacer la demanda se observa la existencia en el almacén a la que se carga un
costo de almacenamiento de $10 por unidad. La capacidad del almacén está limitada a tres
artículos. 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
programación dinámica para determinar una política de producción que minimice el costo neto
esperado incurrido durante los tres periodos.
Solución
Se determinará la función de transición yi  yi1  qi  E(Di ) , 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, E(D)  1(0.5)  2(0.5)  3 2 . Así,
yi  yi1  qi  3 2 .
Ahora la función recursiva,

J ( y )  min K  c q  h  EJ * ( y ). Para esto
y
i i i i i1 i
i i1
qi
E J  
(y) J*(y  q 1)
1
J*(y  q  2)
1

1
J *
(y  q  2) 
*  q 1)  J * ( y
i1 i1 i1 i1 i1 i1 i1 i
2 2 2
i1
i i i1 i i
69
Capítulo 3. 69
De tal forma que la función recursiva está dada por:
70
Modelos de inventarios dinámicos y con cadenas de Markov. 70
Ji ( y 1 1
) min K  c  hi ( yi  q 1)  J ( yi  q  2)
i1
  i J *
i1
qi yi 1 i * 1 i
qi  2 i1
2 
Etapa 3
En particular la fórmula recursiva en la tercera etapa se debe contemplar que la
existencia al final del tercer periodo se remata a $20 la unidad, pero E J * ( y ) se  
i1 i
considera costo, y el remate es ganancia, luego se analiza

1
 (20) J (
Costo 
*esperado de Cantidad de Costos
 q 1)  J * ( y  q  2)
esperado total 
y almacenamiento artículos por
yi 1  y2 i1 ordenar
i1 eni1
la i
2 y3  y2  q3  3 2 etapa actual J3 ( y2 )  30(1   (q3 ))  10q3  10 y2  15
i1 i
 q3
J (y)   (q ))  c 1 
(20)(  q 1)  ( y  q  2)
0  hy
q 
3 32 J3 (3)  30(11) 10(0) 10(3) 15  15
y
min 
5 2K
3 3 3 33 2 3 2 3
3 (1
3 2 1 J3 (3)  30(1 0) 10(1) 10(3) 15  25
q3  2 
1 
2 1 2   (q ))  20q 10( y  q J3 (2)
0 (20)y10(0)
3 2)30(11)  q 110(2)
y  q 15 25

2 3q3 230(1
min 13 2 3J (2)  30(1 0) 210(1)
2
3 10(2)
2 15
3 35
3 3 
2 5 230(1  (q3 )) 10q
 min 2 3 10y2 15 J3 (2)  30(1 0) 10(2) 10(2) 15  45
q3
1 12 1 J3 (1)  30(1 0) 10(1) 10(1) 15  45
En donde,  (x)
1 es3 la J3 (1)  de
2 función delta de2 Dirac. La función 30(1 0) 10(2)
y3 10(1)
 y2  q15  55
transición 3 3 2 .
1 52 3 J3 (1)  30(1 0) 10(3) 10(1) 15  65
0 12 2 J3 (0)  30(1 0) 10(2) 10(0) 15  65
0 32 3 J3 (0)  30(1 0) 10(3) 10(0) 15  75
0 52 4 J3 (0)  30(1 0) 10(4) 10(0) 15  85
Etapa 2
La función de transición
y2  y1  q2  3 2 .
Capítulo 3. 71
J3( y1  q2 1)  J3( y1  q2  2) 
J2 ( y1)  minK (1  (q2 ))  c2q2  h2 y2 
 q2  2
o y y q 32
s 2 1 2
u
st
it
u
y
e
n
d
o
J2 ( y1) 
J3( y1  q2 1)  J3( y1  q2 
minK (1  2)
(q2 ))  c2q2  
 
h2 y2 
q2 

 J3( y1  q2 1)  J3( y1
 min30(1  q2  2) 
  (q2 )) 
 20q2
10( y1 
q2  3 2)

q2  2



J
3
(
y
1

q
2

1
)

J
3
(
y
1

q
2

2
)

min30(1  (q2 ))  30q2 10y1 15 
Capítulo 3. 71
q2 
2 32

LJ J J J (0)  2 52
3 3
o (3 3 (1 3
65 .
s) ( ) 1 12
 2 
m ) 4
e1  5
 1 32
j5 y
o, 5
r ,
1 52
e
s
c 0 12
o
s
t 0 32
o
s
0 52
e
n
l
a
e
t
a
p
a
3
:
Costo esperado de
yi1  y1 almacenamiento
y 2  y1  q2 
3 32
3 52
2 12
Etapa 1
Por condiciones del y0  1 . Luego, la función de transición.
problema,
y1  y0  q1  3 2  q1 1 2 .
De esta forma la función recursiva de costos
J (y )  J 2 ( y0  q1 1)  J 2 ( y0  q1  2)
30(1   10 
(q ))  y
20q
1 0 1 1 1
2

30  J (q )  J 2 (q1 1)
(1 10  2 1
 y

(q
))

20
q
1 1 1
2
Se puede hacer sustituyendo la función de transición
J ( y ) 1 J 2 (q1 )  J 2 (q1 1)

 30(1 0(q 1 2) 
 (q ))
 20q
1 0 1 1 1
2

3 J (q )  J 2 (q1 1)
0 5 2 1
(
1


(
q
)
)

3
0
q
1 1
2
En donde, los mejores costos en J 2 (3) J 2 (2) J2 (1)  105 y
la etapa 2, son:  35 ,  60 ,
J2 (0) 125.
Costo esperado Cantidad de artículos Costo esperado total perio

yi 1  y0 de por ordenar en la J ( y )  30  20q 
almacenamiento etapa actual (1 ) 1 0 1
y1 q1
1 12 1 J (1)  30  20(1) 
170
1
ver con cuántas unidades se deberá iniciar la tercera
1 32 2
etapa. En la siguiente tabla se resumen las diferentes
opciones.
1 52 3
La solución óptima
corresponde al costo esperado
de $162.50 que alcanza
cuando en la
prime q1  3unidades. Para conocer
ra con cuántas unidades se
etapa iniciará en la
se
produ
cen
etapa 2, se tiene que la demanda
por etapa puede ser de 1 o 2
unidades, así es necesario
analizar las d1  1 , entonces la
dos etapa 2 inicia con
situaciones.
si
y 0  q1  d1
1 3 1  3 .
Eligiendo el menor costo en

la segunda etapa cuando se
inicia con 3 unidades, resulta
un
c J2 y se obtiene q2  0
o (3 cuando en la unidades.
s) segunda etapa se
t  producen
o3
5
d
e
Similarmente se
analizan las
diferentes opciones
de la demanda en la
segunda etapa, para
Capítulo 3. 73
Etapa 1 Etapa 2 Etapa 3
Pr De Pr De Pr De
od od od Final etapa 3
m Inicio etapa 2 m Inicio etapa 3 m
uc uc uc y3  y2  q3  d3
an yy qd an y  y 2122
qd an
ci da
1011
ci da ci da (remate)
qón
1 d1 ón
q 2 d2 ón
q 3
d3
0 1 1
0 1 2
0 2 0
3 1 3
1 1 1
0 2 1
1 2 0
1 1 1
0 1 1
1 2 0
3 2 2
2 1 1
0 2 0
2 2 0
EJEMPLO 21
Chip Milton vende sudaderas en los juegos de fútbol. Con igual probabilidad puede vender
200 o 400 en cada juego. Cada vez que Chip hace un pedido, paga $5000.00 más $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 después de cada juego. Suponiendo que el número de sudaderas
pedidas por Chip debe ser múltiplo de 100, determine una política 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.
Solución
Se va a determinar la función de transición yi  yi1  qi  E(Di ) , 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, E(D)  200(0.5)  400(0.5)  300 . Así,
yi  yi1  qi  300 .
Ahora la función recursiva,

J ( y )  min K  c q  h  EJ * ( y ). Para esto
y
i i i i i1 i
i i1
qi

E J
*

(y) J (y
*
 q  200)
1 *
J (  q  400)
1
i1 i i1 i
y i1 i
1
2 2
i

1
J *
(y q   q  400) 
200)*
J (
y
i1 i i1 i1 i
2 1
De tal forma que la función recursiva

está dada por:
1
J(y )   h  J
*  q 1 
 q  400)
min y (y 200)*
K J (
cq y
i i1  i i i i1 i
2 
q i
1 2
 i i
1
Partido 3
En particular la fórmula recursiva en la
tercera etapa se debe contemplar que la
existencia al
final del tercer periodo se remata a $60 la

unidad, pero E J * ( y ) se considera 
costo, y el
i1 i
remate es ganancia, luego se considerará 

1 *

(60) J ( y
 q  400) 
i1 i i1 i1 i
2 1
J
y)  minK (1   (q ))  c q  h y  1

(60)( y  q  200)  ( y 3 q  400) 
 3 2  2 3 3 3
3
q3
 2
5000(1   (q3 ))  50q3
 20( y2  q3  300)
  q  q  400 
1 
mi200
y
 (60)yn
q3
  2 3
 2
3
 min5000(1   (q3 ))  10q3

 40 y2  12000
q3
Ees la y3  y2 
nfunción
q3  300
delta de .
d
Dirac. La
o
función de
n
transición
d
e
,
(
x
)
Costo esperado de
almacenamiento
yi 1  y2 y3  y2  q3 
400 100
300 0
300 100
200 0
200 100
100 0
100 100
0 0
0 100
Capítulo 3. 75
Partido 2
La función de transición y2  y1  q2  300 .
J 2 ( y1 )  minK (1   J 3 ( y1  q2  200)  J 3 ( y1  q2  400)

 (q2 ))  c2 q2  h2 y2 


q2
 2
o y2  y1  q2  300
sustitu
yendo
J 3 ( y1  q2  200)  J 3 ( y1  q2  400) 
J 2 ( minK (1   (q2 ))  
y1 ) c2 q2  h2 y2 
 
q2
 2
5000(1   (q2 ))  50q2  20( y1  q2  300)
  q  J (  400)
J (qy y 200)
m
i
n
 

q2
1  3

2

 2 J 3 (y1  q2  200)  J 3 ( y1  q2 
 400) 
min5000(1   (q2 ))  70q2  20 y1  6000 
q2
 2
Los mejores costos

en la etapa 3: J 3 (400)  J 3 (300) J3 (200)  7000 ,
4000 , 0,
J3 (100)  10000 y J3 (0)  13000 .
Costo esperado total periodos del 2 al 3
Costo esperado de
J 2 ( y1 )  5000(1   (q2 ))  70q
yi1  y1 almacenamiento q2
y2  y1  q2  300 J 3 ( y1  q2  200)  J
 2
400 100 0 J 2 (400)  12000
300 0 100 J 2 (300)  22000
200 100 200 J 2 (200)  27000
100 100 300 J 2 (100)  32000
0 52 400 J 2 (0)  37000
Partido 1 Por condiciones del problema,

Capítulo 3. 75
Luego, la función de
transición.
y0  0 .
y1  y0  q1  300
 q1  300.
De esta forma la
función recursiva de
costos
J(y )  J 2 (q1  200)

5000( 
1 2  J 2 (q1  400)
(q )) 0
 50q y 1 0
1 1
Se puede hacer
sustituyendo la función
de transición
J ( y )  5000(1   (q ))   J 2 (q1  200)  J 2 (q1  400)

50q 20(q  300)  1 0 1 1 1

50 J 2 (q1  200)  J 2 (q1 
00(  6000 
1  400)

(q
))

70
q
1 1
Costo esperado Cantidad de artículos Costo espera

de por ordenar en la J1 (
yi 1  y0
etapa actual (1 )
almacenamiento
q1

y1  q1  300 
0 0 400
La solución óptima corresponde al costo esperado
de $59000.00 que alcanza cuando en
la primera etapa q1  400 unidades. Para conocer con
se hace un pedido
cuántas unidades
de
se iniciará en la etapa 2, se tiene que la demanda por
etapa puede ser de 200 o 400 unidades,
así es necesario analizar las dos d  200 , entonces la
1
situaciones. Por ejemplo, si
etapa 2
ini y  q  d  0  400  200  200 .
0 1 1
cia
co
n
Eligiendo el menor costo en la segunda etapa
cuando se inicia con 200 unidades, resulta
un J2 y se obtiene cuando en la segunda etapa
cost (200)  se un pedido de
o de
27000
q2  200 unidades. Similarmente se
analizan las diferentes opciones de la
demanda en la segunda etapa, para ver con
cuántas unidades se deberá iniciar la
tercera etapa. En la siguiente tabla se
Etapa 1 Etapa 2 Etapa 3
resumen las diferentes opciones.
De De De
Pe m Pe m Pe m
Final etapa 3
di Inicio etapa 2 di Inicio etapa 3 di y3  y2  q3  d3
an yy qd an y  y 2122
qd an
do da
1011 do da do da (remate)
q1 q2 q3
d1 d2 3
200200 200
400200 200
200400 0
400200 200
400400 0
400400 0
Capítulo 3. 77
GENERALIZACIÓN DE UN MODELO ESTOCÁSTICO DINÁMICO
Generalizando el razonamiento que condujo a la ecuación (1) se tiene lo siguiente: supóngase

que los estados posibles durante el periodo t 1 son s , s ,..., y que la probabilidad de que
1 2
sn
el estado del periodo t 1 sea si es Pi . Entonces el costo mínimo esperado en que se incurre
durante los periodos t 1,t  2,..., al término del problema, es
n
pJ i t 1 (si )
i1
dond Jt 1 (si el costo mínimo esperado en que se incurre desde el periodo t  1 hasta el final
e )
del problema, dado que el estado durante el periodo t  1 es si .
ProbabilidadContribución de la etapa nEtapa n+1
1
C1
J *n1 (1)
p1
Sn xn p2 C1 2
ps J *n1 (2)
C1
S
J *n1 (S)
Figura 3.1 Diagrama de flujo para las etapas de un modelo estocástico dinámico.
Fuente: Elaboración propia
En lo que se refiere este diagrama sea S el numero de estados posibles en la etapa n1
y etiquete estos estados al lado derecho por 1,2,..., S . El sistema cambia al estado i con
probabilidad pi 1,2,..., S dado el estado sn y la decisión xn en la etapa n . Si el estado

cambia al estado i , Ci es la contribución de la etapa n a la función objetivo.
Debido a la estructura probabilística, la relación entre *

Jn (sn , xn ) y J n1 (sn1 )
necesariamente es mas complicada que para el caso determinístico. La forma exacta de esta
Capítulo 3. 77
relación dependerá de la forma global de la función objetivo.
Política s, S 
Para la política de inventario se siguen los siguientes pasos.
1. El costo de producir x  0 unidades durante un periodo consta de un costo fijo K y un

costo variable de producción c por
unidad.
p(x) .
2. La demanda durante un periodo dado
será x con probabilidad
3. Se carga un costo de almacenamiento de h por unidad

a cada inventario al término 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 mínimo el costo total incurrido durante los
periodos 1,2,...,T .
5. Se debe de satisfacer todas las demandas al final del periodo t .

Scarf (1060) para un problema de inventario así, uso la programación
dinámica para demostrar
que: para t t  1,2,...,T , existe un par (s , tales it 1 , la entrada
t
cada de números St ) que si
inventada por el periodo t , es St , entonces una St  se produce
menor que
unidad it 1
it 1  st , entonces es optimo no producir durante el periodo t a esta política
se llama política
s, S .
3.3 PROCESOS ESTOCÁSTICOS
Un proceso estocástico se puede definir de la siguiente forma:
Sea , F, P un espacio de probabilidad y E un conjunto no
vacío. Un proceso estocástico es una colección de variables
aleatorias X t :   t T  , indexadas por algún
conjunto T. usualmente,
0,1,2,...
T proc estocás a discreto
  eso tico tiemp ,
o
R proceso estocás a continuo
tico tiemp
o
El conjunto E es el espacio de estados si E es
numerable puede representar la colección de demandas semanales (o
se dice que mensuales) de ese producto.
el proceso
El conjunto T es el conjunto índice del proceso estocástico. Si T es
tiene un contable, entonces
espacio de el proceso es un proceso en tiempo discreto. Si T es un
estado intervalo abierto o cerrado de la recta real, entonces el
discreto proceso es de tiempo continuo. El conjunto de los posibles
mientras valores de las
que si E variables aleatorias X t  , t T , es el espacio de estados del proceso. Este
continuo
espacio de estados
entonces se
puede ser, también, continuo o discreto.
dice que
tiene
espacio de
estados
continuo.
Po
X1 , X 2 , X 3 ,... ,
r
ej puede
e representar la
m colección de
pl
o,
el
pr
oc
es
o
est
oc
ást
ic
o
niveles
semanarios
(o
mensuales)
de
inventario
de un
producto
dado, o bien,
Capítulo 3. 79
3.3.1 CONCEPTOS BÁSICOS 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 transición
del estado i a j ocurre con una probabilidad Pij .
PROPIEDAD DE LA CADENA MARKOV
Una cadena discreta de markov en un Proceso Estocástico con TZ y que cumple:
0
P X  j X  i,...,  i   P X  j X  i,  i, j;i ,...,i  la Probabilidad de
X S
t1 t 0 0 t1 t 0 t1
transición.
En palabras, esta propiedad markoviana establece que la probabilidad condicional de
cualquier “evento” futuro dados cualquier “evento” pasado y el estado actual X  i , es t
independiente del evento pasado y sólo depende del estado actual del proceso.
Definición. Se dirá que una CM (que cumple con la propiedad marcovina) tiene probabilidad
t ,t1
de transición si P no dependa de t.
i
Definición. Si j
la CM P , n  0,1, ,2,... P  P 
“es estacionaria” a la matriz
t ij i, jS
Pij  Pt ,t1  PX  j X  i    j Xt 

1
t1
P X
0
i 1
j
Se le conoce como Matriz Transición de Probabilidades a la matriz

P00 P0n 
 P01  
P P  P
P 
10 11 1n 
    
 
 Pn0 n1
 Pnn 
Además, cumplen las filas con la siguiente condición:
 P  1 i .
jS
ij
Para calcular el tiempo de espera de primera pasada del estado i al estado j . Denote
esta esperanza por  , que se define por las expresiones.
ij

 (n)
Capítulo 3. 79
,
ij    si  fij
n0

 nf (n) , si  f  1
(n)
  ij n0
ij
n0

Siempre que

f
(n)
ij 
n0
1
Entonces ij satisface de manera única, la ecuación
ij
 1   pik
kj k  j
Dond f ij(n) denota la probabilidad de que el tiempo de primera pasada del estado i al j sea
e
igual a n .
ECUACIONES DE CHAPMAN – KOLMOGÓROV
Las ecuaciones de Chapman – Kolmogórov proporcionan un método para calcular

probabilidades de transición de n pasos.
P (n)   P (m)
M
par tod i, y n con 0mn
Pij(nm) a a j
ik kj
k 0
Estas ecuaciones señalan que al ir del estado i al estado j en n pasos, el proceso estará
en algún estado k después de exactamente m (m  n) pasos.
Así,
Pik(m) Pkj(nm) es sólo la probabilidad condicional de que si se comienza en el estado i ,
el proceso vaya al estado k después de m pasos y después al estado j en m  n pasos.
Proposición. La matriz de probabilidades de transición de n pasos se puede obtener de

Pn  Pn .
CLASIFICACIÓN DE ESTADOS DE UNA CADENA DE MARKOV
Definición. Se dice que el estado j es accesible desde el estado i si (n)

pi  0 para alguna
n0. j
En general, una condición suficiente para que todos los estados sean accesibles es que exista
un valor de n para el que p(n)  0 para toda i y j .
i
j
Definición. 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 i y j 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
Capítulo 3. 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 .
Definición. Se dice que una cadena de Markov es irreducible si existe solo una clase, es decir,
si todos los estados se comunican.
Definición.
fii la probabilidad de que el proceso regrese al estado i dado que comienza
Sea
en el estado i . El estado i se llama estado recurrente si fii  1 y es transitorio si fii  1.
Definición. Se dice que un estado i es absorbente si la probabilidad de transición p sea

i
igual a 1. i
PROPIEDADES DE LAS CADENAS DE MARKOV A LARGO PLAZO
Distribución límite
La distribución límite es un vector   1, 2 ,...,t , es la única solución del sistema.
T
 j   k Pij j  0,1,2,...,T .
,
k 0
 k  1
k 0
El límite de una matriz de transición es:

lim t  j   j
P X
Justificación t
P X t  k
PX  j X PX  k ,
t 
j  k  P
T 0 PX T
 k 0 t 0
 k 0 k 0
j
 lim PX  j  lim P
t 
 k    PX  k   
 PX
T T
0 kj 0 j j
t  t
k 0 k 0
Esto es, de forma matricial:


lim Pn lim P
n
 lim P 
n 
   
00 01  
t t t 0n

1 n

lim Pn  n
 lim  n  0
  
lim
 P  P

10
Capítulo 3. 81
n
lim P  t 11

t t 1n 0 1 n
t
       
    
 n  n  n      
lim Pn0 lim Pn1  lim Pnn   0 1 n
t t t 

Este resultado es importante cuando se calcula un costo promedio a largo plazo asociado a una
cadena de Markov.
El costo promedio esperado en el que se incurre a lo largo de los primeros n periodos está
dado por la expresión
1n
n 
E C( X t)
 t 
1
Sabiendo que
1 k  
lim n p 
  ij  j
n n
 k 0 
Entonces, el costo promedio esperado por unidad de tiempo (a largo plazo), está dado por
 1 n  M
lim E   C(xt )    C( j) j
n
  t  j 1
n
1
Las cadenas de Markov estudiadas en este capítulo tienen las siguientes propiedades:
1. Un número finito de estados,
2. Probabilidades de transición estacionarias.
También se supondrá que se conocen las probabilidades iníciales
PX 0  i para toda i .
3.3 .2 MODELO CUANDO LA DEMANDA ES GENERADA POR UN PROCESO POISSON
El proceso de conteo N(t),t  0 es un Proceso de Poisson con tasa   0 si
i. N (t)  0,
ii. El proceso tiene incrementos independientes,
iii. En número de eventos en cualquier intervalo de magnitud t tiene una distribución de
Poisson con media t , es decir,
PN (t  s)  N (s)  n t

 n n  0,1,...,
,
n!
De la condición (iii) se deduce que un proceso de Poisson tiene incrementos
estacionarios y que EN(t)  t de donde  es llamada la tasa del proceso.
EJEMPLO 22
Una tienda de cámaras tiene en almacén un modelo especial de cámara que se puede ordenar
cada semana. Sean D1, D2 ,... las demandas respectivas de esta cámara durante la primera,
segunda,…, semanas. Se supone que las Di son variables aleatorias independientes e
idénticamente distribuidas que tienen una distribución Poisson con media de uno. Sea X 0 el
Capítulo 3. 83
número de cámaras que se tiene en el momento de iniciar el proceso, X1 el número de

cámaras X 2 el número
que se de cámaras que
tienen al se tienen al
final
semana
uno,
final X 0  3 . El sábado
en la noche la
de la tienda hace un
semana
dos, etc.
Suponga
que
pedido que le
entregan en el
momento de
abrir la tienda
el lunes. La
tienda usa la
siguiente
política para
ordenar: si no
hay cámaras
en el
inventario,
ordena tres
cámaras. De
otra manera, si
se cuenta con
cámaras en el
almacén, no se
hace el pedido.
Se supone que
las ventas se
pierden cuando la es un
proceso
demanda excede el
inventario.
Entonces, X t 
para t  0,1,...,
Capítulo 3. 83
estocástico de la forma de que se acaba de describir. Los estados posibles Dt1 ón Poisson con media uno.
del proceso son los tiene Entonces,
ent 0,1, que representan el número posible de cámaras en inventario al una
ero 2,3 final de la distri 1 1n
s buci e
, para n 
P Dn! 0,1,...,
semana. Las Xt son dependientes y se pueden evaluar en forma 
variables aleatorias iterativa A
por medio de la s
í
expresión ,
máx3  Dt 1,0 si X t  0
Xt 1    X
,0  si ,par t  0,1,2,...
D a
0
 t 1 t
m
So
luc á
ió x
n Xt
Xt representa el estado del sistema en el tiempo t dado

que el estado actual es Xt  Xt 1
i.
depende D (la demanda en la Xt 1 . X t es independiente de
solo de t1 semana t 1) y Como 1
la historia del sistema de inventarios, el proceso estocástico
Xt t  0,1,... tiene la propiedad markoviana y por lo tanto
es una cadena de Markov.
Ahora, se obtienen las probabilidades de transición,

es decir, los elementos de la matriz de transición.
estado 0 1 2 3
0  p00 p p p03 
0 0
 1 2

1 p p p p
p P p p23  
10 11 12 13
2  p20
2 2
1 2
 
30 p p 3 pp3 
3 3
1 2
Da do que
PDt 1  0 e1  0.368

PDt 1  1 e  0.368
1
e
    1 
P 0.184
Dt 2
1
PDt 1  3  1  PDt 1  2  1  0.368  0.368  0.184 

0.080
Para el primer renglón de P , se trata de la

transición del estado Xt  a algún estado
0
Xt1 . Como se X  máx3  Xt  0
t1
finió
Dt1 ,0 si
Por lo tanto, para la Xt1  3, Xt1  Xt1  1,

transición a
2o
p
0
3

P

D
t

1

0


0
.
3
6
8
p
0
2

P
 p12  0, p13  0, p23 0 . Para las otras
0 p11  PDt1  0  0.368
P p10  PDt1  1  1  PDt 1  0  0.632
0
p22  PDt1  0  0.368
Una
X X implica que p21  PDt1  1  0.368
tran
t t la demanda p20  PDt1  2  1  PDt 1  1  1  0.368  0.368  0.264
sici
  de cámaras
ón 1 en la semana Para el último renglón de
de0 P, la semana t 1 comienza con tres cámaras en inventario y

los cálculos de las probabilidades de transición son junto las mismas
a
0 que para el primer renglón. En consecuencia, la matriz de transición
t 1 es 3 o más, completa es
después que se
estado 0 1 2 3
agreguen tres
cámaras al 0 0.080 0.184 0.368 0.368

inventario agotado al  
1 0.632 0.368 0 0
principio de la  P 
semana, de manera 2 0.264 0.368 0.368 0 
3  0.080 0.184 0.368 0.
que p00  PDt1  368
3  0.080 .
Para los otros

dos renglones
de P, la
fórmula que se
ocupa para los
siguientes
estados es
XX  1
t
,
E ue X entonces,
st tr t

1
o an
i si 
m ci
X
pl on t
ic es
a ,
q
Capítulo 3. 85
Ahora, analizando la matriz de transición de probabilidades a dos etapas se tiene que:

0.080 0.184 0.368 0.3680.080 0.184 0.368 0.368
 
0.632 0.368 0 
0 0.632 0.368 0 0
P  P   0.264
(2) 2  
0.368 0.368 0 0.264
 0.368 0.368 0 
 0. 0.080
0.080 0.184 0.368 368 0.184 0.368 0.368

0.249 0.286 0.300 0.165
 
0.283 0.233
0.252 0.233 

0.351 0.319 0.233 0.097
 
0.249 0.286 0.300 0.165
Por lo tanto, dado que queda una cámara en existencia al final de una semana, la
probabilidad de que no se tenga cámara alguna en existencia 2 semanas más tarde es de
(2)
p10  0.283
Análogamente, dado que quedan 2 cámaras en existencia al final de una semana, la

probabilidad de que se tengan 3 cámaras en existencia 2 semanas más tarde es de
(2)
p23  0.097
Ahora, se obtiene la matriz de transición en 4 pasos.

0.249 0.1650.249 0.165
 0.286 0.300 0.286 0.300
0.283  
0.252 0.233 0.233 0.283 0.252 0.233 0.233
P (4)  P (2) P(2)  P 2 P 2     
0.351 0.319 0.233 0.0970.351 0.319 0.233 0.097
  
0.249 0.286 0.300 0.1650.249 0.286 0.300 0.165
0.289 0.286 0.261 0.164

0.282 
 0.285 0.268 0.166
0.284 
 0.283 0.263 0.171

0.289 0.286 0.261 0.164
Por lo tanto, dado que resulta en existencia una cámara al final de una semana, la
probabilidad de que no se tengan cámaras en existencias 4 semanas más tarde es de
(4)
p10  0.282
De manera análoga dado que quedan 2 cámaras en existencia al final de una semana, la
probabilidad de que se tengan 3 cámaras 4 semanas más tarde es de
(4)
p23  0.1.71
Finalmente, se calcula el tiempo esperado hasta que ya no se tenga cámaras en el

almacén, suponiendo que el proceso inicia cuando se tienen tres cámaras; 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  1  p3110  p 32  20  p 33  30

20  1  2110  p2220  p2330
 p 1  p 
p p
 10 11 10 12 20 13 30
Esto es
30  1  0.18410  0.36820  0.36830

20  1   0.36820

0.36810
 1  0.368 
 10 10
La solución es
10  1.58, 20  2.51 y 30  3.50 .
Por lo tanto, el tiempo esperado hasta que la tienda se quede sin cámaras es de 3.5
semanas.
Luego, después de muchas semanas, la probabilidad de encontrar cero, uno, dos y tres
cámaras en el almacén tiende a  0  0.286,  2  0.263 y  3  0.166 , respectivamente. Estos
resultados se obtienen resolviendo el siguiente sistema de ecuaciones lineales.
 0  0.080 0  0.6321  0.264 2  0.080 3

  0.184 0  0.368 1  0.368 2  0.184 3
1
 2  0.368 0  0.368 2  0.368 3
   0.368  0.368 3
0
3
 1  0 1  2 3

y los tiempos de recurrencia correspondientes son
00  1
 0  3.51 semanas
1
11    3.51 semanas
1
1
22   3.79 semanas

2
1
33   6.02 semanas
3
Capítulo 3. 87
Por último, supóngase que en el almacén de cámaras se asigna los siguientes costos por
almacenamiento al final de semana:
Si Xt
 0 , entonces C(0)  0 .
Si X t
 2 , entonces C(1)  2 .
Si X t
 2 , entonces C(2)  8 Xt  3 , C(3)  18 .
y
Finalmente, el costo promedio esperado por semana, a largo plazo, por mantener el
inventario se calcula de la siguiente forma.
 1 n 
lim  E   C(xt )   0(0.285)  2(0.285)  8(0.264)  18(0.166)  5.67
n
  t 1 
n
Capítulo 4
APLICACIÓN
4.1 CASO DE ESTUDIO

Los datos presentados en el caso de estudio pertenecen a una tienda de conveniencia de la cual
no se mencionará su marca comercial ni su ubicación por razones de privacidad comercial. Sin
embargo, es importante mencionar que la tienda en donde se realizó el estudio se encuentra en
una zona mixta, es decir, su demanda es variable ya que en su ubicación se encuentran casas
habitación y oficinas.
Las tiendas de conveniencia son aquellas que basan su éxito en el amplio catálogo que
manejan; alrededor de tres mil artículos, de los cuáles el treinta por ciento es de alta
frecuencia. Estas tiendas están situadas en lugares estratégicos que permiten al cliente tener
casi cualquier producto a su alcance las 24 hrs del día. Esta ventaja en servicio al cliente
representa también un problema en el momento del cálculo de la cantidad de artículos a pedir.
Por esta razón toma importancia la estadística en la teoría de inventarios para el cálculo
de lote económico al mínimo costo. Para ilustrar la aplicación se analiza dos productos de
forma independiente, uno con comportamiento continuo y el otro discreto.
Capítulo 4. 89
4.2 METODOLOGÍA
Para la aplicación de los modelos de inventarios revisados en los capítulos previos se propone
la siguiente metodología (mostrada en el diagrama de abajo) que ayude al decisor en un
problema práctico a tomar decisiones sobre la mejor elección del mejor modelo de inventarios.
Posteriormente, se describe cada una de las etapas de la metodología y resolverán dos
problemas.
Ordenar la
información
Selección de la
información
Prueba de bondad
y ajuste
Estimación
distribución de la demanda
Estimación de los
Inicio
parámetros
Elección del
modelo
Estimación
Lote económico q
Comprobación del
modelo
89
Aplicación. 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 INFORMACIÓN

Se organiza la información para facilitar el manejo, el análisis y la interpretación de los datos.
Generalmente la información se obtiene de bases de datos que no están ordenados para el
análisis que se pretende hacer con éstos, 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 más indispensables que se pueden tomar en cuenta en el manejo de la
información para su control y diseños de los modelos son los siguientes:
1. Nombre del artículo.
2. Descripción del artículo.
3. Número de artículo.
4. Código de proveedor.
5. Nombre del proveedor.
6. Costo del artículo.
7. Precio del artículo.
8. Número de movimiento en inventario.
9. Tipo de movimiento en inventario.
I. Entradas.
II. Salidas.
III. Otros movimientos.
10. Descripción de movimiento
11. Número de unidades en existencia
4.2.3 SELECCIÓN DE LA INFORMACIÓN

Se toman los datas de interés para su análisis estadístico, previamente ordenados y los que
pueden ser de utilidad para hacer estimaciones sobre la cantidad de lote económico que se
pretende pedir.
4.2.4 DETERMINACIÓN DE LA DISTRIBUCIÓN DE LA DEMANDA

Mediante los métodos estadísticos se estima la distribución que siguen las demandas,
partiendo intuitivamente de un histograma para tener una idea del comportamiento de los
datos. Una vez teniendo una distribución inicial de los datos se buscan los estimadores de los
parámetros de dicha distribución. Finalmente se realiza una prueba de bondad de ajuste para
determinar la distribución de la demanda.
90
Capítulo 4. 91
4.2.4.1 ESTIMACIÓN DE PARÁMETROS
Para la estimación de los parámetros de una distribución, en estadística existen varios
métodos, como el de momentos y máxima verosimilitud (descritos más abajo), que
dependiendo de los tipos de parámetros que se pretende estimar el método puede tomar un
grado de complejidad elevado que no sea posible encontrarlo explícitamente, sino únicamente
por simulación y la solución se determina mediante paquetes estadísticos.
Un estimador es un estadístico (esto es, una función de la muestra) usado para estimar
un parámetro desconocido de la población. Por ejemplo, si se desea conocer el precio medio
de un artículo (el parámetro desconocido) se recogerán observaciones del precio de dicho
artículo en diversos establecimientos (la muestra) y la media aritmética de las observaciones
puede utilizarse como estimador del precio medio.
Para cada parámetro pueden existir varios estimadores diferentes. En general, se
escogerá 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 estadística una estimación
puntual del valor del parámetro en estudio. En general, se suele preferir realizar una
estimación mediante un intervalo, esto es, obtener un intervalo [a,b] dentro del cual se espera
esté el valor real del parámetro con un cierto nivel de confianza. Utilizar un intervalo resulta
más informativo, al proporcionar información sobre el posible error de estimación, asociado
con la amplitud de dicho intervalo. El nivel de confianza es la probabilidad de que a priori el
verdadero valor del parámetro quede contenido en el intervalo.
Los métodos más utilizados para encontrar estimadores:
a) Método de los Momentos

Este método fue propuesto por Pearson (1857-1936) y consiste en igualar un determinado
número de momentos teóricos de la distribución de la población con los correspondientes
momentos muéstrales, para obtener una o varias ecuaciones que, resueltas, permitan estimar
los parámetros desconocidos de la distribución poblacional.
Por ejemplo, sea
X 1 , X1 ,..., una m.a.s. de una distribución con función de densidad
Xn
f (x;1,2 ) . Como se tienen 2 parámetros, se consideran los dos primeros momentos respecto
al origen,
n
1 n  1 2 2
n
 Xi  xf (x; 1,2 )
 nX
   f (x;1,2 )dx
i1
i i1
dx, x
b) Máxima Verosimilitud  
El método de Máxima Verosimilitud tiene la propiedad de seleccionar como estimación, el

Capítulo 4. 91
valor del parámetro que maximiza el valor de la probabilidad de la muestra aleatoria
Aplicación. 92
observada. El método consiste en encontrar el valor del parámetro que maximiza el valor de la
función de verosimilitud.
Por ejemplo, para una muestra aleatoria
X 1 , X1 ,..., de una distribución con función
Xn
de probabilidad o de densidad f (x  ) , la función L, se denomina Función de Verosimilitud de
;
la Muestra:
n
L ; x1 , x1 ,..., xn    f Xi (xi ; )

i1
El Estimador de Maxima Verosímil, ˆ , debe satisfacer la ecuacion

L; x1 , x1 ,..., xn   max L; x1 , x1 ,..., xn ,

siendo θ ∈ Θ el Espacio Paramétrico.

El Método de Máxima Verosimilitud tiene la propiedad de proporcionar estimadores que
son funciones de estadísticos suﬁcientes, si y sólo si el Estimador de Máxima Verosimilitud es
único. Debido a la naturaleza de la función L, suele ser más fácil 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 distribución, esta distribución puede estar completamente especiﬁcada (hipótesis
simple) o perteneciente a una clase paramétrica (hipótesis compuesta).Con mucha frecuencia
no se conoce la distribución de probabilidad de la variable aleatoria en estudio, digamos X, y
se desea probar la hipótesis de que X sigue una distribución de probabilidad particular. Por
ejemplo, podría ser de interés probar la hipótesis de que X sigue una distribución normal, una
exponencial, etc.
Las pruebas de bondad de ajuste más conocidas son:
 La ji – cuadrada,
 Kolmogórov – Smirnov,
 Shapiro – Wilk.
Pruebas 
2
a)
Las pruebas
 2 , están diseñados para variables aleatorias discretas y continuas con un
número finito de valores, si esto no ocurriese los valores de la variable se agrupan en un
número finito de clases.
Hipótesis nula
H0 : X  F0
Aplicación. 92
Se puede hacer mediante el estadístico de Pearson.

Capítulo 4. 93
Estadístico de Pearson
2
k
(n  np )
2  i i
~
2
.
c (k m1, )
n i1 i
En donde, m cantidad de parámetros a estimar.

k - número de clases en la tabla de distribución de
frecuencias.
ni - el número de datos en la clase i,
n - tamaño de la muestra,
pi - es la probabilidad de que la variable
aleatoria X (poblacional) tome valores en
el intervalo i.
En ocasiones se simboliza
ni  Foi
frecuencia observada
npi  Fei frecuencia esperada
Regla
de
decisió
n:
Rechazar H al nivel de significancia  , si:   
2 2
0 c (k m1,  )
b) Prueba de
Kolmogorov
-Smirnov
Se basa en el concepto de la función de distribución
empírica y sus propiedades como aproximación de la
función de distribución teórica. Dada una muestra
aleatoria de una variable
aleatoria continua y una hipótesis simple sobre el comportamiento
de esa
 X 1 , X 2 ,..., X n 
vari H : X  F considera el estadístico
0 0
abl
e Dn  sup Fn (x)  F0 (x)
x


y rechaza la hipótesis nula cuando el valor de este estadístico es grande.

Capítulo 4. 93
Para estudiar el es independiente de la distribución formulada en la hipótesis
co D , cuyos valores están en nula, ya que la transformación de los estadísticos ordenados de una
n
mp el intervalo (0,1), y que a variable continúa por su
ort medida que el
am
ien
to
de
tamaño de
muestra aumenta
tiende a tomar
valores más
próximos a cero
(Teorema de
Glivenko-
Canteli), se
utilizan los
estadísticos
D  supF (x)  F (x)
 
D
 supF (x)  F (x)
n n 0
n
n x


0
x

que D F(i F i  1,..., n
) ()
perm  0 ) 0i)  . 
ite ( i
ma , (  
comp  x
robar x x1 n
i
que 
n
n
L ión de Dn
a
d
i
s
t
r
i
b
u
c
Aplicación. 94
función de distribución da lugar a los estadísticos ordenados de una U (0,1) . En consecuencia

Dn está tabulado para muestras de tamaño pequeño y para muestras de tamaño grande se
utiliza la aproximación asintótica

lim Pr  Dn  z   1 

1
2
z2
e2i

n
i1
n
 i1
La distribución Dn sirve para buscar bandas de confianza para la función de distribución

teórica de una variable.
c) Pruebas de normalidad
Comprueban la hipótesis compuesta H : X  Normal
0
1. Pruebas gráficas basadas en los P-P plots y Q-Q plots.
2. Lillefors:
Dn  sup Fn (x)  Fˆx ,s (x) | es una modificación de la prueba de Kolmogórov
x
- Smirnov, de cómo busca los parámetros de la normal a partir de la muestra ya se está

ajustando a la muestra. Por tanto este estadístico 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: 2
W  R ((X , E )i  1,..., n) , con E(i)  Esperanza del estadístico
(i) (i)
ordenado de orden i de una muestra aleatoria de tamaño n de N(0,1). Otras expresiones
para este estadístico son:
 n/2 2 2
  n / 2 (n) 
(n)
 x(i ) ) a  x)
a
ni1 (ni1) (i)
(x
 i1   i1 i 
W  2  2
ns ns
donde los coeficientes a(n)  a(n) dependen del tamaño de muestra y se buscan en
i ni1
las tablas de Shapiro –

Wilk.
La región crítica de esta prueba es
RC  W  c, donde el valor se obtiene buscando
el comportamiento de W en el caso de que la distribución sea normal.
4. Agostino: se basa en el estadístico
Aplicación. 94
 n  1  n1i
n n/2
n
i(x  i x x)
x)   (x
 (i) 
2 
(i)  2  (ni1) (i)
i1  i1  
D 2  i1 2  2 
n s n s n s
se puede utilizar para n>50 y tiene como región crítica
RC  W  o W  c2 ,
c1
donde los límites de la región crítica se encuentran tabulados bajo la hipótesis de
Capítulo 4. 95
normalidad. Para tamaños de muestra muy grandes mayores de 250 se utiliza una
aproximación asintótica del estadístico D a una normal.
4.2.5 ELECCIÓN DEL MODELO

En los modelos clásicos sólo se contemplan las demandas, pero en los inventarios de las
tiendas de conveniencia a parte de la demanda se tiene que tomar en consideración que el
reabastecimiento de productos en muchas ocasiones ocurre por devoluciones por parte del
centro de abastecimiento a las tiendas. Dichas devoluciones también son aleatorias y esto
dificulta el problema del inventario, porque se debe tener una demanda real que sería:
demanda clientes  devolución,
Demanda real  si; demanda clientes  devolución

 0, si; demanda clientes  devolución
Es decir, para conocer la distribución de la demanda real se requiere conocer la

distribución de la demanda de los clientes y la distribución de las devoluciones.
Posteriormente, por medio de alguna técnica de transformación de distribuciones encontrar la
distribución deseada.
4.2.6 ESTIMACIÓN DEL LOTE ECONÓMICO (q)

Una vez obtenido la distribución de la demanda se procede a estimar el tamaño del lote
económico, de acuerdo al tipo de demanda se ajustan los modelos propuestos o se deduce otro
modelo.
4.2.7 COMPROBACIÓN DEL MODELO (q)

Con el valor obtenido en la etapa de la sección 4.2.6 se realiza la comprobación 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 días con déficit. Además de que los costos
de inventario sean bajos.
Aplicación. 96
4.3 SOLUCIÓN DEL PROBLEMA
En la solución 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
análisis aparecerán 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 artículo y
Entradas: devoluciones por parte del consumidor.
Fuente. Elaboración propia.
Paso 4.
Se analizan los datos para encontrar una distribución 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.
Capítulo 4. 97
Histograma
10
9
8
7
Clase 6
5
4
3 Demanda
2
1
0
6.51013.51721.524
Frecuencia
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.
Histograma
20
15
Clase
10
5 Devoluciones
0
2 4 6 8 10
Frecuencia
Grafica 4.2. Histograma de las devoluciones.

Aplicación. 98
Paso 4.1.
Para estimar los parámetros se utiliza el método de máxima verosimilitud.
Para la distribución normal
1
X nx
ni1 i
 12.23
S  n 1  (xi  x)  27.05
2 1 n 2
i1
Para la distribución
gamma
El logaritmo natural de la función de verosimilitud es
n n
ln(L)  n ln( )    xi  ( 1) ln(xi )  n ln( )

i1 i1
de la anterior ecuación se obtiene un sistema de ecuaciones no lineales, donde ( es la

)
dln ( )
función digamma que se define como  ( ) .
d

n ln( )  n( )  ln( x )  0
 i
n
 i1
n

n
 xi  0
 
 i1
por lo que nos lleva a utilizar un paquete estadístico (Proyecto R) para encontrar los
estimadores
ˆ  1.27
ˆ  0.8
Paso 4.2.
Para corroborar la distribución de los datos se procede a realizar una prueba de normalidad
mediante la prueba Shapiro – Wilk.
Hipótesis
H 0 : D ~ normal(12.23, 27.05) vs H 0 : D ~ normal(12.23, 27.05)
La estadística de prueba es W  0.976 1 y el valor crítico a un nivel de confianza del 5% es

W31,0.05  0.929 . Por lo tanto, no se rechaza la hipótesis nula.
Aplicación. 98
También se hace la prueba de Kolmogorov – Smirnov.
La estadística de prueba es D  0.0981 y el valor crítico a un nivel de confianza del 5%
es D31,0.05  0.278 . Por lo tanto, no se rechaza la hipótesis nula.
Capítulo 4. 99
De acuerdo a la prueba de normalidad, los datos presentan indicios de una distribución

normal con parámetros,   12.23 . y varianza  2  27.05 .
media
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.

Hipótesis
H 0 : devoluciones ~ vs H0 : gamma(1.27,0.0)
gamma(1.27,0.0) devolucicones ~
El estadístico de prueba es
n
2
x x
 
c  39.23
i
1 i 2
2
dond 1.56
x
e
Capítulo 4. 99
y 
2
1.97 , parámetros poblacionales estimados de la población que tiene
una distribución gamma.
Regla de decisión:
Rechazar H : la distribución es f (x;θ) , al nivel de significancia  , si:  2   2 ((n  k 1),  ) .
0 c t
Aplicación. 100
dond
e n: número de observaciones.
k: número de parámetros a estimar.
Ahora se calcula el valor crítico que
es
  2
2
28,0.0  41.34

(n 5

k

1)

Por lo tanto, la hipótesis nula no se rechaza a un nivel de significancia de %5, esto indica
que las devoluciones tienen una gamma(1.27,0.8) .
distribución
Paso 5.
Se determina la forma del modelo que se pretende aplicar para la estimación de la
demanda. El modelo a utilizar es:
demanda clientes  si; demanda clientes  devolución

Demanda real 
devolución,

 si; demanda clientes  devolución
Paso 6.
De acuerdo a la gráfica anterior, las entradas por devolución tienen un comportamiento de una
distribución gamma con parámetros   1.27,   0.8 . Por lo tanto, el promedio de
devoluciones por día es de 1.58
artículos.
*
Ahora, se estima q con las dos demandas estimadas, es decir, las diferencia entre la
demanda (normal) y las devoluciones (gamma).
Partiendo de la teoría básica
* c
P(D  q u
)
don c
de 0
c
u
Aplicación. 100
D suma de una normal y una gamma no se puede calcular analíticamente la función
normal
de densidad, es por esto que se utiliza un método de aproximación implementado

en R (paquete estadístico).
C
Primeramente se calcula los valores de c0 y cu . Partiendo de los siguientes precios: el
o
costo por unidad es de $3.22 y el precio de venta es de $4.5.
n
De esta forma,
l  Si d  se incurre en los costos siguientes (la ganancia se denota por el signo
a q
negativo): Compra de q unidades a $3.22 cada uno ( 3.22q ), venta de unidades a
d
i
s
t
r
i
b
u
c
i
ó
n
r
e
s
u
l
t
a
n
t
e
d
e
l
a
Capítulo 4. 101
$4.5 cada uno (  4.5d ) y devolución de q unidades (  4.5(q  d) ).

d O3.22q  4.5d  4.5(q
b  d)  1.28q  0d .
t
e
n
i
e
n
d
o
u
n
c
o
s
t
o
t
o
t
a
l
d
e
c
0

1
.
2
8
Si d se incurre en los costos

siguientes (la ganancia se
 denota por el signo
q
negativo): Compra de q unidades a
Capítulo 4. 101
$3.22 cada
$4.5uno
cada( uno
3.22q( ) y4.5q
venta
). de unidades a d
3.22q  4.5q 
é
Obteniendo un costo 1.28q .
f
total de Luego, cu  1.28
i
. c
Finalmente, i
t
*
P(D  q )  1.28
 *
q  11.23
1.28 0.5 a
  l
1.28
Por lo tanto, es aconsejable pedir un lote económico m
de 79 artículos semanales. e
Paso 7. s
En esta etapa se comprueba el modelo como se muestra en ,
la siguiente tabla.
q
demanda Unidades Cantidad a demanda u
efectiva calculadas pedir q/semanal efectiva e
20 59 79 8
8 51 13 r
18 33 9
e
12 21 9
p
9 12 24
12 0 9 r
3 -3 5 e
11 68 79 15 s
20 48 12 e
19 29 9 n
7 22 16 t
10 12 10 a
4 8 14
-1 9 4 u
Tabla 4.4. Análisis de ventas
semanales.
n
7
De acuerdo a la tabla anterior, se concluye
%
que el modelo es adecuado para la
estimación de lote económico semanal, ya
d
que existen pocas unidades de sobre
e
abastecimiento y sólo se tienen dos días de
Aplicación. 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 distribución 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 gráfica siguiente se observa que los datos de la demanda tienen una distribución que se
asemeja a una Poisson. Para verificar esto último se realizará una prueba de bondad de ajuste.
Capítulo 4. 103
Histograma
10
8
6
Clase
4
2
0
Demanda
24681012
Frecuencia
Grafica 4.4. Histograma de la demanda.

Paso 4.1.
Para estimar los parámetros se utiliza el método de máxima verosimilitud determinando.
Estimador
1
ˆ  n x
n
i1 i  4.3
Paso 4.2.
Para corroborar la distribución de los datos se realiza una prueba de Ji – cuadrada.
Hipótesis
H0 : D ~ Poisson(4.3) vs H : D Poisson(4.3)
0
~
El estadístico de prueba es 2
k
(ni  npi )
 
2
~  (k  m 1)
2
c
i1 npi
en donde, m cantidad de parámetros a estimar.
k - número de clases en la tabla de distribución de frecuencias.
ni - el número de datos en la clase i,
n - tamaño de la muestra,
pi - es la probabilidad de que la variable aleatoria X (poblacional) tome valores en el
intervalo i.
Ahora se calcula el estadístico y el valor crítico
 c2  4.35
 (k2  2
1,0.025  5.0239
m1)

Aplicación. 104
Por lo tanto, la hipótesis nula no se rechaza a un nivel de significancia de %2.5, esto

indica que la demanda tiene una distribución Poisson(4.3)
Paso 5.
Se determina la forma del modelo que se pretende aplicar para la estimación de la demanda. El
modelo a utilizar es:
demanda clientes  devolución, si; demanda clientes  devolución

Demanda real 

 0, si; demanda clientes  devolución
Paso 6.
Como las devoluciones son ceros, entonces el problema se haces más simple.
*
Ahora, se estimará q con la distribución obtenida previamente.
Partiendo de la teoría básica

* cu
P(D  q ) 
c0 
donde cu
D ~ Poisson(4.3)
Se calcula los valores de c0 y cu . Partiendo de los siguientes precios: el costo por
unidad es de $4 y el precio de venta es de $7.
De esta forma,
 Si
d  q se incurre en los costos siguientes (la ganancia se denota por el signo
negativo): Compra de q unidades a $4 cada uno ( 4q ), venta de unidades a $7
cada uno (  7d ). Obteniendo 4q  7d . Luego, c0  4 .
negativo): Compra de q unidades a $4 cada uno ( 4q ) y venta de unidades a $7

cada uno (  7q ). Obteniendo un costo total de 4q  7q  3q . Luego, cu  3 .
Finalmente,
*
P(D  q )  2.67
 0.27  q*  5
7.23 
2.67
Por lo tanto, es aconsejable pedir un lote económico de 35 artículos semanales. Pero el
producto se vende por paquete de 10 unidades, entonces se debe comprar 3 paquetes.
Aplicación. 104
Paso 7.
En esta etapa se comprueba el modelo como se muestra en la siguiente tabla.
Capítulo 4. 105
Cantidad a pedir Unidades Cantidad a pedir

Demanda
calculadas q/semanal calculadas 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. Análisis de la demanda semanal.
Analizando la tabla anterior es aceptable el modelo para la estimación del lote

económico. Con déficit de cuatro días, es decir, 14% de desabasto al mes.
Conclusiones
Después de realizar el trabajo, se obtiene como punto final que la aplicación de la teoría básica
o clásica de inventarios para estimación del lote económico sin herramientas estadísticas tiene
una alta probabilidad de hacer malas estimaciones del lote económico, esto es, debido a que se
tiene el elemento aleatorio en la demanda de los artículos mismo que está en función de las
necesidades de los clientes.
Por esta razón, la estadística toma importancia en los inventarios, en particular los
modelos probabilísticos clásicos que se generalizan al aplicarse a familias de distribución
conocida, como por ejemplo: Poisson, uniforme, exponencial, normal, entre otras. Con las que
se proporcionan las formulas, resultados y algoritmos para la aplicación de una manera
sumamente sencilla, para la persona que esté interesada en utilizar un tipo de estos modelos,
en la obtención del lote económico.
Los modelos desarrollados son aplicables a inventarios que maneja una tienda de
conveniencia o empresa con características similares en donde se trabaja todos los días y se
tiene demanda constantes y poco espacio de almacenamiento, también se caracterizan por la
ubicación estratégica que poseen y los tipos de consumidores a acuden a estas tiendas.
Por esta razón, se propuso una metodología para la estimación de lote económico en
tiendas de conveniencia. La metodología se probó en dos productos de una tienda de
conveniencia, dando resultados bastantes satisfactorios, comparados con los que ellos obtienen
en la práctica.
Con lo anterior se cumple los objetivos propuestos al inicio de este trabajo ya que se
generalizaron los modelos probabilísticos existentes y que se complementa con la introducción
de otras dos formas de inventarios probabilísticos los cuales son: inventarios dinámicos
probabilísticos y los inventarios que se obtienen por cadenas de Markov.
Finalmente se genera nueva información que no figura en la literatura, en particular lo

desarrollado en el capítulo 2.
106
Bibliografía
[1] Bieman Harold, Bonini Charles y Hausman Warren. (1.999) Análisis cuantitativo para
los negocios. 9ª Ed. Bogota: Mc Graw Hill.
[2] Brito, Jose A. (1999). Contabilidad Básica e Intermedia (Contabilidad I y II).

Ediciones Centro de Contadores, 5ª Ed.
[3] Bundich, Frank S. Matemáticas Aplicadas para la Administración, Economía y

Ciencias Sociales. Editorial Mc Graw Hill, 2000.
[4] Feller, William. Introducción a la Teoria de Probabilidades y sus Aplicaciones. Mc

Graw Hill, 2001.
[5] Gallagher Charles A. Métodos Cuantitativos para la Toma de Decisiones en

Administración. Mc. Graw Hill, 2004.
[6] Guajardo C. Gerardo. Contabilidad Financiera. México, 2ª Ed. Editorial McGraw-Hill,

1995.
[7] H. Ballou Ronald, “Logística. Administración de la cadena de suministro”, Editorial

Prentice Hall, 5ª Ed. México 2004. Decisiones sobre Políticas de Inventarios. Cap. 9.
[8] Hiller, Frederick S. y G. J. Lieberman. Investigación de Operaciones, 7ª Ed. México

Editorial McGraw-Hill, 2002, ISBN 970-10-3486-4.
[9] J. Aquilano Richard, “Administración de la Producción y Operaciones para una

Ventaja Competitiva”, Editorial MacGraw Hill, 10ª Ed. México 2005. Control de
Inventarios sujetos a demanda incierta. Cap. 5.
[10] Meyer L., Paul. Probabilidad y Aplicaciones Estadísticas. Mc Graw Hill, 1995.
[11] Mood, Alexander M., Graybill, Franklin A., y Boes, Duane C. Introduction to the
Theory of Statistics, Singapore 1986. ISBN 0-07-042864-6 Editorial Mc Graw-Hill.
[12] Nahmias Steven, “Análisis de la Producción y Operaciones”, Editorial MacGraw Hill,

5ª Ed. México 2007. Control de Inventarios Cap. 14.
[13] Shamblin James. Investigación de Operaciones un Enfoque Fundamental. Mc. Graw

Hill, 1993.
107
[14] Ross, Sheldon M. A First Course in Probability. ISBN 0-13-185662-6 Editorial.
Pearson Prentice Hall. 7ª Ed. New Yersey 2006.
[15] Taha Hamdy. (2004) Investigación de operaciones, una introducción. 7ª Ed. México:
Prentice Hall.
[16] Winston, Wayne L. Investigación de Operaciones Aplicaciones y Algoritmos,

México Editorial Grupo Editorial Iberoamerica 2005. 4ª Ed. ISBN 970-625-029-8.
[17] W. Fogarty Donald, H. Blackstone John & R.Hoffman Thomas, “Administración de la

producción e Inventarios”, Compañía Editorial Continental, 2ª Ed. México 2000.
108

Modelos Probabilisticos de Inventarios

Cargado por

Copyright:

Formatos disponibles

Modelos Probabilisticos de Inventarios

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modelos Probabilisticos de Inventarios

Cargado por

Copyright:

Formatos disponibles

División de Ciencias

Modelos Probabilísticos de Inventarios

Que como requisito parcial para obtener el título de:

Pascual Pascual Miguel

Chapingo, Texcoco, Edo. de México, Diciembre del 2009

A dios que me dio el ser.

A la Universidad Autónoma Chapingo por darme la valiosa oportunidad de formarme

A todos mis profesores de la licenciatura en Estadística que se esforzaron en mi formación

A mis padres: Teresa y Alejandro, por

A mis hermanas (os): Miguel, Mariola,

A mis abuelos: Pascual y

A Gladis, una mujer extraordinaria

A mis amigos (as), que con

A todas las amistades que de alguna

Tabla 4.1. Muestra de la demanda y devoluciones...........................................................96

Figura 1.1. Muestra el costo esperado y su valor mínimo..................................................6

En la presente investigación se revisan los modelos probabilísticos de inventarios partiendo

De forma introductoria se ilustra la solución de ejemplos de inventarios con demanda

Se desarrolla una metodología para la estimación del lote económico ( q ) fundamentada

In an introductory we illustrate the solution of examples of probabilistic dynamic demand

Un inventario constituye la cantidad de existencias de un bien o recurso cualesquiera, un

Los inventarios en general tienen una demanda probabilística. Luego, en esta

Los inventarios probabilísticos se complementan con una introducción a inventarios

La metodología propuesta se ilustra mediante la solución de dos inventarios

En el capítulo dos se desarrollarán los modelos probabilísticos de inventarios,

En el capítulo tres se hace una introducción a modelos dinámicos probabilísticos

Finalmente en el capitulo cuatro se desarrolla una metodología para la solución de

La obtención de los modelos probabilísticos de inventarios parte de la teoría

La generalización de los modelos probabilísticos de inventarios con funciones de

De forma introductoria se ilustra ejemplos de inventario dinámicos probabilísticos y

En el presente trabajo se siguen los siguientes objetivos:

 Revisar las bases teóricas de los modelos probabilísticos.

MODELOS DE INVENTARIOS PROBABILÍSTICOS

El capítulo finaliza resumiendo los modelos de inventarios en varios periodos, estos se

la política óptima de inventario.

1.2 ANÁLISIS MARGINAL

E(q)   p(d )c(d, q) . (1)

En la mayoría de las aplicaciones prácticas E(q) es una función convexa de q.

E(q* 1)  E(q* )  0 . (2)

1.3 MODELO DE INVENTARIOS DE ARTÍCULOS PERECEDEROS O DEL VENDEDOR

ANÁLISIS DEL MÉTODO

c(d, q)  c0q  (términos sin q) (d  q)

c0P(D  q)  cu 1 P(D  q) o c0  cu P(D

 q)  cu , más las q unidades que se piden.

 c(d, q)  c0q  (términos sin (d  q)

En donde, q es el número de calendarios que se piden en agosto y d el número de calendarios

 Si d  se incurre en los costos siguientes (la ganancia se denota por el signo

P(D  q* )  Así ta de probabilidades

Demanda Probabilidad Acumulada

De aquí se concluye que en agosto debe pedirse q*  200

En términos del análisis marginal, la probabilidad de vender el 200vo. calendario que se

c0 P(D  q)  cu 1 P(D  q)  2 * 0.8  5* 0.2  0.6 (pérdida).

Por lo tanto, no se deberá pedir el 201vo. calendario.

Demanda celdas Probabilidad

 c(d, q)  c0q  (términos sin (d  q)

En donde, q es el número de celdas que se piden cuando el avión vuela y d el número de

 Si d  se incurre en los costos siguientes (la ganancia se denota por el signo

P(D  q* )  cu 100  0.33.

Así, de la tabla de probabilidades se tiene que q*  60 celdas.