Modelos de Inventario Estocásticos

INVESTIGACIÓN DE OPERACIONES II
MODELOS DE INVENTARIO
PARTE II
ORDEN DEL DÍA
1. Modelos estocásticos: Rev. Continua

2. Modelos estocásticos: Rev. Periódica.
MODELOS ESTOCÁSTICOS
Revisión Continua
• EOQ “probabilizado”
• EOQ probabilístico
Revisión periódica
• Sin preparación (Newsvendor)

• Con preparación (s-S)*
REVISIÓN CONTINUA
MODELO EOQ “PROBABILIZADO”
Utiliza existencias de reserva para satisfacer las demandas probabilísticas.
Dado que en el período L existe una mayor probabilidad de faltantes, la idea

detrás del modelo consiste en mantener existencias de seguridad constantes que
eviten la probabilidad de faltantes
• 𝐵: stock de
seguridad.
• 𝑦 ∗ : cantidad óptima
de pedido
• 𝐿: tiempo de espera.
• 𝜇𝐿 : Demanda
promedio durante el
tiempo de espera
REVISIÓN CONTINUA
MODELO EOQ “PROBABILIZADO”
El supuesto principal del modelo es que la demanda por unidad de tiempo es normal
con media 𝐷 y desviación estándar 𝜎.
Por lo anterior, la demanda durante el tiempo de espera L también debe ser normal con
media 𝜇𝐿 = 𝐷𝐿 y desviación 𝜎𝐿 = 𝐿𝜎 2
Por su parte, el tamaño de
la reserva B, debe
satisfacer:
𝐵 ≥ 𝜎𝐿 𝐾𝛼
Siendo 𝛼 la probabilidad
máxima admisible de que se
agote la reserva durante el
tiempo de entrega.
El valor de 𝑲𝜶 puede determinarse desde la tabla normal estándar.

EJEMPLO
Considere el contexto de las luces led en la Universidad de la Costa. Recordemos que la
cantidad a ordenar según el EOQ era de 1.000 unidades.
Ahora asuma que la demanda diaria es 𝑁 100,10 unidades. Determine el tamaño de las
existencias de reserva, B, considerando 𝛼 = 0,05.
EJEMPLO
Recordemos los datos del ejemplo:

SOLUCIÓN
𝐿𝑒 = 𝐿 − 𝑛𝑇 ∗ = 12 − 1 ∗ 10 = 2 𝑑í𝑎𝑠
Por tanto,
𝜇𝐿 = 𝐷𝐿 𝜎𝐿 = 𝐿𝜎 2 𝐵 ≥ 𝜎𝐿 𝐾𝛼
𝑢
𝜎𝐿 = 2 ∗ 102 𝐵 ≥ 14,14 ∗ 𝐾0,05
𝜇𝐿 = 100 ∗ 2 𝑑í𝑎𝑠
𝑑í𝑎 𝐵 ≥ 14,14 ∗ 1,645
𝜇𝐿 = 200 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝜎𝐿 = 200 = 14,14 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠
𝐵 ≥ 23,26 ≈ 23 unidades
𝐾0,05 = 1,645
El valor del estadístico se encuentra entre 1,64 y 1,65. Como el valor buscado (0,95) corresponde
al promedio de las probabilidades de la tabla, el estadístico será el promedio de los límites (1,64 y
1,65). Es decir, 1,645. Si esto no se cumpliera se debería interpolar para hallar el valor exacto.
EJEMPLO
𝜇𝐿 = 200 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠
SOLUCIÓN
𝜎𝐿 = 14,14 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠
𝐵 ≥ 23,26 ≈ 23 unidades
La política óptima de inventario consiste en pedir 1000 unidades siempre que el nivel de
inventario llegue a 223 luces.
𝐵 + 𝜇𝐿 = 23 + 200 = 223
REVISIÓN CONTINUA
MODELO EOQ PROBABILÍSTICO
Supuestos:
• La demanda no satisfecha durante el tiempo de espera se acumula.
• No se permite más de un pedido pendiente.
• La distribución de la demanda durante el tiempo de espera permanece estacionaria (no
cambia) con el tiempo.
• 𝑓(𝑥): función de distribución

de probabilidad de la
demanda x durante L.
• 𝐷 : demanda estimada por
unidad de tiempo.
• ℎ: costo de almacenamiento.
• 𝑝: costo de faltantes.
• 𝐾: costo fijo de preparación
de pedido.
La política exige pedir la cantidad y, siempre que la cantidad del inventario disponible se
reduzca a un nivel R.
REVISIÓN CONTINUA
Es un modelo más preciso en el cual la naturaleza probabilística de la demanda se incluye
directamente en la información del modelo.
Costo de faltante esperado:
𝑆 = න (𝑥 − 𝑅) 𝑓 𝑥 𝑑𝑥
𝑅
REVISIÓN CONTINUA
Es un modelo más preciso en el cual la naturaleza probabilística de la demanda se incluye
directamente en la información del modelo.
Las ecuaciones del modelo son:

2𝐷 𝐾 + 𝑝𝑆
𝑦∗ =
ℎ
∞
ℎ𝑦 ∗
න 𝑓 𝑥 𝑑𝑥 =
𝑝𝐷
𝑅
Los valores óptimos de 𝑦 ∗ y 𝑅∗ no son tan sencillos de hallar como los anteriores. En su
lugar, se requiere de un algoritmo de solución.
REVISIÓN CONTINUA
El algoritmo converge siempre que exista una solución factible.
Para R=0, las ecuaciones anteriores producen:
2𝐷 𝐾 + 𝑝𝐸{𝑥}
𝑦ො =
ℎ
𝑝𝐷
𝑦෤ =
ℎ
Los valores óptimos únicos de 𝑦 y R existen

cuando 𝑦෤ ≥ 𝑦ො
2𝐷𝐾
El valor mínimo de 𝑦 ∗ es ℎ
, cuando 𝑆 = 0
𝑬{𝒙}: media.
REVISIÓN CONTINUA
2𝐷 𝐾 + 𝑝𝑆
𝑦∗ = (1)
ℎ
∞
ℎ𝑦∗
න 𝑓 𝑥 𝑑𝑥 = (2)
𝑝𝐷
𝑅
Algoritmo:
2𝐾𝐷
Paso 0: Use la solución inicial 𝑦1 = 𝑦∗ = ℎ
, y sea 𝑅0 = 0.
Suponga que 𝑖 = 1, y continúe al paso 𝑖.
Paso i. Use 𝑦𝑖 para determinar 𝑅𝑖 a partir de la ecuación (2). Si 𝑅𝑖 ≈ 𝑅𝑖−1, deténgase, en este caso la
solución óptima es 𝑦 ∗ = 𝑦𝑖 y 𝑅∗ = 𝑅𝑖 .
De lo contrario, use 𝑅𝑖 en la ecuación (1) para calcular 𝑦𝑖 . Establezca 𝑖 = 𝑖 + 1, y repita el paso i.
EJEMPLO
Electro utiliza resina en su proceso de fabricación a razón de 1000 galones por mes. Colocar un
pedido le cuesta $100 a Electro. El costo de retención por galón por mes es de $2, y el costo por
faltante por galón es de $10. Los datos históricos muestran que la demanda durante el tiempo de
espera es uniforme en el rango (0, 100) galones. Determine la política de colocación de pedidos
óptima para Electro.
EJEMPLO
Datos:
SOLUCIÓN
𝐷 = 1000 𝑔𝑎𝑙/𝑚𝑒𝑠 Recordemos que la fdp de una uniforme es:
𝐾 = $100/𝑝𝑒𝑑𝑖𝑑𝑜 1
𝑓 𝑥 = 𝑝𝑎𝑟𝑎 𝑎 ≤ 𝑥 ≤ 𝑏
ℎ=
$2 𝑏−𝑎
𝑔𝑎𝑙 ∗ 𝑚𝑒𝑠
𝑝 = $10/𝑔𝑎𝑙 Y la media E{𝑥} =
𝑎+𝑏
1 2
𝑓 𝑥 = 100 , 0 ≤ 𝑥 ≤ 1000
𝐸 𝑥 = 50 𝑔𝑎𝑙
EJEMPLO
Datos:
SOLUCIÓN
𝐷 = 1000 𝑔𝑎𝑙/𝑚𝑒𝑠 El primer paso es verificar si el problema tiene una
𝐾 = $100/𝑝𝑒𝑑𝑖𝑑𝑜 solución única.
$2
ℎ= 2𝐷 𝐾 + 𝑝𝐸{𝑥} 2 ∗ 1000 100 + 10 ∗ 50
𝑔𝑎𝑙 ∗ 𝑚𝑒𝑠 𝑦ො = =
𝑝 = $10/𝑔𝑎𝑙 ℎ 2
1
𝑓 𝑥 = 100 , 0 ≤ 𝑥 ≤ 1000 𝑦ො = 600.000 = 774,6 𝑔𝑎𝑙.
𝐸 𝑥 = 50 𝑔𝑎𝑙
𝑝𝐷 1000
𝑦෤ = = 10 ∗ = 5.000 𝑔𝑎𝑙.
ℎ 2
Los valores óptimos únicos de 𝑦 y R existen cuando

𝑦෤ ≥ 𝑦.
ො Por tanto, en este caso hay una solución
única.
EJEMPLO
Datos:
SOLUCIÓN
Ahora, S (costo de faltante esperado) se calcula de la
𝐷 = 1000 𝑔𝑎𝑙/𝑚𝑒𝑠 sgte manera:
∞
𝐾 = $100/𝑝𝑒𝑑𝑖𝑑𝑜
$2 𝑆 = න (𝑥 − 𝑅) 𝑓 𝑥 𝑑𝑥
ℎ = 𝑔𝑎𝑙 ∗ 𝑚𝑒𝑠
𝑅
𝑝 = $10/𝑔𝑎𝑙 100
1 1
𝑓 𝑥 = , 0 ≤ 𝑥 ≤ 1000 𝑆= න 𝑥−𝑅 𝑑𝑥
100 100
𝐸 𝑥 = 50 𝑔𝑎𝑙 𝑅
𝑅2
𝑆= − 𝑅 + 50
200
EJEMPLO
Datos:
SOLUCIÓN
Utilizando S en las ecuaciones del modelo, se obtiene:
𝐷 = 1000 𝑔𝑎𝑙/𝑚𝑒𝑠 2𝐷 𝐾 + 𝑝𝑆 2 ∗ 1.000 100 + 10𝑆
𝐾 = $100/𝑝𝑒𝑑𝑖𝑑𝑜 𝑦𝑖 = =
$2 ℎ 2
𝑦𝑖 = 100.000 + 10.000 𝑆 (3)
𝑝 = $10/𝑔𝑎𝑙
1 100
𝑓 𝑥 = , 0 ≤ 𝑥 ≤ 1000
100 1 2𝑦𝑖
𝐸 𝑥 = 50 𝑔𝑎𝑙 න 𝑑𝑥 = (4)
100 10 ∗ 1.000
𝑅
EJEMPLO
Datos:
SOLUCIÓN
Utilizando S en las ecuaciones del modelo, se obtiene:
100
𝐷 = 1000 𝑔𝑎𝑙/𝑚𝑒𝑠 1 2𝑦𝑖
𝐾 = $100/𝑝𝑒𝑑𝑖𝑑𝑜 න 𝑑𝑥 = (4)
$2
100 10 ∗ 1.000
ℎ = 𝑔𝑎𝑙 ∗ 𝑚𝑒𝑠 𝑅
100
𝑝 = $10/𝑔𝑎𝑙 1 2𝑦𝑖
න 𝑑𝑥 =
𝑓 𝑥 =
1
, 0 ≤ 𝑥 ≤ 1000 100 10 ∗ 1.000
100 𝑅
𝑦𝑖
𝐸 𝑥 = 50 𝑔𝑎𝑙 𝑅 = 100 − (5)
50
(3) Y (5) se utilizan para hallar la sol. Óptima.

EJEMPLO
Datos:
SOLUCIÓN
𝑦𝑖 = 100.000 + 10.000 𝑆 (3)
𝐷 = 1000 𝑔𝑎𝑙/𝑚𝑒𝑠
𝐾 = $100/𝑝𝑒𝑑𝑖𝑑𝑜 𝑦𝑖
𝑅 = 100 − (5)
$2 50
𝑝 = $10/𝑔𝑎𝑙 Iteración 1.
1
𝑓 𝑥 = , 0 ≤ 𝑥 ≤ 1000 2 ∗ 100 ∗ 1.000
100
𝐸 𝑥 = 50 𝑔𝑎𝑙 𝑦1 = = 100.000 = 316,23 𝑔𝑎𝑙.
2
𝑦1 316,23
𝑅1 = 100 − = 100 − = 93,68 𝑔𝑎𝑙.
50 50
EJEMPLO
Datos:
SOLUCIÓN
𝑦𝑖 = 100.000 + 10.000 𝑆 (3)
𝐷 = 1000 𝑔𝑎𝑙/𝑚𝑒𝑠 𝑦𝑖
𝑅 = 100 − (5)
𝐾 = $100/𝑝𝑒𝑑𝑖𝑑𝑜 50
$2
Iteración 2.
𝑝 = $10/𝑔𝑎𝑙 𝑅12
1 𝑆= − 𝑅1 + 50
𝑓 𝑥 = , 0 ≤ 𝑥 ≤ 1000 200
100
𝐸 𝑥 = 50 𝑔𝑎𝑙 93,682
𝑆= − 93,68 + 50 = 0,1997 𝑔𝑎𝑙.
200
𝑦2 = 100.000 + 10.000 (0,1997) = 319,37 𝑔𝑎𝑙.
319,37
𝑅2 = 100 − = 93,612
50
EJEMPLO
Datos:
SOLUCIÓN
𝑦𝑖 = 100.000 + 10.000 𝑆 (3)
𝐷 = 1000 𝑔𝑎𝑙/𝑚𝑒𝑠 𝑦𝑖
𝑅 = 100 − (5)
𝐾 = $100/𝑝𝑒𝑑𝑖𝑑𝑜 50
$2
Iteración 3.
𝑝 = $10/𝑔𝑎𝑙 𝑅22
1 𝑆= − 𝑅2 + 50
𝑓 𝑥 = , 0 ≤ 𝑥 ≤ 1000 200
100
𝐸 𝑥 = 50 𝑔𝑎𝑙 93,6122
𝑆= − 93,612 + 50 = 0,20399 𝑔𝑎𝑙.
200
𝑦3 = 100.000 + 10.000 (0,20399) = 319,44 𝑔𝑎𝑙.
Note que,
𝑦2 ≈ 𝑦3 y 𝑅2 ≈ 𝑅3, por 319,44
tanto detenerse. 𝑅3 = 100 − 50
= 93,611
EJEMPLO
SOLUCIÓN
La política de inventario óptima consiste en pedir 320 galones cada vez que el inventario llegue
a 94 gal.
REVISIÓN PERIÓDICA
MODELOS DE UN SOLO PERIODO
Se empleará la siguiente notación:
K Costo de preparación por pedido

h Costo de almacenamiento por unidad conservada durante el periodo
p Penalización por unidad faltante durante el periodo
D Variable aleatoria que representa la demanda durante el periodo
f (D) Distribución de la función de probabilidad de la demanda durante el periodo
y Cantidad pedida
x Inventario disponible antes de hacer un pedido
El modelo determina el valor óptimo de y que minimiza la suma de los costos esperados de
almacenamiento y faltantes.
REVISIÓN PERIÓDICA
MODELOS DE UN SOLO PERIODO: SIN
PREPARACIÓN
Supuestos:
• La demanda se presenta en forma instantánea al comenzar el periodo inmediatamente después de
que se recibe el pedido.
• No se incurre en costo de preparación.
Ecuaciones:
Costo esperado durante el período (si la distribución es discreta):

𝑦 ∞
𝐸 𝐶 𝑦 =ℎ ෍ 𝑦−𝐷 𝑓 𝐷 +𝑝 ෍ 𝐷 − 𝑦 𝑓(𝐷)
𝐷=0 𝐷=𝑦+1
y* solo estará definida si la siguiente relación es positiva:

∗
𝑝
𝑃{𝐷 ≤ 𝑦 } =
𝑝+ℎ
y* será entonces:
𝑝
𝑃{𝐷 ≤ 𝑦 ∗ − 1} ≤ ≤ 𝑃{𝐷 ≤ 𝑦∗ }
𝑝+ℎ
EJEMPLO
El propietario de una tienda expendedora de periódicos desea determinar la cantidad de diarios USA
Now que deben entregarle diariamente temprano por la mañana. A él le cuesta $30 el ejemplar, y lo
vende en $75. La venta de periódicos suele ser entre las 7:00 y las 8:00 A.M. Los periódicos que no
se vendieron al finalizar el día se reciclan a un costo de $5 el ejemplar. ¿Cuántos ejemplares le
deben entregar cada mañana?, suponiendo que la demanda diaria se puede aproximar con:
a) Una distribución normal con promedio de 300 ejemplares y desviación estándar de 20 ejemplares.
b) Una función de distribución de probabilidades discretas, como sigue:
D 200 220 300 320 320

f(D) 0,1 0,2 0,4 0,2 0,1
EJEMPLO
a) Una distribución normal con promedio de 300 ejemplares y desviación estándar de 20 ejemplares.
SOLUCIÓN
Datos:
ℎ = 30 − 5 = $25
𝑝 = 75 − 30 = $45
Recordemos que y* solo estará definida si la siguiente relación es positiva:

∗
𝑝
𝑃{𝐷 ≤ 𝑦 } =
𝑝+ℎ
∗
45
𝑃{𝐷 ≤ 𝑦 } = = 0,643
45 + 25
EJEMPLO
a) Una distribución normal con promedio de 300 ejemplares y desviación estándar de 20

ejemplares.
SOLUCIÓN
Se define la variable z como:
Se busca en la tabla de la normal el valor

obtenido en 𝑃{𝐷 ≤ 𝑦 ∗ } = 0,643.
El valor Z se encuentra entre 0,36 y 0,37. Para
De la tabla normal se obtiene:
obtener el valor exacto se realiza interpolación
o lineal. Dados los puntos 𝑥1, 𝑥2 y 𝑦1 , 𝑦2 .
𝑥 − 𝑥1
𝑦 = 𝑦1 + 𝑦 − 𝑦1
𝑥2 − 𝑥1 2
EJEMPLO
a) Una distribución normal con promedio de 300 ejemplares y desviación estándar de 20

ejemplares.
SOLUCIÓN
Se define la variable z como:
De la tabla normal se obtiene:
Despejando: 𝑦 ∗ = 0,366 ∗ 20 + 300 = 307,32 ≈ 308 𝑒𝑗𝑒𝑚𝑝𝑙𝑎𝑟𝑒𝑠

EJEMPLO
SOLUCIÓN
De la relación crítica 0,643, se obtiene:
45
𝑃{𝐷 ≤ 220 } ≤ ≤ 𝑃{𝐷 ≤ 300}
45 + 25
y* serán 300 ejemplares.

BIBLIOGRAFÍA
Chase, Richard; Jacobs, F. Robert & Aquilano, Nicholas. Administración

de Operaciones. Duodécima Edición. McGraw Hill. 2009.
Taha, Hamdy. Investigación de Operaciones. Novena Edición. Editorial

Pearson. 2012

Modelos de Inventario Estocásticos

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Modelos de Inventario Estocásticos

Hochgeladen von

Copyright:

Verfügbare Formate

INVESTIGACIÓN DE OPERACIONES II

1. Modelos estocásticos: Rev. Continua

• Sin preparación (Newsvendor)

Dado que en el período L existe una mayor probabilidad de faltantes, la idea

El valor de 𝑲𝜶 puede determinarse desde la tabla normal estándar.

Recordemos los datos del ejemplo:

• 𝑓(𝑥): función de distribución

Costo de faltante esperado:

Las ecuaciones del modelo son:

Para R=0, las ecuaciones anteriores producen:

Los valores óptimos únicos de 𝑦 y R existen

Los valores óptimos únicos de 𝑦 y R existen cuando

(3) Y (5) se utilizan para hallar la sol. Óptima.

K Costo de preparación por pedido

Costo esperado durante el período (si la distribución es discreta):

y* solo estará definida si la siguiente relación es positiva:

D 200 220 300 320 320

Recordemos que y* solo estará definida si la siguiente relación es positiva:

a) Una distribución normal con promedio de 300 ejemplares y desviación estándar de 20

Se busca en la tabla de la normal el valor

a) Una distribución normal con promedio de 300 ejemplares y desviación estándar de 20

De la tabla normal se obtiene:

Despejando: 𝑦 ∗ = 0,366 ∗ 20 + 300 = 307,32 ≈ 308 𝑒𝑗𝑒𝑚𝑝𝑙𝑎𝑟𝑒𝑠

b) Una función de distribución de probabilidades discretas, como sigue:

y* serán 300 ejemplares.

Chase, Richard; Jacobs, F. Robert & Aquilano, Nicholas. Administración

Taha, Hamdy. Investigación de Operaciones. Novena Edición. Editorial

Das könnte Ihnen auch gefallen