Tesis-Efecto Latigo

UNIVERSIDAD PONTIFICIA COMILLAS DE MADRID
ETS DE INGENIERÍA (ICAI)

(Departamento de Organización Industrial)
EL EFECTO LÁTIGO (BULLWHIP) EN LAS

CADENAS DE SUMNISTRO Y LA
DEPENDENCIA DE LOS AGENTES QUE
LAS INTEGRAN
Tesis para la obtención del grado de Doctor

Director: Prof. Dr. D. Ángel Sarabia Viejo
Autor: Ing. D. Ramón Martín-Andino Benítez (doctorando)
2006
I
II
ÍNDICE
ÍNDICE III
ÍNDICE DE FIGURAS IX
AGRADECIMIENTOS XIX
CAPITULO I. Justificación y aportaciones de la tesis 1
CAPÍTULO II. El efecto látigo en las cadenas de suministro 9
2.1. El efecto látigo en las cadenas de suministro 9
2.2. Definición del efecto látigo 12
2.3. Repercusiones del efecto látigo en las cadenas de suministro 16
2.4. Causas del efecto látigo 21
2.5. Análisis de las causas: modelos propuestos 25
2.5.1. Modelo LST 26
2.5.2. Modelo CDRS 32
2.5.3. Modelo ALY 38
2.6. Metodología y evolución del análisis del efecto látigo 40
2.6.1 Dinámica de sistemas (Ingeniería de Control) 41
2.6.2 Teoría de redes 48
2.6.3 Simulación 49
2.6.4 Investigación de operaciones (método estadístico) 50
2.6.5 Lógica difusa 54
III
CAPITULO III. Revisión crítica de los estudios sobre el efecto látigo 55
3.1. El método de medición 55
3.2. El modelo de gestión de existencias 62
CAPÍTULO IV. Análisis del efecto látigo mediante la aplicación de

técnicas de control 65
4.1. Introducción 65
4.2. Modelos de funciones de transferencia aplicables al estudio del
efecto látigo 69
4.3. Secuencia temporal de las decisiones tomadas por los agentes 73
4.4. Modelos de predicción de la demanda 77
4.5. Modelo basado en la recuperación gradual del inventario 85
4.5.1. Ecuaciones del modelo 91
4.5.2. Función de transferencia 95
4.5.3. Estabilidad del modelo 99
4.6. La influencia del método de predicción 109
4.6.1. Alisado exponencial simple 109
4.6.2. Alisado exponencial doble 125
4.6.3. Modelos ARMA 130
4.6.3.1. Modelo AR(1) 131
4.6.3.2. Modelo ARMA(1,1) 142
4.7. Estudio comparativo de los modelos 149
4.7.1. Gráficas de análisis de los métodos de predicción 157
4.7.2. Conclusiones sobre el modelo de gestión de inventarios 175
IV
CAPÍTULO V. Modelos de gestión con control por el inventario
logístico 177
5.1. Justificación del modelo 177
5.2. Formulación del modelo 179
5.3. Interpretación de los parámetros 185
5.4. Estabilidad de la función de transferencia. Análisis de los polos 187
5.5. Influencia del método de predicción en el modelo 195
5.6. Indicadores de la respuesta del modelo 196
5.7. Alisado exponencial simple 198
5.7.1. Respuesta para una demora L = 3 204
5.7.1.1. Resultados para L = 3 206
5.7.1.2. Análisis de sensibilidad para cambios en D 206
5.8. Modelo autorregresivo AR(1) 216
5.8.1.2. Análisis de sensibilidad para cambios en I 222
V
5.9. Modelo ARMA 235
5.9.1.2. Análisis de sensibilidad para cambios en I y T 240
5.10. Análisis comparativo y conclusiones 255
CAPITULO VI. Conclusiones y futuras líneas de investigación 259
6.1. Base de las conclusiones 259
6.2. Conclusiones sobre la definición y medida del efecto látigo 260
6.3. Conclusiones sobre el comportamiento de los modelos de
gestión de existencias 262
6.3.1. Modelo basado en la recuperación del inventario físico 264
6.3.2. Modelo basado en la recuperación del inventario logístico 266
VI
6.4. Otras aportaciones de la tesis 270
6.5. Futuras líneas de investigación 271
APÉNDICE.
Ejemplo de simulación Excel 273
ÍNDICE DE REFERENCIAS Y BIBLIOGRAFÍA 283
VII
VIII
ÍNDICE DE FIGURAS
Figura 2.1. Página 30. Relación entre el parámetro de autorregresión U, la demora del
proveedor, Lm y el indicador del efecto látigo BW.
Figura 2.2. Página 34. Relación entre el parámetro p y el indicador BW, dado por la
fórmula (2.8) para diversos valores de L con U = 2.
Figura 2.3. Página 35. Relación entre el parámetro p y el indicador del BW, para
diversos valores de L con U = constante.
Figura 2.4. Página 37. Representación gráfica de la fórmula (2.9) para valores de U =
0,1.
Figura 2.5. Página 39. Representación gráfica de la fórmula (2.11) correspondiente a

la relación entre el indicador BW y diversos valores de U y L.
Figura 2.6. Página 40. Representación gráfica de la fórmula (2.11) correspondiente a

la relación BW y diversos valores de U < 0 y L.
Figura 3.1. Página 57. Gráfico utilizado para medir el efecto látigo.
Figura 4.1. Página 66. Esquema de un sistema retroalimentado.
Figura 4.2. Página 72. Flujos Push y Pull y punto de desacoplo en la cadena de
suministros.
Figura 4.3. Página 91. Diagrama causal del modelo OUT descrito.
Figura 4.4. Página 94. Decisiones tomas por los compradores frente a fallos en las
entregas de los proveedores.
Figura 4.5. Página 96. Diagrama de bloques del modelo de gestión de inventarios
basado en la recuperación gradual del inventario.
IX
Figura 4.6. Página 105. Relación entre la demora L, la constante de recuperación del
inventario KI y su inversa, el tiempo de recuperación 1/KI.
Figura 4.7. Página 108. Respuesta de las órdenes cursadas con alisado exponencial
simple, como método de predicción, de parámetro D = 0,3.
Figura 4.8. Página 112. Respuestas de las órdenes cursadas con alisado exponencial
simple, como método de predicción, con parámetro D = 0,1 y
D = 0,9.
Figura 4.9. Página 113. Respuestas de las órdenes cursadas con alisado exponencial
simple, como método de predicción, con parámetro D = 0,1 y
D = 0,9. No hay diferencias entre picos para esos valores.
Figura 4.10. Página 114. Variación del inventario para dos valores distintos del
parámetro de alisado.
Figura 4.11. Página 117. Variación del inventario para dos valores distintos del
parámetro de alisado. Comparación con los resultados
representados en la figura anterior.
Figura 4.12. Página 119. Comparación entre dos respuestas con valores distintos del
parámetro de alisado.
Figura 4.13. Página 127. Región de estabilidad para los parámetros de la transformada
Z de la ecuación de predicción (4.97).
Figura 4.14. Página 128. Respuesta a un escalón de un alisado exponencial simple y

otro doble.
Figura 4.15. Página 129. Diferencia entre la respuesta a un escalón de un alisado simple
y otro doble.
Figura 4.16. Página 130. Diferencia entre la respuesta a un escalón de un alisado simple
y otro doble.
X
Figura 4.17. Página 136. Respuesta a un escalón de una función AR(1) con distintos
valores de I.
Figura 4.18. Página 138. Respuesta a un escalón para un modelo AR(1) con predicción
por mínimo error cuadrático medio y L = 3.
Figura 4.19. Página 139. Respuesta a un escalón para un modelo AR(1) con predicción
por mínimo error cuadrático medio y L = 20.
Figura 4.20. Página 141. Respuesta para la serie tipo elegida [Douglas,1976], con un
método de predicción por mínimo error cuadrático medio,
suponiendo que se trata de un modelo AR(1) con I = 0,33 y L
= 3. En este caso KI = Kmáx./2,5.
Figura 4.21. Página 147. Valles producidos en las respuestas de varios modelos ARMA.
Figura 4.22. Página 148. Respuesta a un escalón. Se muestra el valle producido para
valores de I bajos (I = 0,1) y T altos (T = 0,9).
Figura 4.23. Página 157. Respuesta para la serie tipo elegida [Douglas,1976] y
predicción por alisado exponencial con D = 0,33; valor elegido
para conseguir una predicción por mínimo error cuadrático
medio.
Figura 4.24. Página 158. Respuesta para una serie de comprobación ―sin aleatoriedad
ni oscilaciones― en las mismas condiciones que las
especificadas en la figura 4.23.
predicción por alisado exponencial con D = 0,33 y L = 5. El
valor de D se ha elegido para conseguir el mínimo error
cuadrático medio en la predicción.
XI
predicción por alisado exponencial con D = 0,17 y L = 20. El
valor de D se ha elegido para conseguir el mínimo error
cuadrático medio en la predicción.
predicción por mínimo error cuadrático medio, supuesto que la
serie tipo sigue un modelo AR(1) con I = 0,17 y L = 3.
XII
Figura 4.35. Página 169. Respuesta para la serie tipo elegida y predicción por mínimo
error cuadrático medio, supuesto que la serie tipo sigue un
modelo ARMA(1) con I = 0,34, T = 0,1 y L = 3.
modelo ARMA(1) con I = 0,34; T = 0,1 y L = 5.
modelo ARMA(1) con I = 0,35; T = 0,1 y L = 20.
Figura 5.1. Página 178. Analogía de un modelo de gestión basado en la recuperación

gradual del inventario físico.
Figura 5.2. Página 179. Analogía de un modelo de gestión basado en la recuperación

gradual del inventario logístico.
Figura 5.3. Página 181. Diagrama causal del modelo de gestión basado en la
recuperación gradual del inventario logístico.
Figura 5.4. Página 182. Flujo de decisiones del modelo de reposiciones basado en la
Figura 5.5. Página 183. Diagrama de bloques del modelo.
XIII
Figura 5.6. Página 193. Relación entre los parámetros KI y KP para diversos valores de
L que determinan la zona de estabilidad de la función de
transferencia.
Figura 5.7. Página 200. Respuestas de la función de transferencia correspondiente a un

sistema con predicción AE, para diversos valores de D.

sistema con predicción AE, para diversos valores de KL, con
los otros parámetros no sufren cambios.

sistema con predicción AE, para diversos valores de KI en
relación a KP.

sistema con predicción AE y L = 3.

sistema con predicción AE y L = 3 para una serie de
comprobación sin aleatoriedad ni oscilaciones.




XIV
sistema con predicción AR y tres valores de I diferentes y L =
3.

sistema con predicción AR y tres valores de KL diferentes y L
= 3.
Figura 5.18. Página 219. Recuperación del inventario para el modelo de gestión con una
función de predicción AR y tres valores de KL diferentes y L =
3.

sistema con predicción AR y L = 3.

sistema con predicción AR y L = 3 para una serie de




Figura 5.25. Página 236. Respuestas de la función de transferencia con un sistema de

predicción ARMA y diversos valores de T, manteniendo
constante los otros parámetros.
XV
Figura 5.26. Página 237. Respuestas del inventario físico para un modelo de gestión con
una función de predicción ARMA y diversos valores de T,
manteniendo constante los otros parámetros. La respuesta
correspondiente a T = 1 alcanza su valor de consigna hacia el
periodo 6000.

sistema con predicción ARMA y L = 3.

sistema con predicción ARMA y L = 3 para una serie de

sistema con predicción AR y L = 3, con una selección de
parámetros que casi llegan a reproducir la serie de la demanda.





sistema con predicción ARMA y L = 20, con una selección de
parámetros que ajustan suficientemente la serie pedidos a
proveedores a la demanda.
XVI
XVII
XVIII
AGRADECIMIENTOS
Concluido el trabajo, sólo resta reconocer y agradecer la ayuda de aquellas personas que
de manera desinteresada han apoyado mi labor y que, con toda seguridad, han
contribuido en mayor o menor grado a la conclusión de esta tarea.
En primer lugar, quiero citar a mi director de Tesis Dr. D. Ángel Sarabia Viejo, es de
justicia decir que de él he recibido no sólo el apoyo técnico, sino también el aliento
necesario para continuar en momentos en los que los ánimos flaqueaban, no me cabe
duda de que gracias a ello he llegado al final de la meta que tiempo atrás me propuse,
por ello le expreso mi público agradecimiento.
A los Drs. D. Pedro Sánchez Martín y D.ª Begoña Vitoriano Villanueva, miembros del
tribunal de seguimiento, quienes me orientaron con sus opiniones y velaron porque la
senda seguida fuera la adecuada.
Al Dr. Stephen M. Disney de la European University Research and Operations
Networks in Logistics (EURONIL) de la Universidad de Cardiff por atender
amablemente mis peticiones sobre información no publicada.
Finalmente, a mi esposa por su apoyo en las correcciones y revisiones de los textos
escritos, su paciencia para esta tediosa labor me ha permito dedicar ese tiempo a
profundizar en la elaboración de este trabajo.
A todos ellos mi agradecimiento.
XIX
XX
XX
CAPÍTULO I
JUSTIFICACIÓN Y PLANTEAMIENTOS DE LA TESIS
El auge de las nuevas tecnologías y la extensión mundial de las actividades comerciales

ha contribuido a incrementar la demanda y la oferta de bienes, lo que ha acarreado una
tendencia a abaratar sus precios finales. En gran parte, tal situación se debe a la irrup-
ción en el mercado de países con bajos costes productivos. No en balde, y a consecuen-
cia de ello, muchas empresas del primer mundo han sustituido sus actividades manufac-
tureras por las de pura intermediación. Ahora las empresas de los otrora países indus-
trializados ―quizá ya es un anacronísmo denominarlos así― compiten no sólo por el
producto, sino también por dar el mejor servicio y por conseguir un margen de inter-
mediación lo suficientemente amplio como para que sus beneficios garanticen su super-
vivencia.
De aquí que todo lo relacionado con las prácticas propias de la gestión de la cadena de
suministro forme parte, hoy día, de las preocupaciones de las empresas, en concreto,
cómo abaratar los costes de la distribución de los productos y servicios suministrados y
aumentar el valor percibido por los clientes.
Existe la constatación de que, en el medio y largo plazo, los márgenes de los agentes
integrantes de la cadena ―minoristas, mayoristas, distribuidores, etc.― dependen de
las acciones emprendidas por los otros, lo que conduce a la necesidad de coordinar sus
decisiones empresariales para sobrevivir en los mercados.
Hay factores operativos, logísticos, financieros, comerciales, etc., en los que claramente
se requiere la coordinación; en otros, sin embargo, la coordinación no resultan tan evi-
dente, aunque forman parte de las propias prácticas de los agentes, como es el caso de
los factores causantes de un fenómeno denominado “Efecto Látigo”.
Este efecto, observado en la realidad, produce una situación de falsa información en

todos los agentes de la cadena, debido a una distorsión creciente en la demanda del mer-
1
cado a medida que nos remontamos aguas arriba de la cadena, que tiene como resultado
una demanda percibida por cada agente distinta a la de los demás y, a su vez, distinta a
la demanda del mercado. De esta manera, un mayorista dispone de una información
peor que la del minorista y el fabricante aún peor que la del mayorista, etc.
Puesto que los agentes trazan sus estrategias de acuerdo con los datos de la demanda
recibida, la consecuencia inmediata es que alejan sus objetivos de los deseos de sus
clientes finales. Este problema conduce a crear costes innecesarios que, o se repercuten
en los precios de transferencia o, de ser absorbidos por los agentes, acaban por erosionar
sus márgenes y ralentizar sus respuestas; efectos que acaban sufriendo los consumidores
finales.
Como forma de remediar los problemas inherentes a este fenómeno se han propuesto
diversas soluciones, todas ellas fundamentadas en la cooperación entre los agentes, bien
de manera que cada uno de ellos transmita al anterior la demanda que soporta, bien ac-
cediendo a la demanda final a través de los puntos de venta, siempre con la finalidad de
que todos tengan un conocimiento fidedigno de las peticiones del mercado y tomen sus
decisiones ajustadas a la realidad.
No cabe posibilidad de cuestionar estas formas efectivas de reducir ―no tanto de elimi-
nar― las consecuencias perniciosas del efecto látigo, pero la práctica demuestra que no
siempre y no todos los agentes tienen capacidad o interés en facilitar esos acuerdos; a
veces, por los sacrificios que suponen estas decisiones en términos económicos a corto
plazo frente a los posibles beneficios a medio o largo plazo, sobre todo en cadenas lar-
gas, con múltiples agentes o también en cadenas cortas en las que hay una gran diferen-
cia de poder de negociación entre sus miembros.
Bajo estas condiciones nos preguntamos ¿qué prácticas podría seguir un agente cual-
quiera para que, sin llegar a participar en una asociación con otros, por las razones que
fueran, pudiera llevar a cabo políticas de gestión orientadas a atenuar los efectos produ-
cidos por la carencia de información de la demanda de los consumidores finales?
2
Como después veremos, en la literatura existente sobre este fenómeno se abordan distin-
tos métodos para que un agente pueda deducir aspectos básicos de la demanda final a
partir de los datos que le transmite su cliente, lo que supone la solución a los problemas
derivados de la carencia ―interesada o no― de información; pero ello exige disponer
de unos conocimientos lo suficientemente profundos sobre técnicas estadísticas, como
para que no sea posible su aplicación a efectos prácticos.
Nos encontramos, además, con el hecho real de que, en la práctica, no resulta sencillo
analizar, para comparar, las consecuencias derivadas de este fenómeno; entre otras ra-
zones, porque no es fácil medirlo. Téngase en cuenta que en las últimas etapas de las
cadenas de suministro se manejan cientos o miles de referencias o códigos de productos
diferentes todos ellos con demandas y condiciones de suministros también diferentes,
lo que impide, por ejemplo, que un agente mayorista o minorista se entretenga en anali-
zar los detalles de una ingente cantidad de datos para deducir efectos complejos causa-
dos por demandas, que a menudo presentan patrones temporales irregulares.
Como comentaremos en un apartado de esta tesis, las causas del efecto látigo pueden
condensarse en tres categorías: en primer lugar, las debidas a la agrupación de órdenes
de reposición motivadas por costes logísticos inalterables respecto a las unidades solici-
tadas; en segundo lugar, las derivadas de cambios en las topologías de las redes de su-
ministro y en tercer lugar, las que tienen su origen en perturbaciones de la demanda.
Las primeras, cuya consecuencia, esencialmente, es la formación de lotes para conseguir

economías de escala, resultan del todo punto inevitables, si no se reducen los costes que
las originan. No entraremos a estudiar esas causas, cuyo remedio consiste en reducir
dichos costes y/o acortar los tiempos de entrega de los proveedores1.
1
Como ya veremos, los plazos de entrega tienen un efecto contradictorio en la aparición e importancia de este fenó-
meno. Por un lado, plazos de entrega largos obligan a la formación de lotes de mayor tamaño, lo que, claramente,
potencia el fenómeno de distorsión, pero también permiten mayor estabilidad de la demanda debido a su mejor cono-
cimiento, lo que lo atenúa.
3
Por lo que se refiere a las modificaciones en las topologías de las redes de distribución,
hemos de decir que, en la gran mayoría de los casos, derivan de cambios en las estrate-
gias de los agentes y, como consecuencia, son de larga duración, de manera que sus
efectos pueden ser previstos de antemano, por lo que difícilmente tendrán las mismas
consecuencias que los producidos por perturbaciones imprevistas y rápidas.
Es en el tercer grupo en donde, por varias razones, fundamentaremos nuestro estudio,

ser causantes de la mayoría de los perjuicios derivados de este fenómeno y estar moti-
vadas por prácticas que, usual e inconscientemente, llevan a cabo los agentes en sus
quehaceres propios y que inducen y potencian el fenómeno en el resto de los eslabones
de la cadena. Nos referimos a dos aspectos: los sistemas de pronóstico utilizados por los
agentes para calcular sus necesidades futuras y los cambios bruscos e inesperados en las
demandas, motivados por deseos especulativos o por alcanzar un grado de elevado de
sobreprotección ante supuestas incertidumbres.
Por todo ello, creemos oportuno estudiar la posibilidad de encontrar un sistema de ges-
tión que, utilizando prácticas sencillas y accesibles a cualquier agente, pueda contribuir
a reducir la incidencia del fenómeno procedente de perturbaciones en la demanda como
los descritos en el párrafo anterior y que llevan a los agentes a exagerar su demanda.
Con esta finalidad, mantenemos la tesis de que una gestión autónoma adecuada de los
inventarios permitiría encauzar, en un alto porcentaje de casos, las consecuencias pro-
venientes del efecto látigo, de manera que bastaría un ajuste en el inventario para acotar
el alcance de la distorsión de la demanda.
El procedimiento que seguiremos para observar si tal fin es posible, consiste en tomar
una díada formada por dos agentes, cliente-proveedor, y analizar su comportamiento
frente a cambios en la demanda; ello significa reducir la complejidad que puede suponer
el estudio de una cadena real con múltiples eslabones y agentes en cada eslabón. Esta
forma de considerar la cadena ha sido utilizada por varios autores, por ejemplo, citamos
a uno, [Graves,1999], quien en nuestra opinión ha contribuido con una de las mejores
aportaciones sobre el fenómeno y que manifiesta que “el hecho de que los resultados
4
aguas arriba de una cadena sean similares a los obtenidos para un solo escalón, sugieren
que un modelo formado por cliente-proveedor pueda servir como base para el estudio de
otras topologías más complejas”.
Con idéntica finalidad, nos hemos limitado al estudio de un solo producto. No es nece-
sario extenderse en argumentos prolijos para deducir que la reacción causada por un
cambio en la demanda de un producto en esa pareja cliente-proveedor es ampliable sin
dificultad a otros productos. Descartamos, por tanto, la posibilidad de que existan rela-
ciones imbricadas entre las demandas de productos, cosa que puede suceder y que sin
duda sería fuente de otros trabajos, pero cuya casuística, dada la gran cantidad de pro-
ductos con demandas absolutamente distintas y no correlacionadas, se limita a aspectos
meramente anecdóticos desde el punto de vista de nuestro estudio.
Otro aspecto de la metodología empleada para analizar el comportamiento de ambos

agentes es la simulación. Muy pocos estudios del fenómeno se han llevado a cabo de
forma simultánea con el transcurso de los hechos mediante la observación directa de la
cadena, entre otras razones por la lentitud con la que suceden los efectos y la definición
de los límites del estudio, de manera que esto dificulta, si no imposibilita, los trabajos
en tiempo real. La validez de la simulación ha sido manifestada por múltiples autores y
escritos, entre los que destacamos uno de los más reputados, como es el “Juego de la
Cerveza”2.
Como exponemos en páginas interiores, dentro de los métodos de simulación hemos

elegido uno basado en la ingeniería de control. Aclaramos de antemano que no hemos
incluido las no linealidades propias del comportamiento humano dentro del modelo
creado y cuya modelación requeriría conocer pautas de tal comportamiento. Sin duda,
sería de interés realizar estudios que incluyeran estas posibilidades, pero renunciamos a
este punto con vistas a determinar un modelo simple de control que permita aplicarse
independientemente de cuál fuera la complejidad de las decisiones, siempre que exista
la voluntad entre los agentes de reducir los problemas del fenómeno.
2
[Sterman,1989]
5
Las razones por las que hemos elegido la ingeniería de control y no otra de las varias
existentes, radica en que, por medio de esta técnica ―utilizada también por varios estu-
diosos del fenómeno―, es posible deducir resultados tanto en condiciones de demanda
estable –queremos decir, sin perturbaciones, esto es con comportamiento estacionario―
y de inestabilidad provocadas por cambios bruscos en la demanda.
Por lo que se refiere al método empleado por los agentes para controlar las reposiciones
del inventario, hemos elegido un sistema basado en la gestión temporal de las existen-
cias3. Este método pertenece a los denominados “pedidos hasta alcanzar un nivel de
existencias”4 y es de uso común entre agentes intermediarios, como también, aunque
con menor frecuencia, lo es entre fabricantes y proveedores.
Para un estudio como el nuestro, un sistema de gestión del inventario como el citado
tiene la ventaja de que reduce al mínimo la formación de lotes, lo cual puede lograrse si
los tiempos de revisión utilizados se reducen al mínimo posible, hecho común en las
prácticas actuales de los intermediarios y, de esta forma, separar las influencias que ten-
dría la formación de lotes sobre la distorsión de la demanda, dado que nuestra finalidad
se centra en los cambios en la demanda como causantes del problema que nos ocupa.
Finalmente, conviene decir que los datos utilizados pertenecen a series de demanda re-
ales sacadas de ejemplos existentes en la literatura. Nuestras verificaciones previas al
estudio, indican que la utilización de series de datos que simulan demandas creadas arti-
ficialmente no predeterminan los resultados finales, de manera que también hubiera sido
útil su empleo, pero de esta forma alejamos cualquier posibilidad de sesgo en los resul-
tados.
Además del desarrollo del punto fundamental de esta tesis, anteriormente expuesto,
hemos hecho otras aportaciones; unas, que, según consideramos, contribuyen a mejorar
la comprensión del fenómeno y otras que revocan algunos estudios sobre los que se han
3
De acuerdo con la terminología al uso, empleamos el sistema de reposición conocido como (R,S) [Silver,1985]
4
Traducido del inglés order-up-to-level.
6
extraído conclusiones que, a nuestro juicio, deberían ser revisadas. Concretamos a con-
tinuación dichas aportaciones, citando en primer lugar las referidas al punto principal de
la tesis.
1. Demostramos que es posible la acotación del efecto látigo mediante la gestión

simple del inventario de forma autónoma por cada agente. En este sentido,
creemos que con la gestión del inventario logístico resulta suficiente para reducir
o limitar, dependiendo de los casos, los efectos del fenómeno.
2. Cuantificamos la incidencia que el tipo de demanda tiene en la aparición y aco-

tación del fenómeno dentro del modelo elegido. Establecemos límites a la actua-
ción de los agentes para evitar una desestabilización de la red de distribución
que amplifique los efectos perniciosos derivados del problema en estudio.
3. Analizamos la influencia en la red de diversos métodos de predicción, en con-

creto de modelos ARIMA, mediante técnicas de ingeniería de control, lo que nos
permite determinar el comportamiento transitorio de la relación proveedor clien-
te ante cambios de la demanda del cliente, aspecto hasta ahora no contemplado
en los estudios publicados de los que hemos tenido noticia.
4. Dejamos claro que el “efecto látigo” no es un fenómeno de amplificación de la

varianza de la demanda, sino de distorsión de la demanda. Es esencial, en nues-
tra opinión, cambiar radicalmente la taxonomía de dicho efecto, pues la distor-
sión lleva aparejada otras consecuencias distintas a la mera amplificación. Por lo
que, de seguir con el mismo criterio, supondría ocultar otros efectos que deberí-
an estudiarse, tales como los derivados de falsas estacionalidades y desfases en-
tre demanda transmitida y recibida.
5. Apoyados en el criterio anterior, rechazamos justificadamente que el efecto láti-

go pueda seguir midiéndose como cociente de varianzas. En nuestra opinión, la
complejidad del fenómeno requiere de otro tipo de medidas complementarias a
la generalmente utilizada por los autores preocupados por su estudio.
7
6. Proponemos otras formas de medición del efecto látigo.
7. Cuestionamos y demostramos que el modelo OUT5 de reposición del inventario,

tomado para el estudio del fenómeno por algunos autores, sea aplicable a tal
efecto. Consideramos que se trata de una simplificación excesiva que no conecta
con la práctica real de las empresas, de manera que no sólo no es útil, sino que,
además, sólo acota el fenómeno en determinados casos, siempre y cuando la
demanda sea estacionaria, no ya en varianza, sino en media. Lo cual supone,
como decimos, una simplificación que no casa con una de las principales fuentes
causantes del fenómeno, esto es las perturbaciones de la demanda.
Todas estas aportaciones quedan establecidas y justificadas en el estudio que a conti-

nuación presentamos.
En conclusión, la tesis se propone formular un procedimiento sencillo para que cada

uno de los actuantes de la cadena pueda, autónomamente, compensar las consecuencias
derivadas del efecto látigo sin acudir al intercambio de información con los demás.
5
Siglas correspondientes a order-up-to-level.
8
CAPÍTULO II
EL EFECTO LÁTIGO EN LA CADENAS DE SUMINISTRO
«La complejidad es la diferencia entre la información

real que se necesita y la que se dispone».
J. Galbraith (Designing Complex Organizations)
2.1. INTRODUCCIÓN. DEFINICIÓN Y MEDIDA DEL EFECTO LÁTIGO
Complejidad 6 e incertidumbre forman parte de las principales dificultades con las que
se enfrentan los agentes logísticos. La complejidad es un reto que se vence aprendiendo
a desenvolverse en este tipo de entornos. La incertidumbre es un aspecto más de la
complejidad, pero no cabe aprender para enfrentarse a ella. Por definición lo incierto es
lo inesperado o desconocido, y su gestión sólo es posible incurriendo en grandes
ineficiencias. Cualquier reducción de la incertidumbre supone ahorro de recursos y la
mejora de los resultados.
Alta competitividad, productos con ciclos de vida más breve y mercados lejanos son,
por ejemplo, parte de la complejidad aludida. Si a eso añadimos la incertidumbre como
causante de ineficiencias en la gestión de la cadena, obtendremos como resultado:
planificaciones erróneas, programaciones complejas, inventarios desajustados, entregas
a destiempo, plantillas inadecuadas, transportes mal dimensionados, inversiones de
capital con baja productividad, mal servicio, etc.
6
Choi (2001) y Vachon (2002) consideran que uno de los pilares de la complejidad en la gestión de la cadena de
suministros es lo impredecible de ciertos aspectos y Wilding (1998) habla de tres aspectos de la complejidad de la
cadena; uno, el caos como consecuencia de la toma de decisiones en la gestión; dos, las interacciones entre los
diversos escalones de la cadena y tercero, la amplificación de la demanda. Todo ello supone que la gestión de la
cadena está afectada por la incertidumbre.
9
Sin duda, para cualquiera de los agentes logísticos situados en una cadena de
suministros la demanda es la variable de mayor importancia por ser motor de todas sus
actividades. De aquí que sea necesario eliminar las incertidumbres, que no proceden del
mercado, introducidas por la gestión de los propios agentes.
A este respecto, hay ciertas evidencias empíricas de que, en determinadas

circunstancias, surge un fenómeno causante de ineficiencias en la gestión de la cadena
como las descritas con anterioridad. La causa no se halla en un aumento en la
incertidumbre de la demanda del propio mercado, sino del comportamiento de los
agentes participantes en la cadena.
Este fenómeno, conocido en la actualidad como “Efecto Látigo”7 , se refiere a la

transformación sufrida por la demanda del mercado a medida que se transmite de agente
en agente aguas arriba de la cadena de suministros, por lo que las decisiones, basadas en
la información recibida, más incierta que la original, no se corresponderán con la
realidad del mercado y, a tenor de lo expuesto anteriormente, las ineficiencias
resultantes irán en aumento.
Esto supone un mayor perjuicio a aquellos agentes que se hallan en las primeras etapas
de la cadena frente a los del final. Analizar sus causas y proponer soluciones para paliar
los efectos perniciosos es, sin duda, una forma de aprovechar los recursos, disminuir
costes y mejorar el servicio.
En la actualidad hay numerosos estudios propuestos sobre el efecto látigo. De la lectura

de lo publicado se desprenden dos aspectos destacables: la inexistencia de una
definición sobre la descripción exacta de fenómeno y la discrepancia sobre sus
consecuencias macroeconómicas en sectores de la industria y del comercio.
7
A lo largo de esta Tesis emplearemos este término para referirnos al fenómeno objeto de estudio, correspondiente a
la traducción de las palabras “bullwhip effect”. No siempre ha sido ésta la expresión utilizada. En los primeros
trabajos publicados se denominó “Efecto Forrester”, debido al nombre del autor que primero sistematizó su estudio.
Jay Forrester, creador de la Dinámica de Sistemas, un ingeniero especializado en organización empresarial. En
algunos artículos aparece con otros nombres, pero hoy día el término citado anteriormente es, sin duda, el utilizado en
la generalidad de trabajos publicados.
10
Por lo que respecta al primero, cabe decir que una amplia mayoría de estudiosos
admiten que dicho fenómeno consiste en “un aumento creciente en la incertidumbre de
la demanda transmitida por cada agente a su inmediato anterior 8 ”.
Desde los primeros estudios explicativos de este fenómeno, llevados a cabo por
Forrester (1961), es bien sabido que la forma de atenuarlo consiste en permitir el acceso
de los agentes a la verdadera demanda de mercado; de esta manera, al conocer
directamente en todo momento sus evoluciones, los agentes actuarán consecuentemente
con los cambios reales, evitando la utilización de datos sesgados por comportamientos
aleatorios interasados de los agentes interpuestos.
La necesidad de disponer de esa información ha determinado que en la actualidad la

colaboración 9 entre los miembros de la cadena sea la pieza clave en la mejora de la
gestión 10 ; bien es verdad que no siempre la colaboración se circunscribe al traspaso de
los datos de la demanda del mercado por parte del minorista y que hay otras áreas en el
campo de la logística y de la informática en las que los agentes se coordinan: gestión de
envases, medios para el movimiento de cargas, normalización de códigos, etiquetados,
programaciones de entregas, acceso a bases de datos, etc.
Pero, dada su trascendencia en elementos fundamentales en la gestión ―como se ha

visto, la distorsión de la demanda afecta claramente a la planificación táctica y operativa
y por ende a la propia estrategia― la cesión de los datos de venta, es, sin duda, la parte
de mayor interés para las empresas y es en la que se han centrado numerosos estudios
sobre este aspecto de las cadenas de suministro.
Como es bien sabido, la cesión de datos no es gratuita y quienes los facilitan, exigen
contraprestaciones a los receptores; cosa que suele variar en función de las estrategias
8
Esta definición es la aceptada por autores como [Lee et al.,1997], [Cachon,1999a], [Chen, et al., 2000], etc. por
citar algunos de los más reputados.
9
La palabra que con más profusión se emplea en la actualidad es cooperación. Pero entendemos que
etimológicamente la cooperación supone un grado de implicación mayor por parte de los agentes que no siempre se
da.
10
En [Mason-Jones et al, 2000] se afirma que una gran parte de la incertidumbre en las cadenas de suministros es
debida a este efecto.
11
de cada uno de los agentes. Todo ello ha dado lugar a una amplia gama de formas de
colaboración (CPR, VMI, CAM, CPFR, etc.) según que la contraprestación se limite a
un mero control de las existencias o el mismo proveedor contraiga una responsabilidad
total de la gestión, incluyendo planificación de entregas, control de niveles de
inventarios, etc.
En cualquier caso, como la realidad demuestra, las colaboraciones tienen unas

servidumbres y unas consecuencias, que no siempre los agentes están dispuestos a
afrontar 11 . La prueba está en que no son tan frecuentes dichas colaboraciones y que hay
una barrera difícilmente franqueable que es la confianza entre cliente y proveedor a la
hora de establecer estos acuerdos, surgidos tras arduas negociaciones y, en algunos
casos, después de años de relación comercial previa. Sin duda, la información ha sido
percibida como el poder que es, dada la ventaja que supone el conocimiento previo para
trazar estrategias.
Además, de este tipo de relaciones puede surgir un cierto anquilosamiento de la

capacidad para competir de las empresas suministradoras, por la sencilla razón de que se
mantiene una excesiva focalización en uno o pocos clientes.
Por otra parte, como las evidencias empíricas ponen de manifiesto, hemos de destacar
que este efecto perverso, que nos ocupa, puede generarse aún en el supuesto de que la
cadena opere con la información real en todos sus escalones y que, con frecuencia, la
información disponible no es susceptible de ser tratada sin dificultad. Todo ello pueden
ser motivos para desanimar a los agentes a prestar su colaboración, menos aún si
además se exige una contraprestación por la información recibida.
2.2. DEFINICIÓN DEL EFECTO LÁTIGO
Una gran parte de los estudios sobre el efecto látigo coinciden en definirlo como la
amplificación de la varianza entre eslabones consecutivos de la cadena de suministro.
11
[Mason-Jones et al,1999]. ponen de manifiesto la dificultad de que en las cadenas surja tal colaboración.
12
Esta definición nos permite también cuantificarlo con suma facilidad, pues los datos
necesarios para su cálculo son, en principio 12 , fácilmente accesibles. Con arreglo a esta
definición, la medida corresponde a la relación de los cuadrados de los coeficientes de
variación de la demanda transmitida y recibida, tal y como muestra la fórmula (1.1), una
vez hecha la suposición de que en el medio y largo plazo los valores promedios de las
demandas permanecen constantes.
Var(q)
2
dq Var(q)
(2.1) BW = =
Var(d) Var(d)
2
dd
donde:
BW 13 , es el indicador empleado para medir el efecto látigo producido por un

escalón de la cadena.
Var(q) y Var(d), corresponden a las varianzas de ambas demandas, la

transmitida, q y la recibida, d, respectivamente por dicho escalón.
d q y d d , son las demandas medias transmitida, q, y recibida, d.
En el trasfondo de la definición se encuentra la idea de reflejar un aumento de la

incertidumbre a medida que se transmiten los pedidos aguas arriba de la cadena, hecho
incuestionable cuando surge este fenómeno.
Sin embargo, esta manera de definir y cuantificar el efecto látigo adolece de falta de
realidad, pues puede suceder que la demanda transmitida sea, en cuanto a su
comportamiento, muy distinta a la soportada y no por ello se altere sustancialmente
12
Más adelante expondremos que no es tal la facilidad para disponer de dichos datos, debido a la forma en que los
agentes recogen los datos de la demanda que soportan.
13
A lo largo de la Tesis denominaremos a este indicador con estas letras y, cuando sea necesario, se verá afectado por
un subíndice para indicar el eslabón al que se refiere.
13
dicho cociente. Este sería el caso de una cadena cuya demanda sufra un desfase
temporal a su paso por un escalón de la misma.
Por otra parte, la fórmula anterior encierra en sí una contradicción y es que, salvo en
determinadas circunstancias, en la mayoría de los casos las causas del efecto látigo
inciden sobremanera en el corto plazo. A la larga, y de no haber nuevas condiciones
que lo motiven, los agentes adaptan sus políticas a las causas que lo provocaron y el
efecto termina diluyéndose 14 .
No tiene, por tanto, sentido suponer que a medio y largo plazo los promedios de las
demandas ―transmitida y recibida― se mantienen y las varianzas no. Es muy probable
que ambas magnitudes conserven sus valores originales, lo cual hace que la anterior
fórmula no tenga sentido ni a largo y medio plazo, dado que demanda y varianza
retornan a sus valores originales, ni tampoco en el corto, puesto que tanto demanda
como varianza cambian por lo que la fórmula no parece adecuada.
En todo caso, y ante todo, es necesario establecer de forma precisa lo que debemos
entender por efecto látigo y dejaremos para más adelante la forma de medir
cuantitativamente dicho efecto.
En nuestra opinión, se debe entender por efecto látigo al fenómeno de “distorsión” 15,16
de la demanda transmitida entre los agentes que conforman la cadena de suministro;
esta distorsión es creciente en cada etapa de la cadena a medida que nos alejamos del
mercado y es el resultado de la composición de tres efectos de naturaleza distinta.
14
Hay múltiples estudios que avalan la inexistencia del efecto látigo cuando la situación en la cadena de suministros
es estable. Por citar el último de ellos, que hemos conocido, nos referiremos al trabajo publicado por [Chatfield, D. C.
et al, 2004] en el que mediante procesos de simulación concluyen que “…cuando no hay modificaciones en el
comportamiento de los agentes, el efecto látigo no existe”.
15
Según el diccionario de la RALE, distorsión es deformación de imágenes, sonidos y señales, etc. producida en su
transmisión o reproducción. Es pertinente, pues, el uso de la palabra, ya que claramente se produce una deformación
en la señal transmitida por cada agente.
16 Curiosamente algunos de los mencionados autores, por ejemplo [Lee et al.,1997b], o [Metter, 1997], citan la
palabra distorsión en sus escritos para referirse a las consecuencias que sobre la demanda tiene el efecto látigo,
aunque no entran en mayores discusiones sobre este punto y se limitan a expresarlo sólo como un efecto de
amplificación de la demanda.
14
a) Un movimiento oscilatorio de la demanda, cuyas fluctuaciones nada tienen que
ver con la original del mercado, dando lugar a una estacionalidad irreal, lo que
origina ajustes inadecuados, por ejemplo, en las capacidades de producción o de
suministro.
b) Un efecto de amplificación consistente en aumentar las diferencias entre picos y

valles, lo que induce falsas expectativas en los agentes.
c) Un retraso temporal en la información recibida, causante de desfases entre los

objetivos reales y la aplicación de políticas tendentes a alcanzarlos, aumentando
los índices de incumplimiento.
El predominio de alguna de las tres componentes citadas sobre las demás dependerá de
las condiciones operativas de cada agente, aunque las tres conjuntamente son las
causantes de este fenómeno. Bien es cierto que prácticamente en toda la literatura
consultada, al referirse al efecto látigo sólo se tiene en cuenta la amplificación y no se
incluyen las otros dos: retrasos y seudo-estacionalidad.
El motivo que subyace en esta forma de considerar el efecto látigo es que, a efectos
prácticos, la componente más relevante en la gestión radica en la incertidumbre de la
demanda, pues el incremento de ésta incide directamente en el incremento de los
inventarios y, como consecuencia, en las capacidades productivas, y también en otros
aspectos fundamentales de la gestión. No tienen la misma importancia, desde este punto
de vista, los retrasos temporales, que pueden incidir negativamente en algunos aspectos
como cumplimiento de fechas, actualización de inventarios, etc., ni tampoco la seudo-
estacionalidad, otro de los efectos generados por el fenómeno, que se puede asumir
mediante un diseño adecuado de la cadena.
Es necesario destacar que son situaciones transitorias y que, de no suceder nuevas

perturbaciones, los dos flujos, información y físico, acabarán estabilizándose, acorde
con la demanda del mercado. Bien es verdad que frecuentemente los plazos requeridos
para alcanzar ese equilibrio son mucho más largos que lo que tardan en surgir nuevas
15
perturbaciones, por lo que el fenómeno puede presentar un carácter de permanencia e
incluso agravarse de superponerse varias perturbaciones.
Podemos considerar que el efecto látigo se debe a situaciones transitorias de ajustes

propios en la operatividad de los agentes, que responden modificando sus políticas
empresariales ante percepciones de cambio – reales o irreales- en el comportamiento de
sus “clientes” (por ejemplo, cambios en los tamaños de los lotes, frecuencias de los
pedidos, precios de venta, errores o demoras en los suministros, etc.). En definitiva, los
agentes actúan según su propio criterio, protegiéndose ante lo que creen un cambio en el
patrón de la demanda 17 .
Si se quiere conocer apropiadamente la existencia del fenómeno y, en definitiva

alcanzar una solución para cada caso, todo índice, que pretenda cuantificar este
fenómeno, tiene que considerar los tres efectos: estacionalidad, amplificación y desfase,
pues nada se puede controlar si no se mide correctamente. No obstante, como veremos,
es complejo encontrar un indicador que refleje todo ello en un solo valor, por lo que
será necesario emplear varias formas de medida para comprender el alcance del efecto.
2.3. REPERCUSIONES DEL EFECTO LÁTIGO EN LAS CADENAS DE SUMINISTRO
La literatura existente sobre este efecto pone de manifiesto dos aspectos contradictorios
entre sí. Para algunos autores hay datos que avalan la distorsión de la demanda a lo
largo de la cadena, a juzgar por los datos sectoriales agregados 18 , y cuyo resultado es
17
A este respecto, uno de los estudiosos del fenómeno [Sterman, J. D.; 1989], autor del “Juego de la Cerveza”,
atribuye el fenómeno a errores en la percepción de la información cometidos por los agentes. En el mismo sentido
[Lee et al.; 1997a, b] exponen que el efecto látigo es el resultado de las interacciones estratégicas entre los miembros
racionales de la cadena de suministro.
18
Es bien conocido, por su aparición en numerosas citas, el caso de la cadena formada por Wal-Mart, Procter and
Gamble y 3M referido a la venta de pañales, con inventarios sobredimensionados en el proveedor de materias primas,
3M, para las ventas reales de Wal-Mart. Asimismo [Lee et al,1997a] citan el incremento de las órdenes de compra
cursadas por los distribuidores de impresoras de Hewlett-Packard, muy por encima de la demanda de mercado. En
este mismo artículo sus autores achacan a este efecto el aumento de la demanda de memorias DRAM habido durante
los años 1996 y 1997, lo que ocasionó un importante desabastecimiento en ciertos mercados. Existen otros ejemplos
como la venta de sopa de pollo en polvo dados por [Fisher,1997]; las ventas de maquinaria para el sector del
automóvil según [Mason-Jones et al.,1999]; [Bishop,1994] cita el aumento de la distorsión en el mercado de turbinas
para la producción de energía eléctrica como consecuencia del cambio de precio en los combustibles fósiles;
[Carlsson,2001] se refiere a la demanda de celulosa relacionada con los cambios en las ventas de papel y
16
una varianza de la demanda muy superior a su valor original19 , lo que es causa de
pérdidas económicas elevadas 20 , entre otras razones debidas a fallos en las entregas –
rupturas- de los inventarios 21 .
Por el contrario, y también desde una perspectiva sectorial, otros autores opinan que no
es tan usual encontrar en los datos agregados la manifestación de dicho efecto 22 . Es
más, hay estudios que manifiestan un efecto contrario (anti-bullwhip), esto es, se
produce una atenuación de la demanda en lugar de la amplificación 23 . Otra muestra
más de que hay efectos de amortiguación de la demanda es lo que se denomina la
[Blinder,1986] analiza un comportamiento similar para 20 sectores diferentes desde una perspectiva
macroeconómica, aunque, como veremos más adelante, es cuestionable el rigor de algunos de estos análisis.
19
[Disney et al.,2003a] se refiere en dos citas sobre la importancia de este incremento. En una de ellas, tomada del
sector de la alimentación, las órdenes recibidas por un proveedor, situado dos escalones aguas arriba del punto de
venta, variaron 10 veces más en relación al mercado. En el otro ejemplo citado, correspondiente al sector del
automóvil, la relación entre las varianzas de las órdenes entrantes y las órdenes emitidas a suministradores un escalón
posterior se duplicó.
20
[Metters,1997] se refiere a estudios realizados en diversos sectores de EE. UU. Por ejemplo, para el sector de la
alimentación se estimaron pérdidas de 35 mil millones de dólares en excesos de inventarios durante 1993 y 25 mil
millones de dólares se perdieron en la industria del vestido durante 1991 por razones similares.
21
[Calvin,2003] cita como fuente al Departamento de Comercio de los EE. UU. para comentar el elevado porcentaje
de pérdidas monetarias debidas a rupturas. Según estos datos las ventas anuales en el sector minorista supusieron 3,2
billones de dólares y las rupturas de inventario fueron el 6,5% de las ventas totales.
22
En uno de los artículos más referidos sobre las causas del efecto látigo, [Lee et al.,1997a], se apoya en un análisis
de [Blinder,1986] para escribir este importante trabajo. Hemos de decir que este último autor concluyó que en 20, de
los 38 sectores de la economía norteamericana analizados a través de los datos agregados, la varianza de la
producción es mayor que la de la demanda.
[Krane et al.,1991] hacen una crítica de este último estudio en la que concluyen justo lo contrario, la causa, según
estos autores, se debe a que Blinder utilizó series cronológicas procedentes del Departamento de Comercio poco aptas
para el análisis. Por ejemplo, algunas de las series correspondientes a los inventarios estaban elaboradas con las
valoraciones contables de las empresas en lugar de unidades físicas, o bien no se contemplaba con exactitud los
efectos de la estacionalidad.
Una de las maneras de conocer la existencia del efecto látigo en sectores de la economía es comparar la dispersión de
los datos de la demanda final agregada con respecto a los de la producción agregada. También se puede detectar
observando los desequilibrios en los inventarios mantenidos por los agentes. Es de esperar que un aumento en la
incertidumbre se traduzca en un nivel mayor de los inventarios.
Sin embargo, cualquiera puede comprobar que, conforme a las series de datos suministradas por el Departamento de
Comercio de los EE. UU. (http://www.census.gov/mtis/www/current.html), el inventario total en sectores de gran
consumo, la repartición entre los agentes de la cadena en porcentaje del inventario total agregado para julio de 2004
es del 36%, productores; 26%, mayoristas y 38%, minoristas. Un análisis a primera vista, sin mayor rigor y sin
considerar los sesgos introducidos en los datos por diversos factores, no evidencia una descompensación fuerte en los
inventarios a lo largo de la cadena de suministro a niveles agregados.
En este sentido hay estudios como el de [Fair,1989] en el que, según este autor, “… se refuerzan fuertemente las tesis
sobre la función de los inventarios como factor de estabilización de la producción”, lo que cuestiona fuertemente la
existencia del efecto látigo en análisis macroeconómicos.
23
[Li et al.,2004].
17
“paradoja del tiempo”. Aunque intuitivamente cabría esperar que un retraso en las
respuestas de los agentes agravara el efecto látigo, hay determinadas circunstancias en
las que un aumento en estas demoras atenúa la demanda real a lo largo de la cadena 24 y
es que en la aparición del fenómeno intervienen múltiples factores. Por ejemplo,
algunos agentes retrasan los pedidos a sus proveedores con el fin de aumentar el tamaño
de las órdenes y así incurrir en menores costes de reposición, lo cual incrementa la
distorsión de la demanda. Pero, por otra parte, los retrasos en cursar las órdenes,
permiten acumular mayor información sobre la demanda y, por ende, mejorar las
estimaciones, con lo que se consigue una disminución en la incertidumbre de la
demanda transmitida.
Podemos pensar que dado el antagonismo resultante en las dos decisiones descritas -
retrasar los pedidos, con el consecuente aumento del tamaño del lote y su repercusión en
la distorsión de la demanda, y la mejora de la información obtenida por una mayor
cantidad de datos históricos, lo que reduce la distorsión- es lógico pensar que pueda
existir un punto en el que la distorsión de la demanda pase por un valor mínimo lo que
supone reducir o amortiguar los efectos del fenómeno.
La verificación del fenómeno no está exenta de dificultades y subjetividades, debido a la

disparidad de criterios con los que se trata los datos de la demanda en cada escalón. En
la realidad, y a pesar de que existan acuerdos de cooperación entre agentes del tipo VMI
o CPFR, mediante los cuales se pueden conocer los datos directos de la demanda de
mercado y evitar la distorsión originada por las decisiones de agentes interpuestos,
sabido es que la información guardada en las bases de datos de los agentes es diferente,
porque persiguen finalidades distintas. Baste decir que los minoristas no mantienen
datos de las demandas por producto, sino por categorías 25 de productos y ello se debe a
que los minoristas buscan conocer la fidelidad del cliente al establecimiento y la
rentabilidad del lineal por unidad de longitud, mientras que los fabricantes se centran en
24
[Lee et al.,1997b] y [Cachon,1999a].
25
Categoría, según los términos utilizados en el Merchandising, es el conjunto de productos que tienen una misma
finalidad desde el punto de vista del cliente.
18
conocer la demanda de sus productos para así planificar sus actividades logísticas y de
producción, además de que su preocupación se centra en conocer la fidelidad del cliente
a su marca 26 , cosa que la agrupación de datos por categorías no se lo permite y para
ellos no tiene sentido o no les importa la demanda por categoría.
Todo ello viene a poner de manifiesto que conocer la importancia del efecto látigo en
las cadenas de suministro no es fácil, lo que ha sido resaltado por algunos expertos en el
estudio del fenómeno 27 . Para analizar los resultados finales del efecto látigo, se necesita
depurar datos muy dispares, procedentes de múltiples lugares, agrupados de maneras
diferentes, con criterios distintos, bien sea por producto, por punto de venta o por
sucursal del minorista. No sólo eso, además hay que añadir correcciones debidas a los
intervalos de tiempo en los que se han tomado los datos, dado que ni todos los agentes,
ni todas las sucursales de un mismo agente practican la misma cadencia en la toma de
datos. Por ejemplo, hay minoristas que abren algunas de sus tiendas ciertos días festivos
al mes, según acuerdos legales, lo que supone agrupar datos de semanas con duraciones
distintas; otros minoristas concentran la demanda semanal justo en los días en los que
cursan sus pedidos a los proveedores, esto es, en uno o dos días a la semana. Puede
deducirse que, en semejantes condiciones, el cálculo de la varianza de la demanda
transmitida a los proveedores esté sujeto no ya a la forma de operar, sino a la forma de
recoger y tratar la información.
En el trabajo de campo, origen del artículo antes citado, llevado acabo en varias cadenas
de suministro de productos de gran consumo, se describen alguno de estos problemas y
se expone la forma de operar de los responsables de sección en las tiendas minoristas,
como una de las causas provocadoras del efecto látigo, cuyas decisiones arbitrarias
producen alteraciones en la demanda 28 hacia los proveedores.
26
Esta diferencia de criterios es lo que ha obligado, entre otras razones, a la colaboración entre minoristas y
fabricantes. Con mayor profundidad las explicaciones se pueden ver en [Seifert,2003].
27
[Fransoo et al.,2000]
28
En este estudio, llevado a cabo en varias cadenas de Holanda, se describe como, en el caso de concreto de un tipo
de ensalada, los responsables de sección pedían al proveedor más o menos cantidad en función de las previsiones
meteorológicas, debido a que asociaban el buen tiempo al disfrute de las barbacoas campestres por parte de sus
clientes.
19
Con estos ejemplos queremos poner de manifiesto que, con alta probabilidad, muchos
de los estudios hechos sobre las causas de este fenómeno, no reflejan bien lo sucedido
por la sencilla razón de que los datos no han sido depurados con el suficiente rigor.
El efecto látigo no es inherente a las redes de distribución, más bien se produce por una
falta de “sintonía” en el comportamiento de los agentes 29 frente a la demanda, y puede
suceder que, en ciertas circunstancias no aparezca ningún hecho logístico imputable al
fenómeno. Parece posible diseñar las cadenas de suministro de manera que, dentro de
unos límites aceptables, se mantenga el patrón de la demanda original en su transmisión
a otros escalones de la cadena.
Si bien hay que determinar qué factores son los que permiten el paso de datos sin alterar
la información, cómo deben ajustarse en cada cadena estos factores en función de
parámetros funcionales tales como tamaño de los lotes, frecuencia de los pedidos,
demoras en las entregas, etc. y su cuantificación.
Otro aspecto de interés es saber si en las cadenas de suministro con gestión

descentralizada, los agentes pueden controlar autónomamente este efecto, dentro de un
comportamiento racional o si habría que recurrir necesariamente a la cooperación, y en
este caso hasta qué punto podría llegarse en la negociación de manera que la
colaboración fuera, desde el punto de vista económico, equilibrada para las partes.
La aportación de este estudio al análisis del fenómeno consiste en establecer unas pautas
de comportamiento reales para aquellas empresas que no pueden, por poder de
negociación o no quieren mantener una colaboración en la que la contraprestación por la
información obtenida sea onerosa para sus intereses. Por otra parte la gran mayoría de la
literatura escrita se centra en explicar el fenómeno, pero ya no son tantos los autores que
buscan un remedio de este efecto 30 . Como herramienta auxiliar a este objetivo,
29
[Vachon y Klassen, 2002] achacan a las condiciones del entorno la posibilidad de atenuar este efecto.
30
[Chandra et al, 2004] hacen referencia a la carencia de estudios prácticos en la reducción del efecto látigo.
20
propondremos otra forma de medir el fenómeno en línea con lo dicho anteriormente,
además de una nueva definición más acorde con la realidad.
El motivo se halla en que los propios agentes, con su gestión, introducen factores en la
demanda transmitida a sus proveedores que alteran a su vez la demanda recibida de sus
clientes, lo cual lleva a tomar decisiones erróneas, cuyas consecuencias han sido
enunciadas.
2.4. CAUSAS DEL EFECTO LÁTIGO.
A tenor de lo que sigue, podríamos decir que el efecto látigo surge como consecuencia
de las perturbaciones habidas en la cadena de suministro. Estas perturbaciones proceden
de dos fuentes, del mercado y de la forma de actuar de los agentes. Las primeras se
deben, fundamentalmente, a cambios imprevistos en la demanda del mercado que
superen la capacidad de ser atendidos autónomamente por los agentes minoristas, de
manera que estos trasladan aguas arriba sus necesidades provocando unas expectativas
crecientes en el resto de los agentes de la cadena. Los segundos, a su vez, son debidos a
dos tipos distintos de causas; los provocados por malas prácticas logísticas o
ineficiencias inherentes a las cadenas ―tal es el caso de retrasar pedidos, tener unos
inventarios inapropiados, mantener altos costes fijos en la reposición de existencias,
malas redes de comunicación, etc.― y los debidos a actividades especulativas con afán
de lucro o por miedo al futuro.
Cualquier perturbación que origine una pérdida de las condiciones de estabilidad, puede
provocar una oscilación creciente que aumenta paso a paso 31 , por lo que si en una
cadena se dieran las siguientes condiciones de operación 32 :
31
En [Helbing et al.,2003]; [Helbing et al.,2004a] y [Helbing,2004b] se muestran estudios matemáticos sobre cómo,
en cualquier red compleja, pueden suceder oscilaciones originadas por el propio sistema. Tal sería el caso de los
ciclos económicos o los embotellamientos de tráfico o el caso del efecto látigo en las redes de distribución. El autor
[Helbing et al.,2003], a través de modelos matemáticos, relaciona la inestabilidad con la topología de la red y la
forma en que se generan los pedidos, de manera que, en determinadas condiciones, pequeñas perturbaciones, pueden
crear efectos similares a la resonancia, generándose ondas de amplitud crecientes.
21
I. Demanda de los agentes y del mercado, estacionarias.
II. Demoras en las respuestas de los agentes, fijas en el tiempo.
III. Existencias inagotables en cada escalón.
IV. Ausencias de costes fijos en la emisión de las órdenes de reposición.
V. Precio de mercado del producto, estacionario.
Todos los agentes operarían en condiciones tales que todos podrían, directa o
indirectamente determinar la demanda de mercado, tanto su media, como su varianza,
por lo que dispondrían de la necesaria información para conocer con precisión la
demanda en origen y ajustar sus políticas a tales hechos; y de no acontecer cambios
inesperados en dicha demanda o de disponer de una capacidad suficiente para
absorberlos (punto tercero de la lista anterior), las condiciones en las que operan los
agentes permanecerían estables y no sucederían o serían evitables las alteraciones en la
demanda transmitida. A medida que se relajan estas condiciones las posibilidades de
que aparezca el efecto látigo aumentan. Cualquier perturbación que altere las
condiciones estables de trabajo citadas, es suficiente para crear una “onda de demanda
expansiva” a lo largo de la cadena.
Se han definido varias formas de perturbación como causantes del fenómeno 33 , según
los autores citados estas son.
1. Método de predicción utilizado.
2. Tamaño de las órdenes cursadas.
3. Alteraciones de los precios
32
[Lee, et all, 1997b] citan estas causas que, en nuestra opinión, son necesarias, pero no suficientes tal y como están
planteadas. El comportamiento de los agentes tiene una importancia fundamental, pues pueden actuar de manera que
compensen el efecto y actúen de filtro ante los cambios percibidos.
33
[Lee, H. L. et al.;1997a y b] sirven como referencia para una gran mayoría de autores a la hora de establecer la
causas que provocan el fenómeno. En este artículo los autores citan cuatro: el modelo matemático de predicción, la
respuesta imprevista de los agentes, los lotes de abastecimiento y las variaciones en los precios.
22
4. Especulación y sobreprotección
Creemos necesario apuntar otras no contempladas en la literatura al respecto y que, de

manera general, tanto las anteriormente citadas como las aportadas, procedemos a
agruparlas por la causa común que provoca el fenómeno.
Causa 1ª. Perturbaciones debidas a sesgos introducidos en la demanda.
1.1. Demanda de mercado no estacionaria. Bien sea no estacionaria en demanda o

en varianza o en covarianza.
1.2. Modificación del modelo matemático de predicción o en los parámetros

utilizados en el mismo modelo
1.3. Cambios en la cadencia del “muestreo” de la demanda.
34
1.4. Cambios en los precios de venta por el agente “cliente” . Ejemplo,
promociones, descuentos por cantidad, cheques regalo, bonos de compra, etc.
Causa 2ª. Perturbaciones introducidas por los tiempos de repuesta.
2.1. Cambios en los tiempos de tratamiento de la información.
2.2. Cambios en los tiempos de suministro.
2.3. Tiempos de suministro estocásticos.
Causa 3ª. Prácticas logísticas inapropiadas.
3.1. Tamaño variable de las órdenes de reaprovisionamiento.
34
Supuesto que la elasticidad de la demanda respecto al precio propio no sea infinita; esto es, un mercado en el que
cambios en los precios originan cambios en la demanda. Desde este punto de vista y por concretar más este aspecto,
diríamos que podría darse el caso de haber interferencias en la demanda de un producto provocadas por los precios de
otros, nos referimos a productos complementarios o sustitutivos; en estas circunstancias también se crearía una
perturbación de la demanda.
23
3.2. Cambios en los niveles de cobertura de los inventarios. Por ejemplo, reacciones
imprevistas de los agentes en busca de sobreprotección.
Causa 4ª. Alteración de las condiciones de la red de distribución.
4.1. Cambios en los precios de ciertas actividades logísticas. Por ejemplo,

transportes
4.2. Cambios en el número de agentes “clientes” dependientes de un escalón
4.3. Modificaciones en la topología de la red. 35
De todas las causas citadas que intervienen en la creación o mantenimiento del efecto
látigo, las que más estudios han merecido, corresponden a las referidas al método de
predicción y a las modificaciones y sesgos introducidos en la demanda. Citamos algunas
de ellas, aunque una buena parte de las referencias bibliografías aludidas en este estudio
contienen datos o comentarios sobre las influencias de los modelos de predicción y otras
perturbaciones sobre la cadena con origen en las alteraciones de la demanda, ejemplo de
esto son los trabajos de [Zhang,2004b], [Chen,200b], [Zhao,2002], [Gilbert,2005],
[Chandra et al., 2004] y [Li et al.,2004].
Los estudios sobre coordinación de las actividades logísticas de los agentes de una
cadena como forma de paliar el fenómeno son numerosos y destacamos los siguientes
[Holweg et al.,2005], [Gaur et al.,2005], [Cohen et al., 2004], [Giannoc et al.,2004],
[Guna et al.,2004], [Li et al.,2004], [Simchy et al., 2003a, b] y [Raghunathan,2001].
Por lo que respecta a la influencia de los comportamientos de los agentes en la

generación del efecto látigo destacamos los estudios de [Kefeng et al.,2004] y [Cachon
et al.,1999b].
35
Algunos de estos cambios suceden con tal lentitud que no provocan efectos del tipo estudiado, debido a la
adaptación de los agentes.
24
La influencia de los tamaños de las órdenes ha sido estudiada por [Milner et al.,2005],
[Potter, et al.2004], [Holland et al.,2004], [Pujawan,2003], [Riddalls et al., 2001],
[Chen,2000c], [Cachon,1999a], [Kelle et al., 1999] y [Caplin,1985].
Sobre estudios específicos, en los que lo fundamental es la influencia de los tiempos en

el comportamiento de la demanda y los inventarios en la cadena y la aparición del
fenómeno, citamos a [Kim et al.,2005] y [Treville et al. 2004], [So et al.2003], [Hariha,
1995], [Song,1994a] y [Song,1994b]
2.5. ANÁLISIS DE LAS CAUSAS: MODELOS PROPUESTOS
Los análisis existentes en la literatura al respecto, realizados para conocer la influencia

del modelo de predicción de la demanda en el comportamiento de las órdenes cursadas
por los agentes, están basados casi en su totalidad en Investigación de Operaciones y
estudios estadísticos.
Resumidamente podemos decir que, cuando la demanda de un agente cliente, cursada a

su proveedor no es estacionaria 36 , el suministrador no podrá identificar el verdadero
comportamiento de la demanda original y aplicará su propio modelo para estimar esas
peticiones, por lo que, como resultado, mantendrá unos niveles de inventario alejados de
los necesarios para satisfacer dicha demanda, provocando dicho fenómeno. No obstante,
y como veremos, la importancia de éste dependerá de varios factores, entre otros, y muy
principalmente, de que el agente proveedor tenga información de la demanda sufrida
por su cliente.
Veamos a continuación, de manera resumida, los principales estudios realizados al

respecto y las consecuencias extraídas.
36
La estacionariedad exige que la varianza y la covarianza se mantenga constante.
25
2.5.1. MODELO DE LST
Se refiere a uno de los estudio pioneros en este campo desarrollados por Lee, So y Tang
[Lee, H. L., et al.; 2000] y en el que se han basado otros muchos autores.
En el estudio realizado por los citados se supone que la demanda corresponde a un

modelo autorregresivo de primer orden, AR(1) 37 , dado por la ecuación siguiente.
d t = μ + ρ d t −1 + ε t
μ = constante
(2.2)
ρ ≤1
ε t ∼ i .i .d . N ( 0;σ )
Los errores Ht corresponden al ruido blanco del modelo, esto es, deben seguir una
distribución independiente, e idénticamente distribuidas según una ley normal N(0,V).
Este modelo se ajusta aceptablemente bien a la demanda de productos de consumo

masivo, electrodomésticos y otros bienes 38 .
En cuanto al modelo propuesto para la gestión del inventario corresponde al

denominado OUT 39 , que tiene la particularidad de optimizar los costes de
mantenimiento y de ruptura 40 y en el que la cantidad qt reaprovisionada trata de reponer
37
Demandas de este tipo han sido utilizadas en [Khan, J. A.; 1991]; [Lee, H. L. et al.; 1997b]; [Chen, F., et al.;
2000]; [Srinivasan, R.; 2001] y otros.
38
[Lee, H. L. et al.; 2000] incluyen una cita (pág. 632), en la que se refieren a un trabajo hecho por ellos mismos en
un supermercado en los EE. UU. sobre un total de 165 productos diferentes. De estos, 150 mostraron coeficientes de
autocorrelación positivos con valores comprendidos entre 0,26 y 0,89. En este artículo se incluyen también citas a
otros autores que se expresan en términos similares. Como consecuencia de ello, y dado que no encontraron
demandas con coeficientes de autocorrelación negativos en sus investigaciones, no desarrollan en este estudio ningún
caso que emplee valores de U< 0.
39
Estas siglas corresponden a la frase inglesa order up to level, que, traducida, correspondería a “pedir hasta nivel”.
40
La demostración puede verse en [Lee, H. L. et al.; 1997b] basada en un modelo definido en [Herman, D. P., et al.;
2004].
26
la demanda sufrida 41 y compensar por anticipado la disminución del inventario; por lo
que en cada momento qt viene determinada por.
(2.3) qt = I t − I t −1 + d t
It es el nivel al cual se pretende llegar (OUT).
dt es la demanda estimada para el momento t.
It se calcula según:
(2.4) I t = DtL + zσ εL
DtL es la demanda estimada para todo el periodo L.
L es el plazo de tiempo transcurrido desde que se cursa la orden hasta la

recepción (plazo de entrega).
z es una constante definida por la probabilidad de fallos en el suministro y

obtenida de una función de probabilidad normal, típica.
σ εL es la desviación estándar de los errores de predicción cometidos en el

intervalo temporal L.
(Hacemos notar que según este modelo el proveedor se anticipa –predice- un periodo de
tiempo L a la demanda de su cliente).
Los cálculos se aplican a una cadena formada por dos escalones: minorista y fabricante.
Los autores dan por supuesto que el agente “fabricante” podría determinar los
parámetros del modelo de comportamiento de la demanda del mercado a la que está
sometido el agente “minorista” por medio de las series históricas correspondientes a los
pedidos cursados por éste al fabricante. En el estudio, sin embargo, se supone que el
41
Interesa conocer el curso de las acciones tomadas por los agentes para reponer el inventario.
27
fabricante sólo utiliza los datos del último pedido realizado por el minorista ―lo que no
se ajusta a la realidad― y, como consecuencia, sus predicciones serán más erróneas,
provocando un aumento de la incertidumbre en su demanda a anterior.
A partir de estas premisas los autores comparan dos situaciones: una, en la que el
fabricante sólo utiliza el último dato de la demanda recibida del minorista; otra, en la
que conoce la demanda del mercado a través de la información facilitada por el
minorista. Con dicha información el fabricante puede ajustar mejor sus pedidos y la
varianza de las órdenes cursadas será menor que en el caso anterior.
Las conclusiones hechas por los autores son:
1. Siempre que el parámetro de autocorrelación U sea cero la situación es

estable y no se crea el efecto látigo.
2. Cuando el coeficiente de correlación ρ > 0 el crecimiento de la varianza de

la demanda está asegurado. No se considera el caso de valores negativos en
el coeficiente de autocorrelación.
3. Este crecimiento es menor cuando el fabricante conoce directamente las

cantidades solicitadas por el mercado (plena información) que cuando estos
datos no están disponibles.
4. En cualquier caso, el tiempo es una variable que condiciona la amplificación

de la incertidumbre. A una demora en las respuestas mayor, mayor
amplificación presenta la demanda.
5. Acortar tiempos de respuesta tiene un impacto mayor en la disminución de la

amplificación de la incertidumbre que compartir información.
Queremos indicar que las aportaciones de estos autores están, en nuestra opinión,
sobreestimadas debido a que el agente “fabricante” no utiliza los datos históricos para
28
determinar el modelo de demanda. Está demostrado que el modelo de demanda
permanece al pasar de un escalón a otro aún en casos no estacionarios 42 .
Bajo esta hipótesis, si el fabricante dispone, como es usual, de los datos históricos de la
demanda que soporta, podrá determinar el modelo sin mayores problemas, siempre que
permanezcan constantes otras variables: tiempos de demora, cantidad de minoristas a
los que suministra, etc.
Como conclusión, si el fabricante conociera la demanda del mercado, su situación

mejoraría respecto a no conocerlas ―conocer la demanda de mercado es tanto más
necesario, cuanto que el parámetro de autocorrelación de la demanda sea alto o que la
demanda sea muy variable o las demoras sean largas.
A pesar de la posibilidad de conocer la demanda de mercado, el efecto de amplificación

de la demanda sigue permaneciendo y la varianza de la demanda transmitida por el
minorista es mayor que la recibida por este agente. Esta varianza denominada
residual 43 , por depender de factores intrínsecos a la propia cadena (tipo de demanda y
demoras de los agentes) y no de factores debidos al comportamiento de los agentes
(precios, tamaño de lotes y sentimiento de protección) viene determinada por.
σ2 ⎡ ρ 2(λ +1) (1 − ρ λ +1 )2 ⎤
(2.5) Vr = ⎢ + ⎥
1− ρ ⎢ 1+ ρ 1− ρ ⎥
⎣ ⎦
O corresponde a la demora desde que se cursa la orden hasta la entrega del producto (la
demora de la primera parte del pedido si éste no se satisface en su totalidad). Por
ejemplo, si la demora de las entregas del fabricante para el minorista es Lm, tomaremos
O = Lm; si la demora del proveedor del fabricante es Lf, entonces O = Lm + Lf y la
varianza de la demanda traslada a su proveedor por el fabricante respecto a la recibida
del minorista aumenta.
42
[Graves,1999] establece que el modelo de demanda que rige aguas abajo de la cadena es el mismo que el que rige
aguas arriba, siempre que los tiempos de demora sean constantes.
43
[Holland, W., et al.; 2004] analizan esta varianza que denominan core variance.
29
Para un solo escalón formado por un cliente y un minorista, que pide productos a un
proveedor con una demora desde Lm, el indicador del efecto látigo medido como
relación de varianzas nos da como resultado la formula expresada en la ecuación (2.6).
Suponemos, como se ha dicho anteriormente, que la demanda siguen un modelo
autorregresivo AR(1) con parámetro U. Recordamos que la varianza incondicional de la
serie correspondiente a un modelo de este tipo viene determinada por
σ2
σ d2 =
1− ρ 2
(1 + ρ )
( )
Vf 2( Lm +1)
2
+ 1− ρ (
Lm +1)
(2.6) BW = =ρ
Vm (1 − ρ )
8,4
7,4
Rho =0,2
Rho = 0,5
6,4 Rho = 0,8
5,4
BW1
4,4
3,4
2,4
1,4
0,4
1 2 3 4 5 6 7 8 9 10
Lm (periodos)
Fig. 2.1. Relación entre el parámetro de autorregresión, Rho, la demora del

proveedor, Lm y el indicador del efecto látigo BW para el primer escalón –
escalón minorista.
30
En la figura 2.1 se muestra una gráfica de la evolución del indicador del efecto
látigo para diversos valores del parámetro de autorregresión y la demora del
proveedor.
Es de interés observar varios aspectos de la fórmula que, según nuestro criterio, es

necesario destacar por su importancia en el estudio del efecto látigo y las causas que
lo motivan.
1. El incremento de la varianza de la demanda está asegurado cualquiera que

sea la práctica operativa del minorista (no importa el tamaño del lote, ni la
demora en cursar el pedido, ni otros aspectos relacionados con las
decisiones logísticas), aunque, obviamente, hay decisiones que empeorarán,
aún más, la varianza (salvo que el coeficiente de autocorrelación sea menor
que cero, como después veremos).
2. Para valores de U bajos, y positivos, el incremento de la varianza es

prácticamente constante e independientemente de la demora en la respuesta
del proveedor.
3. Para demoras largas el indicador el efecto látigo tiende al cociente de la

ecuación (2.7).
1+ ρ
(2.7) BW1,L→∞ =
1− ρ
4. Valores negativos del coeficiente de autocorrelación implican menores

incrementos de la varianza y podemos llegar a una reducción prácticamente
total de la varianza transmitida por el minorista en sus pedidos sin más que
suponer la existencia de demandas con un U cercano al valor -1.
5. En la fórmula (2.5) el parámetro O no es extensible más allá del último

escalón ―entiéndase minorista―, por la razón de que, como veremos, el
modelo de predicción AR cambia cuando pasa por uno de los eslabones, por
31
lo que no serían aplicables los mismos desarrollos matemáticos a cualquier
escalón de la cadena. De aquí que nos hayamos limitado sólo a aplicar la
fórmula citada para un solo agente – el minorista- y su relación con el
anterior.
Aunque posteriormente haremos una crítica, a juzgar por los comentarios que hemos
apuntado, queda claro que el modelo encierra aspectos discutibles e incompatibles con
los resultados reales.
2.5.2. MODELO CDRS
Los trabajos de los autores se han centrado en el estudio de dos modelos de predicción
de demanda diferentes 44 . Ambos trabajos toman como base de estudio el modelo de
gestión de existencias denominado OUT, igual al utilizado en el modelo LST, pero
emplean la media móvil para estimar la proyección de la demanda durante la demora de
entrega del producto; el otro modelo difiere del anterior en que las estimaciones se
hacen por alisado exponencial. En los dos casos se limitan a estudiar la respuesta a una
demanda de mercado, que sigue un modelo AR(1), tomando una díada minorista-
fabricante en la que las demoras son constantes.
En el caso de que el método de predicción de la demanda sea la media móvil, las

aportaciones más destacables hechas por estos autores son:
1. Establecer la base para la medida del efecto látigo, esta medida viene dada por
la relación entre las varianzas de la demanda cursada por un agente a su
inmediato anterior en la cadena (proveedor) a la demanda atendida por aquél.
Este indicador se ha generalizado como forma de confirmar la existencia y medir

el fenómeno. No obstante, debemos ser críticos con esta finalidad. Si el efecto
látigo lo definimos como la superposición de otros tres efectos: amplificación,
44
En [Chen et al.,2000a] los autores estudian un modelo de gestión de inventarios OUT con predicción mediante
media móvil. En [Chen et al.,2000b] la predicción se hace por alisado exponencial simple y doble.
32
cambio de la estacionalidad y desfase, puede ser que no necesariamente la
formula sirva para tal fin.
La relación entre varianzas ―lo que refleja, en realidad, el grado de

incertidumbre de la demanda cursada en relación a la incertidumbre soportada―
es muy sensible a ciertas comportamientos de los agentes como las agrupaciones
de cantidad, o lotes de compra, pero no lo es tanto a otras causas como
variaciones en precios, etc., y, en teoría, puede haber circunstancias en las que la
fórmula no detecte cambio alguno, aunque la demanda haya sufrido una gran
distorsión.
2. Formulan una cota inferior para el indicador de efecto látigo (BW) dado por la
ecuación siguiente.
⎛ 2 L 2 L2 ⎞
(2.8) BW ≥ 1 + ⎜ + ⎟ (1 − ρ )
p
⎝ p p ⎠
En la que U es el coeficiente de correlación de la demanda, ρ ≤ 1
p es el orden de la media móvil con la que se pronostica el valor del inventario

objetivo.
3. Hacen un estudio comparativo entre los costes de gestión de la cadena cuando

(i) toda la información de la demanda está centralizada, esto supone que los
datos del modelo de demanda de mercado se suministran a todas las etapas; (ii)
todas las etapas utilizan la misma técnica de previsión de la demanda, que, en
este estudio, siempre es la media móvil; (iii) sólo se mantiene el mismo sistema
de gestión de existencias, que, como se ha dicho, es el OUT.
Las conclusiones de los autores son que con información completa se reducen
los costes de gestión para toda la cadena y también se reduce, no elimina, el
efecto látigo. La diferencia en el caso de una información descentralizada, es
que la varianza de la demanda aumenta a medida que nos alejamos del mercado.
33
250
L = 2; Rho = 0,2
L = 5; Rho = 0,2
200 L = 10; Rho = 0,2
L = 15; Rho = 0,2
150
BW
100
50
0
2 3 4 5 6 7 8 9 10
Orden p de la media móvil
Fig. 2.2. Relación entre el parámetro p y el indicador del efecto látigo BW,
dado por la fórmula (2.8) para diversos valores de L, manteniendoU = 0,2.
Sobre los resultados de este modelo, en relación al modelo anterior, podemos concluir
lo siguiente.
1. Cuando se utiliza la predicción por media móvil para estimar la demanda,

teniendo ésta un comportamiento autorregesivo, la amplificación de la varianza
es creciente con la demora, L, cualquiera que sea el valor del parámetro de
autocorrelación y, por el contrario, decreciente con la cantidad de
observaciones, p. En la figura 2.2 se puede observar que el indicador del efecto
látigo toma valores superiores a 50 veces para demoras elevadas.
2. Si el parámetro de autocorrelación es negativo, dependiendo del valor de p, par

o impar, se obtendrán resultados diferentes. En la figura 2.3 se puede ver los
cambios en el indicador BW cuando el valor de U es menor que cero.
34
3. Al contrario que en modelo anterior, cuanto menor es el valor del parámetro de
autocorrelación, U, mayor es el efecto látigo.
250
L = 2; Rho = -0,7
L = 5; Rho = -0,7
200 L = 10; Rho = -0,7
L = 15; Rho = -0,7
150
BW
100
50
0
2 3 4 5 6 7 8 9 10
Orden p de la media móvil
Fig. 2.3. Relación entre el parámetro p y el indicador del efecto látigo BW,
para diversos valores de L con valores constantes de Rho.
Como hemos dicho estos mismos autores han estudiado el mismo modelo, pero
utilizando el alisado exponencial simple y doble en lugar de la media móvil.
La cota inferior para el indicador BW obtenida para una demanda estacionaria AR(1)
utilizando el alisado exponencial simple con parámetro de alisado D es
⎛ 2 L2α 2 ⎞ ⎛ 1− ρ ⎞
(2.9) BW ≥ 1 + ⎜ 2 Lα + ⎟⎜ ⎟
⎝ 2 − α ⎠ ⎝ 1 − (1 − α ) ρ ⎠
Las conclusiones derivadas de esta acotación son:
1. El indicador del efecto látigo BW, que cuantifica la relación de las varianzas de
las órdenes cursadas y de la demanda soportada, es una función de tres
35
parámetros: la demora L, el parámetro de alisado D y el coeficiente de
autocorrelación U
2. De la fórmula se deduce que el indicador aumenta con el cuadrado de la demora,

por lo que a mayor demora, más variabilidad se transmite a la cadena. Sucede lo
mismo con el parámetroD, mayores valores de D producen mayor variabilidad
en los pedidos.
3. Recordamos que, en la fórmula del alisado, D es el factor que multiplica a las

observaciones más recientes, de manera que, aumentar este parámetro supone
ponderar más la influencia de las observaciones más recientes frente a los datos
más atrasados; esto lleva a establecer que los agentes que se enfrentan con altos
valores de demora, harían mejor eligiendo valores de D menores, para no
agravar las consecuencias del fenómeno.
4. El segundo factor de la parte derecha de la ecuación (2.9) es el que refleja la

influencia del parámetro de autocorrelación en la variabilidad de las órdenes
generadas. Dado que este factor representa una función decreciente en U, se
puede decir que, para valores de U positivos, la variabilidad de las órdenes
tenderá a disminuir a medida que U tiende hacia 1 y al contrario sucederá para
valores negativos. Los parámetros de autocorrelación negativos producirán
mayor variabilidad que los coeficientes positivos.
En la figura 2.4 se representa esta función para diversos valores de D, en la que se

observa una familia de curvas, distintas según el valor de la demora, manteniendo
constante el valor de U.
En la segunda parte de este trabajo, los autores estudian un modelo idéntico al anterior,
sólo que considerando una demanda linealmente creciente con el tiempo. Para lo cual
emplean un alisado exponencial de parámetros D, para la estimación de las
observaciones y E, para la estimación de la tendencia.
36
350
300 L = 2; Rho = 0,1
L = 5; Rho = 0,1
250 L = 10; Rho = 0,1
L = 15; Rho = 0,1
200
BW
150
100
50
0
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
Alfa
Fig. 2.4. Representación gráfica de la fórmula (2.9) correspondiente a la

relación entre el indicador BW y diversos valores de D y L para valores de
U = 0,1.
El resultado es el indicado en la fórmula (2.10), considerando que la demanda sigue una

distribución normal 45 , cuya media se incrementa linealmente.
2 L2α2
BW ≥ 1 + 2 Lα + + ( 2 Lβ + L ( L − 1) ) ×
2−α
⎛ ⎛ L ( L − 1) ⎞ ⎞
(2.10) ⎜ ( α + β ) ⎜ Lα + Lβ + αβ ⎟⎟
⎜ Lα ⎝ 2 ⎠⎟
× 1+ +
⎜ 2−α ( 2 − α )( α + β − αβ ) ⎟
⎜ ⎟
⎝ ⎠
0 ≤ α ≤ 1; 0 ≤ α ≤ 1
45
Para evitar cálculos complejos, los autores simplifican la deducción de la fórmula final haciendo U = 0, lo que
viene a dar como resultado que el modelo AR(1), con parámetros P, U y V, se transforma en una N(P;V). Ahora la
demanda responde a la fórmula d = μ + bt + ε ; ε ∼ N ( 0, σ )
t t t
37
Las conclusiones de este nuevo modelo son:
1. El indicador de efecto látigo es mayor que en el caso anterior (en igualdad de

condiciones definidas por U = 0). Por tanto, en una cadena de suministro
gestionada según las pautas descritas, el efecto látigo será tanto más importante
si se emplea el alisado exponencial como método de estimación en lugar de la
media móvil.
2. El coeficiente b, que representa la pendiente de la tendencia, no influye en la

importancia del efecto látigo.
3. La necesidad de estimar un segundo parámetro es la causa de que haya ese

aumento en el efecto látigo en relación a una demanda sin tendencia.
2.5.3. MODELO ALY
Los autores de este modelo 46 utilizan el mismo sistema OUT de reposición de

existencias, así como la suposición de que la demanda sigue un modelo autorregresivo
AR(1); sin embargo, utilizan un sistema de predicción que hace mínimo el error
cuadrático medio de la predicción de la demanda durante el horizonte temporal que
representa la demora en las entregas del proveedor, que supone siempre constante.
El resultado es que el indicador del efecto látigo queda expresado por la ecuación
siguiente.
(2.11) BW = 1 + 2ρ
(1 − ρ )(1 − ρ )
L L +1
1− ρ
46
[Alwan et al.,2003]
38
14
12
L=2
10 L=5
L = 10
8 L = 15
BW
0
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
Rho

relación entre el indicador BW y diversos valores de U y L.
Las conclusiones fundamentales de este modelo son
1. Es claro que este sistema de predicción produce un efecto látigo acotado con
incrementos de varianza dados por
1+ ρ
BWL→∞ =
1− ρ
(Apuntamos que esta misma cota superior se cumplía para el indicador calculado
por LST, según comentamos en la ecuación (2.7))
2. Para valores de U < 0, se produce un efecto contrario con una amortiguación de

la variabilidad de las órdenes cursadas respecto a la demanda soportada, es decir,
el indicador BW < 1.
39
0,9
L=2
0,8 L=5
L = 10
0,7
L = 15
0,6
0,5
BW
0,4
0,3
0,2
0,1
0
-0,9 -0,8 -0,7 -0,6 -0,5 -0,4 -0,3 -0,2 -0,1
Rho

relación entre el indicador BW y diversos valores de U < 0 y L. Obsérvese
que no hay efecto látigo, sino todo lo contrario.
Resumiendo, las conclusiones finales de la comparación de los tres modelos es que el

método de estimación por mínimos cuadrados permite disminuir, si no eliminar el
efecto pernicioso de la amplificación de la variabilidad de la demanda cada vez que pasa
por un eslabón de la cadena, como se muestra en las figuras 2.5 y 2.6, dependiendo de
los valores de U y L
2.6 . METODOLOGÍA Y EVOLUCIÓN DEL ANÁLISIS DEL EFECTO LÁTIGO
Desde que Jay Forrester 47 publicó en 1961 sus estudios sobre el comportamiento de los
principales agentes de una cadena (minorista, mayorista y fabricante) desde una
47
[Forrester,1961].
40
perspectiva de dinámica de sistemas, han sido varias las tendencias que, aplicando
diversas técnicas de estudio, unas empíricas y otras matemáticas, han descrito las causas
que permiten la aparición del efecto.
Veamos la evolución de estas tendencias citando a los autores más representativos y sus
logros en este campo.
2.6.1 DINÁMICA DE SISTEMAS (INGENIERÍA DE CONTROL)
Los autores que utilizan las técnicas de sistemas de control se basan en los estudios del
premio Nobel de Economía de 1978 H. Simon 48 sobre la aplicación de estas técnicas
propias de los estudios de ingeniería de control al estudio de la producción. El autor
establece una analogía entre el diseño de los sistemas electromecánicos en lazo cerrado
para aplicar ideas semejantes al campo de la producción.
La utilización de estás técnicas tiene las siguientes ventajas 49 .
1. Establecer formas estandarizadas que simplifican los estudios comparativos del

fenómeno.
2. Ayudar a identificar los elementos importantes que intervienen en la formación

del fenómeno.
3. Existencia de una gran cantidad de herramientas matemáticas para el análisis

(transformadas de Laplace y transformada Z, descomposición de Fourier,
estudio en el dominio del tiempo y de la frecuencia, etc.).
4. El estudio del comportamiento
En esta aproximación al estudio del fenómeno, existen, a su vez, dos tendencias,

consecuencia de la evolución y del desarrollo de las herramientas matemáticas. Nos
referimos a que inicialmente los autores que han seguido esta senda emplearon las
48
[Simon,1952]
49
Disney, S. M. et al. (2002).
41
funciones de transferencia con variables continuas en el tiempo y posteriormente han
ido apareciendo otros estudios en los que los mismos modelos y otros posteriores se
desarrollan con funciones de variable temporales discretas.
Este cambio está motivado por la necesidad de incluir en los desarrollos teóricos ciertos
comportamientos que por naturaleza son discretos, por ejemplo, los lotes de reposición,
o ciertos costes que evolucionan escalonadamente. Por otra parte, la utilización de los
sistemas de control con variables discretas presenta una complejidad matemática mayor.
Sin entrar en más detalles sobre los autores que han seguido una u otra vía de estudio de
las expresiones matemáticas referidas a las funciones de transferencia, Simon 50
relacionó las tasas de producción y de demanda con los niveles de inventario a través
de una serie de ecuaciones lineales y continuas. En ningún caso el autor contempla
ninguna de las no linealidades que son consecuencia habitual del comportamiento
humano.
En el modelo matemático obtenido por Simon la función de transferencia que describe

el modelo se resuelve aplicando la transformada de Laplace. Hemos de decir que, en el
artículo citado, Simon propone para futuros estudios sistemas predictivos como forma
de facilitar la estabilidad del sistema. Asimismo, cita otro estudio, no llevado a término,
en el que se modificaría el modelo de demanda para utilizar series estocásticas
autocorreladas en lugar de una suma de sinusoides superpuestas 51 .
Otro estudio significativo es del H. Vasian 52 , quien desarrolla un modelo de reposición

de inventarios que, al igual que el de Simon, es lineal, pero con la salvedad de utilizar la
transformada Z al considerar el tiempo como variable discreta en lugar de continua.
Esta diferencia entre variable temporal continua, o discreta dará lugar en el futuro a dos
formas diferentes de enfocar estos trabajos. En rigor, el comportamiento real de todos
estos sistemas es discreto, luego el estudio de los modelos propuestos debería serlo
50
Simon, H. A. op. cit.
51
De alguna manera da pié a lo que será la otra gran línea de desarrollo en el estudio del efecto látigo que, como
veremos, está basada en la aplicación de técnicas estadísticas.
52
[Vassian,1955]
42
también, pero las diferencias en los resultados obtenidos entre modelos discretos o
continuos son meramente teóricas. En el estudio de su modelo el autor tampoco
considera no linealidades de ningún tipo.
Sin duda, como ya hemos dicho, fue Forrester en la obra citada, quien creó un modelo
de cadena al unir las peticiones de unos agentes con las entregas de otros anteriores y
remontándonos aguas arriba hacia los proveedores de productos menos elaborados, lo
cual, dicho sea de paso, era la forma de gestión que llegaría a conocerse como Pull,
según la terminología actual.
El modelo de cadena que analiza Forrester está formado por tres agentes que juegan el
papel de minorista, mayorista y productor. Aparte de introducir todo un nuevo método
de diseño y estudio de modelos de sistemas dinámicos, que incluyen variables
cualitativas y no linealidades, denominado “Dinámica de Sistemas”, su modelo de
cadena contempla tanto los intercambios físicos entre agentes como los de información,
además de introducir factores no lineales en los tiempos de respuesta de los agentes.
Las consecuencias de la respuesta de los agentes ante la demanda que atendían es lo que
sirvió para denominar a este efecto como “efecto Forrester”, nombre con el que se
conoció inicialmente este fenómeno en lugar del actual. Forrester apuntó la necesidad
de que los agentes conocieran la demanda de mercado como forma de eliminar la
“amplificación” de la demanda, adelantándose en el tiempo a las actuales asociaciones
entre clientes y proveedores y dado lugar, como hemos dicho, a otra forma de gestionar
las cadenas de suministro basada en atender las necesidades exactas del mercado.
No es simplificar en exceso, si decimos que, a pesar de que Jay Forrester fue profesor
del MIT, sus trabajos han tenido más trascendencia en Europa que en los EE. UU. De
hecho de las tres maneras de enfocar el estudio de este efecto, los trabajos publicados
sobre éstas técnicas, que ahora analizamos, han sido mucho más numerosos en las
universidades europeas que en las del continente americano, creándose escuelas o
tendencias en torno a seguidores de los trabajos de Forrester.
43
Dentro de estás destacamos los trabajos del Instituto de Tecnología de Linköping
(Suecia) 53 con R. W. Grubbström 54 y sus estudios sobre la aplicación de la
transformada de Laplace y transformada Z a varios aspectos de la gestión empresaria y
en concreto a la gestión de la producción y de los inventarios 55 .
Otro de los centros importantes en el estudio del efecto látigo mediante la aplicación de
teoría de control es el de la Universidad de Cardiff (Reino Unido) 56 con los trabajos de
Denis Towill, quién ha publicado numerosos estudios referidos a las cadenas de
suministros y, por lo que nos interesa, sobre el comportamiento de los agentes de la
cadena desde la perspectiva de la ingeniería de control, empleando para ello tanto
variables temporales continuas (la mayor parte de sus trabajos) como discretas. De
manera resumida, y puesto que más adelante utilizaremos algunos de sus modelos,
diremos que Towill establece la aplicación estructurada de toda la teoría del control.
Para él, el comportamiento individualizado de los agentes es un servosistema en el que
interesa afinar el ajuste de las variables para conseguir la respuesta óptima ante
cualquier perturbación en la demanda
En uno de sus primeros trabajos, de Towill 57 (1982) aplica un modelo que el

denominado IOBPCS (Inventory and Order Based Production Control System) en el
que utiliza el error del inventario, dado por la diferencia entre el inventario físico real y
un inventario objetivo, y la predicción de la demanda para fijar los niveles de
producción. Con esto llega a la conclusión de la necesidad de establecer unos valores de
compromiso entre los tiempos de respuesta de la producción ― que en el caso de un
agente intermediario correspondería a su tiempo de respuesta ― el tomado para ajustar
el inventario a los niveles del objetivo fijado y el tiempo, o periodo total, en el que se
calcula la media móvil que sirve para predecir la demanda, como determinantes para
amortiguar a un cierto nivel el efecto látigo. Han sido varios los estudios realizados
53
Se pueden ver algunos de los trabajos publicados por esta universidad en http://www2.ipe.liu.se/rwg/rwg.htm
54
[Grubb,1967]
55
[Grubb. et al.,1999]
56
La Universidad de Cardiff centraliza y coordina los trabajos del foro de discusión, estudio y docencia EURONiL
(European University Research and Operation Network in Logistic), que agrupa a más de 30 instituciones académicas
en Europa Asia y América. Véase http://www.cardiff.ac.uk/carbs/lom/lsdg/euronil/index.html
57
[Towill,1982]
44
sobre el efecto látigo en este centro por autores colaboradores de Towill 58 aplicando las
técnicas de estudio de servosistemas.
Otros desarrollos de autores 59 de este grupo aplican este mismo modelo con variables
discretas al sistema de gestión de inventarios “pedidos hasta nivelar” (order up to level),
encontrado que este sistema, usual en el comercio, tiene la desventaja de producir
siempre este efecto cuando la predicción de las ventas es la información de base para
establecer las órdenes de reposición.
Otras formas de estudio de una cadena de suministros, llevados a cabo por este grupo,
se basan en la Teoría de Tratamiento de Señales. Se parte de la idea de que cada eslabón
de la cadena se asemeja a un filtro electrónico 60 y se analiza su respuesta a varías
frecuencias que corresponden a cambios bruscos en la demanda de mercado, de esta
forma se busca la topología de la cadena que se asemeja a la mejor respuesta del
filtro 61, 62 ..
Bajo esta suposición una perturbación en la demanda de mercado es tratada por la red
en función de sus armónicos, de manera que para determinados rangos de frecuencia la
señal se mantiene invariable y fuera de éstos la señal se distorsiona (atenúa, o
amplifica).
Los modelos estudiados por este grupo, siempre con un enfoque de ingeniería de
control, alcanzan a diversas formas de relación entre los agentes 63 y diferentes reglas de
reposición 64 . Por ejemplo, el modelo de comportamiento de productores y otros
58
[John et al.,1994], [Dejon. et al.,2002], [Dejon. et al.,2003], [Dejon. et al.,2004], [Disney et al.,2001], [Disney et
al.,2003a, b, c ], [Disney et al.,2004], [Mason. Et al., 1997], [Mason et al.,1999], [Mason et al.,2000], [Lalwani et
al.,2005].
59
[Dejon. et al.,2003].
60
Con las limitaciones oportunas, participamos de la idea de que, para estudios dinámicos de la cadena, pueden
tomarse muchos de los desarrollos logrados en el campo del tratamiento de señales; en este sentido apuntamos que
hay similitudes, sin duda, entre el comportamiento dinámico de un inventario y las capacidades eléctricas, también
los retrasos e inercias de los flujos de materiales se asemejan al comportamiento de impedancias eléctricas.
61
[Towill et al.,2003].
62
[Towill et al.,1994].
63
[Disney et al.,2002]
64
[Disney et al., 2003a]
45
intermediarios; el resultado de la aplicar políticas productivas como lean 65 y agile 66 ; el
control de reposiciones MRP , (s,Q), (s,S), (R,S), etc. También han analizado un amplio
espectro de formas de producción; la modelación del comportamiento humano, como el
mantenido en el “Juego de la Cerveza” 67 , y las reflejadas en los intercambios de
información y materiales para los diversos grados de colaboración entre los agentes de
una cadena (VMI, ECR, CPFR, etc,).
Casi la totalidad de los trabajos realizados por este grupo basan sus modelos en el
sistema OUT y utilizan el alisado exponencial como método de pronóstico para el
cálculo del inventario objetivo. Sin duda un aspecto, esto último, que limita la
posibilidad de explorar otros campos dentro de los modelos de estudio del efecto látigo.
Muy recientemente se han publicado artículos en los que se subsana este aspecto
incluyendo modelos ARIMA en los modelos ya estudiados 68
Hemos de decir que este campo ha sido uno de los menos desarrollados en el estudio de
este efecto y en la búsqueda de soluciones prácticas, algo difícilmente comprensible,
porque las técnicas aplicadas a las señales electrónicas son bien conocidas y alcanzan
una diversidad de aplicaciones que van desde señales repetitivas a señales aleatorias.
Aparte de los autores pertenecientes a esta escuela hay que destacar otros trabajos que
incluyen la misma metodología, auque con resultados diferentes. Por ejemplo, en el
trabajo propuesto por [Lin et al. 2004], en que se desarrolla un estudio sobre un modelo
de gestión de inventarios lineal de variable discreta, con reposiciones continuas, se
concluye que la amplificación de la demanda es causada por el tratamiento de la
información (predicción de la demanda), pero no es debida a la demora en atender las
65
La aplicación de las palabras lean y agile a la cadena de suministros queda bien ilustrada en [Mason et al., 2000].
La palabra Lean es de traducción difícil al español, dado que no refleja correctamente la finalidad de lo que en inglés
viene a expresar el término. Desde el punto de vista logístico Lean viene a significar eliminar todo lo que no añada
valor al mercado. Los inventarios, salvo en raras ocasiones, no añaden valor al mercado, luego una cadena lean es
una cadena con muy pocos inventarios.
66
Agile tiene la misma traducción y sentido en español. Por Agile se entiende una logística flexible y que se adapta
rápidamente al mercado. Para ello es preciso poder cambiar rápidamente y carecer de inercias que lo impidan. La
relación con el término Lean es inmediata, puesto que, para aplicar una política agile, hay que haber pasado por un
proceso lean..
67
[Mason. et al., 1997]
68
[Disney et al.,2005], [Hosoda et al.,2005], [Hosoda et al.2004], [Chen et al., 2003]
46
peticiones de los clientes de cada eslabón de la cadena. Los autores proponen una
mejora del modelo incluyendo un sistema que actúe proporcional e integralmente (PI) –
términos correspondiente a la teoría de sistemas de control- de forma que se puede
eliminar el efecto látigo.
Concluimos este punto, referido a los métodos de ingeniería de control, indicando que
se han escrito otros artículos con un enfoque similar, aunque no igual, en concreto
mediante la utilización de ecuaciones diferenciales, lo que presupone que las variables
logísticas tienen un comportamiento continuo en el tiempo y no discreto, que es lo
propio.
En este campo citamos a [Warbur,2004] quien utiliza un modelo de demanda AR(1) y

plantea un sistema de ecuaciones diferenciales lineales de primer orden dependientes
del tiempo. Los resultados son similares a los obtenidos con las técnicas anteriores,
aunque con el inconveniente de que, para manejar derivadas de primer orden, introduce
ciertas simplificaciones que son innecesarias en las técnicas descritas con anterioridad y
limitan los resultados.
De forma similar aunque con ecuaciones en diferencias de variables discretas [Perea et

al.2000] realiza el estudio de un proceso de distribución real en el que se analizan los
costes, los fallos al mercado y la oscilación del inventario en los diversos nodos de una
cadena de cuatro eslabones, para diversas formas de control de los inventarios: i) los
tamaños de las órdenes cursadas al proveedor son proporcionales a la diferencia entre
un inventario objetivo y el inventario en el momento de cursar la orden, con lo cual se
asegura un cierto servicio al cliente al intentar mantener siempre una cantidad fija en el
inventario; ii) los tamaños de las órdenes cursadas al proveedor son proporcionales a la
diferencia entre un inventario objetivo y las órdenes solicitadas por el cliente que aún
no han sido atendidas, cuya finalidad es asegurar que las órdenes pendientes serán
atendidas; iii) un tercer método similar al anterior, pero que además añade al pedido una
cantidad proporcional a la demanda original, lo cual asegura que cada escalón de la
cadena debe tener acceso directo a la demanda de mercado para de esta forma
reaccionar ante cualquier perturbación creada por el mercado.
47
Las perturbaciones son de dos tipos: perturbaciones aperiódicas, que simulan pedidos
imprevistos y perturbaciones periódicas, para simular cambios estacionales de la
demanda. Las conclusiones del estudio son que la gestión del inventario con
información soporta mejor los cambios de demanda, manteniendo un nivel menores de
oscilaciones en las existencias y, por tanto, genera unos costes menores, aunque
mantiene un peor nivel de servicio –tasa de fallos- a los clientes; cosa que no ocurre en
el primer sistema, que es el que presenta menor tasa de fallos.
2.6.2 TEORÍA DE REDES
Entre los autores y estudios destacables mediante la aplicación de técnicas de la teoría

de redes, [Helbing et al,2003], y [Helbing et al. 2004a y b] han estudiado el
comportamiento de modelos de redes utilizadas en diversos campos de la biología,
ecología, economía e ingeniería, como Internet, vías de tráfico, compuestos
moleculares, suministro eléctrico, etc. y concluyen que la mayoría de las redes
presentan un efecto oscilatorio amortiguado, a pesar de diseñarse con unidades (nudos)
sobreamortiguados y, en algunos casos, incluso se producen fenómenos de resonancia,
con una oscilación creciente . En concreto, las estructuras de las redes de flujos de
materiales vienen a ser, por sí mismas, fuentes de inestabilidad y las variaciones cíclicas
una característica inherente de la gestión descentralizada.
[Nagatani et al,2003], en colaboración con el citado autor, estudia el comportamiento de

una red lineal y concluyen que los problemas de oscilación (efecto látigo) están
motivados por el retraso en la adaptación de las entregas o de la producción a la
demanda.
Algunas formas de paliar este efecto que proponen los autores son:
Anticiparse a la evolución temporal de los inventarios y que puede ser

suficiente un horizonte temporal de anticipación mucho menor que el tiempo
de adaptación para conseguir una completa estabilidad.
48
La adaptación a una perturbación en la demanda es mejor para todos los
agentes para una gestión tipo pull y es mucho peor si la gestión de la cadena
es de tipo push.
La estabilidad de la red mejora cuando cada nodo (suministrador) conoce el

inventario del nodo inmediato aguas debajo de la cadena.
Todos los estudios se hacen en redes lineales, pero los autores apuntan algunas
posibilidades de mejorar los resultados introduciendo aspectos no lineales como
capacidades de suministro, limitaciones en los inventarios, etc.
2.6.3. SIMULACIÓN
Dentro de las aplicaciones de simulación para el estudio del efecto látigo, el trabajo por
excelencia, que ha marcado un hito por su forma fácil y accesible de observar en la
realidad este efecto es el denominado “Juego de la Cerveza” 69 , creado por John D.
Sterman, del MIT 70 , y que en realidad más que un sistema de simulación se ha
convertido en un juego practicado en numerosas universidades y escuelas de negocios.
Este método de simulación se lleva a cabo mediante una cadena formada por cuatro
etapas, fabricante, distribuidor, mayorista y minorista, que atienden, todos ellos, a sus
respectivos clientes con un retraso modificable, entre uno y dos periodos. Los papeles
de dichos agentes son asumidos por los participantes, que efectúan sus pedidos
conforme a varias posibilidades, lo que permite comparar las diversas situaciones
generadas.
En una de ellas los participantes ordenan producto según sus propias estimaciones, lo
cual genera, después de varias repeticiones, acumulaciones de producto en algunas
etapas y escasez en otras. Los resultados son diferentes cuando se permite a todos los
69
[Sterman,1992]
70
John D. Sterman fue la persona que puso el actual nombre del fenómeno, “efecto látigo”, que con anterioridad se
conocía como “efecto Forester”. Al parecer Sterman, que es psicólogo de formación original, utilizó un término –
latigazo- usual en el lenguaje de esta ciencia para expresar situaciones extremas.
49
participantes disponer de la información de la demanda de mercado. Aún así surgen
situaciones de acumulación y escasez.
Ha habido múltiples interpretaciones de expertos en logística y en comportamiento

humano, algunas de estas últimas se pueden ver en la literatura71 , aunque no son objeto
de nuestra exposición. Desde el punto de vista logístico, las interpretaciones son
también variadas 72 , aunque nos quedamos con una de ellas, 73 en la que se considera que
si los jugadores tuvieran en cuenta, a la hora de solicitar producto a su proveedor, las
órdenes cursadas y aún no suministradas como parte del inventario, las oscilaciones de
los inventarios serían menores que en otro caso.
Sin duda Sterman fue el primero que, a través del “Juego de la Cerveza” sistematizara el
estudio del efecto látigo.
2.6.4. INVESTIGACIÓN DE OPERACIONES (MÉTODO ESTADÍSTICO)
Los estudios del efecto Látigo desde la perspectiva del análisis estadístico y de
Investigación de Operaciones tienen el problema de no poder abordar los efectos
dinámicos de la cadena, por lo que siempre se refieren a la obtención de fórmulas
matemáticas que reflejan la influencia de ciertas variables y parámetros en condiciones
de funcionamiento permanente. Si bien es verdad que el de ingeniería de control, no han
producido hasta ahora resultados tan notorios como los conseguidos con esta
metodología.
Podemos argumentar a favor de estos métodos que entre sus logros está el haber
identificado las principales causas de generación de dicho efecto 74 , permitido acortar
algunas de las causas que originan el fenómeno y en concreto las referidas a los
métodos de pronóstico 75 ; analizado la transformación que sufre la demanda cuando pasa
71
[Sterman,1989], [Kahneman et al., 1993]
72
[Croson et al.,2004]
73
[Mason,1997]
74
[Lee et al.,1997b]
75
[Lee, et al.,1997], [Chen, et al.,2000a,b], [Sinchy, et al.,2003b]
50
de un agente a otro 76 , definido las pautas para la medida de la amplificación de la
varianza 77 , estimado los costes derivados del fenómeno, tanto sin información78 , como
con información 79,80 entre los agentes. Pero, como hemos dicho, los estudios están
sujetos a mantener unas condiciones fijas en el entorno en que se desenvuelven los
agentes de la cadena: la demanda de mercado es estacionaria, los tiempos de demora
son fijos, la topología de los agentes no cambia, etc., cosa que no es real. No obstante,
no hay estudios que contemplen las restricciones que hay en la realidad y que son fuente
de perturbaciones causantes de fenómenos similares al estudiado.
Si hubiera que trazar una historia del empleo de estas técnicas para el estudio del
fenómeno, habría que remontarse a los primeros trabajos realizados sobre el
comportamiento de los inventarios dentro de la propia empresa y más concretamente
sobre la producción.
Es de destacar, por reducir las numerosas citas a autores que han hecho aportaciones al
respecto, los trabajos de [Blinder,1982].
[Kahn,1987] demuestra en este trabajo que la varianza de la producción puede exceder a

la de la demanda, aun en el supuesto de que los excedentes de la demanda se satisfagan
con posterioridad, o que ésta presente una correlación positiva. Para este estudio, el
autor la demanda sigue un modelo autorregresivo de orden uno, AR(1).
El trabajo [Lee, et al.,1997a] es el primero que analiza las causas que provocan el efecto
látigo y en otro trabajo posterior cuantifica los efectos para el caso de que los agentes
utilicen un sistema de predicción por media móvil. En este trabajo compara los costes
derivados de facilitar la información a todos los agentes o restringir a cada escalón de la
cadena.
76
[Zhang, et al.,2002c], [Alwan, et al.,2003]
77
[Fransoo, et al.,2000]
78
[Lee, et al.,2000]
79
[Cohen, et al.,2004]
80
[Croson, et al.,2003]
51
Otros trabajos pioneros en este campo son los de [Chen, et al., 2000a, b] quienes
proponen una cota inferior del indicador del efecto látigo para el caso de que se utilicen
métodos de alisado exponencial para el cálculo de las predicciones 81 .
Un trabajo destacable por utilizar demandas no estacionarias, aspecto poco común en

los trabajos publicados, es el de [Graves,1999]. El autor parte de un modelo de demanda
IMA(0,1,1), un método de predicción por alisado exponencial y un sistema de gestión
del inventario que, como en otros estudios, es un sistema OUT. Las conclusiones del
trabajo son: i) en el caso de este tipo de demandas los agentes situados aguas arriba
también están sometidos a una demanda de igual modelo ―IMA(0,1,1). Este aspecto es
de suma importancia, porque como después veremos la demanda generada por cualquier
agente sigue modelos que conservan un patrón determinado. Esto facilita predecir las
consecuencias que tendría un cambio brusco en escalones posteriores de la cadena. ii)
Cuando la demanda no es estacionaria no tiene sentido aumentar la información de los
eslabones aguas arriba para mejorar los efectos del fenómeno, es más conveniente
reducir las demoras en las respuestas de los agentes aguas debajo de la cadena. En otras
palabras, si los tiempos de demora son fijos y la demanda no es estacionaria, no hay
forma de evitar el efecto látigo en la cadena. iii) A medida que ascendemos agua arriba
de la cadena la demanda que se transmite entre agentes, que como hemos dicho es una
demanda IMA(0,1,1), aumenta en variabilidad y también el parámetro de media móvil
del modelo IMA(0,1,1) aumenta. iv) Es perfectamente válido, para el estudio de la
cadena, analizar el comportamiento de una “célula” 82 y extender sus resultados al
sistema más complejo que es la cadena completa. v) Es esencial acortar los tiempos de
demora para reducir los inventarios, tanto aguas arriba de la cadena, como aguas abajo.
Acortar los tiempos de demora aguas abajo influye más en de los inventarios aguas
arriba que reducciones similares en los tiempos de demora aguas arriba.
Otros trabajo de interés son los de [Raghunathan,2001] por lo que se refiere a la

posibilidad de deducir los parámetros del modelo de demanda a partir de las órdenes de
81
Con posterioridad analizaremos más detenidamente este modelo y el anterior por ser la base para trabajos
posteriores.
82
Grupo formado por un cliente proveedor
52
sus clientes y [Raghunathan,2003] que estudia de la correlación en la demanda sobre la
influencia en los costes de la gestión de la cadena.
Finalmente citamos los trabajos de [Zhang,2004 a,b y c], en estos estudios el autor
continua la senda abierta por [Greves,1999] y [Alwan et al.2003]. Como ya indicamos
anteriormente, se demuestra que los pedidos cursados por un agente conservan el mismo
patrón que la demanda original cuando ésta sigue un modelo del tipo IMA(0,1,1). Pues
bien, en el supuesto que la demanda siga un modelo AR(1), la demanda se transforma
en otra ARMA(1,q) cuando pasa por un agente de la cadena. En el nuevo modelo de
demanda el parámetro q es fácilmente calculable y depende, del tiempo de demora y de
los parámetros del modelo AR de la demanda original. De esta forma todo modelo
ARMA de entrada, se transforma en otro modelo ARMA de parámetros distintos, pero
calculables83. De esta forma se justifican dos aspectos fundamentales de la cadena: uno,
se puede determinar el modelo de demanda original sin más que conocer datos sobre los
tiempos de demora; otro, el comportamiento de una “célula”, formada por la díada
proveedor-cliente, es igual en cualquier punto de la cadena puesto, siempre que
conserven el mismo sistema de gestión del inventario.
Además de los trabajos citados hay otros dirigidos a analizar las relaciones cliente-
proveedor y la influencia que tiene en estás el conocimiento de la demanda. No cabe
duda de que si se prescinde de la información el proveedor se ve sometido a una
demanda más incierta que le obliga a mantener mayor cantidad de existencias y eso le
supone unos costes, que podría evitar si dispone de la demanda original. A no ser que el
proveedor pudiera estimar, a través de los datos que le transmite el cliente, que no son
los mismos que la demanda original, cuál es el modelo de esa demanda, en este caso,
carecería de interés para el proveedor que el cliente le facilitara una información que él
mismo puede deducir.
83
Es lo que [Zhang,2004c] denomina propiedad AIAO (ARMA imput-ARMA-output)
53
2.6.5. LÓGICA DIFUSA
Algunos, pocos, trabajos se han publicado sobre la posibilidad de controlar el efecto

látigo con lógica difusa, estos trabajos no dejan de ser muy teóricas y limitadas.
Destacamos los trabajos de [Xie et al.,2005], [Petrovic et al.,1999] en ambos trabajos
(en los dos estudios se nota la misma mano, debido a que tienen autores comunes)
mantienen la misma línea de estudio con una única variable difusa que es la demanda de
mercado, el resto de variables son nítidas. Los autores estudian una cadena formada por
N eslabones o subsistemas que más bien se enfoca hacia entornos productivos y buscan
optimizar independientemente cada uno de estos subsistemas siguiendo pautas ya
expuestas en la Investigación de Operaciones.
En nuestra opinión cabe abrir líneas de desarrollo para estudios de lógica difusa
aplicados a las técnicas de sistemas de control por razones que expondremos en el
capítulo de conclusiones.
Citamos, por último, el trabajo de [Carlsson,2000] que, muy brevemente, esboza un

camino para la aplicación de esta metodología a la solución de los problemas de la
cadena siguiendo, también, las pautas marcadas por la Investigación de Operaciones.
54
CAPÍTULO III
REVISIÓN CRÍTICA DE LOS ESTUDIOS

PUBLICADOS SOBRE EL EFECTO LÁTIGO
3.1 EL MÉTODO DE MEDICIÓN
Es indudable que para conocer la importancia del fenómeno y compararlo con el

producido en otras circunstancias, cuando cambiamos algunas de las variables utilizadas
en la gestión de la cadena –demora en las respuestas del proveedor, intervalo de tiempo
entre pedido y pedido, método de reposición, método de estimación y valor de los
parámetros utilizados, cantidad de datos históricos con los que hacemos la predicción,
tamaño de los inventarios, grado de información transmitido entre agentes de la cadena,
“visibilidad” de la información, tamaño de los lotes de las entregas, etc.- se necesita
poder medirlo.
Como ya hemos comentado, la propuesta hecha por numerosos autores84 se decanta a

establecer como medida del efecto látigo la relación entre las varianzas de las órdenes
cursadas al proveedor y la varianza de la demanda.
σ2o
(3.1) BW =
σ2d
Quizá, pues no conocemos con exactitud el motivo, ello se deba a que la influencia más
clara del efecto látigo está en perjudicar el conocimiento real de la demanda por parte de
quienes lo sufren y, por tanto, en aumentar la incertidumbre, aspecto sin duda
relacionado con la varianza de la variable, en este caso, de las órdenes transmitidas.
84
Citamos a título de ejemplo algunos de estos autores, aunque podemos afirmar que son muchos más lo que han
optado por la forma indicada de medir el efecto látigo: [Alwan,2003]; [Dejon,2004]; [Zhang,2004b]
55
Podemos especular también con la idea de que los autores de los primeros estudios
sistematizados sobre las causas que provocan este fenómeno85 tomaron esta misma
forma de medirlo y de aquí que se haya creado una corriente utilizando el cociente de
las varianzas, no tanto por falta de otro método de medida, sino por el hecho de
comparar los resultados de sus estudios con los autores que abrieron este camino.
En su artículo [Fransoo,2000] se acomete un estudio en dos cadenas de suministros con

el fin de evaluar las consecuencias del efecto látigo. La medición empleada es parecida
a la ya propuesta
coeficiente de variación de las órdenes cursadas

(3.2) BW =
coeficiente de variación de la demanda
lo cual puede traducirse en
σout ( t , t + T )
μ ( t, t + T )
(3.3) BW = out
σ in ( t , t + T )
μ in ( t , t + T )
donde V representa la desviación estándar y P la media, tanto de la variable soportada

(“in”) como de la transmitida (“out”), todo ello medido en el intervalo transcurrido entre
t y t + T.
Los autores suponen que
(3.4) μ in ( t , t + T ) = μ out ( t , t + T )
por lo que
σout ( t , t + T )
(3.5) BW =
σ in ( t , t + T )
85
[Lee,1997a]
56
De cualquier manera, debe quedar claro que en la actualidad la relación de las varianzas
o de las desviaciones estándar es la forma más generalizada de medición del efecto
látigo, lo que de forma gráfica queda representado en la figura 3.1.
En la zona por encima de la línea diagonal se situarían las etapas que originaran efecto
látigo y su importancia vendría dada por su lejanía a la diagonal. Al contrario sucedería
con un efecto amortiguado del efecto.
σ 2o 3
1 2 3 4 5 6
σ d2
Fig. 3.1. Gráfico utilizado para medir el Efecto Látigo mediante la

comparación de la varianza de la demanda frente a la varianza de las
órdenes cursadas.
Otros autores86 incluyen, además, como medida complementaria del efecto látigo, la
relación entre la varianza del inventario y de la demanda.
σ2inv.
(3.6) BWinv . =
σ2d
Otra forma de medir el efecto látigo, igual a la primera relación, aunque utilizada por
autores87 dedicados al estudio de éste aplicando técnicas de ingeniería de control para
86
[Hosoda,2004], [Chen,2003]
57
señales discretas, está basada en una relación tomada de un libro escrito por el
ingeniero y matemático ruso Yakov Tsypkin88, basada a su vez en el teorema de
Parseval, y que establece la forma de calcular la relación de varianzas de una señal a su
ruido, supuesto ruido blanco, como “la energía de una señal discreta”, dada por la
integral del cuadrado de la inversa de la transformada Z de la función de transferencia
de un sistema de control.
σout
2 n=∞
(3.7) BW = 2 = ∑ f 2 [ n]
σ in n=0
En la ecuación anterior f [ n] es la inversa de la transformada Z de la función de

transferencia. Entendemos que esta forma de cálculo es más compleja que otras y sólo
tiene la finalidad de mostrar otra forma de cálculo
Ninguna de las medidas anteriores, incluida esta última, nos parecen adecuadas para
expresar cuantitativamente los efectos del fenómeno por varias razones.
1. El efecto látigo es una distorsión de la demanda que afecta a la respuesta, lo que

supone que se produce una amplificación de la señal, se modifica la frecuencia y
se crea un desfase temporal dado por un retraso entre la causa y el efecto. En
otras palabras, se aumentan las diferencias entre picos y valles de los pedidos
generados al proveedor, se cambia la estacionalidad de la demanda y se reciben
con retraso las órdenes del cliente de nuestro cliente.
2. Puede ocurrir que la medida dada por la relación de varianzas sea la unidad,
incluso menor que la unidad, y haya una fuerte distorsión de la demanda según
lo manifestado en el punto anterior.
3. La medida dada por la relación de varianzas sugiere, en principio, que el

problema surge cuando dicha relación es mayor que la unidad y, como
consecuencia, que una relación de varianzas menor que la unidad expresa una
87
[Disney,2003c]
88
Los autores citan el libro Sampling Systems theory and its application. Pergamon Press.1964.
58
buena situación. Sin embargo, no es menor el problema, comparativamente
hablando, de que la relación sea menor que la unidad, pues ello supone que la
percepción recibida por algunos agentes es que la varianza de la demanda de
mercado es menor que la realidad, por lo que los inventarios de seguridad no
estarán ajustados a las necesidades reales, con la consecuente incapacidad de
suministro en el caso de que la demanda aumente.
4. Si una cadena se ve sometida a un cambio brusco e imprevisto, la respuesta será

una, no importa ahora cual, pero nos cabe la duda de saber en qué momento se
comenzará a medir la varianza de la señal resultante y durante cuánto tiempo. Es
más, en este caso, la relación de las varianzas cambia según se incluya el
régimen transitorio o no.
5. En ningún caso se diferencia entre las diversas causas que originan el efecto
látigo, como es el caso de las consecuencias que tiene el tamaño de los lotes
solicitados al proveedor, frente a los propios del método de pedido u otras
causas.
6. Las medidas que incluyen la relación Varianza Inventario/ Varianza Demanda,

son, en nuestra opinión, poco útiles, porque la varianza del inventario, en sí
misma, no dice nada, a no ser que la comparamos con su valor promedio. ¿Qué
significado tiene observar que un inventario tiene mayor varianza que la
demanda atendida?; ¿qué es varianza alta o qué es baja para un inventario? Lo
lógico parece que es medir la varianza respecto al nivel medio del inventario y,
de esta forma, conocer si la varianza puede crear problemas de
desabastecimiento.
Pensamos que el efecto látigo es un fenómeno complejo, cuya medida no puede

simplificarse con la relación ya comentada. Creemos que deben emplearse otras formas
de medida que complementen la pobre información dada por la relación de las
varianzas, cuyo sentido es útil a efectos de comparar estudios sobre el fenómeno
A este respecto apuntamos como complemento a esta relación las siguientes medidas.
59
1. Error cuadrático medio de la demanda respecto a la órdenes cursadas, dado por
t =n
∑ (d − ct )
2
t
(3.8) ECM c = t =1
n
La proximidad a cero indicará que el acoplamiento de las órdenes cursadas, c, a

la demanda, d, es mejor por lo que la fidelidad de la respuesta es tanto mayor.
Es claro que si el resultado de esta medida es cero, podremos afirmar que el

indicador BW es 1, pero no al contrario, por lo que debemos mantener ambos
para mejor medida del efecto látigo.
2. Los tamaños de los lotes también influyen sobre el valor de este indicador por lo
que la relación anterior, junto con
t =n
ct
∑d
t =1
(3.9) Elote = t
N
nos permiten analizar la incidencia de los lotes en el efecto látigo.
Este indicador debería ser la unidad como valor ideal; cuanto más se aleje de la
unidad peor situación.
3. Error cuadrático medio de la demanda respecto a la órdenes recibidas, dado por
t =n
∑ (d − rt )
2
t
(3.10) ECM r = t =1
n
Este indicador complementa al anterior y mide dos situaciones provocadas por la

gestión de inventarios. Por una parte, los fallos en las entregas del proveedor y
por otra, los desfases entre recepción y demanda.
60
Su resultado indicará la dificultad en la gestión del inventario. A mayor valor del
indicador la diferencia entre demanda cursada y órdenes recibidas será mayor
por lo que el inventario oscilará más sobre su valor medio y más costosa será su
gestión en cuanto al manejo de materiales.
4. El coeficiente de variación de Pearson del inventario
σ inv .
(3.11) CVinv . =
d inv .
permite conocer si el inventario es suficiente para atender la demanda. El valor

de este coeficiente dependerá del factor de seguridad tomado para el inventario.
Por ejemplo, para un 96% de seguridad en los ciclos sin fallos, el valor de este
indicador debe ser alrededor de 0,5.
5. Medida de la distorsión provocada por estacionalidad.
(3.12) IE =
{
N + MM o ( ct +δ ) - d t }
N {MM
+
o (d ) - d }
t t
donde IE, el indicador de estacionalidad; N+{.}, es una función que mide la

cantidad de observaciones positivas de la función encerrada por la llave; MMo,
es una media móvil de orden “O”; ct+G, es la serie correspondiente a las órdenes
cursadas considerando el desfase G introducido por la demora del agente; dt, la
serie de la demanda recibida por el agente y d t , la demanda media determinada

por una recta de regresión. Idealmente este indicador debe ser igual a la unidad.
El cálculo de los tres primeros indicadores dependerá de las demoras en el lanzamiento

de los pedidos al proveedor respecto a la frecuencia con que se analiza la demanda. Para
estos se ha supuesto que se cursa un pedido al proveedor, con la misma cadencia que se
satisface la demanda.
61
Si éste no fuera el caso, esta circunstancia debería tenerse en cuenta en las fórmulas
anteriores.
3.2. EL MODELO DE GESTIÓN DE EXISTENCIAS

El modelo elegido por la casi totalidad de los expertos que han estudiado el fenómeno
es el citado en el capítulo anterior como sistema de control OUT89. Es acertado, en
nuestra opinión la utilización de este sistema de reposición, pues de uso común en
agentes intermediarios y es ampliable a los fabricantes y productores. Dadas las
prácticas actuales, la revisión de existencias ―cadencia entre pedido y pedido― es de
un periodo.
Una gran parte de los estudios citados90 emplean el mismo método de cálculo de los
tamaños de las órdenes de reposición, definido por la ecuación
(3.13) qt +1 = dt + I t − I t −1
qt+1, es la cuantía de la orden de reposición para el periodo t+1.

dt, es la demanda en el periodo t.
It y It-1, corresponden a los inventarios objetivos en los momentos t y t-1.
I t = DtL + zσ εL
DtL es la demanda estimada para todo el periodo L.
L es el plazo de tiempo transcurrido desde que se cursa la orden hasta la

recepción (plazo de entrega).
z es una constante definida por la probabilidad de fallos en el suministro y

obtenida de una función de probabilidad normal, tipifica.
89
Ver ecuación (2.3) en el capítulo II.
90
Citamos algunos, aunque omitimos otros más que han empleado el mismo modelo, como [Alwan,2003];
[Chen,2000a]; [Dejon,2002]; [Lee,1997b] y [Zhang,2004a].
62
σ εL es la desviación estándar de los errores de predicción cometidos en el
intervalo temporal L.
La regla de reposición, determinada por la ecuación anterior, establece que el tamaño de

la orden se determina por la demanda habida en el momento de su cálculo más la
diferencia entre un inventario objetivo, cuyo cálculo, a su vez, corresponde a la
estimación de la demanda durante la demora habida entre cursar la orden y recibir el
pedido más una cantidad que constituye el inventario de seguridad.
Como puede deducirse, la fórmula de reposición se compone de dos partes; una, la
permite atender a la demanda y otra, la que sirve para recuperar el inventario perdido.
Queremos hacer nota que esta fórmula difiere de la usualmente utilizada en la
reposición de existencias en los siguientes puntos.
a. Se emplea la demanda del periodo en lugar de proyectar la demanda hacia el
periodo siguiente, de manera que la fórmula supone que la demanda proyectada
será la misma que la habida en el presente. Esta forma de predecir el futuro, en
la suposición de que será igual al momento actual, en predicción económica se
denomina predicción naïf91. Quiere decir, que pocas veces se cumple. Lo
correcto es aplicar la predicción para determinar la demanda futura, que es lo
que se ha de atender por el agente sumnistrador.
b. Tal y como se plantea la parte de la compensación del inventario, no se tiene en
cuenta en ningún momento la realidad de las existencias, puesto que de la
fórmula se deduce que el inventario se compensa por comparación entre una
estimación hecha en el momento actual (It) y la estimación hecha en el periodo
anterior (It-1), de manera que pudiera ocurrir que hubiera pedidos negativos, esto
es, devolución de existencias, algo que en la realidad sólo ocurre en
circunstancia excepcionales y, por otra parte, los errores del inventario
―unidades deterioradas, desechos, mermas, malas ubicaciones, robos, etc.― no
se tienen en cuenta, por lo que a la larga pudiera haber problemas de suministro.
91
[Pulido,1989]
63
Veamos ahora el comportamiento del sistema de control del inventario dado por la regla
anterior expresada por la ecuación (3.13).
Uno de los métodos de predicción con mejor comportamiento para reducir el efecto
látigo es el de mínimo error cuadrático medio (MECM) que aplicado a un modelo
autorregesivo AR(1) con parámetro de autocorrelación I determina la siguiente
ecuación de reposición del inventario92.
(3.14) qt = d t +φ
(1 − φ ) ( d
L
− d t −1 )
1− φ
t
Para ver el comportamiento de la ecuación (3.14) ante un escalón de la demanda,

procedamos a dar valores numéricos a los parámetros y variables de esta ecuación; dt =
2dt-1, significa un escalón de la demanda con crecimiento 100%; I = 0,8 y L = 5
periodos.
El resultado final es
qt = 5,36dt-1
El tamaño de la orden, para este caso, crece un 436%.
No parece que este sistema sea una forma adecuada de controlar el inventario en el caso
de un agente de la cadena de suministro.
92
En el capítulo IV, apartado 4.6.3.1, ecuaciones (4.108) y (4.109), se muestra como el inventario para un modelo de
demanda AR(1), con predicción por mínimo error cuadrático medio resulta ser
I t = ( L − Λ ) τ + Λd t + conste.
Donde / y τ son independientes de momento t y la constante se refiere al inventario de seguridad, que también
resulta ser independiente de t.
Por lo que
I t − I t −1 = Λ ( d t − d t −1 )
Siendo
1 − φL
Λ=φ
1− φ
64
CAPÍTULO IV
ANÁLISIS DEL EFECTO LÁTIGO MEDIANTE LA APLICACIÓN DE

TÉCNICAS DE SISTEMAS DE CONTROL
4.1 INTRODUCCIÓN
La aplicación de métodos de sistemas de control para estudiar determinados aspectos

de la gestión empresarial no es reciente, y de hecho, en cuanto al campo que nos ocupa,
ha habido varias aplicaciones referidas a la gestión de inventarios.
Estas técnicas de estudio están suficientemente desarrolladas en aplicaciones mecánicas

y electrónicas; sin embargo, no es inmediato trasladar las mismas herramientas
utilizadas en el análisis de modelos electromecánicos a modelos referidos a la toma de
decisiones empresariales, pues en muchos casos los resultados carecen de sentido real, o
requieren de una interpretación demasiado compleja.
En nuestro caso, lo primero que debemos considerar es que las variables manejadas no
tienen un carácter continuo, como sucede con las variables electromecánicas, sino que
suceden a intervalos discretos: son elementos de una serie temporal en tiempo discreto.
En los modelos electromecánicos discretos se obtienen muestras periódicas de señales

continuas para su posterior análisis, de manera que la velocidad, o ritmo al que se
accede a la señal objeto de control, resulta ser otra variable más de importancia
fundamental dentro del modelo.
En los modelos de toma de decisiones la velocidad de muestreo viene obligada por la

propia variable analizada. En otras palabras, se accede al dato cuando sucede. Puede
disminuirse la velocidad de muestreo, simplemente, ignorando un cierto número de
datos, lo que no tiene mucho sentido, pero no es posible aumentarla.
65
La naturaleza de las herramientas empleadas para el estudio de los modelos discretos es
similar a la de los modelos continuos, aunque los métodos matemáticos son distintos.
Como es bien sabido, los modelos continuos emplean la transformada de Laplace para
el estudio y mejora de su respuesta. Los modelos discretos deben estudiarse mediante la
transformada Z.
Las técnicas de sistemas de control pretenden crear un modelo matemático que

transforma una señal de entrada, r, en otra de salida, s, según un algoritmo llamado
función de transferencia; idealmente se persigue que la señal de salida cumpla con la
mayor fidelidad posible un objetivo determinado y que está estrechamente ligado a la
función de transferencia utilizada.
Las situaciones ideales (cumplir fielmente los objetivos definidos) son imposibles, entre
otras razones por retrasos en la respuesta de la señal de salida frente a cambios en la
señal de entrada, o por ineficiencias en los cálculos, u otras causas.
Con el fin de conseguir la mayor exactitud en la respuesta del sistema, se retroalimenta

la señal de salida adaptándola mediante otra función, I(n), y se compara con una señal
objetivo que, frecuentemente, es la propia entrada. Con ello se pretende que la
diferencia, o error entre ambas señales ⎯consigna y salida⎯ sea cero y para ello se
obliga a que el propio sistema corrija su respuesta hasta conseguirlo. En definitiva se
trata de que el sistema “aprenda” de sus propios errores y las corrija para conseguir que
la salida corresponda a una señal de entrada. La figura 4.1 representa esquemáticamente
lo referido
Fig. 4.1. Esquema de un sistema retroalimentado
66
De la figura 4.1 pueden deducirse las ecuaciones
s = ( r − x ) τ ( n)
x = sφ( n)
que nos conducen a
s τ ( n)
=
r 1 + τ ( n) φ ( n)
La función correspondiente al lado derecho es la Función de Transferencia del modelo y

expresa matemáticamente la respuesta del sistema. El denominador de la función es la
función característica.
En muchas ocasiones se busca que el sistema evolucione según un cierto algoritmo, por
lo que la función de transferencia está predeterminada. En otras sucede lo contrario y se
intenta obtener una respuesta real por medio de un modelo matemático que hay que
crear. En estos últimos casos se ha de definir ese modelo matemático de una función de
transferencia, cuya respuesta sea la deseada.
Suele suceder que esto último no es tarea sencilla, y puede derivar en modelos
matemáticos complejos, inmanejables desde el punto de vista del análisis matemático,
o, por el contrario, modelos excesivamente simples alejados de la realidad.
También puede suceder que la respuesta del sistema sea lenta y su salida vaya siempre
por detrás del objetivo fijado. Similar situación, aunque de razonamiento opuesto, se
daría con un sistema rápido, ya que al adelantarse al objetivo no sabe con certeza en que
punto estará un instante después.
Hay factores que ligan estas características con la función de transferencia, la forma de
retroalimentar la señal de salida, el cálculo de errores, etc. Resulta claro que un sistema
no compensado, bien por lento o por rápido, comete un error en su respuesta; aunque en
este último caso puede ocurrir que, por ser excesivamente rápido, las correcciones se
alternen sucesivamente en uno u otro sentido y se entre en una situación de oscilación.
67
Finalmente, puede ocurrir también que la aplicación de las correcciones se haga al
contrario de lo que sería necesario, amplificando los errores en lugar de reducirlos,
alejando la salida cada vez más de su objetivo. En estas condiciones se produciría una
situación de inestabilidad que degeneraría en la ruptura del sistema.
Otra dificultad es la de crear modelos que reflejen las no linealidades reales. Dada la
dificultad que supone trabajar con modelos no lineales se ha buscado simular modelos
que no conlleven esta dificultad. En muchos casos las no linealidades pueden ser una
componente no esencial del problema real y el modelo no se resiente de su no
consideración.
Por sistema lineal se entiende aquél que cumple con la condición de que la respuesta a
una señal de entrada, suma de dos, es igual a la suma de las respuestas a cada una de las
señales separadamente.
En los modelos de gestión juega un papel esencial el factor humano. Las decisiones
humanas son frecuentemente no lineales y difíciles de encajar en un modelo. En la
gestión de inventarios hay situaciones en las que no se cumple con esta condición; tal
caso ocurre con la reposición por lotes si la demanda de un producto aumenta al doble,
no supone que los lotes de reposición deban aumentar su tamaño al doble, pues las
condiciones logísticas, como puede ser la capacidad del vehículo que transporta el
producto al almacén, impiden tal decisión.
Sin duda, la utilización de modelos lineales es una simplificación de la realidad

necesaria para su estudio y, en muchos casos, obligada por no disponer de herramientas
adecuadas para tratar las no linealidades. Esta simplificación resulta admisible cuando,
comparativamente, las consecuencias de las no linealidades sean de índole menor que
las del modelo lineal.
68
4.2 MODELOS DE FUNCIONES DE TRANSFERENCIA APLICABLES EN EL
ESTUDIO DEL EFECTO LÁTIGO.
Para establecer la fórmula matemática correspondiente a la función de transferencia es

preciso definir las ecuaciones que rigen el proceso de gestión de aprovisionamientos
aplicados por los agentes de la cadena.
En nuestros estudios supondremos que los agentes utilizan el sistema de

aprovisionamientos conocido como Order-up-to-level (OUT), o “Pedir hasta alcanzar
un nivel”. Entre los varios sistemas existentes, éste tiene ciertas ventajas para el
comercio minorista, lo que ha hecho que su adaptación en este sector haya favorecido su
extensión.
Los mayoristas y minoristas pertenecientes al sector de la gran distribución y tiendas de

venta directa suelen manejar una gran cantidad de artículos diferentes, lo cual dificulta
enormemente su gestión. Además, las empresas buscan aumentar la rentabilidad por
producto a través de altas rotaciones de los inventarios, lo que obliga a reposiciones
muy frecuentes para mantener bajos niveles de existencias; de aquí que la gestión de los
aprovisionamientos se haga por intervalos de tiempo y no por cantidad, lo que es
justamente la esencia de la gestión OUT.
También el modelo citado es útil para conseguir economías de alcance, ya que por
particularidades de los almacenes que las utilizan ― dependencia de una Central de
Compras ― la gestión de los envíos resulta más económica al sincronizar pedidos de
productos diferentes, abaratando los costes de las transferencias.
La gestión de aprovisionamientos por este método consiste en solicitar producto al

proveedor a intervalos de tiempos regulares denominados Tiempo de Revisión de
existencias (TR). La cantidad solicitada es el resultado de añadir a la estimación de la
demanda prevista para el próximo tiempo de revisión, la cantidad necesaria para llevar
las existencias a un cierto nivel deseado.
69
En algunos casos ― venta nula, o muy baja durante el tiempo de revisión ― el cálculo
de la cantidad solicitada al proveedor resulta negativa; obviamente esto supone que no
se cursa pedido hasta el próximo ciclo en el que la cantidad resultante de dicho cálculo
sea positiva. Sólo en casos extremos se procede a devolver existencias al proveedor por
dos razones, los costes que supone está política y al rechazo del proveedor a aceptar
dichas prácticas. Por tanto, la devolución de existencias no se contempla ni en la
realidad (sólo excepcionalmente), ni en nuestro modelo.
Los modelos de este tipo, basados en las reposiciones de las existencias a intervalos
regulares de tiempo, a veces muy breves, solamente son viables cuando no se precisa
conseguir economías de escala, resultantes de aumentar la cantidad por pedido para así
disminuir la incidencia de los costes de reposición; por lo que es condición sine qua non
que los costes logísticos derivados de las transferencias físicas y de información sean
bajos; de otra forma, obligarían a crear lotes de reposición lo que, sin duda, impediría o
complicaría la respuesta rápida del proveedor a las peticiones de sus clientes y, por lo
que a nosotros nos afecta, ser la fuente más importante y frecuente de la distorsión de la
demanda y, consecuentemente, de la generación de efecto látigo.
Queremos decir, sin entrar en mayor detalle, que resultará difícil eliminar o disminuir el
efecto látigo en una cadena de suministro sin mejorar la eficiencia de su logística, esto
supone entre otras cosas la reducción de los costes fijos o costes independientes de la
cantidad movida. Lo cual puede venir por dos vías: mejoras técnicas y pautas de
gestión.
Otro tanto habría que decir de los tiempos de respuesta del proveedor, deseablemente
breves para disminuir los niveles de existencias y costes y consecución de mejoras en la
calidad de atención de los clientes. Como veremos, la influencia de estas demoras en el
efecto látigo es contradictoria. Por un lado, es razonable suponer que un aumento de la
demora en la respuesta de los proveedores prolongará en el tiempo la exposición al
riesgo y eso aumentará la incertidumbre y, consecuentemente el efecto látigo93; por otra
93
El efecto látigo está relacionado con la varianza, por lo que un aumento de la incertidumbre supone un aumento de
la varianza y del efecto.
70
parte, si aumenta la demora, el minorista dispondrá de un mejor conocimiento de su
demanda ― más información ― y aumentará la fiabilidad de sus previsiones, por lo
que, sensu contrario, disminuirá el efecto látigo.
Resumiendo, el método de reposiciones OUT, tal y como se ha descrito, o con ligeras

variantes, se utiliza de manera regular y fundamentalmente por los agentes de los
escalones intermedios y últimos (mayoristas, minoristas y tiendas de venta directa) de
las cadenas de suministro para evitar la creación de lotes de excesivo tamaño y así
mejorar su rotación y rentabilidad por producto. En estas condiciones, la logística
empleada debe ser muy eficiente, como hemos señalado, para evitar costes de
transferencias y las consecuentes economías de escala, citadas, que perjudican los
objetivos anteriores.
El párrafo anterior parece excluir de nuestro trabajo a otros agentes, como fabricantes y
proveedores de materias primas, cuyos sistemas de reposición no siguen, por lo general,
lo descrito para el modelo OUT94. En el caso de los primeros escalones de la cadena,
como sucede con fabricantes y proveedores de materias primas, es claro que pueden
verse sometidos al efecto látigo generado por sus clientes, sean mayoristas, o
minoristas, y que ellos a su vez pueden transmitir a otros proveedores los mismos
efectos perversos95; pero conviene considerar a este respecto dos circunstancias que
permiten suponer una mejora en las posibilidades de reducir o sortear las consecuencias
del efecto.
Generalmente las asociaciones entre fabricantes y proveedores son comparativamente

más eficientes, desde el punto de vista logístico, que las habidas en otras etapas de la
cadena (por ejemplo, asociaciones tipo JIT, o Lean Supply) lo que amortigua, si no
elimina, el efecto látigo entre estas dos etapas iniciales de la cadena (no obstante, y a
pesar de trabajar en estas condiciones, el proveedor se verá sometido a los mismos
efectos que sufra su cliente).
94
[Silver,1985] y otros autores citan el uso de los modelos OUT como resultado final de aplicar un MRP, por lo que
este modelo es aplicable a otros integrantes de la cadena.
95
En [Taylor,2002] se indican ejemplos documentados en los que la amplificación de la varianza se hace notar en las
transferencias internas en las plantas de fabricación de vehículos.
71
Pero cuando estas asociaciones no están establecidas, los proveedores de materias
primas sufrirán la distorsión de la demanda aún más que el resto. En una gran parte de
las cadenas de suministro, a medida que nos remontamos aguas arriba el producto está
menos definido y en consecuencia se aplican más las economías de escala respecto a los
inventarios (por razones operativas las cadenas de suministro tienden a establecer las
diferencias de los productos hacia el final de la cadena).
En otras palabras, la cantidad de productos distintos en un escalón determinado de la

cadena, es, por lo general, más que las que mantiene su cliente el fabricante y éste más
que su cliente el proveedor. Dado que los costes que supone tratar con flujos PULL, son
mayores que los correspondientes a los flujos PUSH, una práctica acertada de gestión de
la cadena consiste en acercar al mercado el punto de cambio de PUSH a PULL o punto
de desacoplo.
Fig. 4.2. Flujos Push y Pull y Punto de Desacoplo en la cadena de

suministros.
El efecto látigo se presenta con una menor incidencia en los flujos PULL y, por lo
contrario, se hace sentir más en los PUSH. De las dos partes de la cadena, la parte PULL
es justamente la que gestiona más variedad de producto, mientras que la parte con
gestión PUSH, más afectada por el fenómeno, gestiona menor variedad y aplica con
mayor frecuencia economías de escala, por lo que compensa dicha mayor incidencia
con una gestión menos compleja y con costes de inventarios más bajos.
72
De aquí que los costes financieros, costes de manejo de mercancías, obsolescencia, etc.,
sean menores para los agentes de las primeras etapas de la cadena respecto a los últimos
y la necesidad de que la gestión logística deba ser mejor al final que al principio. Sin
duda, los proveedores de materias primas se verán afectados por el efecto látigo, pero
sus consecuencias económicas96 serán más soportables que las de los agentes situados al
final. En otras palabras, mayor efecto y menores costes al principio ―agente
proveedor― que al final ―agente cliente.
Concluimos esta parte diciendo que los métodos de gestión de existencias basados en el
MRP ― utilizados con profusión en la fabricación ― tiende a distorsionar per se la
demanda recibida, debido a que se aplican técnicas de agrupación, o creación de lotes97
que dificultan la transmisión entre escalones de la demanda real. Por las razones
reflejadas, nuestra preocupación por la influencia de técnicas del tipo MRP en la
generación del efecto látigo no están dentro de lo expuesto en este trabajo y nos
limitaremos a las basadas en las OUT aplicadas a los agentes intermediarios.
Como veremos con posterioridad, hay diversas formas de llevar a la práctica los
modelos de gestión OUT. De ellos comentaremos los más utilizados en los estudios
sobre el efecto látigo.
En nuestra opinión, en contra de lo mantenido por ciertos autores, los sistemas basados
en el OUT son los que menos efecto látigo producen, por transmitir un patrón de
demanda similar al que reciben, siempre que se mantengan las circunstancias regulares
de comportamiento de la demanda.
96
Las consecuencias perversas del efecto látigo para las economías de los agentes no se deben a la distorsión de la
demanda, sino a los resultados que esto tiene sobre los costes derivados de la gestión del inventario y atención al
cliente.
97
[Silver,1985] op.cit.
73
4.3. SECUENCIA TEMPORAL DE LAS DECISIONES TOMADAS POR LOS
AGENTES
Puesto que el orden en el tiempo de las decisiones tomadas por los agentes tiene una
influencia determinante en los resultados de los análisis que después veremos, vamos a
establecer los pasos que cualquiera de los agentes seguirá durante la gestión de los
aprovisionamientos.
La concatenación de hechos es la siguiente desde los inicios del proceso de reposición

en un cierto momento t (final de t – 1) hasta el final del momento t (inicio del momento
t +1).
a. Al comienzo de t el agente recibe el pedido cursado L periodos anteriores a su

proveedor.
b. Posteriormente recibe la petición de su cliente por una cierta cantidad dt de

producto.
c. El agente atiende la petición recibida.
Puede suceder que se carezca de inventario suficiente para satisfacer la demanda; en

ese caso se satisface la cantidad debida con posterioridad (en otras palabras se
permiten las denominadas back-orders). Esto supone que a efectos de cuantificación
habrá valores negativos en el inventario. Puesto que no vamos a estudias costes, nos
limitaremos a atender la demanda en el momento que se pueda, sin considera quien
soporta los costes de tal situación.
Consecuentemente, como estamos analizando comportamientos transitorios y no

tiene sentido un modelo que incorpore la satisfacción inmediata de las órdenes en
esta situación, ya que de existir órdenes insatisfechas, la parte no abastecida se
podrá satisfacer cuando la demanda se haya regularizado; lo que, por razones del
estudio, debe ocurrir en un periodo de tiempo relativamente breve en relación a la
74
duración del transitorio. En otras palabras, el cliente deberá esperar un breve lapso
de tiempo, supuestamente admisible por su parte, a que la demanda se regularice.
En la realidad esto puede acontecer perfectamente y además resultar admisible. Por

ejemplo, si por las circunstancias que fueran, la demanda de un producto aumenta
bruscamente hasta causar desabastecimiento, ningún cliente puede esperar conseguir
el producto inmediatamente, lo importante es que la parte no entregada se satisfaga
con suficiente rapidez. En otras palabras, desde el punto de vista de nuestro análisis,
es más importante una respuesta rápida antes que la inclusión de condiciones
matemáticas que compliquen el modelo sin causas que realmente lo justifiquen.
d. El siguiente paso dado por el agente consiste en revisar su inventario para

conocer la situación de las existencias.
Por ahora haremos referencia a un inventario genérico sin detenernos en analizar

más este aspecto; aunque, como después veremos, es sumamente importante la
consideración del tipo de inventario para ajustar adecuadamente la respuesta del
agente al cambio de la demanda.
Luego comentaremos lo que consideramos una hipótesis inadecuada que muchos

estudiosos de este fenómeno aplican y que consiste en sustituir el conocimiento
real de la situación del inventario por una estimación.
e. Acto seguido el agente ejecuta un modelo matemático de previsión, que

posteriormente estudiamos, con el fin de determinar la cuantía futura de la
demanda para el periodo siguiente t + 1, periodo que viene marcado por el
tiempo de revisión y que, en consonancia con las prácticas comunes en el sector
de la distribución –también en el industrial-, suele ser un periodo. Esto es, se
revisan las existencias cada periodo y se solicita producto cada periodo.
Obviamente, esta práctica no esta en absoluto generalizada y depende de

múltiples factores que el periodo de revisión sea mayor de un periodo, pero en
estos casos siempre se puede simplificar el modelo y reducirlo al caso anterior,
75
sin más que operar en lugar de con tiempos reales con periodos múltiplos del
tiempo de revisión. Por ejemplo, si el tiempo de revisión es de 3 unidades de
tiempo –días, semanas, etc.- y el tiempo de demora de 12 unidades, podremos
cambiarlo y operar con un tiempo de demora de 4 periodos y un tiempo de
revisión de 1 periodo.
Por supuesto que el resultado de este modelo no podría ser el del original, si no
consideramos el hecho de que demanda ocurra en fracciones de este periodo.
Como ya hemos dicho en la primera parte de este capítulo, trabajamos con
señales discretas de periodo unitario y que, para lo que continua, coincide la
velocidad de muestreo –velocidad de acceso a datos- con la velocidad con la
que se generan los datos de la variable principal, que es la demanda. Pero en el
caso de simplificar de la forma descrita, estaremos en un modelo con velocidad
de muestreo mayor dependiendo la frecuencia con que ocurre la demanda en el
periodo definido.
Conforme a la práctica común el inventario objetivo se recalcula cada tiempo de

revisión, por lo que también se necesita, como luego veremos, extender la
predicción de la demanda hasta el final del periodo de demora del proveedor,
que, por cierto, consideramos, constante. Por tanto, su previsión debe abarcar
todo el horizonte temporal definido por la demora, siendo ésta la esencia del
funcionamiento del modelo de reposición OUT.
f. De acuerdo con lo determinado en los pasos anteriores, el agente calcula sus

necesidades basadas en su previsión de demanda para el próximo periodo, su
inventario objetivo y las existencias habidas98.
g. Por último, el agente cursa sus necesidades a su proveedor, justo cuando finaliza
el momento t.
98
Este cálculo se explicará con mayor detalle, porque al ser la base para el estudio del efecto látigo introduciremos
variaciones que lo modifican, aunque no sustancialmente. Por ahora sólo nos referimos a existencias sin especificar
cuáles.
76
Es bien sabido que la simulación de un modelo necesita de un “reloj” que marque la
secuencia de eventos, si no queremos anteponer, o posponer acciones que darían al
traste con el resultado. En nuestro caso el paso mínimo de ese “reloj” vendrá dado por el
Tiempo de Revisión (TR) de manera que cualquier otro tiempo será un múltiplo de éste
y, teniendo en cuenta lo dicho, en el caso concreto de la demora L ― tiempo
transcurrido desde que se cursa el pedido al proveedor hasta recibir el producto en los
almacenes del agente ― el tiempo comienza a contar justo a finales del periodo t y
concluye al comienzo del periodo t + L. Siempre supondremos que L es múltiplo del
intervalo mínimo t
Como hemos indicado, al ser las variables manejadas discretas, el tiempo de revisión
marca la cadencia del muestreo de las variables. De manera que, para nuestros estudios,
carece de sentido real hablar de frecuencias de muestreo (muestras por unidad de
tiempo) inferiores a este tiempo.
A efectos de simulación del modelo la cronología de los eventos debe ocurrir tal y como
hemos dicho, para evitar que el modelo entre en cálculos circulares.
4.4. MODELOS DE PREDICCIÓN DE DEMANDA
Como hemos dicho en el punto anterior, se necesita predecir la demanda para establecer
la orden de reposición. Recordamos que ya hemos citado que una de las causa de la
distorsión de la demanda es el modelo de predicción utilizado por los agentes. Como
veremos en el análisis de la función de transferencia, el modelo de predicción
condiciona el comportamiento de la transmisión de órdenes aguas arriba de la cadena.
Todos los análisis se encaminan a mostrar que también su influencia es decisiva en el

comportamiento transitorio de las variables estudiadas, órdenes cursadas e inventario.
Vamos a estudiar tres de los métodos usualmente empleados. Uno de ellos es el que por
su facilidad de cálculo y fiabilidad en los pronósticos se utiliza como modelo de
pronóstico. Nos referimos al Alisado Exponencial (AE) cuya ecuación de predicción es
77
(4.1) Ft +1 = αd t + (1 − α ) Ft = Ft + αet
Donde Ft es la previsión de la demanda hecha para el instante t.
dt es la demanda real en el instante t.
et es el error de previsión cometido en el instante t
D, es la constante de alisado y puede variar entre 0 < α ≤ 1 .
Dependiendo del grado de aleatoriedad de la serie, el valor de D debe aproximarse al

extremo inferior para series con una componente aleatoria relativamente baja y al
extremo superior para series más inestables. En todo caso, subyace la hipótesis de una
demanda de tendencia constante, por lo que las predicciones para periodos superiores a t
+ 1 hechas en el periodo t es constante y coincide con la hecha para el citado periodo.
(4.2) Ft + i = Ft +1 i = 1, 2,…
Este método carece de posibilidad de predecir tendencias no constantes, por lo que

necesariamente ha de corregirse y completarse para conseguir cierto grado de fiabilidad
cuando la serie cronológica de la demanda presenta ese tipo de tendencia. Lo mismo se
puede decir de la estacionalidad, lo que obliga a introducir un tercer parámetro. Todo
ello complica el modelo, como después veremos, por lo que nos limitamos a mostrarlo
para dar cuenta de su complejidad. El modelo, conocido como alisado exponencial
doble con estacionalidad o modelo Holt-Winters, responde a las ecuaciones
(4.3)
dt
Ot +1 = α + (1 − α )( Ot + Tt ) Ajuste de observación
St − L
Tt +1 = β ( Ot +1 − Ot ) + (1 − β ) Tt Ajuste de tendencia
78
⎛ d ⎞
St +1 = St +1− M + γ ⎜ t − St +1− M ⎟ Ajuste de estacionalidad
⎝ Ot +1 ⎠
Ft + k = ( Ot +1 + kTt +1 ) St + k − M ; k = 1,… , M Predicción
donde
Ot, corresponde a la estimación de la demanda desestacionalizada.
Tt, es la estimación de la tendencia.
St, es la estimación de los coeficientes de estacionalidad.
M, es el número de coeficientes de estacionalidad.
En lugar de emplear varias ecuaciones otro modelo de alisado exponencial doble con
posibilidad de predecir cambios de tendencia viene dado por la siguiente única
ecuación99.
Ft + n = αd t + βd t −1 + ⎡⎣ 2 + ( n − 2 ) α + ( n − 1) β ⎤⎦ Ft + n−1 −
(4.4)
− ⎡⎣1 + ( n − 1) α + nβ ⎤⎦ Ft + n−2
Donde
Ft, es la predicción en el momento t.
99
[Adelson,1966] se refiere a un estudio de D. H. Ward publicado en 1963, “Comparison of different systems of
exponentially weigthed prediction”, publicado en The Statistician. En este trabajo se comprueba que los resultados
obtenidos son similares con el modelo de una sola ecuación que con el modelo de ecuaciones separadas. Existe
también un modelo de alisado con triple parámetro y una sola ecuación que sustituye al modelo dado en (4.3). En esta
fórmula los parámetros D y E, o “predictores”, según el autor citado, deben ajustarse para conseguir el menor error en
la predicción; por ejemplo, el menor error cuadrático medio, de manera que sus valores no se limitan al rango
comprendido entre 0 y 1, como ocurre en el alisado exponencial.
A título comparativo con modelos similares, el programa informático de predicción económica EVIEWS 4.1 cita en
su manual de uso otra fórmula empleada en el alisado doble. Desarrollada esta fórmula, hay una gran similitud con la
aquí estudiada. Las semejanzas determinarían que E = D/(D-1), siendo 0 < D <1. En esta fórmula, utilizada por el
programa informático, D se relaciona con la predicción sin ajustar tendencia y E con el ajuste de tendencia.
Asimismo, en este manual se citan a autores (Bowerman T. y Richard, T. Time series and forecasting. An applied
aproach. Duxbury Press-1979) que sugieren valores de D entre 0,3 y 0,01.
79
D, E, son parámetros a ajustar para conseguir el óptimo en la predicción. Estos
parámetros deben cumplir la condición de que D,E c R.
dt, corresponde a los valores de la serie de datos conocidos para diversos

momentos t.
n, el número de periodos que se predice por adelantado.
Es de interés esta ecuación, porque nos permitirá hacer un estudio de estabilidad del
sistema cuando se utiliza este método de predicción sin echar mano del ecuaciones
múltiples más complejo de manejar.
Otro modelo de predicción es el de la Media Móvil, que podemos considerar como una
particularización del modelo anterior a los efectos de analizar su influencia en el
comportamiento de la función de transferencia.
La predicción viene dada por:
m −1
∑d t −i
(4.5) Ft +1 = i =0
Mediante este método no es posible predecir series con tendencia, o estacionalidad.
El valor de m depende de la aleatoriedad de la serie. Para series con alto porcentaje de

aleatoriedad convienen valores bajos de m y al contrario.
Una de las ventajas de ambos métodos es su amplia difusión, pues, sin excesivas
exigencias en cuanto a sus resultados, se hallan incorporados a cualquier hoja de cálculo
(incluso puede que esto no suponga ventaja alguna, ya que la interpretación de los datos
requiere de conocimientos y experiencia y no deben ser utilizados como si fueran el
resultado de un simple cálculo matemático, lo cual podría desencadenar un efecto de
distorsión de las órdenes a lo largo de toda la cadena).
80
Un tercer método de predicción es el Mínimo Error Cuadrático Medio (MECM). Está
demostrado100 que la predicción para el periodo t + i aplicando MECM a un modelo de
demanda ARIMA, es la esperanza de dt+i condicionada al conocimiento de las
observaciones previas dt,dt-1,dt-2, …
(4.6) Ft + i = E ( dt + i d t )
Por ejemplo, si suponemos que la demanda sigue un modelo autorregresivo AR(1)
d t +1 = μ + φd t + ε t +1
(4.7)
φ < 1; ε t ∼ N ( 0, σε )
Por lo que
(4.8) d t +2 = μ + φ (μ + φd t + ε t ) + ε t +2
Recursivamente
d t + i = μ + φ + φ2μ + + φi −1μ + φi d t +
(4.9)
+φi −1ε t +1 + φi −2ε t + 2 + + εt+i
1 − φi
(4.10) dt +i = μ + φi d t + φi −1ε t +1 + φi −2ε t + 2 + + εt +i
1− φ
Por lo que
1 − φi
(4.11) Ft + i = E ( d t + i d t ) = μ + φi d t
1− φ
supuesto que
(4.12) E ( ε t + i d t ) = 0 i = 1, 2,…
100
[Box,1970]. Cap. 5, p. 128.
81
Si el modelo es un ARIMA(1,d,1) siempre puede reducirse a otro ARMA(1,0,1),
tomado diferencias, conforme a la metodología descrita al respecto101. Resuelto este
punto, seguiremos los mismos pasos que en el modelo anterior.
d t +1 = μ + φd t − θε t + ε t +1
(4.13)
φ < 1; θ < 1; ε t ∼ N ( 0, σ t )
Recursivamente
d t + i = μ + φ + φ2μ + + φi −1μ + φi dt − φi −1θε t +

(4.14)
( φ − θ) ( φi −1ε t +1 + φi −2ε t +2 + + ε t + i −1 ) + ε t + i
Por lo que
1 − φi
(4.15) Ft + i ( t ) = E ( d t + i d t ) = μ + φi d t − θφi −1ε t
1− φ
Bajo el supuesto de que
(4.16) E ( ε t + i d t ) = 0 i = 1, 2,…
Como se observará, podemos decir que la predicción i periodos hacia adelante es una
función dependiente del valor de los parámetros P, I y T, y de los datos
correspondientes al momento en el que se efectúa, es decir:
(4.17) Ft + i = f ( μ , φ , d t ) para AR(1)
(4.18) Ft + i = f ( μ , φ ,θ , d t , ε t ) para ARMA(1,1)
Sí calculáramos la predicción para modelos de orden dos ― AR(2), o ARMA(2,2) ―

veríamos que además de los citados parámetros dependería de los datos de la demanda
en el momento t de hacer la predicción y de los del momento anterior t-1.
101
[Box,1970]
82
A efectos prácticos esto significa que las decisiones se toman con mayor retraso, dado
que tenemos que esperar dos periodos para hacer la predicción de demanda y determinar
la cuantía del pedido. Por esta razón, cuanto mayor es el orden del modelo, mayor es el
retraso en las decisiones y tanto más inestabilidad ha de esperarse al ser las
consecuentes acciones correctoras más tardías.
Claramente, éste es el caso de la predicción por media móvil, cuyo retraso es el propio
orden de la media; como lo es también el alisado exponencial de parámetro simple o
múltiple, cuyo retraso viene, implícitamente, dado por el valor de los coeficientes de
alisado102. Queda claro que a mayor orden p, q, de un modelo autorregresivo, o
autorregresivo y media móvil, la estabilidad del sistema será peor y, consecuentemente,
también serán mayores los efectos perversos de la distorsión de la demanda.
En la realidad los modelos ARIMA suelen ser de bajo orden, por lo que generalmente
suele haber retrasos significativos de primer o segundo orden. Aunque en teoría la
demanda puede comportarse como un modelo ARIMA(p,d,q), la realidad corrobora que
los valores de p y q son bajos; lo que, por otra parte, es lógico en los comportamientos
de los mercados. Si p y q tuvieran valores altos querría decir que existen influencias en
la demanda actual de demandas p periodos anteriores y de errores de pronóstico q
momentos anteriores, algo sin mucho sentido en mercados cambiantes como los
actuales103.
Para nuestro estudio hemos elegido estos dos modelos de demanda (uno, autorregresivo
puro y otro, autorregresivo con media móvil, ambos de primer orden) para el estudio del
comportamiento de la predicción por MECM, porque son modelos más frecuentes que
los de orden mayor.
102
La relación pm = (1-D)/D, determina el valor promedio pm del orden de una media móvil, que predice igual que un
alisado exponencial de coeficienteD.
103
Dejamos claro que no nos estamos refiriendo a influencias estacionales, cuyo estudio mediante modelos SARIMA
iría en la misma línea que lo dicho
83
Ya hemos citado anteriormente104 que estudios hechos sobre demandas de productos de
gran consumo muestran como los modelos de demandan siguen comportamientos
AR(1).
Es importante destacar, para afrontar razonamientos en posteriores etapas, que la

estimación de la demanda se va a hacer un periodo adelantado respecto del momento
considerado, dado que la actualización del inventario se hace periodo a periodo, tal y
como se ha señalado en la descripción de las reposiciones en el modelo OUT de gestión
del inventario.
En relación a los otros dos métodos citados, el MECM tiene, en principio y como
veremos después, la importante ventaja de no introducir inestabilidad en la función de
transferencia y eso evita que la distorsión de la demanda progrese en la cadena. Sin
embargo, adolece de la dificultad de que requiere una previa estimación de los
parámetros del modelo y sus parámetros a partir de la serie de demanda, lo cual no es
tarea sencilla para una persona con pocos o nulos conocimientos sobre series
temporales.
Para los modelos AR(1) y ARMA(1,1) el factor constante P suele estimarse con una
media móvil una vez identificado el modelo y conocido el parámetro I, por medio de la
ecuación de la media incondicional τ y supuesto que la media móvil de una parte de la
serie es la estimación de dicha media incondicional.
μ
(4.19) τ=
1− φ
Esta aproximación al valor de P puede hacerse puesto que suponemos la estacionariedad

de la serie y eso implica que tanto I, el caso de un AR(1), como I y T en un
ARMA(1,1) permanecen constantes y menores que la unidad. Además, este cálculo es
104
[Lee et al.,2000]
84
conveniente para así poder adaptar el inventario objetivo en función de la marcha de la
serie.
Hemos de decir que los modernos programas informáticos de gestión, ERP, incorporan
herramientas que facilitan, si no automatizan, estas estimaciones, por lo que está más
fácilmente al alcance de la mano la identificación de una serie de demanda.
4.5 MODELO BASADO EN LA RECUPERACIÓN GRADUAL DEL INVENTARIO
FÍSICO
En cualquiera de los estudios que realicemos, supondremos que este modelo de gestión
es el adoptado por un agente situado en cualquiera de los escalones de la cadena de
suministros. Según el modelo que se pretende estudiar, las órdenes de
aprovisionamiento cursadas a otro agente proveedor (no importa cual sea su función en
la cadena) se determinan en función de la demanda estimada y la diferencia surgida
entre un inventario objetivo, que a continuación definimos y el real disponible en ese
momento en almacén (no se consideran las existencias ya reservadas a clientes, ni las
unidades en camino, o pendientes de entregar). El inventario objetivo se ha fijado
previamente a partir de los datos de la demanda soportada por el agente en periodos
previos al considerado. El inventario objetivo I o se puede calcular, dependiendo del
método de estimación, mediante la siguiente formula.
(4.20) I o = DL + K σε, L
donde
D L , es la estimación de la demanda para el periodo L, que es el tiempo

transcurrido desde que el agente cursa un pedido hasta que se recibe y está
disponible en su almacén, más el periodo de revisión. En otros términos, si el
tiempo transcurrido desde que se cursa el pedido hasta que se recibe es TS, y el
tiempo de revisión es TR.
85
(4.21) L = TS + TR
Recordamos que por definición TR = 1 periodo y TS se expresará en múltiplos de TR.

Por tanto.
(4.22) L = TS + 1
Por la secuencia de eventos que hemos definido, un pedido se recibe al final del día, por
lo que está disponible al día siguiente, de manera que podemos decir que, para los
efectos del cálculo, en el valor de L ya queda incluido el periodo correspondiente al
tiempo de revisión, siempre que éste sea unitario.
σε,L , es la desviación estándar de los errores de pronóstico durante el periodo L.
Supondremos que la demanda es estacionaria en varianza y covarianza, lo que implica

que cualquiera que sea el modelo de predicción: Mínimo Error Cuadrático Medio,
Media Móvil, Alisado Exponencial, etc., σε,L es constante en el tiempo105, por lo que el
inventario de seguridad no jugará en los cálculos de comportamiento dinámico del

sistema. También es posible estimar este parámetro mediante una regresión hecha por
Mínimos Cuadrados Ordinarios106.
K, es el factor de seguridad, que para el caso de OUT se calcula aplicando el método del
centil crítico107. Este sistema de cálculo se ha desarrollado para minimizar los costes de
mantenimiento y de ruptura para todo el horizonte temporal108. Conocido el coste de
mantenimiento unitario del almacén cm y el coste de ruptura cr.
⎛ cr ⎞
(4.23) K = Φ −1 ⎜ ⎟
⎝ c r + cm ⎠
105
[Zhang, 2004b]
106
[Graves, 1999] Establece el cálculo en el caso del inventario de seguridad para demandas no estacionarias con
modelos ARIMA(p,i,q).
107
[HBS,1994]
108
[Zipkin, 2000] sustenta el cálculo que determina la fórmula final expuesta del método OUT, aunque hay otros
muchos autores que acometen este mismo cálculo.
86
donde Φ, es la función de distribución de la ley Normal estándar.
Conforme a lo expuesto la regla determinante de los pedidos que se cursan al proveedor

por un agente sometido a una demanda de su cliente viene dada por
⎧ Órdenes cursadas ⎫ ⎧ Estimación de la demanda ⎫

⎨ ⎬=⎨ ⎬+
⎩al agentes proveedor en t ⎭ ⎩del agente cliente para el periodo t ⎭
⎧ Diferencias entre inventario ⎫
+ KI * ⎨ ⎬
⎩ objetivo y real para el periodo t ⎭
La diferencia entre el inventario objetivo y el real podemos calificarlo como error de

inventario, mientras que KI, es una constante real y positiva ( K I ∈ R + ).
Las razones de la pertenencia de KI al conjunto de los números reales positivos, se basa

en la interpretación del papel de la constante en las aplicaciones prácticas reales. Como
después veremos, valores negativos de KI carecen de sentido en la vida real.
Desde el punto de vista matemático, el modelo se puede plantear mediante la ecuación
(4.24), donde ct corresponde a la orden cursada al proveedor, d t es la estimación de la

demanda para el próximo periodo e I0 e It, corresponden a los inventarios objetivo y
real, respectivamente
(4.24) ct = d t + K I ( I o − I t )
Ya hemos citado en la crítica expuesta en el capítulo III que este modelo OUT no se
corresponde con otro similar utilizado por autores tales como [Lee,1997b],
[Chen,2000a], [Zhang,204c], [Raghun,2001], etc., para el estudio del efecto látigo.
El modelo al que nos estamos refiriendo, propuesto por [Lee,1997b], establece que el
tamaño de la orden ct cursada a un proveedor corresponde a la demanda del periodo dt,
justo al momento de cursar la orden, más la diferencia de los inventarios fijados como
referencia estimados en ese momento It y un momento anterior It-1, tal y como se
refleja en la ecuación (4.25)
87
(4.25) ct = d t + I t − I t −1
Los niveles It e It-1 se calculan de la misma forma que se ha indicado en el modelo

anterior, teniendo en cuenta el consumo estimado para el periodo de demora L definido
por el plazo de entrega del proveedor, más un inventario de seguridad
( L)
(4.26) It = Dt + kσ e ,t L
( L)
(4.27) I t −1 = D t −1 + kσ e ,t −1 L
Como se observará, hay importantes diferencias entre ambos modelos dados por (4.24)
y (4.25), con un criterio favorable, en nuestra opinión, hacia el primero, por razones de
sentido práctico y mejor comportamiento, como ahora veremos.
Las ecuaciones anteriores (4.26) y (4.27) tienen la misma explicación que la dada para
la ecuación (4.20), por lo que ahorramos comentar el sentido de las variables y
parámetros que intervienen, aunque, obviamente, los inventarios de referencia de nivel
están calculados para los momentos t y t-1.
En algunos de los estudios citados, se parte del supuesto de que la demanda es

estacionaria en varianza y covarianza, lo que viene a ser verdad en gran cantidad de
casos, por lo que las desviaciones estándar de los errores son iguales e independientes
del momento del cálculo, circunstancia que elimina el segundo termino del lado derecho
de las ecuaciones (4.26) y (4.27), cuando se sustituyen en la ecuación (4.25) y si
suponemos, a título de ejemplo, que la demanda sigue un modelo AR(1) con coeficiente
de autocorrelación φ < 1 y las estimaciones de las demandas durante el plazo de
entrega L se hacen por mínimo error cuadrático medio, la ecuación (4.25) se

convierte109 en
( L) ( L)
(4.28) ct = d t + D t − D t −1
109
Más adelante explicaremos con detenimiento el desarrollo de esta fórmula, que, no obstante, puede verse en
alguna de las citas anteriores, en concreto en [Lee,1997b], página 550.
88
y según los modelos AR(1) aplicando MECM
( L) L L
⎛ 1 − φi ⎞
Dt = ∑ Ft + i = ∑ ⎜ μ + φi d t ⎟ =
i =1 i =1 ⎝ 1− φ ⎠
(4.29)
L (1 − φ) − φ (1 − φL ) φ (1 − φ L )
= τ+ dt
(1 − φ) (1 − φ)
por lo que
φ (1 − φ L )
(4.30) ct = d t + ( dt − dt −1 )
1−φ
Para ver el comportamiento de este modelo de reposición supongamos que en el

momento t se ha producido un escalón en la demanda de manera que dt = 2dt-1 y
previamente hemos determinado que los valores a los parámetros del modelo son, a
título de ejemplo, I = 0,8 y L = 20 periodos.
El resultado final es que la cantidad necesaria ct sextuplica la demanda en dt-1. Esta

cantidad se recibirá en el almacén 20 periodos después, muy probablemente cuando ya
no sea necesaria, lo que, dada su cuantía, entonces provocará una importante reducción
de sucesivas órdenes de reposición, a lo que seguirá una carestía en el inventario y de
nuevo se producirán sucesivos periodos de exceso y penuria.
Definitivamente, no podemos pensar en utilizar un modelo que no contempla la revisión

del inventario físico para cursar los pedidos, no sería realista hacerlo sólo con
estimaciones, además de que este modelo soporta mal los cambios bruscos en la
demanda. Puede ser un modelo con buen resultado para demandas con comportamientos
dinámicos estacionarios y sin cambios en la media, pero, por lo visto en este ejemplo, el
modelo desestabiliza la cadena y amplifica la demanda y, en consecuencia, debe ser
desaconsejado para paliar el efecto látigo.
89
Por otra parte, es difícil imaginar a gerentes de inventarios cursando pedidos a su
proveedor basados en estimaciones a medio, o largo plazo110 mientras que sus
inventarios alternan periodos de exceso y periodos de escasez. Por lo que no vemos su
utilidad en términos prácticos.
Por el contrario, el modelo que ahora proponemos tiene las ventajas de que se basa en la
gestión OUT “clásica” y que recupera el inventario perdido en los cambios bruscos de la
demanda.
R
En este modelo la cantidad ordenada corresponde a la estimación de la demanda, d t ,
para el periodo de revisión –tiempo entre pedido y pedido- o tiempo de ciclo, más una
cantidad que sirve para llevar el inventario real It –inventario físico propiedad de la
empresa existente en almacén- al nivel de referencia I0.
R
(4.31) ct = d t + I 0 − I t
Este modelo es exactamente el mismo que el definido por
(4.32) ct = d t ( R + L ) + IS − I t
R
En el que d t R ≡ d t y d t L + IS = I 0
y IS es el inventario de seguridad.
Como veremos después, este modelo necesita una corrección y es que, tal y como se ha
descrito, desestabiliza el sistema ante cualquier cambio de demanda, por lo que se debe
regular la recuperación del inventario para ser estable ante esos cambios bruscos de la
demanda, ya que, de otra forma, deberían de cursarse pedidos de un tamaño tal que
crearía un comportamiento anómalo como el descrito antes para el otro modelo.
De aquí que el modelo definitivo responda a la siguiente ecuación matemática.

110
Por medio o largo plazo queremos decir un plazo que normalmente es varias veces superior a un periodo, tiempo
entre pedido y pedido. Desde luego la duración a la que nos referimos, es la demora entre cursar el pedido y recibir el
producto y suele ser, como decimos, más de un periodo.
90
ct = d t + K I ( I 0 − I t )
R
(4.33)
La constante KI debe determinarse para dar la respuesta más adecuada a los cambios de
la demanda. Vamos a estudiar diversos comportamientos del modelo según sea el
modelo de predicción de la demanda empleado para estimar el inventario objetivo y la
demanda a un periodo.
Por lo descrito podemos representar este mismo modelo en un diagrama causal según se
indica en la figura 4.3.
Fig. 4.3. Diagrama causal del modelo OUT descrito. Se

muestran las relaciones entre las variables manejadas.
Veremos que, no obstante, sus ventajas frente al anterior, este modelo presenta
inconvenientes por su excesivo pico ante cambios bruscos de la demanda.
4.5.1 ECUACIONES DEL MODELO
Las ecuaciones discretas del modelo son las siguientes..
(4.34) C (t ) = F (t ) + K I ε(t ) Órdenes cursadas
(4.35) ε ( t ) = Io − I ( t ) Error del inventario
91
(4.36) R ( t ) = C ( t − L) Órdenes recibidas
(4.37) I ( t ) = I ( t − 1) + R ( t ) − D ( t ) Situación del inventario
(4.38) F (t ) = F (t,d ) Función pronóstico
C(t), corresponde a las órdenes cursadas por el escalón en estudio al anterior aguas
arriba de la cadena. Obviamente, C(t-L) son las órdenes cursadas retrasadas L periodos.
F(t), es el resultado de la predicción de la demanda y F ( t , d ) es la función de

predicción.
H(t), es la diferencia entre el inventario objetivo Io y el existente en almacenes I(t)

decepcionado el producto y servida la demanda.
Advertimos que el inventario objetivo es una función del tiempo, aunque

provisionalmente lo consideraremos constante para facilitar los cálculos.
R(t), corresponde a las órdenes recibidas. Salvo que la demanda quede insatisfecha, las
órdenes recibidas son las órdenes que se cursaron L-1 periodos anteriores.
La primera ecuación (4.34) ya ha sido descrita en párrafos anteriores y se refiere a la

forma en la que se llevará a cabo la gestión de las reposiciones del inventario. Es, por
tanto, la base del modelo de gestión. Hacemos notar que el valor de KI es arbitrario y
tiene una influencia determinante en el comportamiento del sistema.
En esta ecuación las variables que figuran tienen dimensiones distintas, así las órdenes
cursadas C(t) y la demanda predicha F(t) son variables tipo flujo (unidades/periodo),
mientras que H(t) tiene las dimensiones de variable stock (unidades). De aquí que la
constante de ajuste de inventario KI tenga la dimensión de periodo-1.
La inversa de esta constante corresponde al tiempo que tarda en alcanzarse el inventario

objetivo. Los valores negativos de la constante no tienen sentido, aunque eso no afecte
la estabilidad del sistema. Valores menores que la unidad ralentizan la consecución del
92
inventario objetivo y al contrario para valores crecientes. En otro apartado, cuando
hagamos una crítica del sistema, razonaremos la conveniencia de evitar ciertos valores
de la constante en la vida real.
El resto de las ecuaciones, y por este orden corresponden a:
− Error del inventario dado por la ecuación (4.35), expresa la diferencia entre un
inventario objetivo, por lo general el inventario definido por las ecuaciones (4.20) y
(4.23) ― en el caso de aplicar éstas para definir el inventario objetivo, debe
actualizarse la media y varianza de la demanda en cada periodo ― y el inventario
físico real de producto final, descontadas todas las cantidades comprometidas y por
tanto disponibles para suministrar al escalón siguiente de manera inmediata .
− La ecuación siguiente (4.36) corresponde a la relación entre las órdenes cursadas y

las recibidas L periodos después. En este caso supondremos que en circunstancias
normales las órdenes cursadas son las recibidas y no hay demanda insatisfecha en
cada pedido.
Cuando se produce un aumento súbito de la demanda, el inventario que lo soporta

cae, dependiendo de la cuantía y duración de ese aumento y de la rapidez de
respuesta del proveedor, así es la duración y cuantía de la ruptura del inventario.
Ante una situación de penuria en el suministro los clientes pueden optar por diversas
alternativas, entre ellas entrar en una dinámica de exageración de peticiones al
proveedor, lo que puede exacerbar el efecto látigo. Esta es una de las causas
expuestas por [Lee,1997a] como desencadenante de la amplificación de la
demanda.
Aunque ha sido estudiado estadísticamente los comportamientos de los clientes ante

fallos en los suministros de sus proveedores, según se indica en la figura 4.4, no está
clara su actitud en un momento determinado cuando se enfrentan a ellos. Esto
dificulta el estudio de la influencia de las rupturas de los suministros en el efecto
látigo; de hecho, a efectos de modelación de la demanda, podría considerarse como
una no linealidad.
93
Ya sabemos que las no linealidades requieren un conocimiento del comportamiento
del factor que las origina; sin embargo, no es sencillo conocer tales actitudes, basta
decir que los estudios hechos al respecto por empresas especializadas se venden por
altos precios.
S u stitu ir p rod u cto
26% S u stitu ir su m in istrad or
R ed u cir n eg ocio
16% 24% N o com p rar m ás el

p rod u cto
R eclam ar a la em p resa
8% R ech az ar d escu en tos

2% 24%
Fig. 4.4. Decisiones tomadas por los compradores frente a

fallos en las entregas de los proveedores111.
− La cuarta ecuación (4.37) se refieren a la situación del inventario real de producto

terminado, en la que interviene el inventario inicial y las entradas y salidas. En el
mismo sentido que hemos dicho antes, las salidas del inventario dependerán
obviamente de las existencias, dándose el caso frecuente de que, ante un aumento
inesperado de la demanda, no haya producto para atender la demanda. En estos
casos, supondremos que las cuantías no satisfechas se suministrarán más tarde, con
lo que al concluir el tiempo tomado para el estudio del modelo, la demanda resulta
totalmente atendida.
− Por último, queda la ecuación (4.38) correspondiente al pronóstico de la demanda

que, conforme a lo manifestado con anterioridad, se utilizarán diversos modelos
matemáticos de predicción para analizar su comportamiento.
111
[Ballou,1992], p. 21
94
A partir del diagrama causal dibujamos el diagrama de bloques tal y como se utiliza en
los sistemas de control. La explicación necesaria para su comprensión parte de las
ecuaciones del modelo, (4.34) a (4.38), descritas y la aplicación de la transformada Z.
Previamente y por simplificar, la ecuación (4.37) quedará transformada de acuerdo con
(4.39) I o − I ( t ) = I o − ⎡⎣ I ( t − 1) + R ( t ) − D ( t )⎤⎦
En el supuesto que el inventario objetivo se mantenga casi constante en el intervalo de

un periodo112 la ecuación (4.39) se puede escribir también como
(4.40) ε ( t ) = ε ( t − 1) − R ( t ) + D ( t )
En lo que sigue, y por ahorro de tipos de letra, expresaremos la transformada Z de una

función de argumento t con el mismo nombre de la función y argumento z.
Las transformadas Z a las anteriores ecuaciones discretas del modelo, sustituyendo la

(4.37) por su equivalente (4.40) será
(4.41) C (z) = F (z) + KIε(z)
(4.42) R (z ) = C (z) z−L
(4.43) ε ( z ) = ε ( z ) z −1 − R ( z ) + D ( z )
(4.44) F (z) = F (z) D(z)
4.5.2. FUNCIÓN DE TRANSFERENCIA
El diagrama de bloques que expresan las anteriores ecuaciones se refleja en la figura 4.5
Hacemos notar que el inventario objetivo se mantiene constante a efectos del cálculo,
112
Recordamos que el inventario objetivo se actualiza en función de tres datos: la media y la varianza de la demanda
y el valor de la demora L. El cálculo de la media y varianza se hace tomando unos pocos periodos anteriores al
momento del cálculo. Dependerá del número de periodos que se tomen, el que un cambio sustancial de la demanda
muestre su influencia en esos valores. Por otra parte, la demora L se considera constante en el estudio del modelo.
Con esto venimos a afirmar que el inventario objetivo podemos suponerlo constante en el desarrollo que sigue.
95
por lo que nos encontramos con un sistema SISO (Single Input Single Output) del que
queremos conocer dos cosas, la respuesta de las órdenes cursadas C y del inventario
final I en función de cambios en la demanda D dependiendo la función F de predicción
utilizada, media móvil (MM), alisado exponencial (AE), o mínimo error cuadrático
medio (MECM).
Con ello lo que pretendemos es conocer la cuantía y distorsión de la demanda que el

agente del modelo transmitirá a su anterior en la cadena, lo cual viene dado por C y el
comportamiento del inventario para analizar los costes que se generarían como
consecuencia del cambio en D analizado por los sistemas de predicción descritos.
Creemos conveniente recordar a este fin, que la función de predicción es uno de los
factores descritos, y generalmente admitidos, como causantes del efecto látigo113.
Fig. 4.5. Diagrama de bloques del modelo de gestión de

inventarios basado en la recuperación gradual del inventario
físico.
(Se ha de advertir que las ecuaciones (4.41) a (4.46) no corresponden exactamente al

modelo propuesto por los autores citados114, ya que ellos emplean el espacio continuo,
cuando es discreto, y además, quizá por esta misma razón, emplean una tasa temporal
de órdenes o pedidos, en lugar de pedidos directamente y una tasa temporal de
113
[Lee,1997a], op. cit.
114
[Towill,1982]
96
demanda, en lugar de la demanda. Esto fuerza a mantener unas ecuaciones con
discrepancias en la dimensión, mientras que eso no sucede en las anteriores).
Por tanto, nuestro interés se basa en determinar las funciones de transferencia

determinadas por
(4.45) H (z) = C (z)

D z ( )
(4.46) I ( z ) = DI ( zz)
( )
Efectuando operaciones la función de transferencia buscada es:
(4.47) H ( z ) = C ( z ) = z ( z − 1)F ( z ) + K z
L−1
L −1
I
D( z ) z −z +K L
I
Hemos preferido dejar sin desarrollar la transformada Z de la función de pronóstico F(z)

y así poder discriminar más claramente su influencia en el comportamiento del sistema.
Puesto que la transformada Z de la ecuación del inventario (4.37) corresponde a.
(4.48) I ( z ) = I ( z ) z −1 + R ( z ) − D ( z )
Por lo que
z
(4.49) I (z) = ⎡C ( z ) z − L − D ( z ) ⎤⎦
z −1 ⎣
Sustituyendo en esta última ecuación la función de transferencia H (z) queda
z ⎡1
(4.50) I (z) = H ( z ) − 1⎤⎥ D ( z )
z − 1 ⎢⎣ z L ⎦
por lo que
97
I ( z ) = ( ) = z ⎡⎢ 1L H ( z ) − 1⎤⎥
I z
(4.51)
D (z) z −1 ⎣ z ⎦
que es la función de transferencia correspondiente al inventario y que, por ahora,

dejaremos sin mayor desarrollo tal y como aparece en la ecuación (4.51).
En el caso de considerar el inventario objetivo como función del tiempo, cosa necesaria
si se pretende responder adecuadamente a una perturbación de la demanda, las
ecuaciones anteriores deberían incluir este término.
Rehaciendo las ecuación (4.41)
(4.52) C ( z ) = F ( z ) + K I ( I0 ( z ) − I ( z ))
y considerando la ecuación (4.48)
⎛ C ( z) z−L − D (z) ⎞
(4.53) C ( z ) = F ( z ) + K I I0 ( z ) − ⎜ ⎟
⎝ 1 − z1 ⎠
obtenemos
H ( z ) = C ( z) = z ( ) ( ( )
z − 1 F z + K I ( z )) + K z
L−1 I 0 I
(4.54) L−1
D( z ) z −z +K L
I
donde hemos incluido las funciones de transferencia del inventario objetivo y de la

predicción dadas respectivamente por
I0 ( z ) = 0 ( )
I z
D (z)
F (z)
F (z) =
D (z)
98
4.5.3. ESTABILIDAD DEL MODELO
La estabilidad del sistema vendrá determinada por los polos (raíces del denominador o
ecuación característica) bien de la función de transferencia (4.47) o de la función (4.54),
pues ambas tienen la misma ecuación característica
Por un lado, tenemos lo que corresponde a
(4.55) z L − z L−1 + K I = 0
Por otro, se ha de considerar que la función z-transformada de la de predicción F(z) e

I0(z) puede estar expresada mediante una fracción, dependiendo del método de
predicción utilizado, tal como ya hemos expuesto con anterioridad, lo que implicaría
que el denominador de ésta debiera formar parte de la ecuación de transferencia. Ya
veremos que no es así y que a todos los efectos del comportamiento de la función la
ecuación (4.55) es la que determina de manera fundamental el comportamiento del
sistema.
Resumiendo, si la función z-transformada de F(z) se puede expresar como
fnum ( z )
(4.56) F (z) =
fden ( z )
la ecuación características y los polos de la función de transferencia vendrían dados por
(4.57) fden ( z ) = ⎣⎡ z L − z L−1 + K I ⎦⎤ = 0
Como puede verse, hemos dejado expresado el denominador de la función z-

transformada de F(z) e I0(z) de manera implícita, para posteriormente estudiar
separadamente sus polos y la influencia en el comportamiento del sistema.
Comencemos ahora a estudiar los polos definidos por la segunda parte de la ecuación
(4.57) lo que corresponde como ya habíamos señalado, a
99
(4.58) z L − z L−1 + K I = 0
Recordemos a estos efectos que la estabilidad del sistema viene condicionada por la
posición de los polos en relación a la región definida por la circunferencia de radio uno
en el plano complejo. Es decir, si zi son las raíces ecuación característica la condición
de estabilidad está dada por.
zi < 1 Asintóticamente estable, o simplemente estable.
zi = 1 Marginalmente estable, o marginalmente inestable
zi > 1 Inestable.
Existe otra condición de inestabilidad, aparte de la anterior, definida como la existencia

de dos, o más polos en la frontera del círculo unitario.
Por razones prácticas, en la totalidad de los casos, y en el nuestro también, se busca que
el sistema sea estable y no marginalmente estable, cuya utilidad en nuestro caso sería
nula. Esto determina que se ha de cumplir estrictamente la primera de las condiciones
citadas.
Dependiendo de la demora y del factor de recuperación del inventario KI los polos

pueden cambiar. Nos interesa encontrar la relación matemática que une el valor de la
constante de recuperación del inventario KI con la demora L, de manera que
conozcamos los límites de KI y L dentro de los que el sistema de comporta con
estabilidad.
Para encontrar esta relación efectuaremos los siguientes pasos.
1. Las raíces o polos de la ecuación característica pertenecen al campo de los

números complejos ( z p ∈ C ), por tanto cualquier raíz, o polo i puede
expresarse como
(4.59) z pi = ri e jΩi
100
2. Nos interesa encontrar la relación entre KI y L justo para que, al menos, una
de las raíces cumpla con la condición de que ri = 1 .
3. Para este valor determinaremos la relación entre los valores de L, KI y :i de

forma que al final tendremos esa relación buscada
K I = f ( L)
4. Comprobar la bondad de los resultados teóricos con la simulación de ellos.
Sustituyendo en la ecuación característica (4.58) el valor de cualquier raíz, expresada

genéricamente por la ecuación (4.59), y despejando el valor de la constante KI
obtenemos
j ( L −1)Ω
(4.60) K I = −r L e jLΩ + r L−1 e
Como dijimos anteriormente Ki debe ser un valor real, por consecuencia, la parte
compleja de la ecuación (4.60) debe ser nula
(4.61) − r L sen LΩ + r L−1 sen ( L − 1) Ω = 0
de donde
sen ( L − 1) Ω
(4.62) r=
sen LΩ
Por otra parte, los valores de :que hacen que r = 1 , es decir, tales que
Es decir, que
sen ( L − 1) Ω
(4.63) = ±1
sen LΩ
La condición (4.63) sólo se cumple si
101
π
(4.64) Ω=±
2L −1
dependiendo de que se tome el valor +1, o -1, para que, a su vez, : sea positivo o
negativo.
En la ecuación (4.60) KI debe ser igual a la parte real de lado derecho de la ecuación.
(4.65) K I = − r L cos LΩ + r L−1 cos ( L − 1) Ω
Sustituyendo : de la ecuación (4.64) en la ecuación (4.65) obtenemos
(4.66) K I = r L−1 ( cos ( L − 1) Ω − r cos LΩ )
Para r = +1, sustituyendo : por su valor según la ecuación (4.64), queda
L −1 L
(4.67) K I = cos π − cos π
2L −1 2L −1
Y como
L −1 L
(4.68) cos π = − cos π
2L −1 2L −1
Queda
L −1
(4.69) K I = 2 cos π
2L −1
Para r = - 1, la ecuación (4.66), una vez sustituido el valor de :, considerando la

relación (4.68) e independientemente de que L sea par o impar, queda
⎛ L −1 L ⎞
K I = ( −1)
L −1
(4.70) ⎜ cos π + cos π⎟ = 0
⎝ 2L −1 2L −1 ⎠
102
Obviamente, el valor de KI = 0 carece de sentido práctico, ya que supondría que el
inventario no se recuperaría nunca, lo cual obliga a trabajar sin inventario, con los
consecuentes costes derivados de fallos en los suministros a los clientes. Esta situación
es irreal, porque aun en las cadenas de suministro gestionadas con técnicas Lean, los
inventarios son muy bajos, aunque nunca nulos.
Por tanto, la condición de estabilidad del sistema viene dada por la relación.
L −1
(4.71) K I < 2 cos π
2L −1
que también se puede escribir como
L−1 L−1
j π −j π
(4.72) KI < e 2 L−1
−e 2 L−1
También se puede obtener una acotación del valor de KI si aplicamos los criterios de
estabilidad dados por Jury para las funciones discretas. Estos criterios son:
Criterio 1º. Si F(z) es una función de grado n entero, que representa la ecuación
característica de la función de transferencia, se debe cumplir que: F (1) > 0
Criterio 2º. F ( −1) > 0 , para n par y F ( −1) < 0 , para n impar.
Criterio 3º. Si bn es el coeficiente de zn en la ecuación característica y b0 es el

término independiente de esa ecuación, se debe cumplir que: a0 < an
El cumplimiento de los tres criterios anteriores es la condición necesaria para que la

ecuación característica no tenga raíces fuera del círculo unitario.
Criterio 1º.
(1) − (1)
L −1
+ KI > 0
L
(4.73)
Lo que determina que
103
(4.74) KI > 0
Criterio 2º.
Cuando el valor de L sea par, el resultado de aplicar este criterio será.
( −1) − ( −1)
L −1
+ KI > 0
L
(4.75)
lo que es igual a
(4.76) 2 + KI > 0
La condición impuesta para KI por (4.76) es menos estricta que la dada por (4.73), por
lo que nos quedaremos con esta última.
Cuando el valor de L sea impar, se debe cumplir que.
( −1) − ( −1)
L −1
+ KI < 0
L
(4.77)
lo que implica que.
(4.78) KI < 2
Criterio 3º
El resultado es inmediato y supone que
(4.79) KI <1
La condición anterior dada en (4.79) es más estricta que la expuesta en (4.78), por lo
que nos quedaremos con la primera.
En conjunto, los tres criterios se pueden resumir de la siguiente forma, sea par o impar
el valor de L.
(4.80) 0 < KI <1
104
Claramente, la ecuación (4.71) cumple con estas acotaciones115 dadas en (4.80), ya que
KI sólo podrá alcanzar el valor 0 cuando L valga ∞ y el valor 1, cuando tome el valor L
= 2.
Podemos representar la relación entre KI y la demora L, así como el valor 1/ KI, que
corresponde al tiempo en el que se pretende recuperar el inventario.
1,2 14
-1
KI (periodo ) 1/KI (periodo)
12
1 KI
1/KI
10
0,8
8
0,6
6
0,4
4
0,2
2
L (periodo)
0 0
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Fig. 4.6. Relación entre la demora L, la constante de

recuperación del inventario KI y su inversa el tiempo de
recuperación del inventario, 1/ KI .
De la figura 4.6 se comprueba que la inversa de la constante de recuperación del

inventario, 1/KI, lo que llamaremos “Periodo de recuperación del inventario”, TI, varía,
en términos prácticos, linealmente con la demora L.
115
Recordamos que los valores de L = 0 y L = 1, no tienen sentido, dado que, tal y como se ha definido, L es la
demora de los proveedores más un periodo correspondiente al tiempo de revisión de las existencias. Luego nunca
podrá tomar valores menores que 2.
105
Podemos establecer, con suficiente aproximación, como después probaremos, que esta
relación lineal corresponde a la ecuación
(4.81) TI = 1 + 0,633( L − 2)
L KI Experimental : KI Teórica :
-1 -1
(periodos) (periodo ) Experimental (periodo ) Teórica.
2 1,00 60,0º 1,00 60,0º

3 0,617 36,0º 0,612 36,0º
4 0,446 25,70º 0,441 25,71º
5 0,347 20,00º 0,345 20,00º
6 0,285 16,37º 0,283 16,36º
7 0,240 13,86º 0,240 13,84º
8 0,210 12,10º 0,208 12,00º
9 0,185 10,60º 0,184 10,58º
10 0,165 9,49º 0,165 9,47º
11 0,150 8,58º 0,149 8,57º
12 0,136 7,84º 0,136 7,82º
13 0,126 7,21º 0,125 7,20º
14 0,117 6,68º 0,116 6,66º
15 0,109 6,22º 0,109 6,20º
Tabla 4.1. Relación entre la demora L, la constante de recuperación del

inventario KI y el ángulo :. Los datos se han obtenido mediante la
aplicación del programa Mathcad, resolviendo la ecuación
L −1
z −z + K I = 0 para diversos valores de L y ajustando KI para conseguir
L
que, al menos, una raíz quede justo sobre el borde de la región z i ≤ 1
Ahora, la condición de estabilidad, admitiendo como aproximación suficiente, viene

dada por
(4.82) TI > 1 + 0,633( L − 2)
106
La ecuación anterior (4.82) representa una manera simple de determinar los valores de
TI para los que el sistema estudiado permanece estable
Vamos a contrastar los resultados anteriores mediante la aplicación de un programa de

cálculo comercial116; los resultados obtenidos con una precisión de 0,001 se indican en
la tabla 4.1.
En ella se exponen datos, experimentales y calculados según las fórmulas de las

ecuaciones (4.64) y (4.82), de la constante KI y del ángulo :correspondiente a los
polos del denominador que están justo sobre la circunferencia de radio unidad para
diversos valores de L.
Para obtener los valores experimentales se ha aplicado el programa citado y, para

diversos valores de L, se ha forzado el valor de KI, de manera que se consiga situar una
o varias raíces sobre la frontera de la región de convergencia.
Se aprecia que la relación de TI con la demora de los proveedores es, aproximadamente,

lineal, aunque la respuesta del sistema depende de la inversa de TI, por lo que la
sensibilidad de KI frente a cambios ― aumentos ― de demoras en las respuestas de los
proveedores es mayor para demoras breves que cuando éstas se alargan.
En otras palabras, los responsables de la gestión de inventarios deben evitar la

recuperación rápida del inventario, jamás en menos de un periodo, y esta recuperación
se debe ralentizar a medida que el proveedor retrasa su entrega según lo formulado con
anterioridad.
Se ha de tener en cuenta que, como se deduce de la fórmula (4.64), el periodo de la

oscilación de la onda originada aumenta con la demora, de manera que la repercusión de
los efectos indeseables se hace notar mucho más.
Por ejemplo, según simulaciones llevadas a cabo, que posteriormente detallaremos, en

las que se han estudiado demoras en las entregas de proveedores de diecinueve periodos
116
Mathcad 2001i
107
(L = 20 periodos), pasar de un tiempo de recuperación del inventario de veinticinco
periodos (Ti = 25) a diecisiete (Ti = 17 periodos) supone someter al inventario a
oscilaciones de gran amplitud y largo periodo, cuya estabilidad no se alcanzará en
menos de 368 periodos, tal y como se muestra en la figura 4.7.
2500 2.500
Demanda (d)
Órdenes (q)
2000 Inventario (I) 2.000
Demanda y Órdenes
(Unds/periodo)
1500 1.500
Inventario
(Undsx10)
1000 1.000
500 500
0 0
-6
6
17
28
39
50
61
72
83
94
105
116
127
138
149
160
171
182
193
204
215
226
237
Periodos
Fig. 4.7. Respuesta de las órdenes cursadas y del inventario ante un

incremento de la demanda del 100%. La predicción se ha hecho por alisado
exponencial simple con parámetro 0,3. La demora en la entrega se
estableció en 19 periodos y el tiempo de recuperación del inventario en
16,66 periodos. Obsérvese que la escala real para la curva del inventario es
10 veces superior a lo reflejado y que en el periodo 236 el inventario aún
presenta un máximo de 13.174 unidades.
A efectos prácticos esto supone someter a una inestabilidad permanente al inventario,

dado que los ciclos de inestabilidad superan en duración a los plazos de entrega, por lo
que las oscilaciones se solaparán de forma continua, unas con otras, antes de agotarse.
En definitiva, no es fácil de llevar a cabo políticas que alarguen en el tiempo la

recuperación del inventario, porque requiere cierto temple de ánimo por parte de los
108
responsables, ya que, a medida que el proveedor alarga sus plazos, lo frecuente es que
los agentes reaccionen opuestamente a lo dicho en el párrafo anterior; con ello lo que
provocan es la inestabilidad de su propio sistema y de los agentes anteriores.
4.6. LA INFLUENCIA DEL MÉTODO DE PREDICCIÓN
En el estudio de la estabilidad de la función de transferencia hecho en el punto anterior,

hemos prescindido de la función de predicción, aunque es un factor crucial en el
comportamiento del sistema117.
Desde el punto de vista basado en el estudio de sistemas retroalimentados, la función de

predicción puede introducir polos que modifiquen la respuesta del sistema.
En nuestro caso vamos a estudiar el comportamiento de la función de transferencia para

varios métodos de predicción comenzando por el más usual.
4.6.1. ALISADO EXPONENCIAL SIMPLE
En la ecuación (4.3) se indica el modelo de predicción alisado exponencial simple. La

transformada Z de esta ecuación es
αz
(4.83) F ( z ) = D( z )
z − (1 − α )
Al sustituir la ecuación anterior (4.83) en la ecuación de la función de transferencia

(4.47) ―supondremos que el inventario objetivo es constante― queda
α ( z − 1) + K I ( z − (1 − α ) )
(4.84) H ( z ) = C ( z) = z L
D( z ) (z L
− z L−1 + K I ) ( z − (1 − α ) )
117
En la simulación del sistema y en el estudio de las funciones de transferencia se han utilizado los programas
EXCEL y Mathlab junto con la herramienta de apoyo Control Tool Box. Asimismo, los datos de simulación de
demanda se han tomado de la referencia [Douglas;1976]. Apéndice B: Collection of Time Series for Exercice. Tabla
B-1, 240 observaciones sobre la venta de prendas de punto.
109
Por consiguiente, la función pronóstico ha introducido un nuevo polo y un cero en la
función de transferencia, ello supone que se ha modificado la respuesta y la estabilidad.
Recordemos a este respecto que la introducción de un cero en la función de
transferencia modifica el ancho de banda y si se incluye un polo, se afecta a la
estabilidad y al pico.
Observando la función de transferencia podemos establecer algunas conclusiones

iniciales.
− En la ecuación (4.84) el factor zL lo único que hace, es crear un adelanto de L

periodos en el comportamiento dado por la parte fraccionaria; razón por la que
prescindiremos de este factor para el estudio y obtención de conclusiones sobre el
comportamiento del sistema. Los resultados obtenidos de la simplificación de la
ecuación (4.84), que a continuación se muestra en (4.87)
α ( z − 1) + K I ( z − (1 − α ) )
(4.85) H (z) =
simplif .
(z L
− z L−1 + K I ) ( z − (1 − α ) )
Deberemos aplicarles un adelanto de L periodos para disponer del comportamiento

definitivo del sistema. Este criterio lo utilizaremos en los sucesivos estudios en los
que aparezca la función de transferencia “base” dada por la ecuación (4.47) para
simplificar su estudio
− El numerador de la función de transferencia “simplificada” (4.85) correspondiente al

modelo de predicción por alisado exponencial simple, nos permite determinar los
ceros de ésta, por lo que operando el numerador de (4.85) la expresión del único
cero es
α. K I
(4.86) z0 = 1 −
α + KI
110
Dado que por razones de estabilidad del sistema tanto D como KI necesariamente
deben ser positivos y menores que la unidad, el resultado de (4.86) será también
siempre positivo y menor que la unidad.
Por otra parte, los valores límites de KI ya han sido estudiados en el apartado
anterior, y sabemos que estos valores deben estar por debajo de los valores límites
dados por la condición (4.71) (en realidad, cuanto menor es el valor más estable es
el sistema por las razones ya expuestas) y que llamaremos KI(máxima).
En otras palabras, los valores de operativos de KI deben ser mucho menores que
KI(máxima). Un valor aceptable, en principio, con el que se consiguen respuestas
adecuadas sin demorar en exceso la recuperación del inventario es el de 1/3 del
valor máximo admisible.
1
(4.87) K I ( operativa ) K
3 I ( máxima )
Para ver entre qué limites se mueve el valor del cero dado por la ecuación (4.86),
tomemos los valores que provocan la mayor oscilación posible del cero y que
corresponden a las condiciones dadas cuando L = 2, ― mayor valor posible de
KI(máximo)― lo que implica, siguiendo el criterio dado en (4.87)― que KI(operativa) =
0,333, esto supone que cuando D oscile entre, por ejemplo, D = 0,9 y D = 0,1, el
valor del cero de la función de transferencia simplifacada, z0, oscilará entre 0,756 y
0,923.
El cambio de valor del cero se traducirá en un cambio del pico de las órdenes
cursadas al proveedor, tal y como se indica en la figura 4.8.
Si en lugar de tomar una demora de L = 2, repitiéramos estos mismo cálculos para,

por ejemplo L = 7, KI(máximo) = 0,2411 y KI(operativa) = 1/3.KI(máximo) = 0,0804,
obtendríamos los siguientes valores límites para el cero de la función de
transferencia, z0.
111
z 0 = 0,9554 para α = 0,1
z 0 = 0,9262 para α = 0,9
Step Response
1.8
1,66
1.6 alfa = 0,9
1.4
1,27 alfa = 0,1
1.2
1
Amplitude
0.8
0.6
0.4
L=2
K = 0,333
0.2
0
0 5 10 15 20 25 30 35 40
Periodos
Time (sec)
Fig. 4.8. Respuesta de las órdenes cursadas ante un incremento de la

demanda del 100%. Se han hecho dos ensayos; uno, con D = 0,1 y
otro, con D = 0,9. Los picos corresponden a 1,27 y 1,66,
respectivamente. El estudio está hecho para una demora de L = 2
periodos y un valor de KI = 0,333 (un tercio del valor máximo
admisible).
Como se deducirá, la variación experimentada por la posición del cero dentro de

la región de convergencia (circunferencia unidad) es mínima, por lo que
podemos concluir que para valores intermedios o elevados de demora, la
influencia del parámetro D del alisado exponencial en el pico de la señal
correspondiente a los pedidos cursados al proveedor es mínima y se hace más
112
inapreciable a medida que el tiempo de demora L aumenta; esto queda reflejado
en la figura 4.9.
Step Response
1.6
alfa = 0,1
1.4
alfa = 0,9
1.2
1
Amplitude
0.8
L=7
0.6
Ki = 1/3Kmáx = 0,0803
0.4
0.2
0
0 10 20 30 40 50 60
periodo
Time (sec)
Fig. 4.9. Respuesta de las órdenes cursadas ante un incremento de la

demanda del 100%. No se observan diferencias destacables en el pico
de la señal.
No obstante, hay, como se ve en la figura 4.9, diferencias debido al efecto de los

polos en lo que D también tiene su influencia, como ahora veremos.
En resumen, podemos decir que los cambios en el parámetro de alisado D,

prácticamente no tienen influencia sobre el pico de la señal de la demanda
trasladada a los proveedores.
No ocurre lo mismo con la recuperación del inventario, dado que el inventario es

el resultado de la acumulación de la diferencia entre entradas y salidas, le
113
afectan tanto el balance en unidades como el tiempo, de aquí que un retraso o
adelanto de las entradas (órdenes cursadas al proveedor) tenga su influencia
como se ve en la figura 4.10.
Step Response
1
0 alfa = 0,6
-1
alfa = 0,1
-2
Amplitude
L = 5 periodos
-3 Ki = 0,115
-4
-5
-6
-7
0 5 10 15 20 25 30 35 40 45 50
periodo
Time (sec)
Fig. 4.10. Variación del inventario para dos valores del parámetro de
alisado. El déficit de unidades es mucho mayor en el caso de que D
sea menor..
Si D se aproxima a cero el déficit de inventario aumenta como también la

duración de éste y al contrario. Este es un aspecto que debe ser considerado a la
hora de elegir el valor de D por su posible repercusión en los fallos al mercado.
− Como ya hemos dicho, los cambios observados en la respuesta de la figura 4.10

se debe también a los polos de la función de transferencia. La ecuación
característica de la función de transferencia “simplificada” (4.85) (denominador
114
de la función de esta función de transferencia) se compone de dos factores; el
primero, es el correspondiente a la ecuación determinante de la estabilidad del
sistema, y que ya hemos estudiado con detalle en apartados anteriores; sólo
recordar que el valor de KI es fundamental en el comportamiento de las órdenes
cursadas al proveedor, en concreto de su pico, de la oscilación que presente esa
señal y de la rapidez de seguimiento de la demanda; a menor valor de KI , mejor
será este comportamiento.
El segundo factor de esta ecuación característica esta formado por un polinomio

de primer grado en el que interviene D como término independiente, mejor aún,
1- D. Este segundo factor es el que crea la diferencia temporal que se observa en
las curvas de la figura 4.10.
A mayor valor de alfa ―menor valor de 1 - D― la respuesta es más rápida y al

contrario; sin causar efectos sobre el pico, ni otros aspectos relacionados con la
estabilidad. Los efectos derivados de éste cambio en la respuesta ya se ha
comentado en el punto anterior y reflejado en la figura 4.10
Finalmente, hemos de aclarar que el retraso mostrado por ambas señales en su

inicio (en la figura 4.10 se observa que hasta el periodo siete no despega la señal
de su valor cero) quedará corregido al incluir el adelanto debido zL, que ha sido
suprimido a fines de simplificación, lo que introduce un adelanto de L periodos
en la señal.
Como conclusión de este análisis sobre el comportamiento de un sistema de

gestión de inventarios según el método OUT ya descrito, ante un cambio brusco
en la cantidad de producto demandado por una etapa “cliente” y en el caso de
que la predicción se haga por un alisado exponencial simple, podemos establecer
los siguientes puntos:
1. Siempre surgirá un pico ―exceso de pedidos cursados en un determinado

intervalo de tiempo― de las órdenes de aprovisionamiento cursadas a la
115
etapa anterior. Esto tiene una grave repercusión en los costes de gestión para
los tres agentes implicados, cliente, minorista y proveedor del minorista,
dado que los pedidos cursados al proveedor sobrepasarán la demanda real,
todo ello en un periodo de tiempo relativamente breve, lo que puede llegar a
saturar la capacidad de respuesta del proveedor; a su vez, el propio minorista
se verá también obligado a tener que manejar una mayor cantidad de pedidos
en la recepción de su almacén, con posibles retrasos en entregas a los
clientes.
2. Es obvio que el pico refleja una situación tanto más grave cuanto mayor sea
ésta, por lo que si no hay posibilidad de eliminarla, hay que reducirla; pero, a
la vista del comportamiento de los dos parámetros D y KI, que condicionan el
comportamiento del sistema, lo único práctico que cabe hacer es disminuir el
valor de KI, o lo que es lo mismo, aumentar el tiempo de recuperación del
inventario, hasta límites que resultarían inadmisibles para cualquier empresa
para conseguir valores de pico razonables.
3. Debe quedar claro, por tanto, que no hay manera de mejorar el pico
manejando el parámetro de alisado y que el máximo alcanzado por la señal
es siempre muy elevado ―en torno al 30%, como valor mínimo y 50%, en
una gran cantidad de casos― aún con valores reducidos del parámetro KI
(siempre hemos operado con un KI = 1/3.KI(máximo))
De una manera indirecta esto se muestra en la figura 4.11 en la que se observa

una mayor oscilación del inventario, consecuencia de una oscilación de los
pedidos cursados al proveedor y consecuencia, a su vez, de un aumento del valor
de KI. En este caso un valor de D menor procura una mayor estabilidad para el
sistema.
116
Step Response
3
2
alfa = 0,6
1
0 alfa = 0,1
-1
Amplitude
-2
-3 L = 5 periodos
Ki = 0,23
-4
-5
-6
-7
0 5 10 15 20 25 30 35 40 45 50
Time (sec)
periodo
Fig. 4.11. Variación del inventario para dos valores del parámetro de
alisado. En comparación con los resultados de la figura 4.10 se
observa una mayor oscilación del inventario consecuencia de que KI
ha aumentado al doble (KI(máxima) = 0,347). En este caso un valor
menor de D da mayor estabilidad.
En línea con lo anterior, el sistema muestra una cierta insensibilidad a los cambios del
parámetro de estimación D, salvo por lo que afecta a la rapidez de respuesta, pues se
hace más rápida la señal a medida que aumenta su valor, el resto de otras prestaciones
prácticamente se resultan afectadas. Esto se puede ver en la tabla, en la que se
relacionan diversos valores de dichos dos parámetros y el pico resultante.
117
D = 0,05 D = 0,1 D = 0,6
L = 20
59% 62% 55%
KI = 0,027
L = 15
55% 61% 56%
KI = 0,036
L = 10
48% 58% 57%
KI = 0,055
L=5
35% 48% 61%
KI = 0,116
L=2
17% 27% 62%
KI = 0,333
Tabla 4.2. Resultados de pico de una señal para distintos valores de

los parámetros D,, L y KI. (Datos obtenidos con el programa
Matlab).
Debe advertirse que valores extremos de D y KI cambian radicalmente el

comportamiento de la función de transferencia, por ejemplo, si KI toma un valor
relativamente grande respecto a D, éste último puede resultar matemáticamente
despreciable frente al primero, por lo que altera el numerador de la función de
transferencia con resultados distintos a los usuales.
Observemos que, dada la estructura matemática de la función de transferencia, valores

pequeños de D ponderan más la historia de la variable predicha frente a su valor más
reciente y al contrario. Si observamos la tabla valores de D pequeños cuando las
demoras son más breves dan como resultado menor pico y al revés, lo cual es
contrasentido y puede lleva a equívocos a los gestores. Para plazos de entrega cortos,
mejor emplear valores de D pequeños y para demoras largas valores de D mayores,
aunque puede verse que esto no es muy relevante y, en definitiva, el valor de D deberá
elegirse por criterios de predicción más que por los comentados.
118
1600 5000
4500
1400
4000
1200
3500
1000
Unds/periodo
3000
Unidades
800 L = 5 periodos 2500
Ki = 0,115 = 1/3 Kmáx
alfa = 0,1 2000
600 ECM de la predicción = 49 unds.
BW estable = 0,3
1500
400 demanda
pedidos 1000
200 inventario
500
0 0
-6
7
19
31
43
55
67
79
91
103
115
127
139
151
163
175
187
199
211
223
235
Periodos
1800 5000
1600 4500
4000
1400
3500
1200
Unds/periodo
3000
Unidades
1000
L = 5 periodos 2500
Ki = 0,115 = 1/3 Kmáx
800
alfa = 0,6 2000
ECM de la predicción = 21 unds.
600 BW estable = 0,7
1500
demanda
400
pedidos 1000
inventario
200 500
0 0
-6
7
19
31
43
55
67
79
91
103
115
127
139
151
163
175
187
199
211
223
235
Periodos
Fig. 4.12. Comparación entre dos respuestas con valores distintos del
parámetro de alisadoD.
119
En la figura 4.12 se refleja la simulación de una respuesta a un escalón que
supone un aumento del 100% en el incremento de la media. La simulación se ha
realizado en una hoja Excel manteniendo constante todos los parámetros,
excepto el valor del factor de alisamiento del que se han tomado dos valores
extremos y supuestamente frecuentes en este tipo de predicción. El plazo de
entrega de proveedores es de 4 periodos, más uno correspondiente al plazo de
revisión, lo que corresponde a L = 5 periodos. El valor de la constante de
recuperación del inventario es de KI = 0,115 que, como venimos diciendo,
corresponde a 1/3 del valor de KI máximo permisible, esto es, sin que el sistema
entre en inestabilidad.
La figura correspondiente a D = 0,1 se observa un pico del 40% (1438 unidades)

cuando la demanda pasa de un valor promedio de 600 a 1200. El error cuadrático
medio (ECM) cometido en la predicción es de 49 unidades y el indicador del
efecto látigo (BW), medido como razón de las varianzas entre pedidos y
demanda cuando la curva de pedidos ha entrado en zona de estabilidad ―fuera
de la parte correspondiente a la cresta del transitorio, lo que corresponde a las
últimas 190 observaciones de un total de 240 ― es muy inferior a la unidad, lo
que demuestra la falta de tal efecto una vez que se ha estabilizado la demanda.
En el caso de la otra gráfica de la figura 4.12, con D = 0,6, se observa una

mejora en el ECM, no así en el pico que ha aumentado hasta el 54% (1525
unidades) en las mismas condiciones anteriores sobre la media de la demanda y
el indicador de efecto látigo que ha ascendido a 0,7 medido en la región de
estabilidad.
Es de destacar, de la comparación entre las dos gráficas de la figura 4.12, que la

respuesta del inventario es mejor cuando alfa aumenta, ello a pesar de que el
pico también aumenta, pero hemos de considerar que es el resultado de la
acumulación de unidades en el tiempo y claramente se observa que al ser el
tiempo de respuesta menor en la segunda gráfica, la acumulación es menor
120
también. En otras palabras, si un pico elevado es consecuencia de una mayor
rapidez, puede resultar que la recuperación del inventario sea mejor y eso
permita bajar la cantidad de unidades almacenadas reduciendo los costes de
mantenimiento.
He aquí un aspecto interesante de estudiar desde el punto de vista de costes a la

hora de buscar un equilibrio entre un pico alto, perjudicial para los costes
relacionados con aspectos tales como manejo en la emisión y recepción del
producto, así como en la programación de recursos afectados por ello y, por otro
lado, la reducción de costes de mantenimiento y de fallos en el suministro.
Hemos de advertir que en la deducción de la función de transferencia (4.47)

correspondiente al modelo de gestión de inventario basado en el OUT, hemos
establecido ciertas simplificaciones de cara a un mejor análisis. Una de estas
simplificaciones es que el inventario objetivo permanece constante a pesar de
cualquier alteración notable de la demanda (en las simulaciones anteriores la
demanda aumentaba súbitamente al doble).
Si la demanda cambia el inventario objetivo ha de cambiar según la fórmula ya

definida en (4.20)
I o = DL + K σε, L
En nuestro caso tenemos que.
i=L
(4.88) D L = ∑ Ft + i
i =1
Dado que la predicción se hace por un alisado exponencial simple, la predicción

a partir de t + 1 permanece igual
(4.89) Ft + i = Ft +1 i = 1, 2…
Por lo que
121
(4.90) D L = L.Ft = L ( αd t + (1 − α ) Ft −1 )
Por otra parte, suponemos que la demanda es estacionaria en varianza y

covarianza por lo que el término de inventario de seguridad K σε ,L es constante, e
independiente de t. Retomando nuevamente la ecuación(4.34) tenemos
C ( t ) = F ( t ) + K I ( I0 ( t ) − I ( t ))
donde I0(t), es el inventario objetivo en el momento t
La transformada Z de esta ecuación es
(4.91) C ( z ) = F ( z ) + K I ( I0 ( z ) − I ( z ))
Considerando las ecuaciones (4.20) y (4.90) así como las condiciones citadas
anteriormente sobre estacionariedad de la demanda y la independencia del
pronóstico en el horizonte temporal según lo dicho en (4.88), la transformada Z
del inventario objetivo será
(4.92) I 0 ( z ) = L.F ( z ) + conste.
donde la constante se debe a la componente de seguridad del inventario.
La transformada de la función de predicción F(z) dependerá de qué función de

predicción utilizamos (es en este caso el alisado exponencial simple) F(z), por lo
que
(4.93) F ( z ) = F ( z ). D ( z )
Recordemos que para el alisado simple
αz
F (z) =
z − (1 − α )
122
y que
1
(4.94) I ( z ) = (C ( z ) z − L − D ( z ) )
1 − z −1
Sustituyendo (4.92), (4.93) y (4.94) en (4.91) (para un análisis dinámico

prescindimos de la constante definida por el inventario de seguridad) queda
1
C ( z ) = F ( z ) . D ( z ) + K I LF ( z ) . D ( z ) − K I ( C ( z ) z − L − D ( z ) )
1 − z −1
Teniendo en cuanta que la función de predicción es el alisado exponencial

obtenemos.
C (z) α (1 + K I L ) ( z − 1) + K I ( z − 1 + α )
(4.95) H (z) = zL
D(z) ( z L − z L−1 + K I ) ( z − 1 + α )
Un análisis comparativo con lo anterior nos muestra que los polos no han
cambiado, aunque sí lo ha hecho el valor del cero que ahora es
αK I
(4.96) z0 = 1 −
α (1 + K I L ) + K I
El resultado de (4.96) nos dice que el valor del cero se encontrará siempre entre
0 y 1 (0 < z0 < 1) y que este valor es mayor que el de la ecuación (4.86) para los
mismos valores de D y KI, por lo que el pico aumentará aún más, lo que queda
en evidencia en la tabla 4.3. Ahora los picos de las órdenes cursadas pueden
llegar, en teoría, a alcanzar hasta el doble de lo que aumenta la señal de la
demanda.
123
D = 0,05 D = 0,1 D = 0,6
L = 20
95% 107% 108%
KI = 0,027
L = 15
87% 103% 108%
KI = 0,036
L = 10
75% 95% 110%
KI = 0,055
L=5
53% 75% 115%
KI = 0,116
L=2
26% 43% 111%
KI = 0,333
Tabla 4.3. Resultados de pico de una señal para distintos valores de

los parámetros D,, L y KI considerando la adaptación del inventario a
los cambios de la demanda. (Datos obtenidos con el programa
Matlab).
Por lo que respecta al inventario, lo dicho con anterioridad es aplicable, aunque

en este caso las cosas cambian sólo en la cantidad de unidades almacenadas que
alcanzan el valor medio definido por la ecuación (4.20).
Todo ello se puede comprobar en las simulaciones realizadas en una hoja Excel
y cuyo resultado en forma de gráfica se muestran en la figura 4.12
La primera gráfica, correspondiente a D = 0,1, para la señal de “pedidos” al

proveedor, muestra un pico del 72% (1632 unidades) cuando la demanda pasa de
un valor promedio de 600 a 1200 unidades, y el indicador del efecto látigo
(BW), medido según se especificó anteriormente, da como resultado un valor
inferior a la unidad, y muy similar al caso de mantener un inventario constante,
esto es, no afectado por los cambios en la demanda.
124
En la segunda gráfica, para D = 0,6, el pico de la curva “pedidos” alcanza el
120% (1919 unidades) medido en las mismas condiciones indicadas. En este
caso es de destacar el aumento del indicador BW que sobrepasa la unidad.
Concluyendo, las diferencias entre diferentes valores de D producen picos

diferentes dependiendo de la demora. Como se ve en la tabla 4.3 a mayor valor
de D mayor pico. Al final haremos una comparación entre los métodos
estudiados.
4.6.2. ALISADO EXPONENCIAL DOBLE
La predicción por alisado exponencial simple carece de la posibilidad de predecir

cambios de tendencia. Para corregir esta carencia se aplica a la tendencia un método
similar al utilizado en el alisado simple lo que da origen a una mayor complejidad
matemática de la predicción, que se hace en dos pasos; uno, prediciendo la
evolución de la tendencia y otro, corrigiendo la predicción simple con la predicción
de la tendencia.
Volviendo a la ecuación es que para el próximo periodo la predicción se obtiene

con D = 0, por lo que la (4.6), cuyo significado y el de sus elementos ya fue
explicado, lo que nos interesa es que para el próximo periodo de predicción
obtenido como n = 0 la citada ecuación queda como
(4.97) Ft + n = αd t + βd t −1 + ( 2 − 2α − β ) Ft −1 − (1 − α ) Ft − 2
La transformada Z de esta función para una predicción correspondiente al próximo

periodo será
αz 2 + βz
(4.98) F (z) = 2 D (z)
⎡⎣ z − ( 2 (1 − α ) − β ) z + (1 − α ) ⎤⎦
Sustituyendo en la ecuación de la función de transferencia (4.47) obtenemos la

nueva función de transferencia con la inclusión de la predicción
125
( z − 1)( αz + β ) + K I ( z 2 − ( 2 (1 − α ) − β ) z + (1 − α ) )
(4.99) H (z) = z L
( z L − z L−1 + K I ) ( z 2 − ( 2 (1 − α) − β ) z + (1 − α ) )
La ecuación característica ahora se compone de dos miembros claramente
diferenciados. Por un lado, la ecuación ya estudiada
z L − z L−1 + K I = 0
Por otro, la ecuación introducida por la función de predicción
(4.100) z 2 − ( 2 (1 − α ) − β ) z + (1 − α ) = 0
Añade dos polos a la función de transferencia, como consecuencia la estabilidad

de todo el sistema vendrá determinada, además de lo ya dicho para la ecuación
anterior, por la posición de los polos. La región de estabilidad, dentro de la cual
es posible situar los polos de la ecuación, está definida en la figura 4.13 en
función del coeficiente de z y del término independiente de la ecuación (4.100).
De esta región nos interesan los puntos que cumplan con la condición de que
0 ≤ α ≤1
0 ≤ β ≤1
Para analizar la respuesta de este método de predicción, lo que haremos es

comparar las respuestas entre el alisado simple y doble.
Lo más destacable es que si hacemos D = -E en la función de transferencia (4.99)

matemáticamente comprobamos que ésta función es igual a la del alisado simple
(4.84), de aquí que las respuestas sean idénticas como se ve en la figura 4.14.
126
2 (1 − α ) − β
(1;2)
1− α
(-1;0)
(1;-2)
Fig. 4.13. Región de estabilidad para los parámetros de la

transformada Z de la ecuación de predicción (4.97).
Sean cuales sean los valores de D y E, siempre que se cumplan las condiciones
definidas anteriormente, y el valor de L sea suficientemente grande, o KI
pequeño, las respuestas entre el alisado exponencial doble, definido por la
ecuación (4.4) y el alisado exponencial simple, considerando que el inventario
objetivo permanece inalterado ante cambios de la demanda, son equivalentes, sin
apenas diferencias entre una y otra respuesta. Nótese también, aunque solo sea
como simple curiosidad, que el tiempo que se tarda en “capturar” el impulso,
coincide con el muy conocido resultado de la teoría de control para ese tipo de
entrada
127
Step Response
1.3
alfa = 0.5
1.2
beta = - 0.5
L =7
1.1 ki = 0.14
1
Amplitude
0.9
0.8
0.7
0.6
0.5
0 10 20 30 40 50 60 70 80 90 100
Time (sec)
Periodos
Fig. 4.14. Respuesta a un escalón de los dos sistemas. Uno, con

predicción por alisado exponencial simple y otro, con alisado doble.
La superposición de ambas curvas impide ver ambas a la vez, lo que
demuestra que los dos métodos son iguales en este caso.
Por ejemplo, en una de las gráficas de la figura 4.14 se presentan las dos
respuestas para una demora de 5 periodos (demora relativamente baja) y
parámetros D = 0,8 y E = 0,3. Es difícil distinguir entre una y otra respuesta, ya
que están superpuestas. Si L aumenta la igualdad práctica permanece. Otros
valores de D y E, contrapuestos a los anteriores, dan respuestas similares, como
muestra la otra gráfica de la misma figura.
128
Step Response
2.5
2 L = 5 periodos
Ki = 0,2
alfa = 0,8
beta = 0,3
1.5
Amplitude
0.5
0
0 5 10 15 20 25 30 35 40 45 50
Time (sec)
Step Response
2.5
2
L = 5 peridos
Ki = 0,2
alfa = 0,3
1.5 beta = 0,8
Amplitude
0.5
0
0 10 20 30 40 50 60 70
Time (sec)
periodo
Fig. 4.15. Respuestas a un escalón de las dos funciones de

transferencia, alisado simple y alisado doble. Ambas son
prácticamente iguales.
129
Para valores de D y E bajos y tiempos de demora breves las diferencias son más
claras como se ve en la figura 4.16.
Step Response
2.5
Alisado Doble
L = 3 peridos
2 Ki = 0,25
alfa = 0,1
Alisado Simple beta = 0,05
1.5
Amplitude
0.5
0
0 20 40 60 80 100 120
Time (sec)
Fig. 4.16. Respuestas a un escalón de las dos funciones de

transferencia, alisado simple y alisado doble. (La escala
horizontal de entenderse en periodos)
4.6.3. MODELOS ARMA
Para los modelos ARMA(p,q) la función de predicción óptima corresponde al estimador

de MECM; esto es, tal como hemos citado en el apartado 2.4, la predicción para el
periodo futuro i corresponde a la esperanza de dt+i condicionada al conocimiento de las
observaciones previas dt, dt-1, dt-2, …, esto es
130
Ft + i = E ( d t + i d t )
4.6.3.1 MODELO AR(1)
Para un modelo AR(1), queda.
1 − φi
Ft + i = E ( d t + i d t ) = μ + φi d t
1− φ
En el modelo de gestión de existencias OUT se predice la demanda a un periodo,

intervalo que utiliza para revisar las existencias y cursar nuevos pedidos, lo que supone
que el valor de i en la fórmula anterior es la unidad. Por lo que la predicción es
1 − φ1
(4.101) Ft = μ + φ1d t −1 = μ + φd t −1
1− φ
La transformada Z de la ecuación anterior (4.101) es
(4.102) F ( z ) = μ + φD ( z )
z
(hay que considerar la secuencia de eventos descrita con anterioridad)
Podemos prescindir de la media P de la serie simplemente descontando su valor de la

propia serie, por lo que
F ( z ) = φD ( z )
z
La sustitución de la función de predicción en la ecuación (4.47) nos proporcione
H C ( z) ( z − 1) φ + K I z 2
(4.103) (z) = = z L− 2 L
D( z ) z − z L−1 + K I
131
Como se apreciará, esta nueva función de transferencia es más simple que las estudiadas
anteriormente, lo que representa una cierta ventaja en el comportamiento de la demanda
que viene determinado por la ecuación característica, ya descrito suficientemente, y por
las raíces del numerador o ceros de la función de transferencia.
φ φ
(4.104) z2 + z− =0
KI KI
Estos último determina que el pico de la señal –exceso de órdenes cursadas- sobre la
demanda depende del valor de I (obviamente también del valor de KI, pero esto ya es
conocido).
Para analizar los cambios en el pico sustituimos en la ecuación (4.104) valores

extremos de I y KI, en este caso, valores correspondientes de L de 3 periodos y 20
periodos (recordamos la idea preestablecida de aplicar a los cálculos 1/3 KI como valor
idóneo de comportamiento de la respuesta).
La tablas 4.4 muestran datos para lo que hemos considerado como valores extremos.
Pico de la
Pico de la
respuesta I = 0,1 I = 0,9
sobreescursión
K I = 0,206
106,8% 168%
(L = 3)
K I = 0,0268
105,9% 146%
(L = 20)
Tabla 4.4. Picos de respuestas para valores “extremos” de los

parámetros del modelo de gestión del inventario con una
función de predicción AR(1).
Deducimos que las variaciones en el pico de la señal son modestas en relación con los
cambios de la demora para valores de I bajos, no así con los valores altos del
coeficiente de autocorrelación, que muestra una variación más amplia.
132
Hacemos notar que tal como se ha planteado, la función de transferencia no refleja con
fidelidad el comportamiento de la gestión de un inventario. El motivo de ello es que no
es fácil para un responsable de gestión determinar el valor de los parámetros de la
ecuación (4.101). Una forma plausible es estimar P por medio de una media móvil. Esto
es, se estima la media incondicional (τ) de la serie de datos de la demanda mediante una
media móvil, tomando para ello un número determinado de observaciones de esta serie
y se calcula el valor de P despejándolo e la fórmula siguiente.
μ
(4.105) τ=
1− φ
Para este cálculo se supone que ya ha sido estimado el valor del coeficiente de
autocorrelación; aunque ya veremos como influye en los resultados de la respuesta una
estimación poco precisa de este coeficiente.
Supongamos que tomamos una media móvil de cinco términos, con lo que el valor de P
es
( dt + dt −1 + dt −2 + dt −3 + dt −4 )
(4.106) μ= (1 − φ)
5
Sustituyendo en (4.102), una vez aplicada la transformada Z de la ecuación anterior

(4.106), tenemos
F ( z ) = ⎡⎢1 + z φ⎤
−1
+ z −2 + z −3 + z −4
(4.107) (1 − φ) + ⎥D ( z )
⎣ 5 z⎦
Por otra parte, recordar lo dicho en la ecuación (4.91) en cuanto a considerar al

inventario objetivo como variable en lugar de constante que es lo mantenido hasta ahora
en cálculos anteriores y en lo referido a los procesos AR(1).
C ( z ) = F ( z ) + K I ( I0 ( z ) − I ( z ))
133
Ahora el inventario objetivo es
( L)
I 0 ( t ) = D t + conste.
En esta ecuación hemos supuesto constante el inventario de seguridad, porque se basa

en una serie estacionaria en varianza, luego sólo depende de factores constantes: factor
de seguridad, desviación estándar de la serie y raíz cuadrada de la demora en las
entregas, todos ellos constantes en este estudio.
La demanda total durante el tiempo de demora L puede escribirse como.
( L) L L
⎛ 1 − φi ⎞
D t = ∑ Ft + i =∑ ⎜ μ + φi d t ⎟ =
i =1 i =1 ⎝ 1− φ ⎠
L (1 − φ ) − φ (1 − φ L ) φ (1 − φ L )
(4.108) = τ+ dt =
(1 − φ ) (1 − φ )
φ (1 − φ L ) μ
= ( L − Λ ) τ + Λd t siendo Λ = yτ=
(1 − φ ) 1− φ
La estimación de la media incondicional τ ya ha sido explicada y calculada, a título de

ejemplo, mediante la ecuación (4.106). Por lo que podemos decir que el inventario
objetivo queda dado por.
I 0 ( t ) = ( L − Λ ) τ + Λd t + conste. =
(4.109)
= conste. + ( L − Λ )
( d t + d t −1 + d t −2 + d t −3 + d t −4 ) + Λd
t
5
Aplicando la transformada Z y prescindiendo de la constante para analizar con

posterioridad el comportamiento dinámico de la función de transferencia queda
I (z) = ( L − Λ) (1 + z −1
+ z −2 + z −3 + z −4 )
D ( z ) + ΛD ( z ) =
0
5
(4.110)
⎡ 1 + z + z 2 + z3 + z 4 ⎤
= ⎢( L − Λ ) 4
+ Λ ⎥D ( z )
⎣ 5z ⎦
134
Considerando la función de predicción de la demanda dada por la ecuación (4.107) y la
transformada Z del inventario objetivo (4.110), la función de transferencia queda
(4.111)
H ( z ) = C (z) =
D( z )
⎡1 + z + z 2 + z 3 + z 4 φ ⎛ 1 + z + z 2 + z3 − 4z 4 ⎞⎤
( )⎢
z − 1 4 ( )
1 − φ + + K I ⎜( L − Λ ) 4
+ Λ ⎟⎥ + K I z
⎣ 5z z ⎝ 5z ⎠⎦
= z L−1 L −1
=
z − z + KI
L
⎡1 + z + z 2 + z 3 + z 4 φ ⎤
( )⎢
z − 1 4 (1 − φ + K I L − K I Λ ) + + K I Λ ⎥ + K I z
⎣ 5z z ⎦
= z L−1 L −1
z − z + KI
L
En este caso, más próximo a la realidad que el anterior, el pico de la señal

correspondiente a las órdenes de reposición, para cualquiera de los valores de I y KI, es
muy superior a la obtenida con las condiciones anteriores; además, si antes el valor del
pico máximo correspondía al mayor valor de I, ahora es al contrario, el mayor valor del
pico corresponde al menor valor de I.
En el caso de la figura 4.17 los datos indican un aumento de las órdenes de reposición
que, aproximadamente, doblan la cantidad incrementada como consecuencia del
escalón. Ambas respuestas, para la demora indicada, son similares y, en consecuencia,
podemos suponer una cierta independencia de I, lo que, en términos prácticos, viene a
suponer que el método de estimación de este parámetro puede no ser muy riguroso, sin
que con ello se cambie lo referido a la respuesta cuando las demoras son largas . Otra
cosa será la fiabilidad de la estimación.
135
Step Response
2.2
Pico 211%
2
L = 15 periodos
1.8 Ki = 0,0661 = 1/3Kimáx.
Phi = 0,1
1.6
Phi = 0,9
1.4
Amplitude
Tiempo de
1.2 establecimiento 93
periodos
1 =
0.8
0.6
0.4
0.2
0 50 100 150
periodo
periodo
Time (sec)
Fig. 4.17. Respuestas a un escalón. Las dos funciones de

transferencia son prácticamente iguales.
La respuesta no se estabiliza (queda comprendida en una banda de ±2% de la demanda)

hasta, aproximadamente, el periodo 125, lo que equivale a 6 veces la demora de 20
periodos, momento en el que las órdenes cursadas alcancen una aproximación razonable
a lo que debe ser su comportamiento en régimen permanente.
Lejos de lo que puede presumirse que ocurrirá y como puede verse en la tabla, un
acortamiento en la demora de las entregas de las órdenes cursadas no mejora la
respuesta del pico, incluso la empeora, aunque, como era de esperar, se observan
mejoras en el tiempo en alcanzar la banda de estabilidad del 2%. En el caso de L = 3
periodos valores de I entre 0,1 y 0,9 producen respuestas muy diferentes, con peor
comportamiento para I = 0,3, valor que da los peores resultados, con un pico cercano al
240%. La recomendación ahora es la contraria a la dicha para demoras más largas, esto
136
es, se ha de considerar con cierto detenimiento la estimación del coeficiente de
autocorrelación, pues se corre el riesgo de aumentar aún más la cantidad de pedidos
cursados al proveedor y de generar una mayor inestabilidad en la cadena. En cualquier
caso, conviene sobreestimar el valor del coeficiente de autocorrelación, porque, a pesar
de los efectos que eso pueda tener en la fiabilidad de los pronósticos, se mejora la
respuesta de las órdenes de reposición.
Mostramos, a título comparativo, los resultados referidos al pico y al tiempo en alcanzar

la banda de estabilización para diversos valores claves de los parámetros I y L.
I = 0,1 I = 0,3 I = 0,8 I = 0,9

Pico Estab. Pico Estab. Pico Estab. Pico Estab.
K I = 0,333 12 11 10 9
203% 198% 225% 227%
(L = 2) periodos periodos periodos periodos
K I = 0,206 18 18 17 17
231% 222% 227% 224%
K I = 0,148 24 24 23 23
224% 225% 225% 224%
K I = 0,115 30 30 30 30
222% 222% 222% 222%
K I = 0,0949 36 36 36 36
221% 219% 219% 221%
K I = 0,0804 43 42 42 42
219% 217% 217% 216%
K I = 0,0550 62 62 62 62
213% 214% 214% 213%
K I = 0,0268 125 125 125 125
210% 210% 210% 210%
Tabla 4.5. Comportamiento de la curva de “pedidos” para

diversos valores de I, L y KI con una función de predicción
AR(1).
Exceptuando algunos casos particulares, como sucede con L = 2 y algunos valores de I

para L = 3, podemos decir que el valor del pico permanece prácticamente igual para
cualquier valor de I. Carece de sentido, por tanto, esmerarse en una buena estimación
del valor del parámetro de autocorrelación, ya que, en lo referido al comportamiento de
137
las órdenes, no cambiará sustancialmente el pico. Así también, el tiempo en alcanzar la
banda de estabilización del ±2% puede calcularse con cierta aproximación,
multiplicando por 6 el valor de L.
También hemos hecho simulaciones cambiando la cantidad de periodos incluidos en la

media móvil que utilizamos para estimar la media incondicional de la serie y la
conclusión es que incluir más periodos en la media móvil mejora la respuesta y sucede
lo contrario con una cantidad menor de periodos. Lo cual es razonable, dado que al
incluir más términos se produce un “filtrado” de la señal de demanda.
2500 5000
4000
2000
Demanda
3000
Pedidos
1500 Inventario
Unds./periodo
Unidades
2000
1000 L=3
Ki = 0,206 = 1/3Kmáx.
Phi = 0,33 1000
ECM = 49,8 unidades/periodo
BW en estabilidad = 1,57
500 Coef. de Var. del inventario medido en estabilidad = 0,043
Coef. de V de las órdenes cursadas en estabilidad = 0,049 0
Pico máximo = 2084 en periodo 5
Demanda media = 1194,0 después de escalón
Pedido medio = 1193,7 después de escalón
Demanda media y Pedido medio = 600 antes de escalón
0 -1000
-6
5
15
25
35
45
55
65
75
85
95
105
115
125
135
145
155
165
175
185
195
205
215
225
235
Periodos
Fig. 4.18. Respuestas a un escalón para un modelo AR con

mínimo error cuadrático medio y L = 3.
138
2000 3.000
1800
2.500
1600
2.000
1400
1200
Unidades x 10
1.500
Unds./periodo
1000
Demanda
L = 20 1.000
800 Pedidos
Ki = 0,0268 = 1/3Kmáx.
Inventario
Phi = 0,33
600 ECM = 49,8 unidades/periodo
BW en estabilidad = 0,51 500
Coef. de Var. del inventario medido en estabilidad = 0,0095
400 Coef. de Var. de las órdenes cursadas en estabilidad = 0,04
0
Demanda media = 1194 después de escalón
200
Pedido medio y Demanda media = 600 antes de escalón
0 -500
-6
5
15
25
35
45
55
65
75
85
95
105
115
125
135
145
155
165
175
185
195
205
215
225
235
Periodos
Fig. 4.19. Respuestas a un escalón para un modelo AR con

mínimo error cuadrático medio y L = 20.
Las figuras 4.18 y 4.19 muestran las simulaciones realizadas con una hoja de cálculo
manteniendo condiciones iguales, pero alterando los valores de la demora L. En ambos
casos se ha elegido el parámetro de autocorrelación I de forma que produzca el menor
error cuadrático medio –lógicamente es el mismo en ambos casos- pero los resultados
del efecto látigo medido por el indicador BW en condiciones de estabilidad –no se
139
incluyen los periodos en los que se hace notar el transitorio- muestran resultados bien
distintos, favorables a una demora mayor.
De los datos se deduce que los indicadores del efecto látigo, medidos, en ambos casos,
tomando las observaciones comprendidas entre la 130 -recuérdese que la estabilización
para una de mora de L= 20 se alcanza en el periodo 125- y última, 240, corresponden a.
BWL=3 (130, 240 ) = 1,57

BWL=20 (130, 240 ) = 0,51
Nuevamente, se corrobora la idea de que la demora no agrava el problema del efecto

látigo, sino que en determinada circunstancias puede disminuirlo.
En cuanto al pico, resulta difícil medirla dada la oscilación inherente a la señal, pero
tomando el valor medio de la serie y considerando el pico máximo los resultados
encajan con la simulación hecha anteriormente.
2084 - 600
PicoL=3 = = 2,5
1193,7 - 600
1889 - 600
PicoL=20 = = 2,17
1193,7 - 600
Estos resultados resultan coherentes con los reflejados en la tabla anterior para los
mismos valores de los parámetros L y I.
Es muy importante tener en cuenta que los valores de KI tienen una gran influencia en el
comportamiento de la señal. La elección de KI se fundamenta en conseguir que la señal
alcance lo antes posible la banda de estabilidad del ±2%, lo que corresponde a un valor
de KI del 40% del dado por la ecuación (4.71). Cualquier otro valor de KI aumentaría el
tiempo en alcanzar la banda de estabilidad citada.
140
2500 6000
Demanda 5000
Pedidos
2000
Inventario
4000
1500
3000
Unds./periodo
Unidades
2000
1000 L=3
Ki = 0,241 = 1/2,5Kmáx.
Phi = 0,33
ECM = 49,8 unidades/periodo 1000
500 CV del inventario en estabilidad = 0,046
CV de las órdenes cursadas en estabilidad = 0,056
Pico máximo = 2227 en periodo 5 0
0 -1000
-6
5
15
25
35
45
55
65
75
85
95
105
115
125
135
145
155
165
175
185
195
205
215
225
235
Periodos
Fig. 4.20. Respuestas para la serie tipo elegida [Douglas,1976] y

predicción por mínimo error cuadrático medio con I = 0,33 y L
= 3 con KI = 1/2,5Kmáx..
Hemos venido operando con un valor de KI del 33%, lo que aumenta un poco más el
tiempo de alcanzar la banda de estabilidad, pero mejora la estabilidad de la señal. De
manera que podríamos decir que.
1
K óptima = K máxima
2 ,5
1
K operativa = K máxima
3
141
Comparando los resultados de la 42.18 con la 4.20 puede verse que el cambio del valor
de KI de 1/3 del valor máximo a un 1/2,5 de dicho valor, el pico máximo de las órdenes
cursadas ha aumentado a 2,74 veces en lugar de 2,50 veces y el indicador del efecto
látigo ha pasado de 1,57 a 1,98. Se deduce, por tanto, la gran influencia de KI en el
comportamiento de la señal
Brevemente diremos que los valores de I negativos empeoran aún más la respuesta,
pues aumenta el pico de la demanda y el indicador del efecto látigo respecto a los
valores positivos. Cuanto más negativo es el valor de I, peor es la respuesta en lo
referido al pico y efecto látigo transmitido.
4.6.3.2. MODELO ARMA(1,1)
Siguiendo la misma senda expositiva que en el apartado anterior, diremos que la

predicción para un modelo ARMA(1,1) viene dada por la esperanza de dt+i condicionada
al conocimiento de las observaciones previas dt, dt-1, dt-2, …, esto es
Ft + i = E ( d t + i d t )
por lo que conforme a la ecuación de predicción ya citada en (4.15) i periodos futuros resulta
1 − φi
(4.112) Ft + i ( t ) = E ( d t + i d t ) = μ + φi d t − θφi −1ε t
1− φ
Para i = 1, periodo en el que vamos a estimar la demanda conforme a la pauta seguida

en nuestro modelo de reposición, en el que hemos tomado como tiempo de revisión de
las existencias un periodo.
Para i = 1, periodo en el que vamos a estimar la demanda conforme a la pauta seguida

en nuestro modelo de reposición, en el que hemos tomado como tiempo de revisión de
las existencias un periodo.
1 − φ1
Ft +1 ( t ) = E ( d t dt −1 ) = μ + φ1d t − θφ1−1ε t =
(4.113) 1− φ
= μ + φd t − θε t
142
Dado que Ht es el error de la predicción en el periodo anterior, se puede expresar como
(4.114) ε t = d t − Ft
aplicando adecuadamente la transformada Z a la función de predicción un periodo más

adelante (4.113), una vez hechas las operaciones pertinentes y supuesto que hemos
estimado la media incondicional, ahora aclararemos cómo, queda la siguiente ecuación,
donde μ (t) es la estimación de la constante P.
zF ( z ) = μ ( z ) + φD ( z ) − θD ( z ) + θF ( z )
1 φ−θ
(4.115) F (z) = μ (z) + D (z)
z−θ z−θ
Aclaramos que, en principio, µ es una constante y, por tanto, su transformada Z es ella

misma, pero en el caso de que hagamos una estimación de µ a medida que vamos
conociendo datos de la serie de demanda, la dependencia del tiempo de µ es clara.
Vamos, pues, a mantener esta dependencia temporal del estimador de µ y su estimación
la haremos mediante una media móvil ―lo que es habitual en la práctica― de orden
cinco sólo a título de ejemplo.
( dt + dt −1 + dt −2 + dt −3 + dt −4 )
(4.116) μ( t ) = (1 − φ)
5
μ( z ) =
(1 + z + z 2
+ z3 + z4 )
(1 − φ)
5z 4
Sustituyendo en (4.115)
⎡ (1 + z + z 2 + z 3 + z 4 ) (1 − φ ) φ − θ ⎤
(4.117) F (z) = ⎢ + ⎥D ( z )
⎢⎣ 5z 4 z −θ z −θ⎥
⎦
El pronóstico de la demanda acumulada a lo largo de la demora L es
143
( L) L L
⎛ 1 − φi ⎞
Dt = ∑ Ft + i = ∑ ⎜ μ + φi d t − θφi −1ε t ⎟ =
i =1 i =1 ⎝ 1− φ ⎠
L (1 − φ) − φ (1 − φL ) φ (1 − φL ) θφ (1 − φ L )
(4.118) = τ+ dt − εt =
(1 − φ) (1 − φ) (1 − φ)
φ (1 − φL ) μ
= ( L − Λ ) τ + Λd t − θφΛε t siendo Λ = yτ=
(1 − φ) 1− φ
siendo W la media incondicional de la serie y si sustituimos la media incondicional W por

su estimación M(t) obtenemos
( L)
Dt = ( L − Λ ) M ( t ) + Λd t − θφΛ ( d t − Ft )
siendo M (t ) =
( dt + dt −1 + dt −2 + dt −3 + dt −4 )
5
Llamemos genéricamente M ( z ) a la transformada Z de la media móvil anterior
Ahora la transformada Z de la función de predicción dada por (4.117) queda
F ( z ) = M ( z )(1 − φ) + φ − θ D ( z )
z−θ
El cálculo del inventario ya se ha explicado y corresponde a
( L)
I 0 ( t ) = D t + conste.
Sustituyendo.
I 0 ( t ) = ( L − Λ ) τ + Λd t − θφΛε t + conste. =
(4.119)
= conste. + ( L − Λ ) M ( t ) + Λdt − θφΛ ( d t − Ft )
La transformada Z de la ecuación del inventario (4.119), prescindiendo de la constante,

es
144
I ( z ) = ⎡⎢( L − Λ ) M ( z ) + Λ − θφΛ ⎛⎜1 − M ( z ) 1 − φ − φ − θ ⎞⎟⎤⎥D ( z ) =
0
⎣ ⎝ z−θ z − θ ⎠⎦
(4.120)
= M ( z ) ⎛⎜ L − Λ + θφΛ 1 − φ ⎞⎟ + Λ ⎛⎜1 − θφ z − φ ⎞⎟D ( z )
⎝ z −θ⎠ ⎝ z −θ⎠
y la función de transferencia queda.
( z − 1) (F ( z ) + K I I0 ( z ) ) + K I z
(4.121) H ( z ) = C (z) = z L −1
D( z ) z L − z L−1 + K I
Sustituyendo queda definitivamente
(4.122)
H ( z ) = C ( z) =
D( z )
⎡ M ( z )(1 − φ ) + φ − θ ⎡ ⎛ 1− φ ⎞ ⎛ z − φ ⎞⎤ ⎤
( z − 1) ⎢ + K I ⎢ M ( z ) ⎜ L − Λ + θφΛ ⎟ + Λ ⎜ 1 − θφ ⎟ ⎥ + KI z
⎣⎢ z −θ ⎣ ⎝ z −θ⎠ ⎝ z − θ ⎠ ⎥⎦ ⎦⎥
= z L−1
z L − z L−1 + K I
Veamos ahora el comportamiento de esta función para diversos valores de los

parámetros I, T, y L, siempre supondremos que KI = 1/3Kmáx. Esta relación queda
reflejada en la tabla 4.6.
Se puede deducir que el pico de las órdenes cursadas al proveedor aparece siempre para
cualquier valor de los coeficientes de autocorrelación y de media móvil, sea cual sea el
valor de la demora, aunque, como a continuación indicamos, hay otros aspectos
destacables.
145
L =20 L=5
T T
0,1 0,3 0,7 0,9 0,1 0,3 0,7 0,9
0,1 212 213 220 228 0,1 228 226 233 207
0,3 211 212 217 222 0,3 226 221 225 196
I I
0,7 209 210 213 211 0,7 222 221 214 180
0,9 209 209 211 208 0,9 221 220 211 177
L= 10 L=3
T T
0,1 0,3 0,7 0,9 0,1 0,3 0,7 0,9
0,1 218 220 230 226 0,1 230 224 222 182
0,3 216 219 225 216 0,3 222 224 209 172
I I
0,7 215 215 218 201 0,7 215 214 196 158
0,9 215 215 215 198 0,9 223 219 197 156
Tabla 4.6. Respuestas de modelos ARMA pata valores

diferentes deI, T y L.
En general, se observa una cierta independencia del comportamiento de los parámetros

del modelo. Vuelve a observase un menor pico para demoras más largas.
Es de resaltar un fenómeno que aparece para valores altos de T y bajos de I, y es un

“valle” que puede, en teoría, hacer negativa las órdenes cursadas. Los valores de I y T
que producen esta respuesta, consistente en alejar al principio la señal de las órdenes de
la de demanda, se indica en la tabla con un sombreado de las cuadrículas
correspondientes. Asimismo, esta situación se refleja en la figura 4.21 para los valores
de los parámetros indicados
146
Step Response
2.5
L =20; Ki = 0,0268 = 1/3Kmáx.

2 L =10; Ki = 0,0551 = 1/3Kmáx.
L =3; Ki = 0,206 = 1/3Kmáx.
1.5
1
Amplitude
0.5
0 Amplitud = 0
-0.5 Amplitud = -0,56

Amplitud = -0,622
-1
0 20 40 60 80 100 120 140
Time (sec)
Periodo
Fig. 4.21. Valle en las repuestas de varios modelos ARMA.
Que exista un valle en los primeros momentos del transitorio se debe a que cuando se
produce el escalón de subida de la demanda, las predicciones anteriores a ese momento
no lo contemplan todavía, por lo que el error –diferencia entre demanda y predicción-
resulta negativo y al ponderar más, debido al peso de T frente a I, los errores de
pronóstico frente a la componente autorregresiva de la serie, al final el resultado total es
negativo o con un valor mucho más bajo de lo que debería para seguir la senda de la
demanda. Como se deduce, a parte de la importancia del valor de T frente a I, también
influyen los errores de pronóstico, por lo que la demora L es otro factor que agrava esta
forma de respuesta.
147
2500 3.000
2.500
2000
Demanda
2.000
Pedidos
Inventario
1.500
1500
Unidades x 10
Unds/periodo
1.000
L = 20
1000
Ki = 0,0268 = 1/3Kmáx. 500
Phi = 0,1
Theta = 0,9
BW medido en estabilidad = 0,67 (periodo 150 al 240) 0
Coef. de Var. de pedidos, medido en estabilidad = 0,035
500 Coef. de Var. de inventario, medido en estabilidad = 0,031
Pico máximo = 2061 unidades/periodo en periodo 36
Pico mínimo = 131 unidades/periodo en periodo 3 -500
Demanda media despues de escalón = 1196,9 unidades/periodo
Pedido medio después de escalón = 1194,9
Demanda media y pedido medio antes de escalón = 600 und./per.
0 -1.000
-6
6
17
28
39
50
61
72
83
94
105
116
127
138
149
160
171
182
193
204
215
226
237
Periodos
Fig. 4.22. Respuestas a un escalón en la que se muestra un valle

para valores de I y T altos.
En la figura 4.22 se observa como la señal correspondiente a “Pedidos” desciende hasta

172 unidades/periodo, un valor inferior al de partida, 600 unidades/periodo y, por
supuesto, muy inferior al de la demanda en ese momento.
En definitiva, todo se debe a que el modelo transmite una falsa información sobre lo que
en la realidad sucede. Las consecuencias que este valle tendría sobre la respuesta, sería
retrasar la corrección y aumentar la excursión de la señal.
Hay que decir que la aparición del valle se da sólo cuando se conjugan estas dos
condiciones: coeficiente de autocorrelación muy inferior al de media móvil y demoras
148
suficientemente elevadas, pero en la práctica los modelos ARMA suelen presentar, al
contrario, una mayor ponderación de la parte autorregresiva, frente a la de media móvil,
por lo que no es algo frecuente, aunque sí puede suceder.
4.7. ESTUDIO COMPARATIVO DE LOS MODELOS
Como conclusiones derivadas de lo expuesto podemos decir que, en lo referido a este

modelo de gestión de inventarios, los tipos de comportamiento y predicción de la
demanda generan las siguientes conclusiones.
1. Efectos comunes.
Todos los modelos tienen en común en su comportamiento la influencia decisiva de

dos parámetros la demora L y la constante KI de recuperación del inventario. Una y
otra están ligadas y determinan la estabilidad del modelo.
Para cada demora hay un valor de KI que no debe excederse si se quiere mantener la
estabilidad del sistema. Esto no quiere decir que haya comportamientos de los
agentes responsables de la gestión del sistema de reposición que permitan modular
el valor de KI, conscientes o inconscientes de su importancia, para conseguir
determinados objetivos. Nos referimos a modificar el valor de éste parámetro y así
conseguir acortar la recuperación del inventario sin afectar a la estabilidad del
sistema.
El valor máximo de KI sólo representa un valor teórico frontera que, en caso de

superarse, hace que el modelo cambie de predecible a impredecible; pero no
significa esto que ese valor frontera de KI sea un valor práctico. Los valores útiles a
efectos prácticos deben ser mucho menores que dicho valor crítico. En concreto,
creemos que un valor útil debe estar en torno a la tercera parte de dicho valor, es
decir y refiriéndonos al sentido que tiene la inversa de esta constate, el
comportamiento de los agentes, ante un aumento de la demanda con la consiguiente
caída de las existencias, debería ser tal que no busquen reponer las existencias
perdidas en un periodo inferior al tres veces la demora del proveedor. Proceder de
149
otra manera supone crear inestabilidades en toda la cadena que acabarían por
perjudicarle en forma de deterioro del servicio prestado por los proveedores, como
fallos en las entregas o incrementos en los tiempos de respuesta.
Independientemente del efecto provocado por otros parámetros ligados a la función

de predicción utilizada, la constante KI es decisiva para los siguientes
comportamientos.
a. Un exceso de pedidos generados a los proveedores en un relativo corto lapso

de tiempo que puede llegar a ser varias veces -hasta 5 veces- la demanda
soportada, siempre que no se superen los valores críticos. De ocurrir esto, la
inestabilidad de la cadena está garantizada.
b. La recuperación de las existencias, cuya disminución es consecuencia de la

subida de la demanda, mejora con el aumento de esta constante, pero dado
que también aumenta la inestabilidad de las órdenes de reposición, se
producirán oscilaciones en el inventario que suponen un aumento de costes
debidos al manejo de productos y a las programaciones propias del almacén.
A este respecto añadimos que la profundidad de las caídas de existencias,
motivada por las oscilaciones de las órdenes de reposición, está ligada al
valor de KI, pudiendo llegar a producirse periódicas rupturas del inventario,
aunque esto dependerá de la proximidad de KI al valor crítico y de las
existencias del almacén en el momento de producirse la perturbación.
c. Podemos decir que, a no ser que la constante de recuperación del inventario

sea muy baja, inadmisible a efectos prácticos, el pico de las órdenes está
garantizado con este sistema.
Por lo que respecta a la influencia del método de predicción en el comportamiento del

sistema sus efectos en relación a los producidos por KI son menores. No obstante,
tienden a agravar lo anteriormente descrito y ello puede explicarse por la introducción
de ceros en la función de transferencia, lo que complica la respuesta disminuyendo la
banda de paso y aumentando el pico.
150
Vamos a comparar tres de los métodos estudiados para extraer conclusiones sobre ellos,
aunque debemos, en primer lugar, establecer unos criterios comunes de comparación.
No es sencilla esta base común de comparación a pesar de que la demanda es la misma
para todos los métodos. La razón estriba en que las respuestas son, lógicamente, muy
dispares. No obstante, hemos establecido estos puntos comunes.
− Que el error cuadrático medio (ECM) sea, aproximadamente, el mismo. No

siempre ha sido posible esto, dado que unos sistemas de predicción
pronostican mejores que otro, pero, como se ve en la tabla, las diferencias
obtenidas adaptando los parámetros oportunos de cada método de predicción
son, en nuestro criterio, suficientemente bajas como para dar por aceptable
esta comparación.
− Tomar tres demoras representativas del horizonte temporal utilizado

usualmente por los agentes en la vida real, digamos que corresponden a corto
plazo, L = 3 periodos; medio plazo, L = 5 periodos y largo plazo, L = 20
periodos.
− Calcular los parámetros en que basamos este análisis en un tramo de la

respuesta (Órdenes cursadas o Pedidos) que haya alcanzado la estabilidad y,
por tanto, no esté bajo la influencia del transitorio. Siempre hemos tomado el
tramo comprendido entre el periodo 100 y el 240, último dato de la serie. Sin
embargo, esto no es posible en algunos caso en los que la demora es de 20
periodos; para calcular estos datos hemos reducido el tramo total de medida
desde el periodo 150 al final, 240. Naturalmente, esto afecta a las
comparaciones entre los mismos métodos de pronóstico al no contar con los
mismos tramos; pero hemos preferido seguir esta forma, ya que el objetivo
no es tanto comparar entre demoras para un mismo método de pronóstico,
pues esto no parece presentar dificultades interpretativas, sino comparar
entre métodos.
151
Con estas bases la tabla siguiente muestra los resultados de la comparación que a
continuación explicamos.
− Indicador BW del efecto látigo medido en estabilidad. Corresponde a la

relación de las varianzas de las órdenes cursadas y de la demanda, pero, para
evitar influencias del transitorio, ya que carece de sentido incluir este tramo,
como algunos estudiosos hacen y que ya hemos comentado, sólo incluiremos
desde la observación 100, a la 240 para L = 3 y L = 5 y desde la 150, a la 240
para L = 20.
σ 2 de los pedidos
BW(para t=100… 240)* =
σ 2 de la demanda
*excepto para L = 20 periodos en el que se toma t = 150…240
− Coeficiente de variación de los pedidos. Expresa la relación entre la desviación

estándar de esta serie y su media.
− Coeficiente de variación del inventario. Expresa la relación entre la desviación

estándar del inventario y su media.
− Indicador del efecto látigo del inventario. Expresa la relación entre el

coeficiente de variación del inventario y el coeficiente de variación de la
demanda. La medida del efecto látigo del inventario por medio de la relación de
varianzas entre la del propio inventario y la de la demanda, como algunos
estudios indican, no expresa adecuadamente el comportamiento de aquél, entre
otras cosas porque el inventario medio no depende de la demanda, sino de otros
factores y puede ocurrir que el inventario mantenga una estabilidad alta, y ocurra
lo contrario con la demanda y así el cociente entre las varianzas ser mayor que la
unidad. No hay criterio para determinar cuál debe ser este cociente. Por esta
razón, elegimos un cociente que relativice el valor de las varianzas mediante los
valores medios.
152
Coef. de Var. del inventario
− Indicador del comportamiento del inventario =
Coef. de Var. de la demanda
− Error cuadrático medio de las órdenes recibidas. Expresa la media de los

errores cuadráticos entre la demanda y las órdenes de entrada en el almacén
ambas medidas en el mismo instante y, por tanto, sin desfase temporal. Este
indicador nos permite saber cómo se comporta el inventario. Cuanto menor sea
el valor mejor será el comportamiento del inventario y consecuentemente, se
podrán reducir las existencias sin afectar al servicio. Un valor elevado –cuanto
más elevado peor- indicará una descompensación entre entradas y salidas y, por
tanto, mayores cambios en el inventario.
( dt − rt )
2
ECMOR =
n
− Pico de la señal. Las anteriores medidas pueden considerarse medidas referidas

al comportamiento estático del sistema; ésta y las siguientes se relacionan más
con el comportamiento dinámico de los pedidos y del inventario. Es obvio que el
pico indica, entre otras interpretaciones, la adaptación de la señal de respuesta a
la señal que la motiva. Un exceso que, desde el punto de vista de los pedidos,
significa acumulación de órdenes de reposición que enviamos al proveedor en
un intervalo de tiempo concreto y que le supondrá dificultades de atención, así
como una interpretación errónea de la realidad. Sin duda es uno de los efectos
más perversos para mantener una regularidad en los flujos de la cadena de
suministro. En cuanto al pico del inventario se debe sin duda al efecto inducido
por el pico de las órdenes de reposición ello implica costes derivados de
acumulación de existencias, por ejemplo, menor capacidad física de los
almacenes, mayores costes de transporte, peores programaciones en la
formación de pedidos, lo que obligará a retrasar las entregas a los clientes o
aumentar la capacidad de atención del almacén, etc. Normalmente, no afectará a
los costes financieros, dado que estos están ligados a los costes medios y el pico
153
es, salvo excepciones, un coste marginal. La medida la daremos en porcentaje a
partir del siguiente cálculo
x p − xa
Pico =
xd − xa
Donde xp es el valor del pico; x a es el valor medio de la variable antes de la

perturbación y x d es el valor medio de la misma variable después de alcanzar la
banda de estabilización.
− Valle. Lo razonado para el caso anterior ocurre de manera opuesta para el valle,
aunque éste origina costes de distinto tipo. En lo referido al inventario significa
costes debidos a la desatención de los clientes. La recuperación del inventario
necesario dependerá del inventario objetivo que, en circunstancias normales
depende de la demora, de la demanda y de la fiabilidad en la predicción de la
demanda. También dependerá de la amplitud de la perturbación de la demanda y
de la constante de recuperación del inventario. Como ya hemos dicho, una
excesiva prisa en querer recuperar el inventario acarreará enormes problemas
para todos los agentes implicados.
− Tiempo de establecimiento de la señal. Indica la rapidez de adaptación de la

señal de respuesta a la situación creada por la perturbación. En nuestro caso, y
como hemos venido diciendo, este tiempo depende totalmente de la constante de
recuperación del inventario, aunque influyen también, pero en menor medida,
los propios parámetros de las funciones de predicción. El tiempo de
establecimiento lo mediremos en el momento que la señal alcanza y permanece
dentro de una banda del ±2% de la media de la señal cuando está dentro de esta
banda.
− Error cuadrático medio. Obviamos la explicación del error cuadrático medio

de la predicción dado por
154
ECM =
(d − d )
t t
A partir de los datos anteriores vamos a aplicar estos indicadores a los modelos de
predicción alisado exponencial, AE, a los modelos AR(1) y a los modelos ARMA (1,1).
Los datos de los cálculos están basados en los contenidos en las mismas figuras que
indican el comportamiento de la señal con una demanda basada en una serie de datos
reales118 y de una señal en la que se ha suprimido las alteraciones y aleatoriedades y
sustituidos estos valores por el promedio de la propia serie. Esto es lo que hemos
llamado serie de control.
Posteriormente, para realizar un análisis comparativo en las figuras comprendidas entre

las 4.23 y la 4.40, inclusive entre las que están las respuestas a la serie modelo y las
respuestas a la serie de prueba; todas estas gráficas se han realizado con los parámetros
adecuados para obtener el menor error cuadrático medio.
Indicamos que la serie modelo, tomada como control, es la misma que la original, pero
transformada de manera que sirva mejor a nuestro propósito de obtener la información
adecuada. Para ello hemos considerado que la serie previa al escalón, causa de la
perturbación, es una serie de valor constante 600 y a partir de la perturbación se ha
creado otra serie sumando a la serie original citada en la referencia, cuya media es de
200, un valor constante de 1000, de esta manera la serie a partir de la perturbación tiene
una media de 1200 y no se ha eliminado ninguna de sus propiedades ligadas a
autocorrelaciones entre las observaciones.
Esto es, si ut es la serie original dada en la cita bibliográfica119 tenemos que
ut = E ( ut ) ≈ 200
118
Douglas op. cit.
119
[Douglas, 1976]. Apéndice B: Collection of Time for Series Exercice. Tabla B-1, 240 observaciones sobre las
ventas de prendas de punto.
155
La serie de prueba es constante con valor de 600 hasta la perturbación – escalón- y a
partir del escalón cambia a 1200 con valor constante en el tiempo.
156
4.7.1 GRAFICAS PARA ANÁLISIS DE LOS MÉTODOS DE PREDICCIÓN
2500 5000
Demanda
Pedidos
Inventario
4000
2000
3000
1500
unidades/periodo
unidades
2000
1000 L = 3 periodos
Ki = 0,206 = 1/3Kmáx.
Alfa = 0,33 1000
BW medido en estabilidad = 1,51 (periodo 100 al 240)
Pico máximo = 1970 unidades/periodo en periodo 5 0
0 -1000
-6
7
19
31
43
55
67
79
91
103
115
127
139
151
163
175
187
199
211
223
235
Periodo

predicción por alisado exponencial con D = 0,33. Este valor se
ha elegido para conseguir el mínimo error cuadrático medio.
157
2500 5000
Demanda
Pedidos
Inventario
4000
2000
3000
Serie "dummy"
1500
unidades/periodo
2000
unidades
1000
1000 L = 3 periodos
Ki = 0,206 = 1/3Kmáx.
Alfa = 0,33
Pico máximo Pedidos= 1972 unidades/periodo en periodo 10 0
Tiempo de establecimiento para ±2% = 28 periodos
Pico máximo Inventario 4313 en periodo 16
500 Pico mínimo Inventario -574 en periodo 6
Tiempo de establecimiento para ±2% = 30 -1000
Demanda 600 y 1200 unidades/ periodo
Inventario 1800 y 3600 unidades
0 -2000
-6
7
19
31
43
55
67
79
91
103
115
127
139
151
163
175
187
199
211
223
235
Periodo

predicción por alisado exponencial con D = 0,33. Las
condiciones son las mismas que las de la respuesta de la figura
4.23, aunque se ha sustituido el valor aleatorio y oscilante para
una mejor interpretación.
158
2000 8000
Demanda
1800 Pedidos
7000
Inventario
1600
6000
1400
5000
1200
unidades/periodo
4000
unidades
1000
L = 5 periodos 3000
800 Ki = 0,115 = 1/3Kmáx.
Alfa = 0,33
600 BW medido en estabilidad = 1,25 (periodo 100 al 240)
Coef. de Var. de inventario, medido en estabilidad = 0,035 1000
400 Pico máximo = 1881 unidades/periodo en periodo 8
200 0
0 -1000
-6
7
19
31
43
55
67
79
91
103
115
127
139
151
163
175
187
199
211
223
235
periodo

predicción por alisado exponencial con D = 0,33 y L = 5. Este
valor se ha elegido para conseguir el mínimo error cuadrático
medio.
159
2500 8000
Demanda
Pedidos 7000
Inventario
2000 6000
5000
Serie "dummy"
1500 4000
unidades/periodo
unidades
3000
1000 L = 5 periodos 2000

Ki = 0,115 = 1/3Kmáx.
Alfa = 0,33
Pico máximo Inventario 6814 en periodo 33
500 Pico mínimo Inventario -823 en periodo 7 0
Tiempo de establecimiento para ±2% = 35
Inventario 3000 y 6000 unidades -1000
0 -2000
-6
7
19
31
43
55
67
79
91
103
115
127
139
151
163
175
187
199
211
223
235
periodo

predicción por alisado exponencial con D = 0,33 y L = 5. Las
160
.
2000 30000
demanda
pedidos
1800 inventario
25000
1600
20000
1400
1200
15000
Unds/periodo
Unidades
1000
L = 20 periodos
Ki = 0,0268 = 1/3Kmáx. 10000
800 Alfa = 0,17
600 Coef. de Var. de pedidos, medido en estabilidad = 0,015 5000
Coef. de Var. de inventario, medido en estabilidad = 0,009
400
Pedido medio después de escalón = 1205,9 0
200 Demanda media y pedido medio antes de escalón = 600 und./per.
0 -5000
-6
6
17
28
39
50
61
72
83
94
105
116
127
138
149
160
171
182
193
204
215
226
237
Periodos

predicción por alisado exponencial con D = 0,17 y L = 20. Este
valor se ha elegido para conseguir el mínimo error cuadrático
medio ECM.
161
2000 30000
demanda
pedidos
1800 inventario
25000
1600
Serie "dummy" 20000

1400
1200
15000
Unds/periodo
Unidades
1000
L = 20 periodos
Ki = 0,0268 = 1/3Kmáx. 10000
800 Alfa = 0,17
Pico máximo Pedidos= 1877 unidades/periodo en periodo 26
600 Pico máximo Inventario 25824 en periodo 100 5000
Pico mínimo Inventario -1557 en periodo 25
400
Inventario 12000 y 24000 unidades 0
200
0 -5000
-6
6
17
28
39
50
61
72
83
94
105
116
127
138
149
160
171
182
193
204
215
226
237
Periodos

predicción por alisado exponencial con D = 0,17 y L = 20. Las
162
2500 5000
4000
2000
Demanda 3000
Pedidos
1500 Inventario
Unds./periodo
Unidades
2000
L=3
1000
Ki = 0,206 = 1/3Kmáx.
Phi = 0,33
1000
Coef. de Var. del inventario medido en estabilidad = 0,045 de la observación 100
500 a la 240
Coef. de V de las órdenes cursadas en estabilidad = 0,05 0
0 -1000
-6
5
15
25
35
45
55
65
75
85
95
105
115
125
135
145
155
165
175
185
195
205
215
225
235
Periodos

= 3. Este valor se ha elegido para conseguir el mínimo error
cuadrático medio ECM.
163
2500 5000
4000
2000
Serie "dummy" Demanda 3000

Pedidos
1500 Inventario
Unds./periodo
Unidades
2000
L=3
1000 Ki = 0,206 = 1/3Kmáx.
Phi = 0,33
Pico máximo Inventario 4687 unidades en periodo 15
500
0
0 -1000
-6
4
13
22
31
40
49
58
67
76
85
94
103
112
121
130
139
148
157
166
175
184
193
202
211
220
229
238
Periodos

= 3. Las condiciones son las mismas que las de la respuesta de
la figura 4.29, aunque se ha sustituido el valor aleatorio y
oscilante para una mejor interpretación.
164
2500 8000
7000
2000 6000
Demanda
5000
Pedidos
Inventario
1500 4000
unidades/periodo
unidades
3000
L=5
1000 Ki = 0,115 = 1/3Kmáx. 2000
Phi = 0,33
1000
Coef. de Var. del inventario medido en estabilidad = 0,045 de la observación 100
500 a la 240 0
Coef. de V de las órdenes cursadas en estabilidad = 0,036
Demanda media = 1196,9 después de escalón -1000
0 -2000
-6
5
15
25
35
45
55
65
75
85
95
105
115
125
135
145
155
165
175
185
195
205
215
225
235
periodos

165
2500 8000
7000
2000 6000
Demanda
5000
Serie "dummy" Pedidos
Inventario
1500 4000
unidades/periodo
unidades
3000
1000 L=5 2000

Ki = 0,115 = 1/3Kmáx.
Phi = 0,33
1000
500 Pico máximo Inventario 4687 unidades en periodo 15 0
Demanda 600 y 1200 unidades/ periodo -1000
0 -2000
-6
5
15
25
35
45
55
65
75
85
95
105
115
125
135
145
155
165
175
185
195
205
215
225
235
periodos

166
2000 3.000
Demanda
Pedidos
1800
Inventario
2.500
1600
2.000
1400
1200
1.500
Unidades x 10
Unds./periodo
1000
1.000
800 L = 20
Ki = 0,0268 = 1/3Kmáx.
Phi = 0,28
600 ECM = 52,8 unidades/periodo 500
Coef. de Var. del inventario medido en estabilidad = 0,027, (de l00 a 240)
400 Coef. de Var. de las órdenes cursadas en estabilidad = 0,096
Pico máximo = 1883 en periodo 22 0
200
Pedido medio y Demanda media = 600 antes de escalón
0 -500
-6
5
15
25
35
45
55
65
75
85
95
105
115
125
135
145
155
165
175
185
195
205
215
225
235
Periodos

167
2000 3.000
Demanda
Pedidos
1800
Inventario
2.500
1600
Serie "dummy" 2.000

1400
1200
1.500
Unidades x 10
Unds./periodo
1000
1.000
800 L = 20
Ki = 0,0268 = 1/3Kmáx.
Phi = 0,28
600 Pico máximo Pedidos= 1869 unidades/periodo en periodo 23 500
Tiempo de establecimiento para ±2% = 131 0
200
0 -500
-6
5
15
25
35
45
55
65
75
85
95
105
115
125
135
145
155
165
175
185
195
205
215
225
235
Periodos

168
2500 5000
4000
2000
Demanda
3000
Pedidos
1500 Inventario
Unidades/peridodo
Unidades
2000
L=3
1000 Ki = 0,206 = 1/3Kmáx.
Phi = 0,34
Theta = 0,1 1000
Demanda media despues de escalón = 1196,7 unidades/perido
0 -1000
-6
6
17
28
39
50
61
72
83
94
105
116
127
138
149
160
171
182
193
204
215
226
237
Periodos
Fig. 4.35. Respuestas de un modelo ARMA con las constantes

adecuadas para obtener el mínimo ECM. En el caso de la figura se
han tomado I = 0,34, T = 0,1y L = 3
169
2500 5000
4000
2000
Demanda
Serie "dummy" Pedidos
3000
Inventario
1500
Unidades/peridodo
Unidades
2000
L=3
1000 Ki = 0,206 = 1/3Kmáx.
Phi = 0,34
Theta = 0,1 1000
0 -1000
-6
6
17
28
39
50
61
72
83
94
105
116
127
138
149
160
171
182
193
204
215
226
237
Periodos
Fig. 4.36. Respuestas de un modelo ARMA en las mismas

condiciones dadas en la figura 4.35, pero sustituyendo los valores de
la serie por su media incondicional.
170
2500 8000
Demanda
Pedidos
7000
Inventario
2000
6000
5000
1500
unidades/periodo
4000
unidades
3000
L=5
1000
Ki = 0,115 = 1/3Kmáx.
Phi = 0,34
2000
Theta = 0,1
1000
500 Coef. de Var. de pedidos, medido en estabilidad = 0,044
Coef. de Var. de inventario, medido en estabilidad = 0,045
0
Demanda media despues de escalón = 1196,7 unidades/perido
0 -1000
-6
6
17
28
39
50
61
72
83
94
105
116
127
138
149
160
171
182
193
204
215
226
237
Periodo

han tomado I = 0,34, T = 0,1 y L = 5.
171
2500 8000
Demanda
Pedidos
7000
Inventario
2000
6000
Serie "dummy" 5000
1500
unidades/periodo
4000
unidades
3000
L=5
1000
Ki = 0,115 = 1/3Kmáx.
Phi = 0,34
2000
Theta = 0,1
1000
500 Pico máximo Inventario 7179 unidades en periodo 25
0
0 -1000
-6
6
17
28
39
50
61
72
83
94
105
116
127
138
149
160
171
182
193
204
215
226
237
Periodo

172
2000 3.000
1800
2.500
1600
Demanda
Pedidos 2.000
1400
Inventario
1200
1.500
Unidades x 10
Unds/periodo
1000
L = 20 1.000
800
Ki = 0,0268 = 1/3Kmáx.
Phi = 0,35
Theta = 0,15
600
200 Pedido medio después de escalón = 1200,4
0 -500
-6
6
17
28
39
50
61
72
83
94
105
116
127
138
149
160
171
182
193
204
215
226
237
Periodos

han tomado I = 0,35, T = 0,15 y L = 20.
173
2000 3.000
1800
2.500
1600
Demanda
Pedidos 2.000
1400 Serie "dummy"
Inventario
1200
1.500
Unidades x 10
Unds/periodo
1000
L = 20 1.000
800
Ki = 0,0268 = 1/3Kmáx.
Phi = 0,35
Theta = 0,15
600
200 Inventario 12447 y 24447 unidades
0 -500
-6
6
17
28
39
50
61
72
83
94
105
116
127
138
149
160
171
182
193
204
215
226
237
Periodos

174
4.7.2. CONCLUSIONES SOBRE EL MODELO DE GESTIÓN DE INVENTARIOS
A partir de los datos de la tabla, podemos establecer que no existen diferencias

sustanciales entre un método de previsión, de los tres estudiados, que nos permita
claramente decantarnos por uno de ellos. Todos producen picos, lo que repercutirá
en una onda de demandas crecientes aguas arriba de la cadena. Este pico es menor a
medida que la demora en recibir los pedidos disminuye.
Igual sucede con los otros indicadores, en concreto con el indicador del efecto látigo
BW y el de error cuadrático medio medido, calculado como la media cuadrática de
las diferencias entre la demanda y las órdenes recibidas ECMOR.
Es claro que no hay forma de atenuar el efecto látigo; a no ser que se trabaje con
demoras a medio plazo –en torno a 10 periodos- pero no a más corto plazo. Aunque
contradictorio, pues es de suponer que una demora mayor le corresponderá una
importancia mayor del fenómeno, el resultado es el reflejado en la tabla que
claramente mantiene lo contrario.
No obstante, ello es debido a que, a largo plazo, la predicción tiende al valor medio
de la serie y es esa estabilidad la que produce la falsa apariencia de un efecto látigo
menor. No es relevante, en nuestro criterio, que, según los resultados, resulte
atenuado el efecto látigo para periodos de demora prologados, para poder afirmar
que el retraso en la respuesta del proveedor mejora el fenómeno objeto de estudio.
Concluir que no hay, por tanto, un método de predicción que claramente muestra
unos resultados mejores, por esta razón y dado que es un método fácil de uso
extendido, creemos que el modelo que mejor respondería a exigencias de
comportamiento y accesibilidad de un usuario común sería el de alisado exponencial
para este caso. Esto choca con otros estudios al respecto que mantienen la
importancia del método de predicción, pero los resultados así lo indican.
175
176
predicción.
AE AR(1) ARMA(1,1)
L=3 L=5 L = 20 L=3 L=5 L = 20 L=3 L=5 L = 20
ECM 49,8 49,8 51,03 49,8 53,9 52,9 49,7 49,7 50,6
BW medido en estabilidad 1,51 1,25 0,16 1,72 1,40 0,44 1,67 1,32 0,42
CV pedidos 0,047 0,043 0,015 0,05 0,046 0,026 0,049 0,044 0,016
CV inventario 0,043 0,035 0,009 0,045 0,037 0,009 0,053 0,045 0,025
ECMOR 75,6 69,1 52,2 79,9 71,2 55,5 79,8 68,1 55,4
Sobreexcursión pedidos 228% 223% 212% 247% 233% 211,50% 247% 230% 211%
Sobreexc. Inventario 140% 127% 115% 137% 145% 110,7% 138% 122,7% 110,7%
Subexcursión inventario 132% 127% 113% 125% 122% 104% 128% 118% 105%
T. estab. pedidos ( L veces) 10 6,8 6,25 9,6 6,8 6 9,6 6,6 6
Tabla 4.7. Datos de indicadores de comportamiento para tres modelos de

CAPÍTULO V
MODELO DE GESTIÓN CON CONTROL POR

INVENTARIO LOGÍSTICO
5.1 JUSTIFICACIÓN DEL MODELO

Como hemos visto, el modelo anterior no considera los pedidos ya cursados, pero no
recibidos; no se incluyen, por tanto, las órdenes en curso; esto crea una percepción falsa
en las necesidades reales de la empresa generando más cantidad de la necesaria.
Resulta claro que, de no ignorar las órdenes pendientes de entregar, la cantidad
generada para la corrección del inventario sería menor, con una respuesta más ajustada a
la realidad del mercado que la obtenida anteriormente.
Por otra parte, aunque no se ha considerado en el estudio, debemos preguntarnos cómo

considera un agente comprador que los pedidos ya cursados se reciben con la
regularidad con la que se emiten. En el modelo anterior no se incluye esta posibilidad,
que, es claro, debe ser considerada como un elemento más de control. Como veremos a
continuación, en el modelo comentado, esto se tiene en cuenta mediante la inclusión de
un lazo de control referido a las órdenes en curso.
Proponemos la siguiente analogía para comprender por qué, desde el punto de vista del
control, este sistema es mejor que el anterior.
En la figura vemos un sistema que viene a representar el modelo anterior. De la

comparación entre el nivel del inventario –líquido en el depósito- con la consigna o
nivel deseado, se determina la cantidad solicitada al fabricante. Nos preguntamos ahora
qué ocurriría de suceder una parada o retraso en las entregas del suministrador.
177
Fig. 5.1. Analogía de un modelo de gestión basado en la
recuperación gradual del inventario físico.
Como el agente cliente no recibe esa información, las peticiones continúan

acumulándose y, al no haber entregas, el inventario sigue disminuyendo lo que
incrementará aún más las peticiones y con ello aumentará la acumulación de pedidos,
cuando se reciben todas a la vez, dependiendo de la cuantía, se produce un proceso
inverso, restringiendo los pedidos e iniciando lo que puede ser un preámbulo de
inestabilidad.
Introducir en el control la información necesaria para que el agente sepa la cantidad

pedida que aún no se ha entregado, servirá para mejorar la respuesta del sistema, pues se
ajustan mejor las correcciones del inventario con un comportamiento más moderado de
los pedidos y con ello la reducción del efecto látigo.
178
Fig. 5.2. Analogía de un modelo de gestión basado en la
5.2. FORMULACIÓN DEL MODELO
Proponemos, según lo dicho, el siguiente modelo que tiene en cuenta tanto el inventario
físico, como el inventario en curso o, lo que es lo mismo considerando el conjunto del
inventario físico y en curso, el inventario logístico. Siendo este último la suma del físico
más el de en curso. Por lo que el modelo se expresa de la siguiente manera.
⎧ Órdenes cursadas ⎫ ⎧ Estimación de la demanda ⎫

⎨ ⎬=⎨ ⎬+
⎩al agentes proveedor en t ⎭ ⎩del agente cliente para el periodo t ⎭
⎧Diferencia entre inventario físico objetivo ⎫
(5.1) + KI * ⎨ ⎬+
⎩e inventario físico para el mismo periodo t ⎭
⎧Diferencia entre órdenes pendientes objetivo ⎫
+ KP * ⎨ ⎬
⎩ y órdenes pendientes reales para el periodo t ⎭
179
El segundo factor de la parte derecha de la ecuación (5.1) anterior es el que controla
que las órdenes pendientes sean mantenidas a un nivel adecuado, de manera que, a la
hora de cursar un pedido, el agente las tenga en cuenta. Las constantes KI y KP tienen
dimensión de periodo-1 y, en el caso de la primera de ellas, su sentido ya se explicó en
el capítulo anterior. Paralelamente a lo dicho para KI, el inverso de KP es el tiempo
requerido para la recuperación del inventario pendiente. Tanto KI como KP son reales y
positivas K I , K P ∈ R + . Posteriormente volveremos a analizar este aspecto y entraremos
en más detalles sobre la dimensión de los parámetros utilizados.
El modelo propuesto es una generalización del estudiado en el capítulo anterior, basta

tomar en las fórmulas de dicho capítulo el inventario logístico en lugar del inventario
físico, para obtener el modelo descrito ahora. Como inventario logístico consideramos
el inventario total en su conjunto, es decir, el inventario físico, más el inventario
pendiente de entregar120, menos reservas, más devoluciones.
Al sustituir en las fórmula del modelo del capítulo anterior el inventario físico por el
inventario logístico, en que no consideramos por razones prácticas las reservas y las
devoluciones –las reservas y devoluciones con calidad aceptables y, por tanto,
trasladables inmediatamente al inventario, constituyen una proporción mínima del
inventario logístico- obtenemos lo mismo que anteriormente se ha dicho.
(5.2) ct = d t + K ( J o − J t )
El inventario logístico J es la suma de los inventarios físicos I e inventario pendiente P

de entregar. Por lo que
(5.3) ct = d t + K ( I o − I t ) + K ( P0 − Pt )
Por razones de flexibilidad en el estudio del modelo conviene separar la constante para
cada tipo de inventario con el fin de disponer de mayor flexibilidad en el ajuste de la
respuesta, de aquí que.
120
A veces conocido como inventario en curso o inventario pipeline.
180
(5.4) ct = d t + K I ( I o − I t ) + K p ( P0 − Pt )
El inventario físico objetivo I0 ya fue explicado en el punto 4.5 del capítulo anterior. En
cuanto al inventario pendiente P0, su cálculo está relacionado con la cantidad de órdenes
que se han cursado y están pendientes de entregar durante el periodo de demora L, de
aquí que
(5.5) Po = d ⋅ L
es decir, la cantidad pendiente es la demanda media por la duración de la demora.
Inventario
Recibidas Entregadas
-
Cálculo del Demanda
Tiempo para Diferencia +
de
- recuperación Inv. inventario Inv. Objetivo
Órdenes ptes. de
recibir
Factor Predicción
Tasa de de
segurida de demanda
recuperación Inv.
Órdenes cursadas
+ +
Tiempo para Necesidades
Demora en recuperación O. Netas
la entrega - ptes. +
Diferencias de Órdenes ptes. de
Tasa de recibir objetivo
órdenes ptes. recuperación O.
+ ptes.
Fig. 5.3. Diagrama causal del modelo de reposiciones.
181
En la figura 5.3 se muestra el diagrama causal de la política de reposiciones descrita. En
rojo se indican los parámetros utilizados en el sistema y las variables stock y flujo.
En la figura 5.4 se indica el diagrama causal del flujo de decisiones que permiten
satisfacer la demanda a partir del inventario y cursar una orden de reposición.
Fig. 5.4. Flujo de decisiones
Las ecuaciones discretas correspondientes a lo expuesto son
(5.6) C t ( t ) = Ft ( t ) + K I ( I O ( t ) − I t ( t ) ) + K P ( PO ( t ) − Pt ( t ) ) Órdenes cursadas
(5.7) I ( t ) = I ( t − 1) + R ( t ) − D ( t ) Inventario físico
(5.8) P ( t ) = P ( t − 1) + C ( t − 1) − R ( t ) Inventario pendiente
(5.9) R ( t ) = C ( t − L) Órdenes recibidas
(5.10) F (t ) = F (t,d ) Previsión demanda
182
La mayoría de las variables y parámetros se explicaron en el capítulo anterior o ya han
sido citados en éste. Aclaramos que, por necesidades de la sincronización de las
acciones que lleva a cabo el responsable de las reposiciones, la orden de compra, dada
por la variable C(t) en la ecuación (5.8), debe ser desfasada un periodo, esto es C(t-1),
ya que el cálculo de las órdenes pendientes dado por esta ecuación es previo al cálculo
del tamaño de la orden dado por (5.6).
En el caso de que alguno de los pedidos cursados al proveedor quedara insatisfecho,

inmediatamente eso repercutiría en el tamaño de la próxima orden de reposición de
manera que aumentaría éste.
El diagrama de bloques, según los gráficos utilizados en la ingeniería de control, se

indica en la figura5.5
Fig. 5.5. Diagrama de bloques del sistema.
Aplicando la transformada Z tenemos.
(5.11) C ( z ) = F ( z ) + K I ( I o ( z ) − I ( z ) ) − K P ( P0 ( z ) − P ( z ) )
183
(5.12) I ( z ) = I ( z ) z −1 + R ( z ) − D ( z )
(5.13) R ( z ) = C ( z ) z−L
(5.14) P ( z ) = P ( z ) z −1 − C ( z ) z −1 + R ( z )
Resolviendo el sistema de ecuaciones formado por (5.11), (5.12), (5.13) y (5.14) queda
la siguiente función de transferencia en la que se han dejado implícitas la transformadas
Z de la función de predicción, inventario físico de referencia u objetivo e inventario de
órdenes pendiente de referencia u objetivo y así después sustituir por los modelos
adecuados.
H ( z ) = C ( z) = z ( ) ( ( )
L−1
z − 1 F z + K I ( z ) + K P ( z )) + K z
I 0 P 0 I
(5.15)
D( z ) L
(
z − 1− K z + K − K P ) L−1
I P
Referente al inventario físico, la función de transferencia es la deducida de la ecuación

(5.12) y que ya se expresó en el capítulo anterior
I ( z ) = ( ) = z ⎡⎢ 1L H ( z ) − 1⎤⎥
I z
(5.16)
D (z) z −1 ⎣ z ⎦
El inventario en curso o de órdenes pendientes se obtiene por pasos similares a los

dados para el inventario físico teniendo en cuenta la ecuación (5.14) de la que
deducimos que
(5.17) P (z) = P (z) = 1 ⎛ 1 ⎞

⎜ L−1 − 1⎟ H ( z )
D (z) z −1⎝ z ⎠
y el inventario logístico es, simplemente, el resultado de la suma de los dos anteriores,
(5.18) J ( z ) =I ( z ) + P ( z )
184
5.3 INTERPRETACIÓN DE LOS PARÁMETROS
Por lo que respecta al inventario objetivo de producto físico I0 necesitaremos calcular la

proyección de la demanda para un periodo igual al de la demora, como ya se vio en el
capítulo anterior. Para el de órdenes pendientes no hace falta la predicción de la
demanda, por lo que el resultado es más inmediato, basta con calcular la media de la
demanda atendiendo a que el objetivo de órdenes en curso debe ser el dado según se
indicó en la ecuación (5.5)
(5.19) Po = d ⋅ K L
A diferencia de la ecuación (5.5) en la fórmula anterior (5.19) hemos preferido ajustar

con un parámetro KL en lugar de la demora L, porque nos permite una mayor
flexibilidad a la hora de ajustar mejor la respuesta, como después veremos.
En rigor, para calcular el inventario en curso objetivo deberíamos recurrir a la siguiente

expresión
i =− L
(5.20) Po = ∑υ p
i =−1
i i
Donde Xi es una ponderación de cada una de las órdenes pendientes pi cursadas en el

momento – i, contado desde el momento actual hasta donde alcance en el pasado la
demora L. Esto complica excesivamente el estudio de la función de transferencia, razón
por la que hemos reducido la expresión (5.20) a la más simplificada (5.19). La
esperanza, en sentido estadístico, de la función (5.20) será la expresada en (5.5).
La media de la demanda de la expresión (5.19) se calcula en realidad construyendo una

media móvil con los datos más recientes de la demanda ya obtenida. La cantidad de
observaciones incluidas en la media móvil debe ser la adecuada para conseguir una
respuesta rápida del sistema; pocos términos, supone una respuesta más rápida, pero el
resultado será un pico mayor; al contrario, con un número mayor de observaciones, se
amortigua más la respuesta y el pico es menor. En nuestros estudios, tal y como hicimos
185
en el capítulo anterior, hemos seguido tomando la media móvil de 5 términos; creemos
que es una cantidad de términos razonable para deducir la media incondicional de la
serie y permitir que la respuesta siga las condiciones más adversas posibles dentro de lo
razonable. Sólo haremos otros cambios en la cantidad de términos incluidos a título de
verificar el grado de influencia del orden de esta media móvil.
Como ya dijimos KI tiene la dimensión de periodo-1 y su sentido práctico es claro,

porque supone un control sobre la recuperación del inventario físico: a mayor valor de
este parámetro, menor tiempo para recuperar el inventario. En otras palabras, cada vez
que lanzamos un pedido decidimos, entre otras cosas, la cantidad de unidades que serán
para reponer las existencias perdidas o, al contrario, la cantidad de unidades que
dejaremos de adquirir para aligerar el inventario.
El parámetro KP también tiene la misma dimensión, pero su sentido práctico es distinto;

en este caso, cada pedido cursado al proveedor se aumentará o disminuirá en una cierta
cantidad definida por este parámetro de acuerdo con la diferencia entre las órdenes
lanzadas en periodos anteriores y recibidas a fecha actual y un objetivo determinado,
que intenta mantener a un cierto nivel de órdenes en el canal logístico.
Cuando surge un escalón en la demanda, se produce una caída del inventario físico y un
aumento en las cantidades solicitadas al proveedor; este incremento tiene un efecto
compensatorio debido a que es tenido en cuenta mediante el inventario de órdenes
pendientes y evita un crecimiento excesivo del tamaño de dichas órdenes.
Hay un retraso mínimo, dado por la duración del ciclo de pedidos, desde que aparece el
escalón de la demanda y entra en juego la compensación debida a las órdenes
pendientes, lo que crea un primer impulso de crecimiento de la demanda, cuya
importancia se deberá al parámetro KI. Pasado este momento, entra en juego la
compensación del canal logístico y el crecimiento de las órdenes cursadas se modera
desacelerándose hasta alcanzar un grado de equilibrio entre el crecimiento de las
órdenes debido a las necesidades del inventario y los excedentes dentro del canal
logístico.
186
Este mecanismo de compensación dependerá del parámetro KP, de los tamaños de las
órdenes lanzadas en periodos anteriores aún no recibidas y del parámetro KL con el que
se fija el objetivo de la cantidad pendiente de entregar. Teóricamente, como hemos
dicho más arriba, este objetivo debe tender a ser la media de la demanda por la
“longitud” del canal, esto es, por el tiempo que tardan las órdenes en recibirse como
promedio. No obstante, como el mecanismo de compensación no entra en juego hasta
que se haya superado el nivel objetivo, una forma de acelerar la entrada en juego de la
compensación es disminuir el valor del objetivo reduciendo el valor de la constante KL.
Una vez superado éste, la importancia de la compensación viene dada por el valor de la
KP y el tamaño de las órdenes pendientes.
Jugando con ambos tres parámetros podemos adaptar una respuesta adecuada a un
cambio de la demanda, consiguiendo una recuperación del inventario físico aún más
rápida sin originar un pico elevado en la onda de pedidos cursados. Máxime si tenemos
en cuenta que, al considerar el inventario total –físico más pendiente- como inventario
del sistema, utilizaremos todas las cantidades para hacer frente a la demanda, por lo que
podremos prescindir de gran parte del inventario físico sin por ello deteriorar el servicio
al mercado. Es otra forma de reducir el pico de las órdenes solicitadas al proveedor y
con ello reducir el efecto látigo.
5.4 ESTABILIDAD DE LA FUNCIÓN DE TRANSFERENCIA. ANÁLISIS DE POLOS
Sea cual sea la función de transferencia analizada: órdenes cursadas, inventario físico,
inventario en curso e inventario logístico, la ecuación característica es la misma para
todas (advertimos que no existen influencias debidas a polos introducidos por la función
de predicción, como podría pensarse del caso del alisado exponencial, algo que después
quedará más claro)
(5.21) z L − (1 − K P ) z L−1 + K I − K P = 0
Para aplicar un cálculo deductivo similar, al usado en la ecuación característica del caso
anterior, la ecuación anterior (5.21) vamos a expresarla como.
187
(5.22) z L − K1 z L−1 + K 2 = 0
Siguiendo el razonamiento ya expresado en el capítulo anterior y aplicándolo a la

ecuación (5.22), obtenemos que.
K1 sen ( L − 1) Ω
(5.23) <1
sen LΩ
por lo que despejando K1 queda
sen LΩ
(5.24) K1 <
sen ( L − 1) Ω
sen LΩ
(5.25) 1 − KP <
sen ( L − 1) Ω
Esto implica que los límites de KP deben ser, una vez restituida la simplificación
operativa propuesta para la ecuación (5.22)
sen LΩ sen LΩ
(5.26) 1− < KP < 1+
sen ( L − 1) Ω sen ( L − 1) Ω
Aplicando el mismo método de deducción citado en el capítulo anterior, el valor de K2

será
(5.27) K 2 = K1 cos ( L − 1) Ω − cos LΩ
Restituyendo los cambios hechos en la ecuación (5.21) queda finalmente.
(5.28) K I = K P + (1 − K P ) cos ( L − 1) Ω − cos LΩ
Las ecuaciones (5.26) y (5.28) forman un sistema de ecuaciones paramétricas

trascendentes con parámetro :, con soluciones múltiples dependiendo del valor de L.
No existe una única pareja de valores KI, KP que lleven a alguna o algunas de las raíces
188
de la ecuación característica al borde o al exterior de la región definida por el círculo
unitario. Esto nos impide elegir un único criterio a la hora de comparar las respuestas
para distintos valores de L dentro del mismo sistema de predicción.
Completamos el estudio de estabilidad aplicando los criterios de acotación de las raíces

dados por Jury121, conforme a lo ya expuesto del anterior capítulo anteriores.
Recordemos que es condición necesaria para que el sistema sea estable que las raíces
cumplan los siguientes criterios.
Criterio 1º.
Si D ( z ) es la función característica, se debe cumplir que D (1) > 0 . En
nuestro caso
(5.29) (1)
L
(
− 1/ − K P ) (1) L −1
+ KI − KP > 0
Para cumplir este criterio es necesario que
(5.30) KI > 0
cualquiera que sea el valor de L y KP
Criterio 2º.
Si L es el grado de la función D ( z ) y es par se debe cumplir que
D ( −1) > 0
( −1) − (1 − K P )( −1)
L−1
+ KI − KP > 0
L
(5.31)
por lo que
2 − 2KP + KI > 0
121
Op. cit.
189
que implica que
1
(5.32) KP < 1+ KI
2
o bien que
(5.33) K I > 2 ( K P − 1)
Si L es impar, se debe cumplir que D ( −1) < 0 , por lo que la ecuación (5.21) da como
resultado
( −1) − (1 − K P )( −1)
L−1
+ KI − KP < 0
L
lo que operando equivale a
(5.34) KI < 2
Criterio 3º.
De la comparación entre el coeficiente bn de z L y el término independiente b0 de la
ecuación D ( z ) se debe cumplir que
b0 < bn
por lo que
(5.35) KI − KP < 1
Dado KI > 0, la condición (5.35) puede formularse como
(5.36) −1 + K I < K P < 1 + K I
Resumiendo, esta última condición, teniendo en cuenta que la (5.32) es más estricta que
la parte derecha de la desigualdad, se formulará de la siguiente manera.
190
1. Si L es par
KI
−1 + K I < K P < 1 +
2
2. Si L es impar
0 < KI < 2
En cualquiera de los casos siempre se ha de cumplir que
KI > 0 y KI − KP < 1
Las condiciones anteriores son necesarias, pero no suficientes, para que la función de
transferencia sea asintóticamente estable.
Existen otros criterios de Jury que de cumplirse determinarían la condición suficiente

para la estabilidad de la función de transferencia.
Hacemos notar que hay una serie de valores de los parámetros citados que hacen que el
comportamiento de la función característica se simplifique.
1. Para K P = K I , cualquiera que sea el valor de L, los polos de la función de

transferencia son siempre menores que uno, excepto para valores iguales o
menores que 0, o iguales o mayores que 2. Por tanto, para todo valor de L, el
sistema es estable si
0 < KP = KI < 2
La proximidad a los extremos de estas desigualdades determina la proximidad de

los polos a la frontera de la región de convergencia y por tanto a la inestabilidad,
con oscilaciones de la función de transferencia sobre la consigna
progresivamente mayores a medida que nos acercamos a esa frontera.
191
2. Otro caso particular es cuando ambos parámetros toman el valor 1. Cuando eso
ocurre todas las raíces de la función característica son nulas y eso conduce a una
ecuación característica “degenerada” z L , situación que supone introducir sólo
retraso en la función de transferencia.
En ambos casos se llega a un sistema de primer grado sin posibilidad de

amortiguamiento, lo que provoca una subida aún mayor en el pico de la demanda, que el
producido cuando los valores de ambos parámetros son distintos.
Sí K P ≠ K I existirán raíces diferentes según los valores de estos parámetros y de L. Por

tanto nos encontramos con el problema de saber cuál es lugar geométrico de las raíces
de la ecuación característica en función de los tres parámetros L, KI y KP para saber
elegir los valores que eviten la inestabilidad.
Para determinar este punto utilizaremos las ecuaciones (5.25) y (5.28).
En la figura 5.6 se representa la relación entre KI y KP, para diversos valores de L, de

manera que siempre que el punto determinado por los valores de KI y KP, cuya
diferencia en valor absoluto esté por debajo de la línea correspondiente a L, queda
garantizada la estabilidad. Aunque la respuesta será menos amortiguada a medida que
nos acerquemos a la línea deseada.
Con la finalidad de encontrar un método que simplifique cálculos y aligere la respuesta,

aproximaremos estas líneas mediante rectas, aunque veremos si eso supone incurrir en
un error excesivo. Ahora veremos, al comparar los resultados de la aplicación de las
fórmulas anteriores y de la correspondiente recta aproximada, las diferencias entre
ambas.
192
2,200
2,000 L= 2
L=3
L=4
1,800
L=5
L=6
1,600
L = 15
L = 20
1,400
1,200
Ki
1,000
Límte de la zona de
0,800 convergencia de aplicación
práctica
0,600
0,400
0,200
0,000
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
Kp
Fig. 5.6. Relación entre los parámetros KI y KP, para diversos

valores de L que determinan la zona de estabilidad de la función de
transferencia. Siempre que K I − K P < 1 se garantiza la estabilidad.
Para determinar estas rectas estableceremos la pareja de puntos necesaria, razonando

como sigue.
Existe un punto común definido por K P → 1 -que expresaremos como K P = 1− , dado

que KP = 1 crea una singularidad en las ecuaciones paramétricas citadas y que
corresponde a KI = 2, tal y como se desprende de la figura 5.5.
Otro punto de estas rectas corresponde a los valores más bajos de KI y KP, en concreto
KP = 0, que ya fueron determinados en el capítulo anterior, en otras palabras, cuando KP
= 0 la ecuación característica toma la forma del modelo estudiado en el capítulo
193
anterior, por lo que el parámetro :, que ahora lo nombramos :0, para indicar que
corresponde a el valor KP citado, es
π
(5.37) Ω0 = ±
2L − 1
y, por la misma razón, la constante KI 0 es
L −1
(5.38) K I0 = 2 cos π
2L − 1
Por lo que la ecuación de cualquiera de las rectas que con las que nos aproximamos a
las líneas anteriores será
(5.39) K I = K I0 + ( 2 − K I0 ) K P
Veamos ahora, de forma comparativa, cuál es la diferencia entre los valores de las líneas
reales y sus aproximaciones por rectas.
Las mayores diferencias se encuentran entre los valores intermedios de KP. Aun así
creemos admisible la diferencia entre la aproximación a la curva por una recta y su
valor obtenido de las fórmulas anteriormente citadas, máxime cuando los valores de
estos dos parámetros deben ser muy inferiores a los valores críticos, si queremos
mantener la aplicación dentro de los cauces reales, pues en la práctica no sería admisible
un sistema que tuviera una amortiguación muy baja.
Advertimos que la condición de estabilidad fijada por las líneas anteriores no son las
únicas y que, en el caso de que la ecuación característica sea par, estas regiones se
amplían más allá de los valores de KI y KP reflejados. En concreto, y dependiendo los
valores de L, KI y KP, pueden ser mayores que 2. En la realidad, cualquier valor de KI
mayor que 1 no tiene sentido, desde el punto de vista de los objetivos buscados por el
modelo, porque tratamos de conseguir un pico de respuesta a la demanda lo menor
posible y mantener el indicador del efecto látigo en régimen permanente en la unidad,
por todo lo cual no es posible de tomar valores mayores que la unidad.
194
KI
L =2 L =3 = L =5 = L = 15 L = 20
0 1,000 1,000 0,618 0,618 0,347 0,347 0,108 0,108 0,0805 0,0805
0,1 1,100 1,100 0,747 0,756 0,494 0,512 0,274 0,297 0,2500 0,2725
0,2 1,191 1,200 0,877 0,894 0,646 0,678 0,452 0,486 0,4328 0,4644
0,3 1,292 1,300 1,009 1,033 0,802 0,843 0,637 0,676 0,6236 0,6564
0,4 1,393 1,400 1,144 1,171 0,963 1,008 0,827 0,865 0,8158 0,8483
Kp 0,5 1,494 1,500 1,281 1,309 1,128 1,174 1,019 1,054 1,0111 1,0403
0,6 1,596 1,600 1,420 1,447 1,296 1,339 1,213 1,243 1,2076 1,2322
0,7 1,697 1,700 1,561 1,585 1,468 1,504 1,409 1,432 1,4050 1,4242
0,8 1,798 1,800 1,705 1,724 1,643 1,669 1,605 1,622 1,6030 1,6161
0,9 1,899 1,900 1,851 1,862 1,820 1,835 1,802 1,811 1,8014 1,8081
1,0 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,0000 2,0000
Tabla. 5.1. Relación entre los parámetros KI y KP para diversos

valores de L. Los valores sin sombrear son calculados según las
fórmulas descritas; los sombreados corresponden a una aproximación
lineal. Cualquier valor de KI inferior a los indicados garantiza la
estabilidad de la función de transferencia.
5.5. INFLUENCIA DEL MÉTODO DE PREDICCIÓN EN EL MODELO
Veamos la incidencia de diversos métodos de predicción en el modelo propuesto. Al

contar con dos parámetros disponemos de una mayor gama de posibilidades de ajuste.
De hecho debemos elegir qué objetivo de optimización queremos alcanzar. Podemos
fijarnos como meta el alcance máximo del pico de las órdenes cursadas, la mejora del
indicador del efecto látigo en condiciones de estabilidad, el error cuadrático medio
calculado como diferencia entre la demanda y las órdenes recibidas, la recuperación del
inventario, tanto físico como logístico o un conjunto de ellos.
Dada la imposibilidad de encontrar unos valores de los parámetros con los que
consigamos alcanzar a la vez el valor óptimo de varios de estos objetivos, nos
limitaremos a determinar los valores de estos parámetros para conseguir mejorar uno de
estos objetivos, en concreto que el indicador del efecto látigo en condiciones de
estabilidad se mantenga en la unidad.
195
Para ello operaremos de la siguiente forma: fijamos el parámetro KI en el máximo valor
posible de forma que se consiga la recuperación de los inventarios físico y logístico lo
más rápidamente posible y un valor próximo a la unidad del indicador de efecto látigo.
Después ajustaremos el valor de KP y KL para afinar este último indicador.
Al considerar el inventario logístico como parte del inventario disponible a corto plazo
podríamos reducir el inventario físico; eso supondrá aumentar el número de rupturas,
pero dispondremos de las cantidades pendientes de entregar de manera que en periodos
inmediatamente posteriores al correspondiente al fallo se recibirán cantidades de
producto. No obstante, y tan sólo a título comparativo, mantendremos el criterio de que
al menos el inventario físico se sitúe por encima del inventario de seguridad.
5.6. INDICADORES DE LA RESPUESTA DEL MODELO
Para el estudio comparativo de las diversas respuestas del modelo hemos incluido los
siguientes indicadores
− BW. Es el indicador de efecto látigo medido como cociente de las varianzas,

calculado cuando ha transcurrido el transitorio debido al cambio de la
demanda122.
− CVd. Coeficiente de variación de la demanda. Permanecerá constante cualquiera

que sea el análisis, puesto que la serie tomada es siempre la misma. No obstante,
las diferencias apreciables en el valor de este indicador entre algunos ensayos se
deben a que se ha tomado un tramo de datos diferente. Puesto que más abajo
damos como indicador la media de la demanda, este dato junto con aquél nos
permitirán calcular la varianza de la demanda e, indirectamente, a través del
indicador BW, la varianza de los pedidos emitidos al proveedor.
− CVc. Coeficiente de variación de las órdenes cursadas al proveedor.
122
Todas las medidas de los indicadores se han hecho en condiciones de estabilidad, es decir, cuando ha transcurrido
un periodo de tiempo suficiente como para que no incida en las medias los efectos del transitorio. Advertimos que la
cantidad de periodos incluidos para estos cálculos está, a su vez, condicionada por la demora analizada, siendo estos
menos para L = 20 periodos que para L = 3.
196
− CVinv. Coeficiente de variación del inventario. Un coeficiente de variación
superior a 0,5 indicará que se han producido fallos en la atención de la demanda
fuera del periodo transitorio. La razón se apoya en que hemos considerado un
factor de seguridad de 2 -aproximadamente el 95% de fallos- para el inventario
de seguridad, por lo que, si la probabilidad de fallos es esta, el inventario no se
debería desviar más de 2 veces su desviación estándar de su misma media.
− ECM. Error cuadrático medio de la predicción. En los cálculos hechos, se ha

buscado que este indicador sea mínimo para cualquiera de los métodos de
predicción. Esta hipótesis la mantenemos, porque es lo habitualmente seguido a
la hora de predecir un dato.
− ECMc. Error cuadrático medio medido. Se refiere a la media cuadrática de las

diferencias entre los datos de la demanda y los de las órdenes cursadas. Cuanto
menor sea este indicador mejor adaptación de las órdenes cursadas a la
demanda. Si teóricamente fuera cero querría decir que se solicita al proveedor
justo lo que la demanda requiere. Sorprendentemente veremos que el resultado
de este indicador es mejor que el dado por el ECM, esto es, se adapta mejor a la
demanda la serie dada por función que determina el cálculo de necesidades que
la dada por la función de predicción, a pesar de que en la primera tiene una
influencia decisiva en la segunda.
− ECMr. Error cuadrático medio de las órdenes recibidas. Lo mismo que el

anterior, pero tomando, en lugar de la serie dada por las órdenes cursadas, la
serie de las órdenes recibidas. Si este error fuera cero significaría que el
inventario se mantendría constante, por lo que, cuanto menor es el error ECMr
menos inventario sería necesario.
− Inventario físico promedio. No hay nada que comentar, salvo que como es
conocido tiene una relación directa con los costes financieros del inventario.
197
− Pico de las órdenes cursadas. Cuanto mayor sea el pico, mayor inestabilidad se
creará aguas arriba de la cadena. No sólo influye el tamaño del pico, sino la
duración. Deseablemente, debe ser pequeño y breve para ser eliminado por la
etapa anterior y que no se cree una onda que se propague a escalones más atrás.
− Valle del inventario físico. Relacionado con el anterior, la profundidad

dependerá de tamaño del pico y su duración. Dado que el inventario lleva a cabo
una integral en el tiempo del flujo de unidades del canal logístico, no sólo
dependerá de la cuantía del flujo, sino también de la duración.
− Tiempo de recuperación del inventario físico.
Para determinar con precisión estos tres últimos datos tomaremos una serie de prueba
consistente en transformar la original en otra, en la que todos los datos, antes de que
suceda el escalón que provoca la reacción del modelo, se mantienen constantes e igual a
la mitad del valor medio de la serie original; después del escalón la serie continua
constante con un valor igual al valor medio. Esto nos permite ver con claridad la
respuesta, dado que hemos eliminado las incertidumbres que provocan las oscilaciones
de la serie original en la lectura de ciertos datos.
5.7. ALISADO EXPONENCIAL SIMPLE
Para estudiar este modelo aplicaremos la fórmula ya calculada para el pronóstico

correspondiente al alisado exponencial simple.
La transformada Z de la predicción por alisado exponencial es
αz
(5.40) F (z) =
z − (1 − α )
Para el cálculo del inventario físico necesitamos determinar la proyección de la

demanda durante la demora en las entregas de proveedores
(5.41) l L = L.F = L ( αd + (1 − α ) F )
D t t t −1
198
de manera que el inventario objetivo físico es
(5.42) I 0 ( z ) = L.F ( z ) + conste.
La transformada Z de este inventario es
αz
(5.43) I0 = L
z − (1 − α )
El inventario objetivo de órdenes pendientes es
(5.44) Po = d ⋅ K L
Calculemos la demanda media mediante una media móvil de orden cinco
xt + xt −1 + xt −2 + xt −3 + xt −4
(5.45) d=
5
Las transformadas Z de la ecuación del inventario objetivo de órdenes pendientes es
1 + z + z2 + z3 + z4
(5.46) P0 ( z ) = K L
5z 4
Sustituyendo en la ecuación (5.15)
⎛ αz 1 + z + z2 + z3 + z4 ⎞
( z − 1) ⎜ (1 + K I L) + KP KL ⎟ + KI z
C ( z) ⎝ z − (1 − α ) 5z 4 ⎠
(5.47) = z L−1
D( z ) z L − (1 − K P ) z L−1 + K I − K P
De la función de transferencia podemos sacar algunas conclusiones.
− Cuando el valor del parámetro de alisado D toma el valor cero no se crea ningún
punto crítico en la función de transferencia, luego el estudio anterior sigue
siendo válido para determinar la estabilidad del sistema. En otras palabras, sólo
199
los valores de KI y KP son los responsables de que el sistema sea inestable, no el
valor de D.
Cuanto menor sea el valor de D más amortiguada es la respuesta en su transitorio

y al contrario, tal y como se ve en la figura 5.7.
Step Response
1.8
1.6
1.4 alfa = 0,9

alfa = 0,1
1.2
1
Amplitude
0.8 alfa = 0
0.6
0.4
0.2
0
0 10 20 30 40 50 60 70 80
Time (sec)
periodo
Fig. 5.7. Respuestas de la función de transferencia correspondiente a

un sistema con predicción AE para diversos valores de alfa.
Cualquier cambio de alfa significará un nuevo ajuste de los parámetros para

conseguir una respuesta adecuada del sistema con arreglo a las prestaciones
deseadas. No existe posibilidad de encontrar un modelo que sea robusto frente a
los cambios de alfa.
− Lo mismo sucede con KL, cuanto menor es el valor de este parámetro, más
amortiguada es la respuesta. El valor de esta constante permite ajustar el pico de
respuesta y puede jugar como elemento de compensación de valores de alfa
200
elevados. El comportamiento de la respuesta a un escalón, según diversos
valores de KL, puede verse en la figura 5.8.
Step Response
1.8
1.6
KL = L
1.4
KL = L/2
1.2
1
Amplitude
KL = 0
0.8
0.6
0.4
0.2
0
0 10 20 30 40 50 60 70 80
periodo
Time (sec)
Fig. 5.8. Respuestas de la función de transferencia correspondiente

a un sistema con predicción AE para diversos valores de KL; el
resto de parámetros no se sufren cambios.
− Por lo que respecta a KI, este parámetro interviene en la estabilidad del sistema y
en la recuperación del inventario físico. Cuanto mayor es su valor -siempre
atendiendo a la relación con L y KP ya estudiada- la subida de la respuesta es
más abrupta y la estabilidad del sistema es menor. Como está ligado a la demora
y la constante del inventario pendientes de entregar, no es fácil determinar un
valor idóneo, pero a tenor de las respuestas podemos estimar que podría estar
comprendido entre 1/4 y 1/3 del valor de KP.
201
Step Response
1.8
1.6
Ki = Kp/2
1.4
1.2 Ki = Kp/5
1
Amplitude
0.8
Ki = Kp/10
0.6
0.4
0.2
0
0 10 20 30 40 50 60
Time (sec)
periodo
Fig. 5.9. Respuestas de la función de transferencia correspondiente a
un sistema con predicción AE para diversos valores de KI en relación
a KP.
Aumentar KI requerirá hacer lo mismo con KP, ya que podemos entrar en zonas
en las que las respuestas sean oscilatorias. En la figura 5.9 se han representado
las respuestas para tres valores de KI en relación a KP. Puede verse que la subida
es notablemente más rápida cuando esta relación es menor, pero también es
mayor la oscilación cuanto menor es la relación entre los parámetros citados
Insistimos que los valores de KI y KP manejados siempre son menores que la

unidad por lo que no hay ningún problema en satisfacer la condición
K I − K P < 1 necesaria para la estabilidad del sistema con los valores reflejados
en la figura 5.9.
Veamos ahora como responde la función de transferencia para diversas demoras que,
como en el otro capítulo, hemos tomado unas demoras de 3, 5 y 20 periodos. Las
202
respuestas estudiadas corresponderán a un cambio en la demanda del 100% en su valor
medio123. Ahora el objetivo es el de estudiar las respuestas obtenidas manteniendo
siempre en la unidad el indicado de efecto látigo –BW- medido en condiciones de
permanencia una vez transcurrido el transitorio. Previamente, trataremos de pronosticar
la serie con un valor de alfa que haga mínimo el error cuadrático medio
123
La serie que forma la demanda que nos sirve para ver las respuestas que continúan, ya fue comentada en el
capítulo anterior.
203
5.7.1. RESPUESTA PARA UN VALOR DE DEMORA L = 3
1600 5000
1400 4000
1200 3000
1000 Demanda 2000

Pedidos
unidades/periodo
Inventario Logístico
unidades
Inventario Físico
800 1000
600 0
400 L = 3 periodos -1000

alfa = 0,048
Ki = 0,7
Kp = 0,8
200 KL = 0,67 -2000
0 -3000
-6
5
15
25
35
45
55
65
75
85
95
5
5
5
5
5
5
5
5
5
5
5
5
5
5
10
11
12
13
14
15
16
17
18
19
20
21
22
23
Periodo
Fig. 5.10. Respuestas del modelo de gestión con una función de

predicción AE y L = 3.
204
1600 5000
1400 4000
1200 3000
1000 2000
Demanda
unida de s /pe r io do
Pedidos
u n id a d es
Inventario
800 Inv. Logístico 1000
600 0
L = 3 periodos
400 alfa = 0,048 -1000
Ki = 0,7
Kp = 0,8
KL = 0,67
200 -2000
0 -3000
5
-6
15
25
35
45
55
65
75
85
95
5
5
5
5
5
5
5
5
5
5
5
5
5
5
10
11
12
13
14
15
16
17
18
19
20
21
22
23
Periodo

predicción AE y L = 3 para una serie de datos de demanda
constantes.
205
5.7.1.1. RESULTADOS DE LA RESPUESTA PARA L = 3
BW = 0,999 para las últimas 140 observaciones
CVd = 0,0385 para las últimas 140 observaciones
CVc = 0,0385 para las últimas 140 observaciones
CVin = 0,1846 para las últimas 140 observaciones
ECMc = 9,5 unidades/periodo
ECMr = 67,31 unidades/periodo
Inventario físico promedio = 549,24 unidades (real); 404,28 (teórico)
Pico máximo de las órdenes cursadas = 1352 unidades en t = 4, equivalente a

125%
Valle del inventario = -2208 unidades en t = 5
Periodo en el que se recupera el inventario físico: 43
Tamaño medio de la orden cursada = 1197,3 unidades/periodo
Media de la demanda = 1196,94 unidades/periodo
5.7.1.2. ANÁLISIS DE SENSIBILIDAD PARA CAMBIOS DE ALFA CON L = 3
Veamos cómo cambian los indicadores anteriores en el supuesto de que, manteniendo

constantes los valores de KI, KP y KL, cambie el valor de alfa.
• Para D = 0,3
206
Pico máximo de las órdenes cursadas = 1678 unidades en t = 2, equivalente a1

180%
207
5.7.2. RESPUESTA PARA UNA DEMORA L = 5
1600 8000
1400
6000
1200
4000
1000
u n id a d e s /p e r io d o
Demanda
Pedidos
u n id a d e s
800 Inventario Físico 2000
600
0
L = 5 periodos
400 alfa = 0,048
Ki = 0,54
Kp = 0,72 -2000
200 KL = 1,4
0 -4000
-6
4
13
22
31
40
49
58
67
76
85
94
103
112
121
130
139
148
157
166
175
184
193
202
211
220
229
238
periodo

predicción AE y L = 5.
208
1600 8000
1400
6000
1200
4000
1000 Demanda
Pedidos
u n id a d e s /p e r io d o
Inventario Físico
u n id a d e s
800 Inventario Logístico 2000
600
0
L = 5 periodos
400 alfa = 0,048
Ki = 0,54
Kp = 0,72
-2000
KL = 1,4
200
0 -4000
4
103
112
121
130
139
148
157
166
175
184
193
202
211
220
229
238
-6
13
22
31
40
49
58
67
76
85
94
periodo

predicción AE y L = 5 para una serie de datos de demanda
constantes.
209

128%
• Para D = 0,3
210

223%
Tamaño medio de la orden cursada = 1199 unidades/periodo
211
5.7.3. RESPUESTA PARA UN VALOR DE DEMORA L = 20
2000 30000
1800 25000
1600
20000
1400
15000
1200
U nds/pe r io do
10000
U nida de s
1000
5000
800
0
600
Demanda
Pedidos
L = 20 -5000
400 Inventario Físico
alfa = 0,048
Ki = 0,3
200 Kp = 0,33 -10000
KL = 1,9
0 -15000
-6
6
17
28
39
50
61
72
83
94
105
116
127
138
149
160
171
182
193
204
215
226
237
Periodos

predicción AE y L = 20 .
212
1800 30000
1600 25000
1400 20000
1200 15000
U nds/pe r io do
1000 10000
U nida de s
800 5000
600 0
Demanda
Pedidos
400 L = 20 -5000
Inventario Físico
alfa = 0,048
Ki = 0,3
200 Kp = 0,32 -10000
KL = 1,6
0 -15000
-6
6
17
28
39
50
61
72
83
94
105
116
127
138
149
160
171
182
193
204
215
226
237
Periodos

predicción AE y L = 20, para una serie de datos de demanda
constantes.
213
5.7.3.1 RESULTADO DE LA RESPUESTA PARA L = 20

185%
• Para D = 0,3
214
ECMr = 152,4, unidades/periodo

384%
215
5.8. MODELO AUTORREGRESIVO AR(1)
El modelo de predicción AR(1) se estudió en el capítulo anterior, por lo que omitiremos

repetir cálculos.
La transformada Z de la predicción viene dada por
F ( z ) = ⎡⎢1 + z φ⎤
−1
+ z − 2 + z − 3 + z −4
(1 − φ) + ⎥D ( z )
⎣ 5 z⎦
y la transformada Z del inventario es
I ( z ) = ⎡⎢( L − Λ ) 1 + z + z + z3 + z4 ⎤
2
0 4
+ Λ ⎥D ( z )
⎣ 5z ⎦
φ (1 − φL )
donde Λ=
(1 − φ)
La transformada del inventario en curso objetivo vendrá determinada por la ecuación

siguiente tal y como se explico en el punto anterior de la predicción según el modelo de
AE
1 + z + z2 + z3 + z4
P0 ( z ) = K L D (z)
5z 4
Todo ello se debe sustituir en la ecuación general de la función de transferencia dada en

(5.15) y reproducida a continuación
H ( z ) = C ( z) = z ( ) ( ( )
z − 1 F z + K I ( z ) + K P ( z )) + K z
L−1 I 0 P 0 I
D( z ) z − 1− K z + K − K L
( P ) L−1
I P
El resultado es
216
H ( z ) = C ( z) =
D( z )
(5.48) ⎛ 1 + z + z2 + z3 + z4 φ ⎞
( z − 1) ⎜ 4 ( K I L − K I Λ + K P K L + 1 − φ) + + K I Λ ⎟ + K I z
= z L−1 ⎝ 5z z ⎠
z − (1 − K P ) z + K I − K P
L L−1
Step Response
2
1.8
Phi = 0,1
1.6 Phi = 0,33
Phi = 0,8
1.4
Amplitude
1.2
0.8
0 10 20 30 40 50 60 70 80
Time (sec)
Periodos

predicción AR y tres valores de I diferentes. L = 3
Se puede ver que el parámetro de autocorrelación sólo aparece en el numerador, por lo

que afectará al pico de la respuesta y a la velocidad de subida. Esto se puede apreciar en
la figura 5.16 en la que se han dibujado las respuestas para tres valores de I y se
observa que a menor valor de I mayor pico de la respuesta y al contrario, aunque en el
caso de que I se aproxime a 1, la respuesta se adelanta en el tiempo y se produce una
doble onda consecuencia de la brusca caída.
217
Lo mismo sucede con los valores de KL, cuanto mayor es su valor más alto es el pico de
la respuesta, lo que queda de manifiesto en la figura 5.16. Hay que advertir que la
recuperación del inventario físico depende de este parámetro, por lo que pueden darse
situaciones de falta de recuperación del inventario para bajos valores de KL . Por este
motivo hay que buscar un compromiso con el valor de KL y los parámetros KI y KP,
pues todos influyen en la recuperación del inventario.
Step Response
2
KL = 3
1.8
1.6
KL = 1.5
1.4
Amplitude
KL = 0
1.2
0.8
0.6
0.4
0 10 20 30 40 50 60 70 80
Time (sec)
Periodos

predicción AR y tres valores de KL diferentes. L = 3.
En la figura 5.18 se muestra la recuperación del inventario para el mismo modelo y

valores que en la figura anterior. Se aprecia que para KL = 0 la curva de respuesta del
inventario se mantiene todo el tiempo en valores negativos, lo que claramente es un
problema irreal para la gestión de la cadena.
218
Step Response
6
KL = 3
4
2
Amplitude
1 KL = 1,5
-1
-2
KL = 0
-3
-4
0 5 10 15 20 25 30 35 40 45 50
Time (sec)
Periodos
Fig. 5.18. Recuperación del inventario para el modelo de gestión con

una función de predicción AR y tres valores de KL diferentes. L = 3.
219
5.8.1 RESPUESTA PARA UN MODELO AR(1) CON UN VALOR DE DEMORA L = 3
1600 5000
1400 4000
1200 3000
1000 2000
U n d s ./ p e r i o d o
U n id a d e s
800 1000
600 0
Demanda
Pedidos
L=3
400 Phi = 0,33 Inventario Físico -1000
Ki = 0,165 Inventario Logístico
Kp = 0,4
KL = 1,92
200 -2000
0 -3000
-6
3
11
19
27
35
43
51
59
67
75
83
91
99
107
115
123
131
139
147
155
163
171
179
187
195
203
211
219
227
235
Periodos

predicción AR y L = 3 .
220
1600 5000
1400 4000
1200 3000
1000 2000
U n d s ./p e r io d o
U n id a d e s
800 1000
600 0
Demanda
Pedidos
L=3
400 Phi = 0,33 Inventario Físico -1000
Kp = 0,4
KL = 1,92
200 -2000
0 -3000
-6
3
11
19
27
35
43
51
59
67
75
83
91
99
107
115
123
131
139
147
155
163
171
179
187
195
203
211
219
227
235
Periodos

predicción AR y L = 3, para una serie de datos de demanda
constantes.
221

150%
5.8.1.2. ANÁLISIS DE SENSIBILIDAD PARA CAMBIOS DE PHI CON L=3
• Para I = 0,8
222
Inventario físico promedio = 622,11 unidades (real); 630,21 unidades (teórico)

140%
• Para I = 0,1
223
154,5%
224
5.8.2. RESPUESTA PARA UN MODELO AR(1) CON UNA DEMORA L = 5
1800 8000
1600
6000
1400
1200 4000
unida de s/pe r io do
1000 Demanda
unida de s
Pedidos 2000
Inventario Físico
800 Inventario Logístico
600 0
L=5
Phi = 0,33
400 Ki = 0,13
Kp = 0,2 -2000
KL = 1,8
200
0 -4000
-6
6
17
28
39
50
61
72
83
94
105
116
127
138
149
160
171
182
193
204
215
226
237
periodos

predicción AR y L = 5.
225
1800 6000
1600 5000
4000
1400
3000
1200
2000
unida de s/pe r io do
1000 Demanda
unida de s
Pedidos 1000
Inventario Físico
0
600
-1000
L=5
400 Phi = 0,33 -2000
Ki = 0,13
Kp = 0,2
200 KL = 1,8
-3000
0 -4000
-6
6
17
28
39
50
61
72
83
94
105
116
127
138
149
160
171
182
193
204
215
226
237
periodos

constantes
226

163%
5.8.2.2. ANÁLISIS DE SENSIBILIDAD PARA CAMBIOS DE PHI CON L=5
• Para I = 0,8
227

143,5 %
• Para I = 0,1
228
Pico máximo de las órdenes cursadas = 1624 unidades t = 5, equivalente a
171%
229
5.8.3. RESPUESTA PARA UN MODELO AR(1) CON UNA DEMORA L = 20
2500 30000
25000
Demanda
2000
Pedidos 20000
Inventario Físico
15000
1500
U n id a d e s x 1 0
10000
5000
1000
0
L = 20
Phi = 0,3
Ki = 0,059 -5000
500 Kp = 0,062
KL = 1,2
-10000
0 -15000
-6
4
13
22
31
40
49
58
67
76
85
94
103
112
121
130
139
148
157
166
175
184
193
202
211
220
229
238
Periodos

predicción AR y L = 20.
230
2500 30000
25000
2000
20000
Demanda
Pedidos
Inventario Físico 15000
1500
10000
5000
1000
0
L = 20
Phi = 0,3
-5000
500 Ki = 0,059
Kp = 0,06
KL = 1,2
-10000
0 -15000
-6
6
17
28
39
50
61
72
83
94
105
116
127
138
149
160
171
182
193
204
215
226
237
Periodos
Fig. 5.24 Respuestas del modelo de gestión con una función de

constantes.
231
ECM = 52,96 unidades/periodo para las últimas 100 observaciones
ECMc = 41,3 unidades/periodo para las últimas 100 observaciones

220%
5.8.3.2. ANÁLISIS DE SENSIBILIDAD PARA CAMBIOS DE PHI CON L = 20
• Para I = 0,8
232

205%
• Para I = 0,1
233
223%
234
5.9. MODELO ARMA(1,1)
Volvemos a escribir las expresiones deducidas para las transformadas Z del inventario
físico y de la predicción a un periodo, hecho en el capítulo anterior, que inmediatamente
después utilizaremos en el cálculo de la función de transferencia para este modelo de
predicción.
La función Z de la predicción a un periodo es
⎡ (1 + z + z 2 + z 3 + z 4 ) (1 − φ ) φ − θ ⎤
F (z) = ⎢ + ⎥D ( z )
⎢⎣ 5z 4 z −θ z −θ⎥
⎦
En el caso del inventario físico tenemos
I ( z ) = ⎡⎢ M ( z ) ⎛⎜ L − Λ + θφΛ 1 − φ ⎞⎟ + Λ ⎛⎜1 − θφ z − φ ⎞⎟⎤⎥D ( z )

z −θ⎠ z − θ ⎠⎦
0
⎣ ⎝ ⎝
donde
φ (1 − φL )
Λ=
(1 − φ)
Por otra parte, el inventario objetivo de órdenes pendientes es
1 + z + z2 + z3 + z4
P0 ( z ) = K L D (z)
5z 4
y la función de transferencia genérica para este modelo es
H ( z ) = C ( z) = z ( ) ( ( )
z − 1 F z + K I ( z ) + K P ( z )) + K z
L−1 I 0 P 0 I
D( z ) L
(
z − 1− K z + K − K P ) L−1
I P
235
H ( z ) = C (z) =
D( z )
⎡ 1− φ ⎞ φ − θ⎤
( z − 1) ⎢ M ( z ) ⎛⎜ + KP KL ⎟ + ⎥
(5.49) ⎣ ⎝ z − θ ⎠ z −θ⎦
= z L−1 +
z L − (1 − K P ) z L−1 + K I − K P
⎡ ⎛ 1− φ ⎞ ⎛ z − φ ⎞⎤
K I ⎢ M ( z ) ⎜ L − Λ + θφΛ ⎟ + Λ ⎜ 1 − θφ ⎟ + KI z
⎣ ⎝ z −θ⎠ ⎝ z − θ ⎠ ⎥⎦
+
z L − (1 − K P ) z L−1 + K I − K P
De la ecuación (5.49) se puede deducir que el parámetro KL sólo influye en el pico de la

respuesta en el mismo sentido, aunque no en la misma magnitud, que se comentó en el
modelo anterior.
Step Response
2
1.8
1.6
Theta = 0,1
1.4
Theta = 0,5
Amplitude
1.2
Theta = 1
0.8
0.6
0.4
0 10 20 30 40 50 60 70 80 90 100
Time (sec)
periodo

predicción ARMA y diversos valores deT, manteniendo constantes los
otros parámetros.
236
La influencia del valor de T es la siguiente, al aumentar su valor y aproximarse a 1 la
respuesta de amortigua y la recuperación del inventario se ralentiza hasta tardar varias
decenas de periodos en alcanzar su valor de consigna. En ningún caso el valor T = 1 es
crítico para la estabilidad, dependiente de los valores de KI y KP, lo que se muestra en
las figuras 5.25 y 5.26
Por el contrario, los valores de I próximos a la unidad aumentan el pico de la señal y su

rapidez de crecimiento, mientras que los valores próximos a cero disminuyen este pico.
Step Response
4
2
Theta = 0,1
0 Theta = 0,5
-2
Amplitude
-4
-6
-8 Theta = 1
-10
0 10 20 30 40 50 60 70 80 90 100
Time (sec)
periodo
Fig. 5.26. Respuestas del inventario físico para un modelo de

gestión con una función de predicción ARMA y diversos valores de T,
manteniendo constantes los otros parámetros. La respuesta
correspondiente a T = 1 alcanza su valor de consiga hacia el periodo
6000.
237
5.9.1 RESPUESTA PARA UN MODELO ARMA(1,1) CON DEMORA L = 3
1600 5000
1400 4000
1200 3000
1000 Demanda 2000

Pedidos
Unidades/peridodo
Inventario Físico
Unidades
800 1000
600 0
L= 3
400 Phi = 0,4 -1000
Theta = 0,1
Ki = 0,184
Kp = 0,41
KL = 1,7
200 -2000
0 -3000
-6
6
17
28
39
50
61
72
83
94
105
116
127
138
149
160
171
182
193
204
215
226
237
Periodos

predicción ARMA y L = 3.
238
1600 5000
1400 4000
1200 3000
L=3
Phi = 0,4
1000 Theta = 0,1 Demanda 2000
U n id a d e s /p e r id o d o
Ki = 0,184 Pedidos
U n id a d e s
Kp = 0,41 Inventario Logístico
800 KL = 1,7 Inventario Físico 1000
600 0
400 -1000
200 -2000
0 -3000
6
-6
17
28
39
50
61
72
83
94
5
6
7
8
9
0
1
2
3
4
5
6
7
10
11
12
13
14
16
17
18
19
20
21
22
23
Periodos

predicción ARMA y L = 3, para una serie de datos de demanda
constantes.
239

150%
5.9.1.2. ANÁLISIS DE SENSIBILIDAD PARA CAMBIOS DE PHI Y THETA CON L = 3
Sólo analizaremos aquellos valores de I y T que producen peores resultados. Hemos

comprobado que a medida que T se aproxima a la unidad, manteniendo constante I, la
respuesta tiende a la media de la serie de la demanda, eliminando cualquier oscilación,
por lo que la respuesta se hace más lenta, así también el pico de las órdenes y el efecto
látigo disminuyen. Por el contrario, cuando es I el que aumenta hacia 1 y T se mantiene
240
la respuesta es más rápida y las órdenes cursadas siguen con mayor fidelidad a la
demanda.
Veamos este caso con los valores que se indican más debajo de los dos parámetros del
modelo ARMA
• Para I = 0,8 y T = 0,1
Pico máximo de las órdenes cursadas = 1434 unidades en t = 5, equivalente a %
Por su interés reproducimos los resultados para los siguientes parámetros de I y T.

Obsérvese que el ECMc es de 11,9 muy inferior al ECM que, recordemos, se obtiene
como diferencia cuadrática media entre la predicción y la demanda. En otras palabras, la
241
generación de pedidos sigue con mucha mayor fidelidad la demanda que la serie dela
predicción. En la figura 5.29 se muestran las respuestas a la demanda con los
parámetros que se indican.
• Para I = 0,72 y T = 0,322
KI = 0,13; KP = 0,36 y KL = 1,95

132%
242
1600 5000
1400 4000
1200 3000
1000 Demanda 2000

Pedidos
Unida des/perido do
Inventario Físico
Unida des
800 1000
600 0
L= 3
400 Phi = 0,74 -1000
Theta = 0,322
Ki = 0,13
Kp = 0,36
KL = 1,95
200 -2000
0 -3000
-6
6
17
28
39
50
61
72
83
94
105
116
127
138
149
160
171
182
193
204
215
226
237
Periodos

predicción ARMA y L = 3, con una selección de parámetros que casi
llegan a reproducir la serie de demanda.
243
5.9.2 RESPUESTA PARA UN MODELO ARMA(1,1) CON DEMORA L = 5
1800 8000
1600
6000
1400
1200 4000
U nida de s/pe r ido do
1000
U nida de s
2000
800
600 0
L=5
400 Demanda
Phi = 0,4
Theta = 0,1 Pedidos
-2000
200 Kp = 0,21 Inventario Físico
KL = 1,95
0 -4000
-6
6
17
28
39
50
61
72
83
94
105
116
127
138
149
160
171
182
193
204
215
226
237
Periodos

244
1800 8000
1600
6000
1400
4000
1200
U n id a d e s /p e r id o d o
2000
1000
U n id a d e s
800
0
Demanda
L=5
600 Phi = 0,4 Pedidos
Theta = 0,1 Inventario Logístico
-2000
Ki = 0,13 Inventario Físico
400 Kp = 0,21
KL = 1,95
-4000
200
0 -6000
-6
6
17
28
39
50
61
72
83
94
105
116
127
138
149
160
171
182
193
204
215
226
237
Periodos

constantes.
245

169%
5.9.2.2. ANÁLISIS DE SENSIBILIDAD PARA CAMBIOS DE PHI Y THETA CON L = 5
Como antes analizaremos aquellos valores de I y T que producen peores resultados. La

evolución en la respuesta es la misma que lo dicho para L = 3
• Para I = 0,8 y T = 0,1
246

148,5%
Como anteriormente se ha dicho hay ciertos valores de los parámetros de I y T con los
que el indicador ECMc es mínimo e inferior al ECM por lo que las órdenes cursadas
siguen con mucha mayor facilidad la demanda que la predicción.
• Para I = 0,72 y T = 0,11
247

153%
Media de la demanda = 1198 unidades/periodo
248
5.9.3. MODELO ARMA(1) PARA L = 20
2500 30000
25000
2000
20000
Demanda 15000
Pedidos
U n d s /p e r io d o
Inventario Físico 10000
5000
1000
L = 20
Phi = 0,4 -5000
500
Theta = 0,1
Ki = 0,06
Kp = 0,062 -10000
KL = 0,95
0 -15000
6
-6
17
28
39
50
61
72
83
94
5
6
7
8
9
0
1
2
3
4
5
6
7
10
11
12
13
14
16
17
18
19
20
21
22
23
Periodos

249
2500 30000
25000
2000
20000
Demanda
Pedidos
Inventario Loghístico 15000
Inventario Físico
1500
U n d s /p e r io d o
10000
5000
1000
L = 20 0
Phi = 0,4
Theta = 0,1
Ki = 0,06 -5000
500
Kp = 0,062
KL = 0,95
-10000
0 -15000
-6
6
17
28
39
50
61
72
83
94
105
116
127
138
149
160
171
182
193
204
215
226
237
Periodos

constantes.
250

221%
5.9.3.2. ANÁLISIS DE SENSIBILIDAD PARA CAMBIOS DE PHI Y THETA CON L=

20
Como antes analizaremos aquellos valores de I y T que producen peores resultados del
indicador BW. Estos valores son también los que mejores resultados dan en cuanto a la
adaptación de las órdenes cursadas a la demanda.
251
• Para I = 0,815 y T = 0,048
ECMc = 24,66 unidades/periodo para las últimas 100 observaciones
ECMr = 73,9 unidades/periodo para las últimas 100 observaciones.

2145%
Como anteriormente se ha dicho hay ciertos valores de los parámetros de I y T con los
que el indicador ECMc es mínimo e inferior al ECM por lo que las órdenes cursadas
siguen con mucha mayor facilidad la demanda que la predicción. En la figura se observa
como hacia los últimos periodos la adaptación de las órdenes cursadas esta muy
ajustada a la demanda con un pico en la respuesta relativamente bajo.
• Para I = 0,74 y T = 0,1
252
KI = 0,03; KP = 0,33 y KL= 0,3
ECMr = 62 unidades/periodo

166%
253
1800 30000
1600 25000
1400 20000
1200 15000
U nida de s x 1 0
U nds/pe r io do
1000 Demanda 10000

Pedidos
800 5000
Inventario Físico
600 0
L = 20
400 Phi = 0,78 -5000
Theta = 0,1
Ki = 0,033
200 Kp = 0,033 -10000
KL = 0,3
0 -15000
6
-6
17
28
39
50
61
72
83
94
5
6
7
8
9
0
1
2
3
4
5
6
7
10
11
12
13
14
16
17
18
19
20
21
22
23
Periodos

predicción ARMA y L = 20, con una selección de parámetros que
ajustan suficientemente la serie de pedidos a la demanda
254
5.10. ANÁLISIS COMPARATIVO Y CONCLUSIONES
Lo más destacable de los modelos de gestión de inventario y de demanda estudiados en

estos dos capítulos es que el modelo último permite un mejor ajuste de la respuesta a la
demanda soportada, de manera que es posible un control del efecto látigo y de, al
mismo tiempo, conseguir un pico aceptable en los transitorios originados por cambios
bruscos de la demanda.
Otro aspecto, a nuestro juicio importante, es la posibilidad de adaptar la respuesta de la

serie de pedidos cursados al proveedor casi perfectamente, mucho mejor que la propia
predicción en la que se basa, lo cual permite afirmar de forma categórica que la
información se transmite fidedignamente. Por lo que no haría falta ninguna otra forma
de colaboración.
Bien es verdad que eso requiere ajustar, por parte del agente cliente, varios parámetros,
lo que complica la definición del modelo.
Circunscribiéndonos a los datos obtenidos en la tabla 5.2, y a la vista de estos, podemos

decir que en principio no hay grandes diferencias entre los tres métodos de predicción
estudiados. Sin embargo, si nos fijamos en la sensibilidad de las respuestas a cambios
en los parámetros de estimación ―un sólo parámetro en los casos AE y AR―
observaremos que el más consistente de ellos es el AR , tanto para demoras breves,
como de más duración.
En sentido contrario, el modelo de predicción que más cambia los resultados cuando se
cambian los parámetros de predicción es el AE, con incrementos muy superiores a los
otros dos en cuanto a aumento del indicador de efecto látigo, pico de respuesta, demora
en recuperar el inventario y error cuadrático medio calculado como diferencia entre la
demanda y las órdenes cursadas.
255
No obstante, insistimos en que queda claro que es posible mantener fidedignamente la
respuesta trasladada a los proveedores en forma de u órdenes de reposición en relación a
las peticiones de los clientes.
Como conclusión diremos que el método AR es el que mejor comportamiento tiene sin
que ello sea extensible a todos los indicadores estudiados y expresados en la tabla 5.2.
256
COMPARACIÓN
ENTRE Pico máx.
CVd
CVc
Cvin
ECM
ECMc
BW
ECMr
Media
Promedio
pedidos
Valle inven.
Pedidos %
Inv. Físico
MÉTODOS
Periodo recup.
L=3 0,999 0,0385 0,0385 0,1846 46,69 9,5 67,31 549,24 125% -2208 43 1197,5
AE L=5 1,007 0,0385 0,0385 0,275 46,69 16,84 66,17 424,1 128% -3504 65 1198,3
L = 20 1,012 0,0385 0,0386 0,213 46,69 35,62 66,16 763,5 185% -12448 96 1201,6
L=3 0,990 0,0385 0,0382 0,172 49,84 17,4 69,16 621,9 150% -2028 23 1197,3
AR(1) L=5 1,007 0,0385 0,0387 0,418 49,84 25,74 64,56 307,8 163% -3015 33 1197,4
L = 20 1,001 0,0400 0,0387 0,265 52,96 41,3 66,17 661,21 220% -12080 75 1198,64
L=3 1,001 0,0384 0,0384 0,369 49,68 16,74 69,74 289,9 150% -2168 27 1197,3
ARMA(1,1) L = 5 1,001 0,0384 0,0384 0,421 49,68 26,3 64,59 302,8 169% -3517 36 1197,6
L = 20 1,000 0,0387 0,0387 0,239 50,83 38,47 66,5 748,5 221% -12139 71 1200,4
Tabla 5.2. Datos comparativos entre diversos métodos de pronóstico de la demanda
257
258
CAPÍTULO VI
CONCLUSIONES Y FUTURAS LÍNEAS DE INVESTIGACIÓN
6.1. BASES DE LAS CONCLUSIONES
A lo largo de este trabajo se ha querido probar la tesis de hasta qué punto es posible que,
cuando las causas que provocan el fenómeno tienen su origen en perturbaciones de la
demanda, bien sea por razones de un cambio en su media o varianza, bien sea por que
los modelos de predicción y gestión del inventario transforman la demanda original en
otra de características distintas, el efecto látigo resulta controlable de manera autónoma
por cualquier agente de la cadena sin recurrir a acuerdos de colaboración con otros, y se
apuntaba a la gestión del inventario como factor crucial para conseguir acotar y atenuar
los efectos del fenómeno.
Con el fin de llevar a cabo la verificación de nuestro trabajo se ha estudiado la

influencia del inventario físico y el logístico como las dos posibles formas de control de
la propagación del efecto látigo. En ambos casos, el sistema de control del inventario
correspondió al conocido como “pedir hasta alcanzar un nivel de existencias”,
exactamente el sistema conocido como (R,S)124. También se han utilizado varios
métodos de predicción con el fin de comprobar la influencia de los métodos de
pronóstico en el modelo estudiado.
Pasamos a establecer las conclusiones deducidas de nuestro estudio de acuerdo con

estas consideraciones.
124
Sobre el tipo de denominaciones de control de inventarios ver [Silver,1985]
259
6.2. CONCLUSIONES SOBRE LA DEFINICIÓN Y MEDIDA DEL FENÓMENO
Queremos dejar claro nuestro punto de vista sobre la definición del efecto látigo y su
repercusión en la demanda transmitida por un agente a su antecesor125.
Como ya se ha expuesto se trata de una distorsión de la demanda que se resume en tres

aspectos: amplificación de la demanda, cambio de estacionalidad y retraso temporal de
la información contenida en ella.
Por lo que se refiere al desfase temporal diremos que, en nuestra opinión, sólo deben ser
considerados los retrasos inducidos por el fenómeno y no por las propias actividades de
los agentes. No así en lo referido a la falsa estacionalidad y amplificación, cuya
manifestación en la demanda transmitida por un agente respecto a la demanda recibida
por el mismo apunta claramente a la existencia del fenómeno.
Se debe entender también que, de cara a conseguir la mejor gestión de una cadena de
suministro ―es decir, mejor respuesta al mercado con mínimos costes― la demanda
transmitida debe seguir, con la mayor fidelidad posible, las evoluciones de la demanda
recibida, al menos en el tramo de gestión pull de la cadena. Puede suceder que un
inventario, excesivo para la demanda que soporta, situado un eslabón de la cadena,
amortigüe en exceso la demanda recibida, provocando un falseamiento de
consecuencias negativas para la cadena. Si bien ambos fenómenos contrarios
―amplificación y atenuación― de la demanda no tienen iguales repercusiones
económicas en la gestión de los agentes, los dos son indeseables por lo que nuestro
estudio ha procurado evitarlos.
Una vez definido el efecto látigo es necesario determinar cómo medirlo y, de acuerdo
con lo definido anteriormente, creemos que se trata de un fenómeno complejo por lo
que no es posible reflejarlo en un indicador solamente. En consecuencia, debería ser
precisado por medio de varios o por la síntesis de ellos.
125
Este aspecto fundamental para comprender y estudiar el efecto látigo no está, según nuestra consultas, reflejado
con claridad en ninguna literatura.
260
No creemos que el comúnmente utilizado como relación de varianzas sea adecuado para
la compresión del fenómeno en su cuantía, dado que la proximidad a la unidad de esta
medición no presupone la inexistencia del fenómeno. Tampoco estamos de acuerdo que
la relación entre la varianza del inventario y la de la demanda recibida sea una forma de
medir la incidencia del fenómeno en el inventario del eslabón, porque dependerá de la
cantidad de existencias mantenidas en el inventario.
Por todo ello, apuntamos las siguientes medidas como complementarias a las ya
existentes, dadas por la relación de varianzas entre la demanda transmitida y la recibida
y la relación de varianzas del inventario y la demanda recibida.
Indicamos otra que, en nuestra opinión, mejoran y complementan las citadas en el

párrafo anterior; todas ellas expuestas en el capítulo III de este estudio y que
corresponden a
I. Medida de la distorsión provocada por el agrupamiento de pedidos o lotes de

compra.
II. Medida de la distorsión provocada por estacionalidad.
III. Medida de la amplificación de la demanda transmitida sobre la recibida.
IV. Medida de la capacidad del inventario para absorber las perturbaciones de la

demanda.
Una vez definidas las consecuencias del efecto látigo y propuestos algunas formas de
medir aquéllas, queda abierta la vía para el estudio de otro u otros indicadores que
aporten la información necesaria para medir en su justa cuantía las consecuencias del
efecto látigo.
261
6.3. CONCLUSIONES SOBRE EL COMPORTAMIENTO DE LOS MODELOS DE
GESTIÓN DE EXISTENCIAS
Independientemente del modelo de gestión de existencias utilizado, podemos concluir

categóricamente que si entre las pretensiones del agente entra la recuperación a corto
plazo del inventario vendido por un aumento súbito de la demanda, está garantizada la
aparición de una fuerte amplificación de la demanda que se traslada aguas arriba de la
cadena. Esta amplificación será mayor cuanto mayor sea la perturbación original y la
rapidez con la que el agente quiere recuperar su inventario.
Aunque las demoras126 en la respuesta de los agentes contribuyen a la amplificación de

la demanda, agravando ésta, no queda claro cómo influyen, dado que, cuando aumentan,
el agente tiende a estabilizar su predicción; es decir, cuanto más largo es el plazo, más
tiende la predicción hacia el valor medio de la serie, lo que produce la estabilidad citada
y, consecuentemente, las órdenes cursadas no son tan oscilantes como la demanda que
las origina, produciéndose un efecto contrario al objeto de la tesis.
Queda, pues, claro que los agentes deben trasladar pedidos a sus suministradores con la
mayor frecuencia permisible ―para ello, necesariamente, los medios logísticos deben
ser eficientes, esto es, los costes derivados de las reposiciones han de ser lo menores
posibles―, estos pedidos comprenden cierta cantidad de unidades para recuperar el
inventario, cuanto menor sea la cantidad mejor es el comportamiento de la demanda
transmitida aguas arriba de la cadena.
Con el fin de eliminar la distorsión producida por la agrupación de pedidos, hemos

establecido un periodo de revisión de existencias ―tiempo entre pedido y pedido― de
duración unitaria en los dos modelos de gestión estudiados.
En ningún caso hemos considerado no linealidades debidas al comportamiento de los

agentes. Esto es, siempre hemos supuesto que la respuesta de los agentes entra dentro de
126
Retrasos debidos a operaciones del agente en cursar la orden de reaprovisionamiento añadidos a los del proveedor
en suministrar el pedido, más los del agente en dar de alta el pedido en su inventario.
262
la lógica que refleja el modelo: las órdenes de reposición siempre se cursarán conforme
a la predicción futura de la demanda más una cierta cantidad que permita recuperar el
inventario del eslabón estudiado.
La diferencia esencial entre los dos modelos citados es que en uno de ellos se utiliza la
recuperación del inventario físico como elemento de control de efecto látigo y en el otro
modelo es el inventario logístico, cuya diferencia con el anterior es que tiene en cuenta
las órdenes cursadas por el cliente y aún no entregadas por el proveedor127.
No obstante, reproducimos la expresión matemática de los dos modelos a los que

hacemos referencia, para mejor compresión de lo tratado.
- Modelo basado en el control del inventario físico
qt = d t + K I ( I t − I o )
- Modelo basado en el control del inventario logístico
qt = d t + K I ( I o − I t ) + K P ( Po − Pt )
qt es la cantidad solicitada al proveedor en la orden de reposición.
d t es la estimación de la demanda un periodo t más adelante del momento de

cálculo de qt.
Io, It corresponden al inventario objetivo ―se recalcula cada periodo t para

adaptar las existencias a la demanda― y al inventario físico existente en
almacenes en el momento t, respectivamente.
127
De manera indistinta nos referiremos a este tipo de inventario como “inventario de órdenes pendientes, “inventario
de órdenes en curso” o “inventario de órdenes en tránsito”. Aunque cada denominación tiene su finalidad y motivo,
desde el punto de vista de estas conclusiones utilizaremos cualquiera de los citados.
263
Po, Pt corresponden al inventario de órdenes pendientes objetivo ―también se
actualiza cada periodo― y al inventario de órdenes pendientes en el momento t,
respectivamente.
KI y KP son, respectivamente, las constantes de recuperación del inventario

físico y del inventario de órdenes pendientes.
6.3.1. MODELO DE GESTIÓN BASADO EN LA RECUPERACIÓN DEL INVENTARIO

FÍSICO
Podemos dejar establecido que el modelo basado sólo en el control físico del inventario
permite reducir el efecto látigo ajustando la constante que determina la rapidez de
recuperación del inventario físico. Pero no hay posibilidad de ejercer otros controles
sobre aspectos relacionados con la logística del agente, entre ellos ajustar la cantidad de
inventario al mínimo posible sin correr riesgos de fallos, y ello se debe a que el valor de
la constante de recuperación debe ser tan bajo ―recuperación lenta del inventario― que
no es útil a efectos prácticos.
La estabilidad de una cadena es independiente del modelo de predicción utilizado, sólo

depende del valor de esa constante y de la demora de los proveedores. Hay una relación,
que hemos determinado, entre la constante de recuperación del inventario y la demora, y
que ofrece la posibilidad de ajustar la constante para no desestabilizar la cadena.
Los valores aceptables de la constante ―valores que permiten un control aceptable de la

reposición de inventarios sin excesivo crecimiento en los pedidos― son mucho menores
que los valores críticos de la constante ―valores para los que se alcanza la inestabilidad
de la cadena; es decir, aparición de una onda creciente en el tiempo de pedidos a los
proveedores―; por lo que se debe rebajar la constante, a tal punto, que la recuperación
del inventario resulte tan lenta que pueda no ser de aplicación en la practica.
En definitiva, un valor relativamente alto de la constante de recuperación del inventario

es perjudicial para la estabilidad del sistema, lo que se traduce en respuestas ante
cambios de la demanda demasiado bruscas, con tamaños de pedidos que multiplican por
264
varias veces ―5, o 6 veces― la demanda original; pero un valor bajo de la constante
ralentiza la recuperación, lo que expone al agente a riesgos de penuria en la existencias
demasiados prolongados.
Sea cual sea el método de predicción, la respuesta del agente ante un cambio brusco de
la demanda es tal que crea un “transitorio” de pedidos con picos que, normalmente,
doblan en cuantía a la demanda recibida. La duración de estos transitorios es breve ―en
torno― a 10 periodos, aunque depende de la constante de recuperación y de la duración
de la demora en la respuesta del proveedor.
No hay diferencias claras entre diferentes métodos de predicción de la demanda en el

comportamiento del sistema. A este respecto hemos utilizado dos modelos de demanda:
autorregresivo AR(1) y autorregresivo y media móvil ARMA(1,1), con tres métodos de
predicción: alisado exponencial, alisado exponencial con tendencia y mínimo error
cuadrático medio y, en ningún caso, se aprecian diferencias dignas de constatación. En
todo caso, parece haber ciertas evidencias de un mejor comportamiento a favor del
método de alisado exponencial, lo cual, curiosamente, es contrario a lo considerado por
una gran parte de los estudiosos de este fenómeno. Creemos que esta contradicción se
debe a la utilización de modelos de reposición de inventarios que no tienen en cuenta
ralentizar la recuperación del inventario, tal y como hemos expuesto en el capítulo III.
También llamamos la atención acerca de la influencia del los tiempos de demora. Una
demora mayor exige una constante de recuperación menor pare evitar respuestas con
picos de pedidos cursados de gran cuantía y eso supone que la amortiguación de la
respuesta es tal que alcanzado el régimen “permanente” ―esto es, una vez que se ha
reducido el pico― el cociente de las varianzas entre las pedidos cursados y los recibidos
es mucho menor que la unidad. En otras palabras, tiempos largos exigen
amortiguaciones mayores y eso se traduce después en respuestas lentas a cambios
normales de la demanda.
Por último, es necesario decir que este modelo tiene las carencias ya citadas:
imposibilidad de eliminar o reducir adecuadamente el pico de respuesta a un cambio
265
brusco de la demanda recibida; necesidad de ralentizar en exceso la recuperación del
inventario; imposibilidad de mantener un inventario bajo, que no produzca excesiva
exposición a riesgos prolongados de desabastecimiento de los clientes, como
consecuencia de la lentitud en la recuperación.
6.3.2. MODELO DE GESTIÓN BASADO EN LA RECUPERACIÓN DEL INVENTARIO

LOGÍSTICO
En este modelo la consideración del inventario de órdenes pendientes tiene una

influencia decisiva en el control del transitorio originado por un cambio brusco de
demanda.
El motivo de ello es que, cuando se produce un escalón en la demanda, el inventario de

órdenes pendientes actúa de forma beneficiosa para evitar que la respuesta se transforme
en un pico de cierta cuantía. Al producirse inesperadamente un incremento de la
demanda, el inventario físico aporta las unidades que exceden la previsión de ventas
para ese periodo y, consecuentemente, las existencias caen. De la importancia relativa
de esta caída dependerá que el agente, que atiende la demanda, lo juzgue como poco
importante, porque considere que el inventario terminará por absorber el impacto con
consecuencias mínimas. Otra cosa es que la bajada de existencias sea lo suficientemente
importante como para que este agente curse órdenes de mayor cuantía que lo usual.
Estas órdenes son crecientes a medida que las existencias se agotan y los pedidos
cursados aún no llegan como consecuencia de la demora del proveedor. Durante este
periodo de adaptación del inventario a las nuevas condiciones de demanda, la
importancia de las órdenes cursadas puede ser tal que cuando se reciban, se invierta el
proceso y se produzcan momentos de exceso de inventario que serán seguidos por
periodos de escasez.
En estas condiciones, la inclusión del inventario de órdenes pendientes permite crear un

sistema compensatorio del inventario físico, ya que aquél evoluciona en sentido opuesto
a éste. Esto es, el tamaño de las órdenes pendientes aumenta cuando el inventario físico
comienza su caída; por lo que de ser considerados ambos inventarios conjuntamente, los
266
tamaños de las órdenes de reposición se ajustarán mejor a las necesidades reales del
sistema.
Para determinar el tamaño de la orden de reposición se necesita conocer, previamente,

las existencias del inventario y el cálculo del inventario de órdenes pendientes requiere
conocer el tamaño de la orden, lo que produce un retraso en el crecimiento del
inventario de órdenes pendientes de un periodo respecto a la caída del inventario físico.
Esta diferencia de tiempos crea una descompensación y por ello se genera un pico de
crecimiento en las órdenes cursadas, que es inevitable, pero que tiene una duración
mínima.
No obstante, el ajuste de la respuesta a la demanda no es automático y requiere la

elección de las constantes de manera que se cumplan varios objetivos: primero, que el
pico de los pedidos al proveedor sea de la menor cuantía posible; segundo, que la
recuperación del inventario sea lo más breve posible; tercero que la cantidad de
existencias necesarias sean las mínimas determinadas por las de seguridad128; que, en
régimen permanente, una vez superado el transitorio creado por el cambio de demanda,
la serie determinada por los pedidos cursados al proveedor siga lo más fielmente posible
la demanda recibida.
Todos estos objetivos son difícilmente alcanzables a la vez, por lo que nos hemos
decantado por dos: uno, mantener el indicador BW129 en la unidad para la serie de
pedidos al proveedor, una vez estabilizado el pico generado por el cambio de la
demanda ―lo que hemos llamado BW medido en condiciones de estabilidad― y que el
error cuadrático medio calculado como diferencia entre la demanda y los pedidos
recibidos130, cuya proximidad a cero se interpreta como que el flujo de salida del
almacén es exactamente igual al de entrada, por lo que no serían necesarias las
existencias.
128
Las calculadas en función de los errores de predicción, las demoras en las entregas de proveedores y el coeficiente
correspondiente a la ley de probabilidad dada por una distribución normal.
129
Cociente de las varianzas de los pedidos cursados al proveedor y de la demanda. Se desea mantener en uno para
que los pedidos cursados tengan igual varianza que la demanda.
130
Este indicador ―ECMr― ya ha sido estudiado y su interpretación es que, cuanto menor sea, mejor se ajustan las
órdenes del proveedor recibidas en el almacén y la demanda recibida por el agente.
267
La conclusión más importante es que, con este sistema de gestión de órdenes, logramos
mantener el indicador que hemos denominado ECMr en régimen permanente (una vez
desaparecido el efecto provocado por el escalón de la demanda) en valores muy bajos.
En concreto, cuando empleamos el alisado exponencial como método de predicción y
para demoras de tres periodos este indicador alcanza el valor de 9,5 unidades/día frente
a una demanda media de, aproximadamente, 1200 unidades; esto es casi el 0,8%.
Esto significa que la adaptación de los pedidos entrantes en el almacén a la demanda

que atiende es casi total; por lo que podemos decir que puede alcanzarse la eliminación
del efecto látigo, en condiciones de estabilidad.
Alegamos en contra que en el régimen transitorio ―provocado por un incremento

brusco de la demanda― la recuperación del inventario físico es lenta ―siempre más
rápida que en el modelo anterior―; por ejemplo, se tarda 40 periodos en recuperar el
nivel de inventario de partida para una demora del proveedor de 3 periodos. No
obstante, el pico alcanzado por los pedidos al proveedor es menor ―aproximadamente
la mitad― que en el modelo anterior, aunque la duración del pico es mayor; y dado que
el inventario es la integración en el tiempo del balance de pedidos entrantes y órdenes
salientes, la acumulación de esta diferencia, aunque de poca cuantía, alcanza un déficit
del inventario físico fuerte. No obstante, y como contraargumentación favorable,
diremos que no hay almacén que soporte un incremento permanente del doble de su
demanda habitual sin caer en la penuria, a no ser que incurra en excesivos costes de
mantenimiento. Cosa que hemos evitado, ya que, en los modelos estudiados, las
existencias se mantienen en el nivel de seguridad aproximadamente.
En definitiva, aun a costa de retrasar la recuperación del inventario, el modelo estudiado

permite controlar por un agente de manera autónoma el efecto látigo.
Para alcanzar este objetivo debemos incluir las órdenes cursadas, pero no recibidas, en
los pedidos al proveedor junto con las cantidades para la recuperación del inventario
físico. De esta forma, las cantidades para reponer el inventario disminuyen, porque ya se
hallan en el canal logístico camino del almacén. Es necesario determinar los parámetros
268
que definen la velocidad con que se repone el inventario físico y la velocidad con se
generan las órdenes al proveedor. Estos dos parámetros tienen una relación entre ellos
que depende de la respuesta del proveedor ―demora en las entregas― y que
condicionan la estabilidad del modelo ante perturbaciones de la demanda.
Hemos determinado esta relación entre los dos parámetros y la demora en la respuesta
del proveedor. De manera que no pueden darse valores cualesquiera para estas
constantes, sin cumplir las condiciones definidas por una ecuación sin entrar en
inestabilidad con ondas de gran amplitud que crean dificultades de gestión.
Por lo referido a las demoras del proveedor, deducimos del estudio de este modelo que,
a mayor demora, peor comportamiento en cualquiera de los indicadores analizados; lo
cual esta dentro de las hipótesis de comportamiento lógicas del modelo.
Las influencias de los modelos de predicción, que hemos estudiado, alisado exponencial
y mínimo error cuadrático medio aplicado a modelos de demanda, autorregresivo de
orden uno, AR(1) y autorregresivo y media móvil de orden 1, ARMA(1,1), tienen
resultados ligeramente diferentes. El sistema de predicción por alisado exponencial es,
independientemente, del tipo de demanda el que tiene mejor comportamiento para
algunos indicadores como el denominado ECMr y el pico de respuesta a un transitorio
de la demanda, aunque no es así para el tiempo de recuperación del inventario. Por el
contrario, la predicción por mínimo error cuadrático medio es el mejor para la
recuperación del inventario cuando el modelo es autorregresivo.
Debemos aclarar que los cálculos necesarios para estimar ciertos parámetros, utilizados
en los modelos de predicción citados, utilizan necesariamente otras técnicas como la
media móvil para estimar la media de la demanda. Esto crea un sesgo en los resultados,
aunque no hemos llegado a precisar su importancia. Resulta claro que a mayor orden de
esta media móvil mejor respuesta, pero esto es de todo punto lógico, porque a mayor
orden de esa media móvil mejor “filtrado” quedan las perturbaciones de la demanda y
esos supone una respuesta más suave. En este trabajo se ha elegido una media móvil de
orden bajo (cinco periodos), para no enmascarar las perturbaciones de la demanda.
269
Insistimos que la media móvil empeora el comportamiento de respuesta, aunque no
hemos introducido otras formas de estimación que no requieran este cálculo, por lo que
queda abierta la posibilidad de un estudio de este tipo.
Por último decir que se ha procedido a estudiar la sensibilidad del modelo a cambios de
ciertos parámetros, en concreto de los parámetros de autorregresión de la demanda,
cuando el modelo es un AR(1); los de los parámetros autorregresivo y de media móvil
en los modelos AR(1,1) y el de alisado exponencial para este sistema de previsión y
hemos encontrado que el modelo más consistente frente a derivas de estos parámetros es
el ARMA en especial si la deriva procede del parámetro de media móvil y en menor
cuantía si la deriva corresponde al parámetro de autorregresión. En este sentido, el de
peor comportamiento es el alisado exponencial, en el que ligeros cambios en el
parámetro de alisado cambia radicalmente los resultados.
Concluimos confirmando lo mantenido, si bien eso exigirá prudencia en la recuperación

del inventario, a lo que debe ayudar el hecho de que las órdenes pendientes deben ser
consideradas a la hora de definir la cantidad necesaria para recuperar el inventario.
A pesar de lo dicho, somos conscientes de que la colaboración entre agentes es

necesaria, pero la existencia de un modelo matemático como el descrito contribuirá
mejorar las relaciones entre los agentes, por lo que puede irse aún más lejos
implementando un modelo matemático que ayude a la toma de decisiones y defina
exactamente las cantidades que deben ser repuestas en función de los resultados
perseguidos. Esto no creemos que represente un excesivo problema en la época de la
generalización de los ERP en la gestión empresarial.
6.4. OTRAS APORTACIONES DE ESTA TESIS
Junto con la crítica al sistema de medidas aplicadas al análisis del efecto látigo con
profusión en los estudios publicados, queremos manifestar que el modelo de reposición
utilizado, en muchos de estos estudios, no evita el efecto látigo ante cambios bruscos de
la demanda, aunque sean de poca cuantía; además no representa las prácticas utilizadas
270
en la realidad al no contemplar el inventario físico existente en el almacén del agente en
el momento de cursar el pedido.
Como ya hemos dicho, el modelo al que nos referimos, y que se comentó en el capítulo
III, se basa en estimaciones para calcular las existencias necesarias en el periodo
presente y descuenta las estimaciones del periodo anterior, por lo cual nunca actualiza el
modelo con la existencias que verdaderamente hay en el inventario, lo cual puede
conducir a un absurdo.
En este sentido el modelo propuesto en esta tesis evita, entre otros aspectos, esta
situación por lo que consideramos mayores ventajas a favor del mismo. Esperamos que
en un futuro estos aspectos sean contemplados para mejor reflejo de la realidad.
6.5. FUTURAS LÍNEAS DE INVESTIGACIÓN
A lo largo de este estudio se han visto e intuido posibles caminos para mejorar la
comprensión de este importante problema para la gestión de la cadena.
9 No hemos entrado en utilizar y analizar los resultados producidos por la

colección de herramientas que la ingeniería de control dispone para el estudio de
respuesta de sistemas retroalimentados. Por ejemplo, comportamiento de
estudios de frecuencia, modelos predictivos, análisis de no linealidades, etc.
Todo ello contribuiría a profundizar en el estudio.
9 Es claro que dos ramas de desarrollo que entroncan con la ingeniería de control
son la lógica difusa y la teoría de decisión multicriterio. Podemos decir que los
estudios son inexistentes e intuimos que un modelo basado en decisiones difusas
tendría resultados de gran interés por dos razones, porque las decisiones de los
agentes no son en la práctica nítidas y porque los objetivos perseguidos son
múltiples ―mantener bajo el inventario, disminuir los tiempos de recuperación
de estos, moderar adecuadamente la demanda transmitida a los agentes
proveedores, etc.― lo que dificulta la aplicación de las técnicas anteriores, pero
no presentan tales problemas cuando se emplea la lógica difusa.
271
9 No hemos considerado redes de distribución más complejas, con varios
proveedores y múltiples clientes, ello debería ser objeto de estudio, dado que no
son muchos los trabajos publicados en este sentido.
9 Finalmente, creemos que la dinámica de sistemas es también una herramienta

que permitirá llevara a cabo estudios más completos al tener en cuenta modelos
con comportamientos de los agentes no lineales. En este campo también hay
escasez de trabajos que contribuyan a poner luz este problema de las cadenas de
suministro.
272
APÉNDICE
Ejemplo de simulación en Excel
273
274
Kp 0,4
Modelo AR(1) KL 1,92
Se incluyen 59 periodos previos para estabilizar las condiciones Phi = 0,33
iniciales. L= 3
A partir del periodo 1 cambia la media de la demanda aumentado K= 0,165
al doble. Inv. Ini.= 2000
En total se toman 240 periodos de análisis. Lambda = 0,148
Inventario
Estimación Inventario Órdenes Órdenes Órdenes Inventario
Periodo media Objetetivo Pendientes Demanda Predicción Cursadas Recibidas Físico
-59 N/P N/P N/P 600 0 N/P 0 N/P
-58 N/P N/P N/P 600 198 0 0 1400
-57 N/P N/P N/P 600 330,66 0 0 800
-56 600 0 N/P 600 600 567 0 200
-55 600 0 N/P 600 600 666 0 -400
-54 600 1973 N/P 600 600 1091 0 -1000
-53 600 1973 N/P 600 600 1190 0 -1600
-52 600 1973 2946 600 600 477 567 -1633
-51 600 1973 2758 600 600 542 666 -1567
-50 600 1973 2209 600 600 680 1091 -1076
-49 600 1973 1700 600 600 787 1190 -487
-48 600 1973 2009 600 600 683 477 -609
-47 600 1973 2151 600 600 636 542 -668
-46 600 1973 2106 600 600 641 680 -587
-45 600 1973 1960 600 600 668 787 -400
-44 600 1973 1945 600 600 661 683 -317
-43 600 1973 1970 600 600 645 636 -281
-42 600 1973 1974 600 600 636 641 -240
-41 600 1973 1942 600 600 638 668 -172
-40 600 1973 1919 600 600 637 661 -111
-39 600 1973 1911 600 600 633 645 -66
-38 600 1973 1908 600 600 628 636 -30
-37 600 1973 1898 600 600 626 638 8
-36 600 1973 1887 600 600 624 637 45
-35 600 1973 1878 600 600 622 633 78
-34 600 1973 1872 600 600 620 628 106
-33 600 1973 1866 600 600 618 626 132
-32 600 1973 1860 600 600 617 624 156
-31 600 1973 1855 600 600 615 622 178
-30 600 1973 1850 600 600 614 620 198
-29 600 1973 1845 600 600 613 618 216
-28 600 1973 1841 600 600 611 617 233
-27 600 1973 1838 600 600 610 615 248
-26 600 1973 1834 600 600 609 614 262
-25 600 1973 1831 600 600 609 613 274
-24 600 1973 1828 600 600 608 611 286
-23 600 1973 1826 600 600 607 610 296
-22 600 1973 1824 600 600 607 609 306
-21 600 1973 1822 600 600 606 609 314
-20 600 1973 1820 600 600 605 608 322
-19 600 1973 1818 600 600 605 607 329
-18 600 1973 1816 600 600 604 607 336
-17 600 1973 1815 600 600 604 606 342
-16 600 1973 1813 600 600 604 605 347
-15 600 1973 1812 600 600 603 605 352
-14 600 1973 1811 600 600 603 604 356
-13 600 1973 1810 600 600 603 604 361
-12 600 1973 1809 600 600 603 604 364
-11 600 1973 1808 600 600 602 603 368
-10 600 1973 1808 600 600 602 603 371
-9 600 1973 1807 600 600 602 603 374
-8 600 1973 1806 600 600 602 603 376
-7 600 1973 1806 600 600 602 602 378
-6 600 1973 1805 600 600 601 602 381
-5 600 1973 1805 600 600 601 602 382
-4 600 1973 1804 600 600 601 602 384
-3 600 1973 1804 600 600 601 602 386
-2 600 1973 1804 600 600 601 601 387
-1 600 1973 1803 600 600 601 601 389
275
1 731 2445 1803 1256 904 1192 601 -266
2 863 2821 2394 1259 994 1317 601 -924
3 983 3155 3110 1201 1055 1338 601 -1524
4 1108 3514 3847 1224 1146 1393 601 -2147
5 1217 3814 4048 1145 1193 1485 1192 -2100
6 1186 3719 4215 1102 1158 1308 1317 -1885
7 1167 3675 4185 1165 1167 1278 1338 -1712
8 1163 3663 4071 1177 1167 1283 1393 -1496
9 1148 3616 3869 1149 1148 1270 1485 -1161
10 1163 3672 3831 1224 1183 1328 1308 -1077
11 1167 3668 3881 1121 1152 1253 1278 -920
12 1158 3642 3851 1120 1146 1221 1283 -757
13 1162 3663 3801 1194 1172 1260 1270 -681
14 1176 3707 3734 1220 1190 1306 1328 -573
15 1158 3645 3787 1137 1151 1203 1253 -457
16 1182 3728 3769 1240 1201 1295 1221 -476
17 1181 3706 3804 1113 1158 1209 1260 -329
18 1190 3750 3707 1239 1206 1299 1306 -262
19 1186 3733 3803 1200 1190 1238 1203 -259
20 1202 3781 3747 1217 1207 1285 1295 -181
21 1201 3781 3822 1236 1213 1264 1209 -207
22 1219 3828 3788 1203 1214 1285 1299 -112
23 1191 3731 3834 1097 1160 1151 1238 30
24 1191 3746 3700 1200 1194 1227 1285 115
25 1179 3709 3663 1161 1173 1190 1264 218
26 1163 3662 3568 1156 1161 1174 1285 347
27 1144 3599 3591 1105 1131 1102 1151 393
28 1185 3746 3466 1304 1224 1314 1227 316
29 1193 3760 3590 1241 1209 1266 1190 265
30 1208 3800 3682 1232 1216 1263 1174 207
31 1225 3852 3843 1244 1231 1260 1102 65
32 1260 3955 3789 1277 1265 1353 1314 102
33 1234 3865 3875 1174 1214 1217 1266 195
34 1230 3863 3829 1224 1228 1240 1263 234
35 1210 3790 3810 1129 1183 1153 1260 364
36 1183 3712 3610 1112 1160 1137 1353 605
37 1163 3664 3530 1176 1167 1146 1217 646
38 1158 3644 3437 1147 1154 1148 1240 739
39 1145 3611 3431 1161 1150 1132 1153 731
40 1158 3651 3426 1192 1169 1178 1137 676
41 1151 3617 3458 1081 1128 1104 1146 742
42 1151 3630 3414 1174 1159 1158 1148 715
43 1140 3585 3440 1090 1123 1089 1132 758
44 1150 3633 3350 1214 1171 1195 1178 722
45 1138 3585 3442 1129 1135 1108 1104 697
46 1166 3680 3392 1224 1185 1227 1158 630
47 1153 3624 3530 1106 1137 1107 1089 613
48 1178 3713 3443 1217 1191 1234 1195 591
49 1173 3694 3568 1188 1178 1176 1108 512
50 1189 3743 3517 1209 1195 1232 1227 530
51 1190 3751 3642 1232 1204 1214 1107 405
52 1199 3764 3622 1150 1183 1196 1234 488
53 1177 3693 3641 1105 1153 1117 1176 560
54 1184 3732 3527 1225 1198 1219 1232 567
55 1172 3686 3532 1149 1165 1156 1214 631
56 1166 3676 3492 1200 1177 1179 1196 627
57 1166 3668 3553 1149 1160 1141 1117 595
58 1201 3790 3476 1284 1229 1299 1219 530
59 1199 3772 3618 1213 1204 1221 1156 473
60 1219 3834 3661 1248 1228 1266 1179 404
61 1229 3864 3786 1252 1237 1256 1141 293
62 1253 3935 3743 1269 1258 1320 1299 323
63 1234 3868 3841 1188 1219 1210 1221 356
64 1236 3880 3785 1224 1232 1242 1266 398
65 1209 3787 3772 1113 1177 1133 1256 540
66 1186 3724 3585 1136 1170 1141 1320 724
67 1169 3683 3517 1185 1174 1150 1210 749
68 1162 3658 3424 1152 1159 1146 1242 839
69 1157 3649 3438 1197 1170 1157 1133 775
70 1176 3708 3454 1212 1188 1206 1141 704
276
71 1183 3720 3509 1169 1178 1184 1150 685
72 1165 3659 3547 1096 1142 1101 1146 736
73 1157 3639 3490 1113 1143 1107 1157 780
74 1155 3642 3392 1184 1164 1163 1206 802
75 1140 3592 3371 1137 1139 1118 1184 849
76 1157 3659 3389 1256 1190 1212 1101 693
77 1154 3623 3494 1078 1129 1096 1107 723
78 1177 3711 3426 1229 1194 1231 1163 657
79 1178 3710 3539 1192 1183 1188 1118 583
80 1191 3748 3515 1201 1194 1224 1212 595
81 1176 3703 3643 1182 1178 1152 1096 508
82 1184 3714 3564 1114 1161 1154 1231 625
83 1172 3688 3529 1169 1171 1161 1188 645
84 1176 3705 3466 1212 1188 1207 1224 656
85 1164 3664 3522 1145 1158 1139 1152 663
86 1170 3688 3507 1208 1182 1186 1154 609
87 1183 3722 3532 1181 1182 1195 1161 589
88 1209 3814 3520 1300 1239 1307 1207 496
89 1212 3811 3689 1225 1216 1233 1139 409
90 1230 3864 3735 1236 1232 1261 1186 359
91 1235 3877 3801 1232 1234 1248 1195 323
92 1250 3924 3742 1257 1252 1302 1307 373
93 1219 3820 3811 1146 1195 1162 1233 460
94 1214 3812 3712 1197 1208 1198 1261 523
95 1186 3717 3661 1097 1156 1105 1248 675
96 1168 3674 3464 1144 1160 1141 1302 832
97 1152 3633 3443 1177 1160 1133 1162 817
98 1153 3633 3378 1152 1153 1145 1198 863
99 1153 3637 3418 1193 1166 1156 1105 775
100 1179 3717 3434 1228 1195 1227 1141 687
101 1189 3740 3528 1194 1191 1206 1133 626
102 1181 3711 3589 1140 1168 1148 1145 631
103 1176 3694 3581 1126 1160 1131 1156 661
104 1173 3692 3485 1176 1174 1172 1227 712
105 1158 3647 3451 1155 1157 1142 1206 763
106 1170 3694 3446 1251 1196 1217 1148 660
107 1162 3652 3532 1104 1143 1112 1131 687
108 1179 3715 3472 1209 1189 1211 1172 650
109 1186 3736 3541 1212 1195 1210 1142 580
110 1200 3777 3534 1225 1208 1245 1217 572
111 1173 3685 3667 1117 1155 1104 1112 568
112 1184 3720 3559 1156 1175 1171 1211 623
113 1177 3705 3520 1177 1177 1177 1210 656
114 1175 3702 3451 1200 1183 1200 1245 702
115 1165 3671 3548 1177 1169 1147 1104 628
116 1185 3733 3524 1216 1195 1216 1171 583
117 1196 3763 3563 1209 1200 1223 1177 551
118 1217 3835 3586 1284 1239 1295 1200 467
119 1224 3847 3734 1234 1227 1246 1147 380
120 1234 3875 3764 1228 1232 1253 1216 368
121 1236 3881 3794 1227 1233 1246 1223 364
122 1234 3870 3744 1197 1222 1234 1295 463
123 1210 3796 3733 1164 1195 1168 1246 544
124 1204 3785 3647 1204 1204 1196 1253 593
125 1189 3734 3598 1152 1177 1153 1246 687
126 1175 3697 3517 1160 1170 1151 1234 761
127 1175 3700 3500 1193 1181 1172 1168 735
128 1177 3704 3476 1176 1177 1177 1196 756
129 1178 3712 3499 1209 1188 1190 1153 700
130 1192 3755 3539 1224 1203 1219 1151 627
131 1196 3759 3586 1179 1191 1193 1172 619
132 1179 3700 3602 1107 1155 1117 1177 689
133 1172 3686 3529 1143 1163 1138 1190 736
134 1163 3663 3448 1164 1164 1152 1219 792
135 1149 3621 3407 1152 1150 1130 1193 832
136 1162 3672 3420 1245 1190 1204 1117 704
137 1181 3718 3485 1200 1187 1207 1138 642
138 1186 3729 3541 1169 1180 1187 1152 625
139 1199 3775 3598 1230 1209 1227 1130 525
140 1214 3816 3622 1225 1217 1248 1204 504
277
141 1197 3760 3662 1163 1186 1171 1207 548
142 1191 3743 3646 1168 1183 1164 1187 567
143 1193 3749 3582 1177 1187 1187 1227 618
144 1191 3752 3522 1224 1202 1222 1248 641
145 1183 3724 3573 1185 1184 1175 1171 627
146 1190 3746 3584 1198 1193 1194 1164 593
147 1199 3773 3590 1213 1204 1218 1187 567
148 1221 3847 3587 1287 1243 1298 1222 502
149 1234 3884 3710 1289 1252 1293 1175 387
150 1237 3880 3810 1200 1225 1229 1194 381
151 1239 3884 3821 1204 1227 1226 1218 395
152 1212 3790 3748 1081 1169 1125 1298 613
153 1177 3696 3580 1113 1156 1108 1293 793
154 1167 3683 3458 1235 1189 1180 1229 787
155 1171 3694 3412 1222 1188 1201 1226 791
156 1165 3671 3488 1176 1169 1152 1125 740
157 1177 3699 3533 1139 1164 1149 1108 708
158 1198 3772 3502 1220 1206 1237 1180 668
159 1194 3758 3538 1213 1200 1214 1201 656
160 1199 3778 3600 1248 1215 1227 1152 560
161 1188 3727 3678 1120 1166 1124 1149 589
162 1192 3746 3566 1161 1182 1180 1237 665
163 1190 3744 3532 1206 1195 1203 1214 673
164 1189 3743 3507 1209 1195 1209 1227 691
165 1183 3728 3592 1219 1195 1183 1124 597
166 1204 3788 3595 1225 1211 1232 1180 552
167 1215 3817 3624 1214 1214 1238 1203 540
168 1216 3821 3653 1214 1215 1230 1209 535
169 1222 3843 3700 1240 1228 1242 1183 479
170 1222 3838 3711 1216 1220 1226 1232 494
171 1209 3795 3698 1163 1194 1176 1238 570
172 1208 3798 3643 1208 1208 1208 1230 592
173 1198 3761 3609 1161 1186 1171 1242 673
174 1194 3761 3555 1224 1204 1209 1226 675
175 1188 3736 3588 1183 1186 1170 1176 667
176 1187 3731 3550 1160 1178 1168 1208 715
177 1192 3755 3546 1232 1205 1214 1171 654
178 1208 3801 3551 1240 1218 1250 1209 623
179 1223 3852 3631 1298 1247 1288 1170 495
180 1224 3842 3752 1192 1214 1210 1168 470
181 1233 3868 3747 1203 1223 1230 1214 481
182 1203 3764 3727 1081 1163 1109 1250 650
183 1173 3681 3549 1092 1146 1096 1288 846
184 1159 3662 3435 1229 1182 1167 1210 827
185 1158 3651 3372 1185 1167 1166 1230 872
186 1152 3634 3429 1175 1160 1140 1109 806
187 1162 3656 3473 1131 1152 1132 1096 770
188 1192 3756 3438 1240 1208 1253 1167 697
189 1194 3763 3525 1241 1210 1236 1166 622
190 1205 3792 3620 1236 1215 1231 1140 526
191 1197 3754 3719 1135 1176 1141 1132 523
192 1203 3778 3607 1165 1191 1195 1253 611
193 1199 3774 3566 1220 1206 1220 1236 626
194 1200 3780 3556 1245 1215 1237 1231 612
195 1199 3773 3652 1228 1208 1204 1141 525
196 1219 3833 3661 1237 1225 1249 1195 483
197 1224 3842 3691 1192 1214 1227 1220 511
198 1229 3861 3681 1241 1233 1257 1237 507
199 1226 3853 3734 1233 1228 1233 1204 478
200 1224 3843 3718 1215 1221 1223 1249 512
201 1212 3803 3713 1177 1200 1180 1227 563
202 1220 3834 3636 1232 1224 1241 1257 588
203 1208 3794 3644 1183 1200 1190 1233 639
204 1209 3804 3612 1237 1218 1226 1223 624
205 1200 3768 3658 1170 1190 1165 1180 634
206 1185 3717 3582 1105 1159 1123 1241 771
207 1185 3736 3514 1232 1201 1202 1190 729
208 1198 3776 3490 1248 1215 1246 1226 707
209 1210 3817 3570 1297 1239 1275 1165 576
210 1217 3823 3723 1204 1213 1208 1123 494
278
211 1241 3894 3729 1224 1235 1262 1202 472
212 1208 3776 3745 1067 1161 1107 1246 651
213 1203 3784 3576 1222 1209 1211 1275 704
214 1186 3735 3579 1213 1195 1175 1208 699
215 1171 3679 3493 1128 1157 1128 1262 832
216 1160 3653 3514 1168 1162 1123 1107 771
217 1184 3727 3426 1190 1186 1209 1211 792
218 1180 3716 3461 1200 1186 1195 1175 767
219 1186 3740 3527 1244 1205 1215 1128 652
220 1208 3803 3619 1240 1219 1239 1123 534
221 1196 3748 3648 1106 1166 1139 1209 638
222 1193 3751 3592 1177 1188 1178 1195 655
223 1195 3759 3556 1206 1198 1204 1215 664
224 1190 3748 3521 1221 1200 1212 1239 682
225 1185 3732 3594 1214 1194 1182 1139 607
226 1200 3770 3598 1181 1194 1198 1178 604
227 1207 3796 3592 1214 1209 1228 1204 594
228 1211 3810 3609 1227 1217 1237 1212 579
229 1215 3822 3663 1240 1223 1236 1182 521
230 1213 3810 3701 1202 1209 1204 1198 517
231 1216 3818 3676 1197 1210 1213 1228 548
232 1220 3837 3652 1236 1226 1244 1237 549
233 1209 3796 3661 1172 1197 1187 1236 613
234 1206 3795 3644 1225 1213 1210 1204 592
235 1197 3759 3641 1156 1184 1160 1213 648
236 1175 3686 3557 1088 1147 1102 1244 805
237 1177 3713 3472 1242 1198 1202 1187 749
238 1196 3771 3464 1268 1220 1261 1210 692
239 1206 3802 3565 1277 1230 1263 1160 574
240 1222 3843 3725 1237 1227 1237 1102 439
N/P = No procede el cálculo.
Tabla Ap.1. Series numéricas correspondientes a la simulación

de la respuesta de un modelo de gestión de inventario logístico
con método de predicción AR(1).
279
280
A B C D E F
2
3
4
5
6
7
8
Inventario
9 Estimación Inventario Órdenes
10 Periodo media Objetetivo Pendientes Demanda
11 =B12-1 N/P N/P N/P 600
12 =B13-1 N/P N/P N/P 600
13 =B14-1 N/P N/P N/P 600
14 =B15-1 =PROMEDIO(F10:F14)=$H$6*$H$4*(1-$H$4^$H$5)*(F14-F13)/(1-$H N/P 600
15 =B16-1 =PROMEDIO(F11:F15)=$H$6*$H$4*(1-$H$4^$H$5)*(F15-F14)/(1-$H N/P 600
16 =B17-1 =PROMEDIO(F12:F16)=($H$5-$H$8)*C16+$H$8*F16+100*RAIZ($H N/P 600
17 =B18-1 =PROMEDIO(F13:F17)=($H$5-$H$8)*C17+$H$8*F17+100*RAIZ($H N/P 600
18 =B19-1 =PROMEDIO(F14:F18)=($H$5-$H$8)*C18+$H$8*F18+100*RAIZ($H=H17+H16+H15 600
19 =B20-1 =PROMEDIO(F15:F19)=($H$5-$H$8)*C19+$H$8*F19+100*RAIZ($H=E18+H18-I19 600
G H I J
2 Kp 0,4
3 KL 1,92
4 Phi = 0,33
5 L= 3
6 K= 0,165
7 Inv. Ini.= 2000
8 Lambda = =H4*(1-H4)^H5/(1-H4)
9 Órdenes Órdenes Inventario

10 Predicción Cursadas Recibidas Físico
11 =F10 N/P 0 N/P
12 =$H$4*F12+(1-$H$4)*G11 0 0 =$H$7+I12-F12
13 =$H$4*F13+(1-$H$4)*G12 0 0 =J12+I13-F13
=C14*(1-$H$4)+$H$4*F14 =G14+$H$6*(D14-J14) 0 =J13+I14-F14
correspondientes a la simulación anterior.

14
15 =C15*(1-$H$4)+$H$4*F15 =G15+$H$6*(D15-J15) 0 =J14+I15-F15
16 =C16*(1-$H$4)+$H$4*F16 =G16+$H$6*(D16-J16) 0 =J15+I16-F16
17 =C17*(1-$H$4)+$H$4*F17 =G17+$H$6*(D17-J17) 0 =J16+I17-F17
18 =C18*(1-$H$4)+$H$4*F18 =G18+$H$6*(D18-J18)+$H$2*($H$3*C18-E18) =H14 =J17+I18-F18
Tabla Ap.2. Fórmulas matemáticas de una hoja Excel
281
282
ÍNDICE DE REFERENCIAS
[ADELSON,1966] Adelson, R. M.; (1966). The dynamic behaviour of linear

forecasting and scheduling rules. Operational Research Quartely.
Vol 17, nº 4, pp 447-459.
[ALWAN,2003] Alwan, C. L.; Liu, J. J.; Dong-Qing, Y.; (20039. Stochastic

characterization of upstream demand processes in supply chain.
IEEE Transactions, 35, 207-219.
[BALLOU,1992] Ballou, R. H.; (1992). Business in Logistics Management.

Prentice-Hall. Edición 3ª
[BISHOP,1984] Bishop, W.S.; Graham, J.L.; Jones, M.H. (1984). Volatility of

derived demand in industrial markets, and its management
implications. Journal of Marketing. 48, 4, pp 95-103.
[BLINDER,1982] Blinder, A.S. (1982). Inventory and sticky prices. The American
Economic Review. 72, pp 334-349.
[BLINDER,1986] Blinder, A.S. (1986). Can the production smoothing model

inventory behavior be saved? Quarterly Journal of Economics.
101, 3, pp 431-453.
[CACHON,1999a] Cachon, G.P. (1999). Managing supply chain demand variability

with scheduled ordering policies. Management Science; vol. 45,
nº 6, pp. 843-856.
[CACHON,1999b] Cachon, G. P.; Lariviere, M. A. (1999). Capacity choice an

allocation: strategic behavior and supply chain performance.
Management Science, vol. 45, nº 8, pp. 1092-1108.
283
[CALVIN,2003] Calvin, B.L. (2003). Demand chain optimization: Pilfalls and
key principles. Evant Whait Paper Series
(http\\www.stanford.edu/group/sc/forum)
[CAPLIN,1985] Caplin, A. S. (1985). The variability of aggregate demand with

(S,s) inventory policies. Econometrica, vol. 53, nº 6, pp. 1395-
1410.
[CARLSSON,2000] Carlsson, Ch.; Fullér, R. (2000). A fuzzy approach to the

bullwhip effect. Cybernetic and System’2000. Proceedings of the
15th European Meeting on Cybernetic and Systems Research.
Viena, abril 25-28. [ISBN 3-85206-151-2].
[CARLSSON,2001] Carlsson, Ch.; Fullér, R. (2001). Reducing the bullwhip effect by

means of intelligent soft computing methods. Proceedings of the
34th Hawaii International Conference on System Sciences.
[CHANDRA,2004] Chandra, Ch.; Gabris, J. (2004). Application of multi-steps

forecasting for restraining the bullwhip effect and improving
inventory performance under autoregressive demand. European
Journal of Operation Research. Artículo en prensa.
[CHATFIEL,2004] Chatfield, D. C.; Kim, J. G.; Harrison, T. P. y Hayya, J. C.

(2004). The bullwhip effect - Impact of stochastic lead time,
information quality, and information sharing: A simulation
study. Production and Operations Management. 13, 4, pp. 340-
353.
[CHEN,2000a] Chen, F.; Drener, Z.; Ryan, J.K. y Simchi-Levi, D. (2000).

Quantifying the bullwhip effect in supply chain: The impact of
forecating, lead time and information. Management Science. 46,
3, pp. 436-443.
284
[CHEN,2000b] Chen, F.; Ryan, J. K.; Simchi-Levy, D. (2000). The impact of
exponential smoothing forecasts on the bullwhip effect. Naval
Research Logistics. 47, pp 269-286.
[CHEN,2000c] Chen, F. (2000). Effectiveness of (R,Q)policies in on-warehouse

multiretailer systems with deterministic demand and
backlogging. Naval Research Logistics, 47, pp. 422-439
[CHEN,2003] Chen, F; Disney, S. M. (2003). The order-up-to policy “sweet

spot” using proportional controllers to eliminate the bullwhip
problem. Conferencia EUROMA POMS. Universidad de
Cardiff. Vol. 2. 551-560.
[CHOI,2001] Choi, T.Y.; Dooley, K.J.; Rungtusanatham, M. (2001). Supply

network and complex adaptative systems: Control versus
mergence. Journal of Operations Management, 19, 1, pp. 234-
349.
[COHEN,2004] Cohen Kulp, S.; Lee, H. L.; Ofek, E. (2004). Manufacturer

benefits from information integration with retail customers.
Mangement Science, vol. 50, Nº 4, pp 431-444.
[CROSON,2003] Croson, R.; Donohue, K. (2003). Impact of POS data sharing on

supply chain management: an experimental study. Production
and Operations Management, vol. 12, nº 1, pp. 1-11
[CROSON,2004] Croson, R.; Donohue, K. (2004). Behavioral causes of the

bullwhip effect and the observed value of inventory information.
Trabajo publicado en www.hbs.edu/units/tom/seminars04-
05/rcroson6.doc
[DEJON,2002] Dejonckheere, J.; Disney, S. M.; Lambrecht, M. R.; Towill, D.

R.; (2002). Transfer function analysis of forecasting induced
285
bullwhip in supply chain. International Journal of Production
Economics, 78, 133-144.

R.; (2003). Managing and avoiding the bullwhip effect: A control
theory approach. European Journal of Operational Research,
147, 567-590.

R.; (2004). The impact of information enrichment on the
bullwhip effect in supply chains: A control engineering
perspective. European Journal of Operational Research, 153,
727-750.
[DISNEY,2001] Disney, S. M.; Towill, D.R.; (2001). A linear PIC system that
can operate in a non-linear world. Proceedings of the IFAC
MIM., 2-4 August, Prague, Czech Republic.
[DISNEY,2002] Disney, S. M.; Towill, D.R. (2002). A procedure for the

optimization of the dynamic response of vendor managed
inventory. Computers & Industrial Engineering. 43, pp 27-58.
[DISNEY,2003a] Disney, S. M.; Potter, A. T.; Gardner, B. M. (2003). The impact

of vendor managed inventory on transport operations.
Transportation Research. E39, pp. 363-380.
[DISNEY,2003b] Disney, S. M.; Towill, D.R. (2003). The effect of vendor

managed inventory (VMI) dynamics on the bullwhip effect in
supply chain. International Journal Production Economics. 85, pp
199-215.
286
[DISNEY,2003c] Disney, S. M.; Towill, D. R. (2003). On the bullwhip and
inventory variance produced by an ordering policy. Omega, 31,
157-167.
[DISNEY,2004] Disney, S. M.; Towill, D. R. (2004). A robust and stable

analytical solution to the production and inventory control
problem via a z-transform approach. Universidad de Cardiff.
Trabajo no publicado. (disneysm@cardiff.ac.uk.)
[DISNEY,2005] Disney, S. M.; Farasyn, I. Lambrecht, M.; Towill, D. R.; Van de

Velde, W. (2005). Taming the bullwhip effect whilst watching
customer service in a single supply chain echelon. European
Journal of Operational Research. Artículo en prensa.
[DOUGLAS;1976] Douglas, C. M.; Lynwood, A. J. Forecasting series analysis. Mc

Graw Hill, 1976.
[FAIR,1989] Fair, RC. (1989). The production-smoothing model is alive and

well. Journal of Monetary Economics. 24, 3, pp. 353-370.
[FISHER,1997] Fisher, M.L. (1997). The right supply chain for your product.
Harvard Business Review. Mar.-Abr, pp. 105-116.
[FORRESTER,1961] Forrester, J. (1961). Dinámica industrial. Ateneo. Buenos Aires.
[FRANSOO,2000] Fransoo, J. C.; Wouter, M. J. F. (2000). Measuring the bullwhip

effect in the supply chain. Supply Chain: An International
Journal, vol. 5, 2, pp. 78-89.
[GAUR,2005] Gaur, V.; Giloni, A.; Seshadri, S. (2005). Information sharing in

a supply chain under ARMA demand. Management Science, vol.
51, nº 6, pp. 961-969.
287
[GIANNOC,2004] Giannoccaro, I.; Pontrandolfo, P. (2004). Supply chain
coordination by revenue sharing contracts. International Journal
of Production Economics, vol. 89, pp. 131-139.
[GILBERT,2005] Gilbert, K. (2005). An ARIMA supply chain model. Management

Science, vol. 51, nº 2, pp. 305-310.
[GRAVES,1999] Graves, S. C. (1999). A single-item inventory model for a

nonstationary demand process. Manufacturing & Service
Operation Management. Vol. 1, Nº 1, pp. 50-61.
[GRUBB,1967] Grubbström, R. W. (1967). On the application of the Laplace

transform to certain economic problem. Management Science,
vol. 13, pp. 558-567.
[GRUBB,1999] Grubbström, R. W.; Tang, O. (1999). Further development on

safety stocks in an MRP system applying Laplace transform and
input-output analysis. International Journal of Production
Economics, 60-61, pp. 381-387.
[GUNA,2004] Gunasekaran, A.; Ngai, E.W.T. (2004). Information systems in

supply chain integration and management. European Journal of
Operational Research, 159, pp. 269-295.
[HARIHA,1995] Hariharan, R.; Zipkin, P. (1995). Customer-order information,

leadtimes and inventories. Management Science, vol. 41, nº10,
pp. 1599-1607
[HBR,1994] The critical-fractile method for inventory planning. Artículo

referencia 9-191-132 de la Harvard Business School. Noviembre,
1994 (sin autor).
[HELBING,2003] Helbing, D.; Lammër, S.; Seidel, T.; Scba, P; Platkowski. (2003).
Physics, Stability and Dynamics of Supply Network. Publicado en
288
la red http://www.helbing.org. Dresden University of
Technology.
[HELBING,2004a] Helbing, D.; Lammër, S.; Witt, U; Brenner, T. (2004). Network -

induced oscillatory in behavior in material flow networks.
Publicado en la red, http://www.helbing.org. Dresden University
of Technology.
[HELBING,2004b] Helbing, D. (2004). Production, supply and traffic systems: A

unified description. Publicado en la red, http://www.helbing.org.
Dresden University of Technology.
[HERMAN,2004] Heyman, D. P.; Sobel, J. M. (2004). Stochastic models in

operations research. Dover Publications , Inc. New York.
[HOLLAND,2004] Holland, W.; Sodhi, M. S. (2004). Quantifying the effect of

batch size and order errors on the bullwhip effect using
simulation. International Journal of Logistics: Research and
Applications. 7, 3, pp. 251-261.
[HOLWEG,2005] Holweg, M.; Disney, S.; Holmström, J.; Smaros, J. (2005).

Supply chain collaboration: making sense of the strategy
continuum. European Management Journal, vol. 23, nº 2, pp.
170-181.
[HOSODA, 2004] Hosoda, T.; Disney, S. M. (2004). An analysis of three echelon

supply chain model with minimum mean square error
forecasting. Second world conference on POM and 15th annual
POM conference, Cancum, Mexico. Abril 30- Mayo 3.
[HOSODA, 2005] Hosoda, T.; Disney, S. M. (2005). On variance amplification in a

three-echelon supply chain with minimum mean square error
forecasting. Omega. Artículo en prensa.
289
[JOHN,1994] John, S.; Naim, M.M.; Towill, D.R. (1994). Dynamic analysis of
a WIP compensated decision support system. International
Journal of Manufacturing System Design. 1, 4, pp. 283-297.
[JURY,1973] Jury, E. I. Theory and application of the z-transform method.

Robert E. Kringer Publishing Co.
[KAHN,1987] Kahn, J.A. (1987). Inventories and the volatility of production.

The American Economic Review. 77, 4, pp. 667-679.
[KAHNEMAN,1993] Kahneman, D.; Lovallo, D. (1993) Timid choices and bold

forecast: A cognitive perspective on risk taking. Management
Science, 39, pp. 17-31.
[KEFENG,2004] Kefeng, X.; Dong, Y. (2004). Information gaming in demand

collaboration and supply chain. Journal of Business Logistics,
vol. 25, nº 1, pp. 101-142.
[KELLE,1999] Kelle, P.; Milne, A. (1999). The effect of (s,S) ordering policy on
the supply chain.International Journal of Production Economics.
1999, vol 59, pp. 113-122.
[KIM,2005] Kim, J.G.; Chatfield, D.; Harrison, T.; Hayya, J. (2005).

Quantifying the bullwhip effect in a supply chain with stochastic
lead time. European Journal of Operational Research. Artículo en
prensa.
[KRANE,1991] Krane, D.; Braun, S.N. (1991). Production smoothing evidence

from physical-product data. The Journal of Political Economy.
99, 3, pp 558-581.
[LALWANI,2005] Lalwani, C. S.; Disney, S. M.; Towill, D. R. (2005).

Controllable, observable and stable space representation of a
290
generalized order-up-to policy. International Journal of
Production Economics. Artículo en prensa.
[LEE,1997a] Lee, H. L.; Padmanabhan, V.; Whang, S. (1997a). The bullwhip

effect in supply chains. Sloan Management Review. 38, 3, pp.
93-102.
[LEE,1997b] Lee, H.L.; Padmanabhan, V.; Whang, S. (1997b). Information

distortion in a supply chain: The bullwhip effect. Management
Science. 43, 4, pp 546-558.
[LEE,2000] Lee, H. L. ; So, K. C.; Tang, C.S. (2000). The value of

information sharing in a two-level supply chain. Management
Science. 46, 5, pp. 626-643.
[LI,2004] Li, G.; Wang, S.; Yan, H.; Yu. G. (2004). Information
transformation in a supply chain: a simulation study. Computer
& Operations Research. Artículo en prensa.
[LIN,2004] Lin, P-H.; Wong, D. S-H.; Jang, S-S; Shieh S-S; Chu, J-Z.
(2004). Controller design and reduction of bullwhip for model
supply chain system using z-transform analysis. Journal of
Process and Control. Artículo en prensa.
[MADRI,1978] Makridakis, S.; Wheelwright, S. C.; McGee, V. E. 1978.

Forecasting: Methods and Applications. John Wiley & Sons.
[MASON,1997] Mason-Jone, R.; Mohammed, M. N.; Towill, D.R. (1997). The

impact of pipeline control on supply chain dynamics. The
International Journal of Logistics Management. Vol. 8, nº 2, pp.
47-62.
291
[MASON,1999] Mason-Jone, R.; Towill, D.R. (1999). A using the information
decoupling point to improve supply chain performance. The
International Journal of Logistics Management. 10, pp. 13-26.
[MASON,2000] Mason-Jone, R.; Naylor, B.; Towill, D.R. (2000). Lean, agile or
leagile? Matching your supply chain to the marketplace.
International Journal of Production Research. 38, 17, pp. 4061-
4070.
[METTERS,1997] Metters, R. (1997). Quantifying the bullwhip effect in supply

chain. Journal of Operations Management. 15, pp. 89-100.
[MILNER,2005] Minel, J. M.; Kouvelis, P. Order quantity and timing flexibility in

supply chain: the role of demand characteristics. Management
Science, vol. 51, nº 6, pp. 970-985.
[NAGATANI,2004] Nagatani, T.; Helbing, D. (2004). Stability analysis and

stabilization strategies for linear supply chain. Physica A. 335,
pp. 644-660.
[PEREA,2000] Perea, E.; Grosmann, I,; Ydstie, E. Tahmessebi, T. Dynamic

modeling and classical control theory for supply chain
management. Computers & Chemical Engineering, 24, pp. 1143-
1149.
[PETROVIC,1999] Petrovic, D.; Roy, R.; Petrovic, R. (1999). Supply chain

modeling using fuzzy sets. International Journal of Production
Economics, 59, pp. 443-453.
[POTTER,2004] Potter, A.; Disney, S. M. (2004). Bullwhip batching: an

exploration. International Journal of Production Economics.
Artículo en prensa.
292
[PUJAWAN,2003] Pujawan, I. N. (2003). The effect of lot sizing rules on order
variability. European Journal of Operational Research. Artículo
en prensa.
[PULIDO,1989] Pulido, A. (1989). Predicción económica y empresarial.

Ediciones Pirámide. Madrid.
[RAGHUN,2001] Raghunathan, S. (2001). Information sharing in a supply chain:

A note on its value when demand is nonstationary. Management
Science. 47, 4, pp. 605-610.
[RAGHUN,2003] Raghunathan, S. (2001). Impact of demand correlation on the

value of and incentives for information sharing in a supply
chain. European Journal of Operations Research. 146, pp. 634-
649.
[RIDDALLS,2001] Riddalls, C. E.; Bennet, S. (2000). The optimal control of

batched production and its effect on demand amplification.
International Journal of Production Economics, vol. 72, pp. 159-
168.
[SEIFERT,2003] Seifert, D. (2003). Collaborative planning, forecasting, and

replenishment. How to create a supply chain advantage.
AMACOM (American Management Association).
[SILVER,1985] Silver, E. A.; Peterson Rein. (1985). Decision systems for

inventory management and production planning. John Wiley and
Sons. Segunda edición.
[SIMCHY,2003a] Simchy-Levy, D.; Zhao, Y. (2003). The value of information

sharing in a two-stage supply chain with production capacity
constraints. Naval Research Logistics, 50, pp. 888-916.
293
[SIMCHY,2003b] Simchy-Levy, D.; Zhao, Y. (2003). The impact of information
sharing on forecasting accuracy in a multi-stage distribution
system with stationary demand.
http://zhao.rutgers.edu/infosh9.pdf
[SIMON,1952] Simon, H.A. (1952). On the application of servomechanism

theory in the study of production control. Econometrica. 20, 2,
pp. 247-268.
[SO,2003] So, K. C.; Zheng, X. (2003). Impact of supplier’s lead time and
forecast demand updating on retailer’s order quantity variability
in a two- level supply chain. International of Production
Economics, 86, 169-179.
[SONG,1994a] Song, J-S. (1994a). Understanding the lead-time effect in

stochastic inventory systems with discounted cost. Operations
Research Letters, vol. 15, nº 2, pp. 85-93.
[SONG,1994b] Song, J-S. (1994a). The effect of leadtime uncertainty in a simple

stochastic inventory model. Management Science, vol. 40, nº 5,
pp. 603-613.
[STERMAN,1989] Sterman, J. D. (1989). Modeling managerial behavior:

Misperceptions of feedback in a dynamic decision making
experiments. Management Science. 35, 3, pp. 321-339.
[STERMAN,1992] Sterman, J. D. (1992). Teaching takes off: Flight simulators for

management education. OR/MS Today, vol 19, nº5, 40-44.
[TAYLOR,2002] Taylor, D. y Brunt, D. (2002). Manufacturing operations and

supply chain management. The Lean Approach. Thomsom.
Segunda edición.
294
[TREVILLE,2004] De Treville, S.; Shapiro, R.; Hameri, A. (2004). From supply
chain to demand chain: the role of lead time reduction in
improving demand chain performance. Journal of Operations
Management, 21, 613-627.
[TOWILL,1982] Towill, D.R. (1982). Dynamic analysis of an inventory and order

based production control system. International Journal of
Production Research. 20, 6, pp. 671-687.
[TOWILL,1994] Towill, D.R.; del Vechio, A. (1994). The application of filter

theory to the study of supply chain dynamics. Production
Planning and Control, vol. 5, nº 1, pp. 82-96.
[TOWILL,2003] Towill, D.R.; Lambrecht, M. R.; Disney, S. M.; Dejonckheere, J.

(2003). Explicit filter and supply chain desing. Journal of
Purchasing and Supply Chain Management, 9, pp. 73-81.
[VACHON,2002] Vachon, S; Klassen, R.D. (2002). An exploratory investigation of

the effects of supply chain complexity on delivery performance.
IEEE Transactions on Engineering Management. 49, 3, pp. 219-
230.
[VASSIAN,1955] Vassian, H.J. (1955). Application of discrete variable servo

theory to inventory control. Journal of Operation Research
Society of American. 3, 3, pp. 272-282.
[WARBUR,2004] Warburton, R.D.H. (2004). An analytical investigation of the

bullwhip effect. Production and Operations Management, vol. 13,
nº 2, pp. 150-160.
[WILDING,1998] Wilding, R. (1998). The supply chain complexity triangle:

Uncertainty generation in the supply chain. International Journal
of Physical Distribution and Logistics. 28, 8, pp. 599-616.
295
[XIE,2005] Xie, Y.; Petrovic, D.; Burnham; K. A heuristic procedure for the
two level control of serial supply chains under fuzzy customer
demand. International Journal of Production Economics. Artículo
en prensa.
[ZHANG,2004a] Zhang, X. (2004). Delayed demand information and dampened

bullwhip effect. Operations Research Letters. Artículo en prensa.
[ZHANG,2004b] Zhang, X. (2004). The impact of forecasting methods on the

bullwhip effect. International Journal of Production Economics.
88, pp. 15-27.
[ZHANG,2004c] Zhang, X. (2004). Evolution of ARMA demand in supply chain.

Manufacturing & Service Operations Management. 6, 2, pp195-
198.
[ZHAO,2002] Zhao, X.; Xie, J; Leung, J. (2002). The impact of forecasting

model selection on the value of information sharing in a supply
chain. European Journal of Operational Research, 141, pp. 321-
344.
[ZIPKIN,2000] Zipkin, P. H. (2000). Foundations of inventory management.

McGraw-Hill Editions.
296

Tesis-Efecto Latigo

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

Tesis-Efecto Latigo

Hochgeladen von

Copyright:

Verfügbare Formate

UNIVERSIDAD PONTIFICIA COMILLAS DE MADRID

ETS DE INGENIERÍA (ICAI)

EL EFECTO LÁTIGO (BULLWHIP) EN LAS

Tesis para la obtención del grado de Doctor

CAPITULO I. Justificación y aportaciones de la tesis 1

CAPÍTULO II. El efecto látigo en las cadenas de suministro 9

2.1. El efecto látigo en las cadenas de suministro 9

2.2. Definición del efecto látigo 12

2.3. Repercusiones del efecto látigo en las cadenas de suministro 16

2.4. Causas del efecto látigo 21

2.5. Análisis de las causas: modelos propuestos 25

2.5.1. Modelo LST 26

2.5.2. Modelo CDRS 32

2.5.3. Modelo ALY 38

2.6. Metodología y evolución del análisis del efecto látigo 40

2.6.1 Dinámica de sistemas (Ingeniería de Control) 41

2.6.2 Teoría de redes 48

2.6.4 Investigación de operaciones (método estadístico) 50

2.6.5 Lógica difusa 54

3.1. El método de medición 55

3.2. El modelo de gestión de existencias 62

CAPÍTULO IV. Análisis del efecto látigo mediante la aplicación de

4.2. Modelos de funciones de transferencia aplicables al estudio del

4.3. Secuencia temporal de las decisiones tomadas por los agentes 73

4.4. Modelos de predicción de la demanda 77

4.5. Modelo basado en la recuperación gradual del inventario 85

4.5.1. Ecuaciones del modelo 91

4.5.2. Función de transferencia 95

4.5.3. Estabilidad del modelo 99

4.6. La influencia del método de predicción 109

4.6.1. Alisado exponencial simple 109

4.6.2. Alisado exponencial doble 125

4.6.3. Modelos ARMA 130

4.6.3.1. Modelo AR(1) 131

4.6.3.2. Modelo ARMA(1,1) 142

4.7. Estudio comparativo de los modelos 149

4.7.1. Gráficas de análisis de los métodos de predicción 157

4.7.2. Conclusiones sobre el modelo de gestión de inventarios 175

5.1. Justificación del modelo 177

5.2. Formulación del modelo 179

5.3. Interpretación de los parámetros 185

5.4. Estabilidad de la función de transferencia. Análisis de los polos 187

5.5. Influencia del método de predicción en el modelo 195

5.6. Indicadores de la respuesta del modelo 196

5.7. Alisado exponencial simple 198

5.7.1. Respuesta para una demora L = 3 204

5.7.1.1. Resultados para L = 3 206

5.7.1.2. Análisis de sensibilidad para cambios en D 206

5.7.2. Respuesta para una demora L = 5 208

5.7.2.1. Resultados para L = 5 210

5.7.2.2. Análisis de sensibilidad para cambios en D 210

5.7.3. Respuesta para una demora L = 20 212

5.7.3.1. Resultados para L = 20 214

5.7.3.2. Análisis de sensibilidad para cambios en D 214

5.8. Modelo autorregresivo AR(1) 216

5.8.1. Respuesta para una demora L = 3 220

5.8.1.1. Resultados para L = 3 222

5.8.1.2. Análisis de sensibilidad para cambios en I 222

5.8.2.1. Resultados para L = 5 227

5.8.2.2. Análisis de sensibilidad para cambios en I 227

5.8.3. Respuesta para una demora L = 20 230

5.8.3.1. Resultados para L = 20 232

5.8.3.2. Análisis de sensibilidad para cambios en I 232