SciELO - Scientific Electronic Library Online

 
vol.12 número1GRAPHIC SPECIFICATION OF ABSTRACT DATA TYPESGESTIÓN DE LA AUTOMATIZACIÓN DE PLANTAS INDUSTRIALES EN CHILE índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Servicios Personalizados

Revista

Articulo

Indicadores

Links relacionados

Compartir


Revista Facultad de Ingeniería - Universidad de Tarapacá

versión On-line ISSN 0718-1337

Rev. Fac. Ing. - Univ. Tarapacá v.12 n.1 Arica mayo 2004

http://dx.doi.org/10.4067/S0718-13372004000100004 

 

REVISTA FACULTAD DE INGENIERIA, U.T.A. (CHILE), VOL. 12 Nº1, 2004, pp. 25-31

UN  ENFOQUE BAYESIANO PARA INCORPORAR PRONÓSTICOS DE LA DEMANDA EN EXPERIMENTOS POR SIMULACIÓN PARA LA ADMINISTRACIÓN DE INVENTARIOS

 

David Muñoz N.1

1 Departamento de Ingeniería Industrial y de Operaciones, Instituto Tecnológico Autónomo de México, México D.F., México, davidm@itam.mx

 


RESUMEN

Con el objetivo de planear la producción y distribución de manufacturas con base en información cada vez más cercana al momento de venta,  los sistemas de apoyo a la toma de decisiones para la administración de inventarios deben incorporar pronósticos de la demanda basados en poca información objetiva, o en información subjetiva. En particular, cuando se utilizan modelos de simulación para apoyar toma de decisiones relacionadas con inventarios de seguridad, o con tamaños y demoras de los pedidos, es conveniente modelar la distribución de la demanda tomando en cuenta tanto los datos disponibles sobre experiencias pasadas, como la información (a menudo subjetiva) sobre el futuro cercano. En este artículo se presenta un enfoque bayesiano para modelar un componente aleatorio de entrada (por ejemplo, la distribución de la demanda) en experimentos por simulación para la administración de inventarios. Bajo este enfoque, la familia de distribuciones propuesta para modelar el componente de entrada debe considerar dos tipos de parámetros, los que capturan información de datos históricos y los que dependen del pronóstico (a menudo subjetivo) sobre el escenario particular a simular. La aplicación del enfoque propuesto se ilustra con un ejemplo en el que se modela la demanda diaria por medio de una distribución binomial negativa, y el usuario del sistema proporciona la demanda esperada para todo el periodo a simular .

Palabras claves: Simulación de inventarios, pronóstico de demanda, estimación bayesiana, cadena de suministro.


ABSTRACT

In order to postpone production planning based on information obtained closer to the time of sale, decision support systems for inventory management often include demand forecasts  based on little historical data and/or subjective information. Particularly, when simulation models for analyzing decisions related to safety inventories, lot sizing or lead times are used, it is convenient to model demand considering historical data, as well as information (often subjective) of the near future. This article presents an approach for modeling a random input component (e.g., demand) in simulation experiments for inventory management. Under this approach, the family of distributions proposed for modeling the random component  include two types of parameters: the ones that capture information of historical data and the ones that depend on forecasts (often subjective) from the particular scenario that is to be simulated. The application of the proposed approach is illustrated with an example which models daily demand through a negative binomial distribution, where the system user provides the expected demand for the period that is to be simulated.

Keywords: Inventory simulation, demand forecast, bayesian estimation, supply chain.


REFERENCIAS

[1] J.O. Berger; "Statistical Decision Theory and Bayesian Analysis", Springer-Verlag, New York, 2a. Edición, 1985.         [ Links ]

[2] S.E. Chick; "Input distribution selection for simulation experiments: accounting for input uncertainty", Operations Research, Vol. 49, No. 5, pp. 744-758, 2001.        [ Links ]

[3] S. Chopra and P. Meindl; "Supply Chain Management", Prentice-Hall Inc., New Jersey, 2001.        [ Links ]

[4] D. Draper; "Assessment and propagation of model uncertainty (with discussion)", J. of the Royal Statist. Soc., Series B, Vol. 57, No. 1, pp. 45-97, 1995.        [ Links ]

[5] M. L. Fisher, A. Raman and A.S. McClelland; "Rocket science retailing is almost here", Harvard Business Review, July-August, pp. 115-124, 2000.        [ Links ]

[6] W.R. Gilks, S. Richardson and D.J. Spiegelhalter; "Markov Chain Monte Carlo in Practice", Chapman and Hall, Londres, 1996.        [ Links ]

[7] A.M. Law and W.D. Kelton; "Simulation Modeling and Analysis", McGraw-Hill, New York, 3a. Edición, 2000.        [ Links ]

[8] D.F. Muñoz; "A Bayesian framework for modeling demand in supply chain simulation experiments", S. Chick, P. J. Sanchez, D. Ferrin, D. Morrice, eds., Proceedings of the 2003 Winter Simulation Conference, Institute of Electrical and Electronics Engineers, Inc., New Orleans, Lousiana, pp. 1319-1325, 2003.        [ Links ]

[9] F. Zouaoui, J.R. Wilson, B.A. Peters, J.S. Smith, D.J. Medeiros, M.W. Rohrer; "Accounting for input model and parameter uncertainty in simulation", eds., Proceedings of the 2001 Winter Simulation Conference, Institute of Electrical and Electronics Engineers, Inc., Arlington, Virginia, pp. 290-299, 2001.        [ Links ]

 

AGRADECIMIENTOS

Esta investigación ha sido patrocinada por la Asociación Mexicana de Cultura A.C.


Recibido el 6 de enero de 2004, aceptado el 2 de marzo de 2004

 

Creative Commons License Todo el contenido de esta revista, excepto dónde está identificado, está bajo una Licencia Creative Commons