PASO 8 - TRABAJO COLABORATIVO SISTEMAS DE INVENTARIO

PROBABILSTICOS

ADMINISTRACION DE INVENTARIOS
GRUPO: 332572_7

UNIVESIDAD NACIONAL ABIERTA Y A DISTANCIA- UNAD

Escuela de Ciencias Bsicas Tecnologa e Ingeniera

PRESENTADO A:

CESAR FIGUEREDO

PRESENTADO POR:

FERNANDO SUAREZ ARCE CODIGO: 6663991

RUTH MILENA FAJARDO CODIGO:
LEONARDY GUTIERREZ GOMEZ CODIGO: 11227694
CATALINA RESTREPO CODIGO: 32255317

DICIEMBRE 15 DE 2014
BUCARAMANGA

INTRODUCCION
El presente trabajo consiste en un informe de los modelos probabilsticos
estudiados, Modelo probabilstico, es la forma que pueden tomar un conjunto de
datos obtenidos de muestreos de datos con comportamiento que se supone
aleatorio.
Con el fin de materializar un poco ms los conceptos y que sirvan de puente entre
los modelos matemticos y los fenmenos reales.
En el presente trabajo nos enfocamos en la importancia de un inventario que
constituye la cantidad de existencias de un bien o recurso cualesquiera, un
sistema de Inventarios es el conjunto de polticas y controles que regulan los
niveles de inventario y determinan que niveles de inventario se deben mantener.
El objetivo bsico de los inventarios es especificar cuando se deben ordenar los
artculos y cul debe ser el volumen de la orden.

OBJETIVOS
Analizar las tericas de los modelos probabilsticos.
Construir modelos de inventarios probabilsticos.
Comprender conceptos bsicos de la administracin de inventarios

Contenido
PASO 8 - TRABAJO COLABORATIVO SISTEMAS DE INVENTARIO
PROBABILSTICOS ......................................................................................................................... 1
INTRODUCCION .............................................................................................................................. 2
OBJETIVOS ...................................................................................................................................... 3
METODOS PROBABILSTICOS.................................................................................................... 5
Procesos Estocsticos..................................................................................................................... 6
Distribucin de Poisson ................................................................................................................... 6
Variables Aleatorias ......................................................................................................................... 7
Distribucin Exponencial ................................................................................................................. 9
Distribucin Gamma....................................................................................................................... 11
Distribucin Beta............................................................................................................................. 12
EOQ CON DEMANDA PROBABILISTICA ................................................................................. 14
MODELO DE REVISIN CONTINUA ......................................................................................... 14
Modelo estocstico. ....................................................................................................................... 15
Modelo probabilstico de cantidad de orden fija ciclo variable. ............................................... 15
Modelos probalsticos .................................................................................................................... 16
11.2 Modelos con demandas probabilsticas ............................................................................. 17
11.2.1 Modelo de inventarios de un solo periodo, con demanda probabilstica............... 17
11.2.2 Modelo de cantidad a pedir y de punto de pedido, con demanda probabilstica. 17
11.2.3 Modelo de revisin peridica, con demanda probabilstica. .................................... 18
CONCLUSIONES ........................................................................................................................... 19
BILIOGRAFIA.................................................................................................................................. 20

METODOS PROBABILSTICOS

Modelo probabilstico, es la forma que pueden tomar un conjunto de datos

obtenidos de muestreos de datos con comportamiento que se supone aleatorio.
El modelo probabilstico como modelo de recuperacin de independencia binaria
fue desarrollado por Robertson y Spark Jones. Este modelo afirma que pueden
caracterizarse los documentos de una coleccin mediante el uso de trminos de
indizacin. Obviamente existe un subconjunto ideal de documentos que contiene
nicamente los documentos relevantes a una necesidad de informacin para la
cual se realiza una ponderacin de los trminos que componen la consulta
realizada por el usuario. A continuacin el sistema calcula la semejanza entre
cada documento de la coleccin y la consulta y presentando los resultados
ordenados por grado de probabilidad de relevancia en la relacin a la consulta.
Este modelo evita la comparacin exacta ( existencia o no de un trmino de la
consulta en el documento) y posibilita al usuario realizar un proceso de
retroalimentacin valorando la relevancia de los documentos recuperados para
que el sistema pueda calcular la probabilidad en posteriores consultas de que los
documentos recuperados sean o no relevantes en funcin de los trminos
utilizados en la consulta sean o no relevantes.
Pueden ser modelos probabilsticos discretos o continuos. Los primeros, en su
mayora se basan en repeticiones de pruebas de Bernoulli. Los ms utilizados son:

Modelo de Bernoulli

Modelo Binomial.

Modelo Geomtrico.

Modelo Binomial negativo.

Modelo Hipergeomtrico.

Modelo de Poisson.

Procesos Estocsticos

En estadstica,

en

concreto teora

de

la

probabilidad,

un proceso

aleatorio o proceso estocstico es un concepto matemtico que sirve para

caracterizar;

es

una

sucesin

de variables

aleatorias (estocsticas)

que

evolucionan en funcin de otra variable, generalmente, el tiempo. Cada una de las

variables aleatorias del proceso tiene su propia funcin de distribucin de
probabilidad y, entre ellas, pueden estar correlacionadas o no.
Cada variable o

conjunto

de

variables

sometidas

influencias

impactos aleatorios constituye un proceso estocstico

Distribucin de Poisson

Definicin:
Expresa la probabilidad de un nmero k de eventos ocurriendo en un tiempo fijo si
estos eventos ocurren con una frecuencia media conocida y son independientes
del tiempo discurrido desde el ltimo evento.

Frmula:

Donde es un parmetro positivo que representa la frecuencia esperada del

fenmeno modelado por la distribucin.

Variables Aleatorias
Una variable aleatoria es un valor numrico que corresponde al resultado de un
experimento aleatorio, como la suma de los puntos obtenidos al lanzar dos dados,
el nmero de lanzamientos de un dado hasta que aparece el cuatro, el nmero de
personas que suben en un determinado ascensor al mes, el tiempo de espera en
la sala de un doctor.
Momentos de una Variable Aleatoria
Sea X es una variable aleatoria. El n-simo momento de X consiste en obtener los
valores esperados de X hasta de orden r:

En la teora de probabilidad y estadstica, una distribucin de probabilidad

identifica bien la probabilidad de cada valor de una variable aleatoria no
identificados (cuando la variable es discreta), o la probabilidad de que el valor que
corresponda a un determinado intervalo (cuando la variable es continua). La
distribucin de probabilidad describe el rango de valores posibles que una variable

aleatoria se puede alcanzar, y la probabilidad de que el valor de la variable

aleatoria dentro de un (medibles) subconjunto de ese rango.
Cuando la variable aleatoria toma valores en el conjunto de los nmeros reales, la
distribucin de probabilidad es completamente descrita por la funcin de
distribucin acumulada, cuyo valor en cada real x es la probabilidad de que la
variable aleatoria es menor o igual que x.

El concepto de la distribucin de probabilidad y las variables aleatorias que

describen la base de la disciplina matemtica de la teora de la probabilidad, y la
ciencia de la estadstica. Hay dispersin o variabilidad en el valor de casi todos los
que se puede medir en una poblacin (por ejemplo, la altura de las personas, la
durabilidad de un metal, etc.), casi todas las mediciones se hacen con algn error
intrnseco, en muchos procesos de la fsica se describen de forma probabilstica,
de las propiedades cinticas de gases a la descripcin de la mecnica cuntica de
las partculas fundamentales. Por estas y muchas otras razones, nmeros simples
son a menudo inadecuadas para describir una cantidad, mientras que las
distribuciones de probabilidad son a menudo ms apropiadas.
Hay varias distribuciones de probabilidad que aparecen en diversas aplicaciones.
Uno de los ms importantes es la distribucin normal, que es tambin conocida
como la distribucin de Gauss o curva de campana y se aproxima a muchas
distribuciones diferentes de origen natural. El lanzamiento de una moneda de
rendimiento justo de distribucin de otro familiar, donde los valores posibles son a
cara o cruz, cada uno con una probabilidad de 1 / 2.

Distribucin Exponencial
Distribucin de la vida exponencial (o modelo HPP) las pruebas de
Pruebas exponenciales son comunes en la industria para verificar que las
herramientas, sistemas o equipos cumplen con sus requisitos de fiabilidad a
tiempo medio entre fallos (MTBF). El supuesto es que el sistema tiene una falla
constante (o reparacin) tarifa, que es el recproco de la MTBF. El tiempo de
espera entre las fallas sigue el modelo de distribucin exponencial.
Una situacin tpica prueba podra ser: una pieza compleja de equipo nuevo o
herramienta se instala en una fbrica y un estrecho seguimiento por un perodo de
varias semanas a varios meses. Si no tiene ms que un pre-determinado nmero
de fallos durante ese perodo, el equipo "pasa" su prueba de aceptacin de la
fiabilidad.

Este tipo de prueba de fiabilidad a menudo se denomina prueba de aptitud o de un

producto de aceptacin de prueba de confiabilidad (PRAT).

Sanciones

contractuales puede ser invocada si el equipo no supera la prueba. Todo est

vinculado a una reunin de los clientes MTBF requisito en un nivel de confianza
especificado.
Cunto tiempo debe probar una pieza de equipo o un sistema para asegurar
un MTBF especificado a una confianza dado?
Se comienza con un objetivo determinado MTBF, m, y un nivel de confianza, por
ejemplo, 100 (1-alfa). Usted necesita una pieza ms de informacin para
determinar la longitud de la prueba: cuntos no lo quiere permitir y an "pasar" el
equipo? Cuanto ms no autorizados, la ms larga es la prueba requerida. Sin
embargo, un largo ensayo que permite ms fallos tiene la caracterstica deseable
de lo que es menos probable que una buena pieza de equipo ser rechazado por
suerte al azar "malo" durante el perodo de prueba.
El procedimiento recomendado es para iterar sobre r = el nmero de no
admisibles, hasta un mayor r exigira una longitud de prueba inaceptables. Para

cualquier eleccin de r, la longitud de la prueba correspondiente se calcular

multiplicando rpidamente M (el objetivo) por el factor en el siguiente cuadro
correspondiente a la fila r-o columna deseada y el nivel de confianza.
Por ejemplo, para confirmar un objetivo de 200 horas de MTBF de confianza del
90%, lo que permite hasta 4 fallos en la prueba, la duracin del ensayo debe ser
de 200 7,99 = 1598 horas. Si este es un tiempo excesivamente largo, trate de no
permitir que slo el 3 por un perodo de ensayo de 200 6,68 = 1336 horas. El
ms corto de prueba no permitira ninguna falla y el ltimo 200 2,3 = 460 horas.
Todas estas pruebas de garanta de 200 horas de MTBF de confianza de 90%,
cuando el equipo pasa. Sin embargo, la prueba ms cortos son mucho menos
"justo" para el proveedor en que tienen una gran oportunidad de fallar un pedazo
marginalmente aceptable de los equipos.
Ejemplo 1:
Suponga que un sistema contiene cierto tipo de componente cuyos tiempo de falla
en aos est dada por T. La variable aleatoria T se modela bien mediante la
distribucin exponencial con tiempo medio para la falla =5. Si se instalan cinco
de estos componentes en diferentes sistemas. Cul es la probabilidad de que al
menos dos an funcionen al final de ocho aos?
Solucin:
La probabilidad de que un componente dado an funcione despus de ocho aos
est dada por:

Distribucin Gamma
En la teora de probabilidad y estadstica, la distribucin gamma es una familia de
dos parmetros de las distribuciones de probabilidad continua. Tiene un
parmetro de escala y un parmetro de forma k. Si k es un entero entonces la
distribucin representa la suma de k variables independientes de distribucin
exponencial al azar, cada una de ellas tiene una media de (que es equivalente a
un parmetro de tasa de -1).

La distribucin gamma es con frecuencia un modelo de probabilidad para los

tiempos de espera, por ejemplo, en las pruebas de la vida, el tiempo de espera
hasta que la muerte es una variable aleatoria que a menudo se modela con una
distribucin gamma [1]. Distribuciones Gamma se ajustaban a las cantidades de
lluvia de las tormentas diferentes, y las diferencias en las cantidades de semillas y
las tormentas de preclasificacin se reflejan en las diferencias de k y los
parmetros estimados .
La frmula general para la funcin de densidad de probabilidad de la distribucin
gamma es de

Donde

es la forma del parmetro,

escala del parmetro, y

El caso donde

=0y

es la ubicacin del parmetro,

es la

es la funcin gamma que tiene la formula

= 1 se llama la distribucin gamma estndar. La ecuacin

para la distribucin gamma estndar se reduce a la

La siguiente es la trama de la funcin gamma de densidad de probabilidad.

Distribucin Beta
En la teora de probabilidad y estadstica, la distribucin beta es una familia de
distribuciones de probabilidad continua definida en el intervalo (0, 1) con
parmetros de los dos parmetros forma positiva, por lo general denota por y .
Es el caso especial de la distribucin de Dirichlet con slo dos parmetros. Dado
que la distribucin de Dirichlet es el conjugado antes de la distribucin
multinominal, la distribucin beta es el conjugado antes de la distribucin binomial.
En la estadstica bayesiana, puede ser visto como la distribucin posterior del
parmetro p de una distribucin binomial despus de observar - 1 eventos
independientes con probabilidad p y - 1 con probabilidad 1 - p, si la distribucin
antes de p fue uniforme.
La frmula general para la funcin de densidad de probabilidad de la distribucin
beta

Donde p y q son la forma de parmetros, A y B son los lmites inferior y superior,

respectivamente, de la distribucin, y B (p, q) es la funcin beta. La funcin beta
tiene la formula

El caso en que a = 0 y b = 1 se llama la distribucin beta estndar. La ecuacin

para la distribucin beta estndares

Generalmente se define la forma general de una distribucin en trminos de

ubicacin y los parmetros de escala. La versin beta es diferente en que se
define la distribucin general en trminos de los lmites inferior y superior. Sin
embargo, la ubicacin y los parmetros de escala pueden ser definidas en
trminos de los lmites inferior y superior de la siguiente manera:
Ubicacin = a

Escala = b a
La siguiente es la trama de la beta de la funcin de densidad de probabilidad para
los cuatro valores diferentes de la forma de parmetros.

EOQ CON DEMANDA PROBABILISTICA

Debido a que la demanda y los tiempos de entrega no siempre son predecibles,
se hace necesario contar con un inventario de seguridad para evitar que haya
unidades faltantes, Es posible que la demanda vari durante el tiempo de entrega,
ya que la demanda durante el tiempo de entrega es la cantidad de material que se
demandara mientras se est esperando que llegue un pedido de materiales y se
restablezca el inventario.
Hay que tener en cuenta dos conceptos claves: nivel de servicio y el riesgo por
faltante. El nivel de servicio es la probabilidad de que no ocurra un faltante durante
el tiempo de entrega. Por otra parte, el riesgo de faltante es aquella probabilidad
de que no todos los pedidos de los clientes puedan cubrirse directamente del
inventario durante el tiempo de entrega.
Punto de reorden (R)= + Stock de seguridad
Stock de Seguridad= Z*

Una forma de determinar cul es el nivel de inventario de seguridad adecuado

consiste en establecer un nivel de servicio.

Al realizar un anlisis de toma de decisiones, los administradores se deben hacer

estas dos preguntas importantes:

1.- Cunto se debe pedir u ordenar cuando es necesario reabastecer el

inventario de un artculo?
2.- Cundo se debe reabastecer o remover el inventario de un artculo?

MODELO DE REVISIN CONTINUA

1. Un modelo de revisin continua consiste en que los niveles del inventario son
comprobados continuamente y cuando se alcanza el punto de nuevos pedidos,
se ordenan Q* unidades.

2. Un modelo de revisin peridica, consiste en que el inventario se revisa

peridicamente, digamos, cada T periodos y el tamao del periodo se
determina mediante el nivel de inventarios en ese momento.
En un sistema de revisin continua, la posicin delas existencias se monitorea
despus de cada transaccin (o en forma continua). Cundo la posicin de la
existencia cae por debajo de un punto de orden predeterminado (o punto de
reorden), se coloca una orden por una cantidad fija.
Dado que esta cantidad es fija, el tiempo entre rdenes variar dependiendo de la
naturaleza aleatoria de la demanda. Al sistema de revisin continua se le llama
algunas veces sistema Q o sistema de cantidad fija de orden.
Una definicin formal de la regla de decisin del sistema Q es como sigue:
Revisar continuamente la posicin de la existencia (material a la mano ms el
material de orden). Cuando la posicin de la existencia cae por debajo del punto
de reorden R, se ordena una cantidad fija Q.

Modelo estocstico.
Se considera a un modelo estocstico cuando algunas variables estn en funcin
a un modelo de probabilidad de que el elemento se lleve a cabo. Existen dos
modelos de control de inventarios estocsticos los cuales:
1 punto de orden (cantidad fija, tiempo variable).
2 revisin peridica (tiempo fijo, cantidad variable).

Modelo probabilstico de cantidad de orden fija ciclo variable.

Este mtodo consiste en una estimacin de la demanda con la cual se determinan
una cantidad de reabastecimiento para el prximo periodo, as como el momento
en que deben realizarse el pedido en funcin a una cantidad fija. De acuerdo con

este sistema cada vez que se requiere reabastecer un material o un producto se

ordena la misma cantidad.

Modelos probalsticos
En los modelos anteriores en que se determin el lote econmico de compra, la
cantidad y la frecuencia en nmero de veces son fijas. Ahora veremos
sistemas en los que la certeza o incertidumbre tanto de la frecuencia como
de la cantidad, tienden a ser medidas estadsticas y probabilsticas. Hay
que considerar fluctuaciones aleatorias en la demanda, en las entregas de
proveedores, en corridas de produccin y otros factores incontrolables,
estos no podrn controlarse con certeza pero si podrn medirse y
pronosticarse para limitar los riesgos en la toma de decisiones sobre el
abastecimiento, el control de los materiales y productos. Las variables del
sistema que pueden ser manejadas por la administracin para desarrollar
un sistema de control son: el tamao del lote econmico, la frecuencia de
reabastecimiento, el pronstico de los niveles de consumo y el mtodo de
informacin, en el cual se basa la frecuencia de revisiones. Se considera a
un Modelo Estocstico cuando algunas variables estn en funcin a un
modelo de probabilidad de que el evento se lleve a cabo, es decir, se toman
los datos histricos como referencia para poder establecer el sistema para
el siguiente perodo. Existen dos modelos de control de inventarios
estocsticos los cuales son: 1. Punto de reorden 2. Revisin peridica
(cantidad fija, tiempo variable). (Tiempo fijo, cantidad variable)

11.2 Modelos con demandas probabilsticas

11.2.1 Modelo de inventarios de un solo periodo, con demanda

probabilstica.

Se refiere a situaciones de inventarios en los que se coloca un solo pedido para el

producto; al final del periodo el producto se ha vendido todo, o un saldo excedente
sin vender se vender a un valor de salvamento. El modelo de inventarios de un
solo periodo se aplica en situaciones que involucran productos estacinales o
perecederos que no se pueden mantener en inventario para venderse en periodos
futuros.
En la mayora de modelos de un solo periodo, la demanda exacta no se conoce.

11.2.2 Modelo de cantidad a pedir y de punto de pedido, con demanda

probabilstica.

Conocido como un modelo multiperiodo el sistema de inventario opera de manera

continua con muchos ciclos, repetidos; el inventario puede trasladarse de un
periodo al siguiente. Siempre que la posicin del inventario llegue al punto del
pedido, se colocar una orden de X unidades.
Un pedido nuevo se colocar siempre que se alcance el punto de pedido. En
ocasiones la cantidad a pedir llegara antes de que el inventario llegue a cero. Sin
embargo, en otras ocasiones, una demanda ms elevada har que ocurra escasez
o faltante de inventario antes de recibir el nuevo pedido. Igual que con otros
modelos el administrador debe de determinar la cantidad a pedir y el punto del
pedido para el sistema de inventario.

11.2.3 Modelo de revisin peridica, con demanda probabilstica.

Es un sistema de vigilancia continua, se verifica el nivel de inventario y los
pedidos se colocan nicamente en momentos especificados en el tiempo. Con
este tipo de sistema es fcil de coordinar el embarque y la recepcin de pedidos
para mltiples productos pues tiene la ventaja de que se coloquen al mismo
momento varios productos dentro de la empresa.
Q=MH
Dnde:
Q = Cantidad a pedir
M = Nivel de reabastecimiento
H = Inventario a la mano en el periodo de revisin.

CONCLUSIONES

Los modelos probabilsticos discretos son adecuadamente aplicables en la

toma de decisiones ya que los resultados ha garantizado un resultado
verdadero tras la ejecucin de las obras.

En la medida en que se analizan distintos tipos de experimentos aleatorios se

comienza a notar que el comportamiento de muchos de ellos es bastante
similar entre s. Comienzan a repetirse caractersticas de una variable aleatoria
a otra lo que conlleva a continuar la sistematizacin del anlisis al verificar
esas caractersticas comunes.

Los modelos de inventarios para demanda determinstica y probabilstica que

pueden ser aplicados en la planificacin de un inventario entre otros son:
Modelo EOQ, EL modelo de descuento por cantidad de compra, y los modelos
probabilsticos (s,Q), y para inventarios de clase A.

BILIOGRAFIA

Suitberto Cabrera GarciaDpto de EStadistica e investigacion Operativa

aplicadas y calidad

Universidad Politcnica de
ValenciaEspaahttp://polimedia.upv.es/visor/?id=938c6ceb-9fc9-8141-beb7f966c296db19

Universidad de Vigo - EspaaPrincipales distribuciones

discretashttp://webs.uvigo.es/anapg/Tema2Discretasmodif.pdf

Universidad de MalagaBioestadstica: Metodos y Aplicaciones

http://www.bioestadistica.uma.es/libro/node69.htm

http://webs.uvigo.es/anapg/Tema2Discretasmodif.pdf

http://www.bioestadistica.uma.es/libro/node69.htm

http://polimedia.upv.es/visor/?id=938c6ceb-9fc9-8141-beb7-f966c296db19