Trabajo Tipo Investigacion PDF

Instituto Tecnolgico y de Estudios
Superiores de Monterrey
Campus Guadalajara

Escuela de Graduados en Ingeniera y Arquitectura
(EGIA)

Maestra en Ciencias con Especialidad en
Sistemas de Calidad y Productividad (MCP)

Determinacin de polticas de
inventarios a travs de estimaciones
bootstrap

AUTOR: Ing. Luis Jess Prez Rivera
ASESOR: Dr. Marco Antonio de Luna Llamas
Guadalajara (Jal), Noviembre de 2012

i

DEDICATORIA

Para Sandra, Andrs y Bernardo.

ii

AGRADECIMIENTOS

Agradezco al Dr. Marco Antonio de Luna Llamas por asesorarme durante el desarrollo de
esta Tesis. Su apoyo y paciencia fueron elementos indispensables para la realizacin de la
misma.
De igual forma quiero dar las gracias a la empresa Elctrica Variedades de Guadalajara, de
manera especial a sus miembros directivos, por otorgar el apoyo econmico que me hizo
posible cursar este programa de estudios.

iii

RESUMEN

En los modelos de administracin de inventarios es comn asumir que la demanda durante
el tiempo de obtencin se ajusta apropiadamente a una distribucin normal. Si ste no es el
caso, las polticas resultantes podran tener un impacto negativo en el desempeo, ya sea
ofreciendo un pobre nivel de servicio al cliente teniendo un inventario excesivo,
incurriendo innecesariamente en costos por faltantes costos por mantenimiento de
inventario.
El objetivo de la presente investigacin es evaluar la efectividad del modelo de revisin
peridica (S,T) considerando un mtodo de distribucin libre, basado principalmente en el
uso de la herramienta estadstica bootstrap. Adicionalmente, se busca superar algunas otras
limitaciones identificadas en los modelos tradicionales de administracin de inventarios,
especficamente la orientacin a la minimizacin de costos y el traslape del periodo de
revisin y tiempo de obtencin. Estas limitaciones sern expuestas de manera detallada en
el captulo correspondiente al marco terico del presente trabajo.
Con lo anterior se busca dar solucin a un problema real al que se enfrenta cualquier
organizacin que forme parte de una cadena de suministro: el establecimiento de polticas
de inventario eficientes en el uso de recursos y que a su vez logren ofrecer un alto nivel de
servicio.
Los datos utilizados para esta investigacin corresponden a informacin real de una
muestra de artculos distribuidos al detalle por una empresa comercializadora. Para la
realizacin de la propuesta fue necesaria su programacin, llevada a cabo en Python. La
evaluacin del mtodo propuesto en este trabajo de investigacin se realiza a travs de un
estudio de simulacin, comparando su desempeo contra la teora tradicional del modelo de
revisin modelo de revisin peridica (S,T) y contra las polticas de inventario que
actualmente utiliza la empresa, esto en trminos tanto de nivel de servicio como de los
costos asociados resultantes.
Finalmente se concluye que aunque ninguno de los mtodos evaluados es infalible para
alcanzar el nivel de servicio deseado, la propuesta del presente trabajo tiene mayores
probabilidades de hacerlo. Para la muestra de artculos analizada, el mtodo propuesto en
este trabajo de investigacin logr ofrecer menores costos con una frecuencia mayor que el
mtodo tradicional y las polticas actuales.

iv

CONTENIDO

CAPTULO 1 INTRODUCCIN ...................................................................................... 1
1.1 Antecedentes ............................................................................................................ 1
1.2 Definicin del problema .......................................................................................... 2
1.2.1 Utilidad restringida a un solo tipo de distribucin de probabilidad ................. 3
1.2.2 Orientacin a la minimizacin de costos .......................................................... 3
1.2.3 Traslape del periodo de revisin y tiempo de obtencin .................................. 4
1.2.4 Enfoque de optimizacin mono-objetivo ......................................................... 4
1.3 Objetivos .................................................................................................................. 4
1.4 Justificacin ............................................................................................................. 5
1.5 Hiptesis .................................................................................................................. 5
1.6 Metodologa ............................................................................................................. 6
CAPTULO 2 MARCO TERICO .................................................................................. 10
2.1 Supuestos en los modelos de administracin de inventarios ................................. 10
2.2 Modelos Tradicionales de administracin de inventarios ...................................... 12
2.3 Medidas de desempeo para modelos de administracin de inventarios .............. 18
2.4 Limitaciones de los modelos tradicionales de administracin de inventarios ....... 20
2.4.1 Utilidad restringida a un solo tipo de distribucin de probabilidad ............... 20
2.4.2 Orientacin a la minimizacin de costos ........................................................ 22
2.4.3 Traslape del periodo de revisin y tiempo de obtencin ................................ 23
2.4.4 Enfoque de optimizacin mono-objetivo ....................................................... 24
2.5 Investigaciones previas de particular relevancia.................................................... 25
2.5.1 Cambios en el desempeo bajo diferentes longitudes de periodos de revisin
en un sistema de revisin peridica con ventas perdidas .............................................. 25
2.5.2 Estimacin de niveles de re-orden de un inventario utilizando el
procedimiento estadstico bootstrap.............................................................................. 27
v

v

2.6 Introduccin a bootstrap y revisin de conceptos estadsticos .............................. 30
2.6.1 El principio de plug-in .................................................................................... 30
2.6.2 Errores estndar y estimacin bootstrap de errores estndar ........................ 32
2.6.3 Estructuras de datos ms complicadas............................................................ 37
2.6.4 Introduccin a intervalos de confianza ........................................................... 40
2.6.5 Intervalos de confianza basados en percentiles bootstrap .............................. 43
2.6.6 El jacknife ....................................................................................................... 48
2.6.7 Intervalos de confianza BC .......................................................................... 49
2.7 Prueba de asimetra y transformacin de datos...................................................... 53
CAPTULO 3 EXTENSIN DEL MODELO (S,T) A TRAVS DEL BOOTSTRAP ... 55
3.1 Algoritmo y Pseudocdigo .................................................................................... 56
3.2 Sobre la salida de resultados .................................................................................. 62
3.3 Metodologa de evaluacin y resultados ................................................................ 64
3.4 Diferencias con respecto al trabajo Estimacin de niveles de re-orden de un
inventario utilizando el procedimiento estadstico bootstrap ......................................... 78
CAPTULO 4 CONCLUSIONES Y OPORTUNIDADES DE INVESTIGACIN
FUTURA .............................................................................................................................. 81
BIBLIOGRAFA.. 87
APNDICE A - Cdigo fuente del algoritmo propuesto. 91
APNDICE B - Grficas de indicadores de desempeo114
APNDICE C - Ecuaciones del modelo de simulacin en iThink 145
APNDICE D - Cdigo fuente pruebas de Kolgomorov-Smirnov de 2 muestras 152

vi

LISTA DE TABLAS

Tabla 2.1 - Componentes para la estimacin de costos de inventario, adaptado de Chopra y
Meindl (2012) ................................................................................................................ 13
Tabla 2.2 comparacin de los coeficientes de variacin de los errores estandar ideal y
bootstrap para varios valores de B, adaptado de Efron y Tibshirani (1994) ................ 37
Tabla 2.3 Percentiles de
*
u basado en 1000 rplicas bootstrap .......................................... 44

Tabla 2.4 Percentiles empricos de rplicas bootstrap .......................................................... 46
Tabla 2.5 Comparativa de mtodos para la construccin de intervalos de confianza .......... 52
Tabla 3.1 Ejemplo de observaciones de demanda por unidad de tiempo ............................. 55
Tabla 3.2 Ejemplo de observaciones de tiempos de obtencin ............................................ 56
Tabla 3.3 Mtodos evaluados ............................................................................................... 64
Tabla 3.4 Niveles de inventario objetivo resultantes ............................................................ 65
Tabla 3.5 Costos unitarios y por faltante .............................................................................. 67
Tabla 3.6 Intervalos de confianza de probabilidad de abasto ............................................... 70
Tabla 3.7 Intervalos de confianza de tasa de surtido ............................................................ 71
Tabla 3.8 Intervalos de confianza de costo total .................................................................. 72
Tabla 3.9 Pruebas KS 2 muestras para probabilidad de abasto ............................................ 74
Tabla 3.10 Pruebas KS 2 muestras para tasa de surtido ...................................................... 75
Tabla 3.11 Pruebas KS 2 muestras para costo total ............................................................. 76
Tabla 3.12 Diferencias de esta investigacin respecto a Bookbinder y Lordahl (1989) ...... 79
Tabla 4.1 Mtodos que alcanzan el nivel de servicio deseado al menor costo..................... 82
Tabla 4.2 Tasa de efectividad nivel de servicio y proporcin de menor costo..................... 83
Tabla 4.3 Resultados de pruebas KS de bondad de ajuste de RLTD a una distribucin
normal............................................................................................................................ 85

vii

LISTA DE FIGURAS

Figura 2.1 Sistema de punto de re-orden .............................................................................. 15
Figura 2.2 Distribucin Normal LTD ................................................................................... 16
Figura 2.3 Sistema de revisin peridica ............................................................................. 17
Figura 2.4 Distribucin Normal RLTD ................................................................................ 18
Figura 2.5 Ejemplo de tiempos de obtencin estocsticos y traslape con periodos de
revisin .......................................................................................................................... 24
Figura 2.6 Diagrma esquemtico del algoritmo bootstrap para estimar errores estndar,
adaptado de Efron y Tibshirani (1994) ......................................................................... 34
Figura 2.7 Aplicacin del modelo bootstrap a problemas de una sola muestra, adaptado de
Efron y Tibshirani (1994) ............................................................................................. 38
Figura 2.8 Aplicacin del mtodo bootstrap a estructuras de datos generales, adaptado de
Efron y Tibshirani (1994) ............................................................................................. 40
Figura 2.9 Histograma de las replicas bootstrap del estimador, adaptado de Efron y
Tibshirani (1994) .......................................................................................................... 44
Figura 2.10 Histograma rplicas de
*
u , adaptado de Efron y Tibshirani (1994) ................ 45

Figura 2.11 Histograma
*
| , adaptado de Efron y Tibshirani (1994) ................................. 47

Figura 3.1 Diagrama de flujo algoritmo propuesto (parte 1) ................................................ 57
Figura 3.2 Diagrama de flujo algoritmo propuesto (parte 2) ................................................ 58
Figura 3.3 Ejemplo de salida de resultados en interfaz de IPython ...................................... 63
Figura 3.4 Ejemplo de salida de resultados en interfaz de IPython ...................................... 63
Figura 3.5 Modelo de simulacin en iThink......................................................................... 66
Figura 3.6 Interfaz iThink ..................................................................................................... 66
Figura 3.7 Probabilidad de abasto observada LV515PR ...................................................... 68
Figura 3.8 Probabilidad de abasto observada LV515PR (valores ordenados) ..................... 69
Figura 3.9 Diagrama de caja y bigotes Costo total LT3908S mtodo tradicional y propuesta
....................................................................................................................................... 78

1

CAPTULO 1
Introduccin
1.1 Antecedentes

De acuerdo con Chopra y Meindl (2012), la administracin exitosa de la cadena de
suministro, requiere tomar muchas decisiones relacionadas con el flujo de informacin,
productos y fondos. Particularmente, en la fase de Planeacin de la cadena de suministro,
las compaas definen las polticas que gobiernan las operaciones a corto plazo. Entre ellas
destacan las polticas de inventario.
El xito financiero de cualquier empresa depende en gran medida del grado en que sus
polticas de inventario sean adecuadas para satisfacer la demanda a la que se enfrenta. Si no
es posible satisfacer la demanda, se perdern ventas, mientras que un inventario excesivo
representa recursos desperdiciados.
Se entiende entonces que el propsito del inventario es funcionar como amortiguador entre
los procesos de demanda y los procesos de abastecimiento de una organizacin, la mayor
dificultad para la determinacin de las polticas de inventario que resultan apropiadas radica
en la incertidumbre inherente a la naturaleza de dichos procesos.
La motivacin del presente trabajo de investigacin tiene origen en la actividad profesional
de quien suscribe, que como Director de Operaciones de una empresa mediana dedicada a
la comercializacin de productos de material elctrico e iluminacin tiene la
responsabilidad de adoptar estrategias de operacin que resulten ms eficientes y efectivas.
Uno de los modelos tradicionales de administracin de inventarios ms importantes es el
modelo de revisin peridica. Tambin conocido como modelo ( , ) S T , controla el
inventario a travs de la colocacin de rdenes en intervalos predefinidos T , una vez
transcurrido el intervalo predefinido, se coloca una orden de forma que el inventario
posicional alcanza un nivel objetivo determinado S .
La propuesta que resulta de esta investigacin consiste en un algoritmo para la
determinacin del nivel de inventario objetivo en un modelo de revisin peridica (S,T).
Cap. 1 - I ntroduccin 2

Dicho algoritmo se basa principalmente en el uso de la herramienta estadstica bootstrap,
que al ser libre de distribucin logra que sea superada una limitacin presente en los
modelos tradicionales, esto es su utilidad para un solo tipo de distribucin de probabilidad.
Otros inconvenientes de los modelos tradicionales que son sobrellevados son el traslape
del tiempo de obtencin y periodo de revisin y el enfoque a minimizacin de costos.
Todos ellos son discutidos detenidamente en el presente trabajo durante el captulo
correspondiente al marco terico.
A continuacin se listan las secciones restantes de este captulo junto con una breve
descripcin de su contenido:
- Definicin del problema. Se expone de manera concreta la problemtica que busca
solucionar la presente investigacin.
- Objetivos. Representan concretamente lo que se espera como resultando de la
propuesta que emerja como producto de este estudio.
- Justificacin. Explana las razones por la que este trabajo es relevante, no solo para
quien suscribe, si no de forma general.
- Hiptesis. Las teoras que intentan ser demostradas son exhibidas. De igual forma se
enumeran los supuestos iniciales considerados.
- Metodologa. Se enuncian las actividades principales realizadas durante el presente
trabajo de investigacin as como los recursos requeridos para la ejecucin de las
mismas.

1.2 Definicin del problema

Como problemtica, se identifican cuatro limitantes principales presentes en la generalidad
de los modelos de administracin de inventarios disponibles en la literatura. Estas tienen
como consecuencia que bajo ciertas circunstancias su puesta en prctica resulte poco
ventajosa:
1. Utilidad restringida a un solo tipo de distribucin de probabilidad.
2. Orientacin a la minimizacin de costos.
3. Traslape del periodo de revisin y tiempo de obtencin.
4. Enfoque de optimizacin mono-objetivo.


A continuacin se presenta un breve resumen de estas limitaciones. Durante el desarrollo
del marco terico estas son discutidas detalladamente, asimismo se hace una revisin del
estado del arte en donde se reporta los enfoques y aportaciones de investigaciones previas
para solventar la problemtica que estas limitaciones conllevan.

1.2.1 Utilidad restringida a un solo tipo de distribucin de
probabilidad

En los modelos de administracin de inventarios un comn asumir que la demanda durante
el tiempo de obtencin LTD por sus siglas en ingls se ajusta apropiadamente a una
distribucin de probabilidad en particular, tpicamente la distribucin normal.
Si se utiliza este supuesto, cuando en realidad no es el caso, adems de que los resultados
carecen de validez desde el punto de vista estadstico, se corre el riesgo de que las polticas
resultantes tengan un impacto negativo en el desempeo, ya sea: 1.- Ofreciendo un pobre
nivel de servicio al cliente 2.- Teniendo inventario excesivo, incurriendo con ello en
costos innecesarios por faltantes por mantenimiento de inventario.
Aunque Hadley y Whitin (1963) establecen las bases para adecuar tanto el modelo de punto
re-orden como el de revisin peridica a cualquier distribucin de probabilidad, es
necesario realizar pruebas de bondad de ajuste a la LTD para identificar la distribucin
adecuada y posterior a ello, evaluar los puntos percentiles correspondientes. Aunque lo
anterior es completamente factible, en el caso de administrar un inventario compuesto por
cientos o miles de referencias SKUs, como se conocen en ingls el esfuerzo
requerido resulta exorbitante.

1.2.2 Orientacin a la minimizacin de costos

Otra crtica a los modelos tradicionales y a aquellos que predominan en la literatura
[Hadley y Whitin, 1963; Hung, Hung, Tang, Lin, y Wang, 2009; Moon y Gallego, 1994;
Namit y Chen, 1999; Ouyang y Chuang, 2000] es que en su mayora estn orientados a la
minimizacin de costos, relegando el nivel de servicio (un indicador muy importante de la
satisfaccin del cliente) como una consecuencia de las polticas que resultaron adecuadas
para esa minimizacin de costos. Aunque estos costos contemplan aquellos relacionados

con los faltantes, es indiscutible que no existe una manera objetiva de monetizar la
insatisfaccin del cliente.

1.2.3 Traslape del periodo de revisin y tiempo de obtencin

En el modelo tradicional de revisin peridica (S,T), es comn asumir que el tiempo de
obtencin es menor al periodo de revisin y que adems, el tiempo de obtencin es
constante. Asumir tiempos de obtencin estocsticos lo que es ms razonable implica
que es factible que el tiempo de obtencin sea ms largo que el periodo de revisin,
permitiendo la existencia de varias ordenes en transito de forma simultanea. Esto vuelve al
modelo ms complejo pero a su vez ms realista.

1.2.4 Enfoque de optimizacin mono-objetivo
Dada la importancia del nivel de servicio al cliente como estrategia competitiva a partir de
la cual los distribuidores al detalle buscan ofrecer un diferenciador de valor agregado,
agregar una restriccin del nivel de servicio al cliente en un modelo que minimiza costos
podra no ser suficiente. Si tanto el costo como el nivel de servicio tienen la misma
importancia, idealmente deberan de utilizarse tcnicas con un enfoque de optimizacin
multi-objetivo, en donde se busque minimizar el costo al mismo tiempo que se maximice el
nivel de servicio al cliente.

1.3 Objetivos

El objetivo de la presente investigacin es evaluar la efectividad del modelo de revisin
peridica (S,T) considerando un mtodo de distribucin libre. En particular se busca
establecer el nivel de inventario objetivo ( ) S para una longitud del periodo de revisin
( ) T y un nivel de servicio deseado predefinidos.
El mtodo que se presenta esta basado principalmente en el uso de la herramienta
estadstica bootstrap, introducida por Efron (1979). Esta herramienta es por naturaleza libre
de distribucin, permitiendo hacer estimaciones a partir de la muestra sin hacer ningn tipo

de suposicin sobre la distribucin de probabilidad subyacente a la misma.
Adicionalmente, se busca superar las limitaciones de orientacin a la minimizacin de
costos y el traslape del periodo de revisin y el tiempo de obtencin. Esto deja como la
nica limitacin identificada no enfrentada al enfoque de optimizacin mono-objetivo.

1.4 Justificacin
El producto del presente trabajo, constituye una nueva propuesta para la determinacin del
nivel de inventario objetivo en un modelo de revisin peridica, lo que es relevante para
cualquier entidad dentro de una cadena de suministro que utilice dicho modelo. Dado que
se utiliza un enfoque libre de distribucin, se espera que en comparacin a la teora
tradicional que asume normalidad , la poltica resultante (el nivel de inventario objetivo,
S) sea ms efectiva para alcanzar el nivel de servicio deseado y que adicionalmente tenga
mayor probabilidad de ofrecer un costo total menor.
Williams y Tokar (2008), sealan que aunque la adopcin del modelo de revisin peridica
( , ) S T por parte de los administradores de inventarios es muy frecuente, su estudio en la
literatura ha sido escaso. En su revisin, pocos artculos (Ballou, 2005; Blumenfeld, Hall y
Jordan, 1985; Hsu y El-Najdawi, 1991; Sezen, 2006) asumen el sistema de revisin
peridica, ya sea como una de las mltiples polticas de control de inventario la nica
poltica de control de inventario. Solamente (Blumenfeld et al., 1985) integraron mltiples
consideraciones logsticas bajo esta poltica.

1.5 Hiptesis

Se desea demostrar que la propuesta de este trabajo de investigacin es ms efectiva para
alcanzar el nivel de servicio (N.S.) deseado que si se utilizara el modelo tradicional
asumiendo normalidad en la demanda durante el tiempo de obtencin. Adems, se
considera que el mtodo propuesto tiene mayores probabilidades de resultar ms
econmico.
Los planteamientos anteriores pueden ser expresados en la forma comn en que se
establecen las hiptesis en estadstica inferencial,

0
1
Planteamiento de hiptesis 1:
: N.S. (Propuesta) = N.S. (Tradicional)
: N.S. (Propuesta) > N.S. (Tradicional)
H
H
(1.1)

0
1
Planteamiento de hiptesis 2:
: Costo Total (Propuesta) = Costo Total (Tradicional)
: Costo Total (Propuesta) < Costo Total (Tradicional)
H
H
(1.2)

Este trabajo utiliza los siguientes supuestos como punto de partida:
- La demanda durante el tiempo de obtencin se encuentra conformada por dos
variables aleatorias independientes: el tiempo de obtencin y la demanda por unidad
de tiempo.
- La longitud de los periodos de revisin se encuentra previamente definida.
- El nivel de servicio objetivo se encuentra previamente definido.
- Los costos de ordenar, los costos por faltantes, as como la tasa de inters asociada
al mantenimiento del inventario han sido previamente identificados.
- Las rdenes realizadas al proveedor son indivisibles, es decir cuando llega una
orden, la cantidad que se recibe es idntica a la ordenada.
- Se asume un escenario de ventas perdidas, lo que significa que la demanda que no
puede ser satisfecha con el inventario disponible es una venta perdida para siempre.

1.6 Metodologa

El mtodo propuesto est basado principalmente en la utilizacin de la herramienta
estadstica bootstrap. Para una estimacin ms robusta de percentiles, se incorpora tambin
una pruebas de asimetra (Tabachnick y Fidell, 2000) que determina si es necesario o no
efectuar una transformacin de los datos.
La presencia de valores extremos en las observaciones de demanda tiempos de obtencin
tiene como resultado que la distribucin de la RLTD que se genera durante el algoritmo
propuesto resulte con colas innecesariamente largas, por lo que la transformacin de los
datos es til para minimizar este posible efecto.

Los datos utilizados para esta investigacin corresponden a la informacin real de una
muestra de artculos distribuidos al detalle por una empresa comercializadora. Para la
realizacin de la propuesta fue necesaria su programacin, llevada a cabo en Python.
La evaluacin del mtodo propuesto se realiza a travs de un estudio de simulacin,
comparando su desempeo contra la teora tradicional que asume normalidad y contra
las polticas que actualmente utiliza la empresa, esto en trminos tanto de nivel de servicio
como de los costos asociados resultantes.
Las actividades ms importantes llevadas a cabo durante el desarrollo de esta tesis
incluyeron:
1. Identificar y revisar bibliografa relevante para conocer el estado del arte.
2. Leer, comprender y resumir teora del bootstrap relevante.
3. Revisar conceptos generales de programacin orientada a objetos.
4. Aprender programacin Python y el uso todas las libreras complementarias
utilizadas.
5. Adaptar proceso de ventas en la empresa para obtener datos ms confiables de
demanda.
6. Coordinar con empresa de TI subcontratada por la organizacin la creacin de un
reporte con los tiempos de obtencin.
7. Procesar y consolidar los datos de demanda generados diariamente.
8. Concebir algoritmo propuesto.
9. Programar algoritmo propuesto en Python.
10. Programar en Python generacin de histogramas, clculo de estadstica descriptiva y
pruebas de Bondad de ajuste Kolgomorov-Smirnov, entre otros.
11. Estimar costo por ordenar, tasa de inters por mantenimiento y costo por faltante de
cada artculo de la muestra.
12. Elaborar modelo de simulacin y adaptarlo a cada artculo.
13. Ejecutar rplicas de simulacin, en total 6,200.
14. Elaborar grficas de los resultados de probabilidad de abasto, tasa de surtido y costo
con los resultados obtenidos de las rplicas, en total 186.

15. Calcular intervalos de confianza para medias de probabilidad de abasto, tasa de
surtido y costo total obtenidos con cada mtodo para cada artculo.
16. Programar en Python pruebas Kolgomorov-Smirnov de dos muestras para comparar
resultados obtenidos entre los distintos mtodos.
17. Realizar pruebas no paramtricas de Mann-Whitney para la comparacin de
medianas para comparar el costo total de distintos mtodos.
18. Redactar y corregir el presente documento.

Entre los recursos principales requeridos para el desarrollo de este las actividades antes
mencionadas se encuentran:
- Bases de datos acadmicas tales como Emerald, Proquest, IEE, etc.
- Acervo de biblioteca ITESM
- Laptop
- Excel, Word y PowerPoint
- Python as como varias libreras complementarias, principalmente SciPy, NumPy y
IPython
- Minitab
- Statgraphics
- Mathtype
- iThink
- Zotero
- Acceso al software de la empresa y su base de datos.

El segundo captulo de este documento, conforma el marco terico de esta investigacin.
En la primera parte del mismo, se hace una revisin de los modelos tradicionales de
administracin de inventarios, as como de los supuestos y limitaciones comnmente
presentes en los mismos. La revisin de la literatura incluida abarca cuales han sido algunas
propuestas de solucin a estas limitaciones as como la alusin a otros trabajos de
investigacin que versan sobre la extensin de los modelos de punto de re-orden y revisin

peridica incorporando consideraciones especiales a los mismos. Los indicadores de
desempeo que aqu se plantean, tienen un papel muy importante en captulos posteriores.
En la parte complementaria del segundo captulo, se hace una revisin de la teora del
bootstrap, herramienta estadstica sobre la cual est basada la propuesta de esta
investigacin. Ya que las aplicaciones de la herramienta son extensas, el contenido
expuesto es nicamente lo que se considera relevante para el desarrollo del presente trabajo
de investigacin. Finalmente se examinan los fundamentos de pruebas de asimetra y un
mtodo de transformacin de datos que tiene como objetivo lograr una estimacin robusta
del percentil de la RTLD que determina el nivel de inventario objetivo (S).
En el tercer captulo se encuentra la descripcin de la propuesta del presente trabajo, un
algoritmo para el clculo del nivel objetivo de inventario, presentado en forma de
pseudocdigo. Se expone tambin la metodologa de evaluacin, la cual consiste de un
estudio de simulacin a travs del cul es posible evaluar bajo las mismas condiciones el
desempeo del mtodo tradicional, las polticas actualmente utilizadas en la empresa as
como las soluciones derivadas del mtodo propuesto.
En el cuarto y ltimo captulo de este trabajo se presentan y analizan los resultados
obtenidos al simular la utilizacin del nivel de inventario objetivo determinado por el
mtodo propuesto as como el determinado por la poltica actual y el resultante de aplicar el
mtodo tradicional . El desarrollo de la discusin est basado principalmente en la tasa de
efectividad de cada mtodo as como en la proporcin de veces que se logra el menor costo.

10

CAPTULO 2
Marco Terico
2.1 Supuestos en los modelos de administracin de inventarios

Williams y Tokar (2008) identifican los supuestos utilizados con mayor frecuencia en los
modelos de administracin de inventarios. Como ya se seal en el apartado introductorio
de este trabajo, el propsito del inventario es servir como amortiguador entre los procesos
de demanda y abastecimiento.
En general, los procesos de demanda se asumen fenmenos estocsticos determinsticos.
Un supuesto de demanda determinstica indica que la tasa de demanda es conocida y
constante. Por el contrario, el supuesto de demanda estocstica indica que sta se encuentra
sujeta a la incertidumbre, por lo tanto puede describirse a travs de una distribucin de
probabilidad, por ejemplo, una distribucin normal.
Existen casos donde el supuesto de una demanda determinstica puede ser conveniente ya
que provee un punto de inicio para un modelo de administracin de inventario al mismo
tiempo que proporciona una solucin analtica, sin embargo puede resultar no conveniente
para la validacin externa del modelo. Un ejemplo relativamente reciente de una
investigacin utilizando este supuesto se encuentra en el trabajo de Gupta,
Sundararaghavan y Ahmed (2003) quienes indagaron sobre polticas de inventario
apropiadas para artculos con una demanda estacional.
Es posible que investigadores que desarrollen modelos de administracin de inventarios
con complejidades adicionales, no estn en posibilidades de proporcionar una solucin
analtica bajo condiciones de incertidumbre en la demanda. Algunos ejemplos de escenarios
con dificultad adicional son: modelaje multi-escaln, estacionalidad en la demanda,
recepcin parcial de ordenes, dependencia entre la demanda de productos, etc.
Los modelos de simulacin son una manera en que se pueden superar la complejidad que
representa el estudio de demanda estocstica. Existen estudios que soportan que
investigaciones con dicho enfoque seran muy bien recibidas, Davis, Sramek y Fugate
(2007), entrevistaron un grupo de visionarios dentro del campo de la logstica e
Cap. 2 - Marco Terico 11

identificaron un llamado para llevar ms all la incorporacin de los modelos de
simulacin en las investigaciones sobre logstica.
Adems del supuesto de incertidumbre en la demanda, Williams y Tokar (2008) tambin
examinan la importancia de los supuestos respecto a la respuesta ante el desabasto. La
ocurrencia del desabasto generalmente puede ser modelada en una de dos maneras:
backorder ventas perdidas.
El supuesto de backorder, asume que cuando una entidad dentro de la cadena de suministro
no puede satisfacer la demanda del cliente con el inventario disponible, la demanda ser
satisfecha en el futuro cuando exista inventario disponible. El supuesto de ventas perdidas,
indica tal como su nombre lo sugiere, que si no se cuenta con inventario disponible en el
momento que ocurre la demanda del cliente, la venta se pierde para siempre y la demanda
no ser satisfecha.
Cuando se modelan eslabones al principio de la cadena, tales como fbricas o centros de
distribucin, es altamente probable que la demanda no satisfecha se convierta en backorder,
sin embargo, entre ms cerca este el eslabn del cliente final es menos posible que esto
ocurra.
Es bien conocido que cuando se tienen altas tasa de surtido, el supuesto de la respuesta ante
el desbasto no tiene un gran impacto en el nivel de inventario necesario para alcanzar los
objetivos de nivel de servicio al cliente (Tersine, 1993). Sin embargo, en un esquema
colaborativo de administracin de inventario tal como el inventario administrado por el
vendedor, VMI por sus siglas en ingls este supuesto puede tornarse ms importante,
como lo es la incertidumbre en la demanda.
Estudios de campo sobre la respuesta del cliente ante el desabasto de un distribuidor al
detalle retailers encontraron que los compradores tienden a sustituir con otros productos
buscan en otro lugar el producto deseado con una frecuencia mucho mayor respecto a la
que posponen su compra (Walter Zinn & Liu, 2001)
Gruen, Corsten y Bharadwaj (2002) encontraron la siguiente respuesta de los consumidores
ante el desabasto del distribuidor al detalle: 31% compran el artculo en otra tienda, 26%
sustituyen el artculo por uno similar de marca diferente, 19% sustituyen el artculo por
uno similar de la misma marca, 15% posponen su compra, y 9% simplemente no compran
ningn artculo. Desde la perspectiva del distribuidor al detalle, el backorder solo se da en
el 15% de los casos en los que el consumidor experimenta desabasto.
Lo anterior sugiere que en el caso particular de distribucin al detalle, en algunas
situaciones podra resultar ms apropiado considerar un conjunto de posibles respuestas
ante el desabasto que reflejen de manera mas precisa el comportamiento del consumidor.
Este es un ejemplo de una situacin con complejidad adicional cuyo estudio puede llevarse

a cabo a travs de modelos de simulacin. Si se decide trabajar con un modelo ms sencillo,
el supuesto de ventas perdidas representa el escenario ms pesimista para un distribuidor al
detalle, a menos que los costos de mantenimiento de inventario sean significativamente ms
altos que los costos por faltantes.
Otro tema popular en la investigacin sobre la administracin de inventarios ha sido la
reduccin del inventario de seguridad agregado a travs de la centralizacin de ubicaciones
de almacenamiento. Esto se conoce como efecto portafolio y desde Zinn, Levy y Bowersox
(1989) su importancia en la literatura ha incrementado. Este concepto fue posteriormente
mejorado considerando una centralizacin parcial por Das y Tyagi (1999).
Aunque los modelos pueden ser difciles de formular, los investigadores estn en
posibilidades de extender la literatura de la administracin de inventarios utilizando el
marco de trabajo del efecto portafolio para incorporar los efectos de la sustitucin de
productos y la administracin de categoras en el modelo de administracin de inventario
del distribuidor al detalle.

2.2 Modelos Tradicionales de administracin de inventarios

Tanto por la frecuencia en la que son adoptados en la prctica, como por la cantidad de
investigaciones que se han realizado a partir de ellos, existen dos modelos tradicionales
para la administracin de inventarios que resultan particularmente relevantes: El modelo de
punto de re-orden y el modelo de revisin peridica. Ambos modelos pueden ser
estudiados bajo un supuesto de demanda determinstica estocstica, sin embargo en el
presente trabajo nicamente resulta relevante el ltimo caso.
La idea bsica del modelo de punto de re-orden tambin conocido como modelo ( , ) Q r
es que cuando el nivel de inventario alcanza el punto de re-orden r se coloca una orden de
tamao Q.
De los 62 artculos revisados por Williams y Tokar (2008), 30 asumen un mtodo de punto
de re-orden ( , ) Q r . Este modelo ha sido extendido en varios aspectos, incorporando
factores tales como relaciones entre el comprador y vendedor, consideraciones de calidad,
tiempos de entrega cortos y situaciones de emergencia, entre otros [Beamon y Kotleba,
2006; Buffa y Reynolds, 1977; Landeros y Lyth, 1989; Langley, 1976, 1980; Larson, 1989;
Mattsson, 2007].
Por su parte, el modelo de revisin peridica tambin conocido como modelo ( , ) S T

,
controla el inventario a travs de la colocacin de rdenes en intervalos predefinidos T ,

una vez transcurrido el intervalo predefinido, se coloca una orden de forma que el
inventario posicional alcanza un nivel objetivo determinado ( ) S .
Williams y Tokar (2008), sealan que aunque la adopcin del modelo de revisin peridica
( , ) S T por parte de los administradores de inventarios es muy frecuente, su estudio en la
literatura ha sido escaso. En su revisin, pocos artculos (Ballou, 2005; Blumenfeld, Hall y
Jordan, 1985; Hsu y El-Najdawi, 1991; Sezen, 2006) asumen el sistema de revisin
peridica, ya sea como una de las mltiples polticas de control de inventario la nica
poltica de control de inventario. Solamente Blumenfeld et al. (1985) integraron mltiples
consideraciones logsticas bajo esta poltica.
En los modelos ( , ) Q r y ( , ) S T descritos por Hadley y Whitin (1963), el criterio que se usa
para determinar la poltica de inventario ptima es la minimizacin del promedio de los
costos anuales variables. Los costos que se consideran son: costo por ordenar; costo por
mantenimiento de inventario y costo por backorder faltantes. Algunos ejemplos de los
componentes para la estimacin de estos costos se muestran en la Tabla 2.1. Con este
enfoque, a partir de la funcin de probabilidad de la demanda durante el tiempo de
obtencin LTD por sus siglas en ingls , definida como ( ) h x , se desarrollan las
frmulas para obtener los valores de ( , ) Q r ( , ) S T que resultan ptimos.
Costo de mantener Costo de ordenar Costo por faltantes
- Capital
- Obsolescencia
- Deterioro
- Manejo
- Ocupacin
- Impuestos
- Tiempo del
comprador
- Transporte
- Recepcin

- Utilidad perdida
- Administracin del
backorder
- Penalizaciones
Tabla 2.1 - Componentes para la estimacin de costos de inventario, adaptado de Chopra y Meindl (2012)

Tal como sealan Bookbinder y Lordahl (1989) la LTD puede considerarse como una
variable aleatoria sencilla, o de forma ms general como la combinacin de dos variables
ms sencillas: la demanda por unidad de tiempo y el tiempo de obtencin. En el ultimo
caso, en la literatura predomina el tratamiento del tiempo de obtencin como una variable
determinstica, lo que resulta irracional para quienes han tenido experiencia prctica en la
administracin de inventarios. Si el tiempo de obtencin y la demanda por unidad de
tiempo son dos variables aleatorias independientes, es factible que cada una de ellas tenga
una distribucin de probabilidad distinta.

Un aspecto importante en los modelos de administracin de inventarios es el inventario de
seguridad. Su funcin es reducir el riesgo de que ocurran desabastos debido a la

incertidumbre inherente a los procesos de demanda y abastecimiento. Ya que bajo un
supuesto de demanda estocstica la LTD es una variable aleatoria, no es posible predecir
exactamente cuanto inventario estar disponible en mano justo antes de recibir una orden,
por lo que este valor es en si mismo una variable aleatoria. El inventario de seguridad es
precisamente el valor esperado de esta variable.
Dados los costos de mantenimiento de inventario, en los modelos determinsticos, nunca es
ptimo tener inventario disponible en mano cuando llega una orden. Sin embargo, cuando
las demanda es descrita de forma probabilstica, comnmente el inventario de seguridad
ptimo debe tener un valor positivo. La razn es que si el inventario de seguridad fuera
cero, debido a la naturaleza estocstica de la LTD, el sistema frecuentemente se quedara
sin inventario antes de la llegada de la orden, incurriendo en costos por desabasto y
afectando el nivel de servicio al cliente.
A diferencia del modelo ( , ) S T , el modelo ( , ) Q r requiere por definicin visibilidad del
inventario en todo momento. La inversin requerida para una infraestructura informtica
capaz de ello era significativamente ms onerosa hace unas dcadas en comparacin a lo
que resulta hoy en da. Por este motivo, el modelo ( , ) S T fue concebido originalmente
como alternativa al modelo ( , ) Q r . De cualquier manera, el modelo ( , ) S T sigue vigente ya
que permite aprovechar economas de escala de forma natural al fijar los mismos periodos
de revisin para varios productos que se compran a un mismo proveedor, reduciendo as los
costos de ordenar.
Aunque el presente trabajo toma como base el modelo ( , ) S T , es conveniente comprender
tambin el modelo ( , ) Q r

dada su importancia en la literatura sobre administracin de
inventarios.
Por definicin el modelo de tamao de lote, punto de re-orden ( , ) Q r , asume que una orden
es colocada en el momento en que el nivel de inventario alcanza el punto de re-orden. Por
lo tanto, el modelo requiere el uso de un sistema de informacin transaccional, esto resulta
sencillo con las actuales tecnologas de informacin. La Figura 2.1 ilustra el
funcionamiento del modelo ( , ) Q r .

Figura 2.1 Sistema de punto de re-orden
Se define la siguiente notacin:
(1 )
Media de la demanda en una unidad de tiempo
Desviacin estndar de la demanda en una unidad de tiempo
Tiempo de obtencin
Media de la LTD
Desviacin estndar de la LTD
z (1 )-simo punto
D
D
t
t
o
o
t
o
o
=
=
=
=
=
= percentil de la distribucin nomal estandar
correspondiente al nivel de servicio -probabilidad de abasto- deseado

D D
t
t = (2.1)

2 2
t
o o t = (2.2)
Como se muestra en (2.1), la media de la LTD resulta de multiplicar la media de la
demanda en una unidad de tiempo por el tiempo de obtencin (considerado como una
variable determinstica). Por su parte, la varianza de la LTD se obtiene multiplicando la
varianza de la demanda en una unidad de tiempo por el tiempo de obtencin (2.2), por lo
que la desviacin estndar de la LTD se calcula:

t
o o t = (2.3)
La aplicacin bsica del modelo ( , ) Q r

implica el clculo del punto de re-orden r , una vez
que se ha definido el tamao de lote, para lo cul comnmente es utilizado el concepto de
tamao econmico de lote conocido como EOQ descrito por Harris (1913).

En el caso particular donde la LTD se ajusta a una distribucin normal supuesto
predominante en la literatura [Ballou, 2005; Chopra y Meindl, 2012; Fogarty, Blackstone y
Hoffmann, 1990; Hung, Hung, Tang, Lin y Wang, 2009; Sezen, 2006; Tsou, Wu y Lee,
2010] el punto de re-orden ( ) r esta dado por:

(1 )
r D z
o
t t
o
= + (2.4)
Es importante sealar que el punto de re-orden equivale al percentil 1 o de la LTD, para
un nivel de servicio entendido como la probabilidad de abasto de 1 o . Esto se ilustra
en la Figura 2.2

Figura 2.2 Distribucin Normal LTD

En el sistema de revisin peridica, a intervalos con una duracin de T se coloca una orden
de forma que el inventario posicional (2.5), compuesto por el inventario en mano y el
inventario en trnsito, alcance el nivel S , buscando as satisfacer la demanda durante la
suma del periodo de revisin y el tiempo de obtencin. En lo sucesivo se utilizar el
termino RLTD para referirse a la demanda durante la suma del periodo de revisin y el
tiempo de obtencin, esto para enfatizar la diferencia con el termino LTD utilizando en el
modelo ( , ) Q r , donde no existe el periodo de revisin. La Figura 2.3 ilustra el
funcionamiento del modelo ( , ) S T .
Probabilidad
de abasto
Probabilidad
de desabasto

Figura 2.3 Sistema de revisin peridica

posicional disponible en mano en transito
I I I = + (2.5)
Se define la siguiente notacin:
Media de la demanda en una unidad de tiempo
Desviacin estndar de la demanda en una unidad de tiempo
Tiempo de obtencin
Duracin del periodo de revisin
Media de la RLTD
Desviacin est
T
T
D
T
D
t
t
o
t
o
+
+
=
=
=
=
=
=
(1 )
ndar de la RLTD
z (1 )-simo punto percentil de la distribucin nomal estandar
correspondiente al nivel de servicio -probabilidad de abasto- deseado
o
o
=

Bajo el supuesto de una demanda estocstica, la cantidad a ordenar Qes una variable
aleatoria definida en funcin del inventario posicional disponible al momento en que se
efectu la revisin.

posicional
Q S I = (2.6)
De forma similar a lo que se tiene en el modelo ( , ) S T , la media y la desviacin estndar de
la RLTD estn dados por (2.7) y (2.8) respectivamente.
( )
T
D D T
t
t
+
= + (2.7)

T
T
t
o o t
+
= + (2.8)

La aplicacin comn del modelo ( , ) S T consiste en determinar el nivel de inventario
objetivo S dado un periodo de revisin T

previamente definido. En el caso particular de
una RLTD que se ajusta a una distribucin de probabilidad normal, el nivel de inventario
objetivo S se define:

(1 )
T T
S D z
o
t t
o
+ +
= + (2.9)
Es importante sealar que el nivel de inventario objetivo equivale al percentil 1 o de la
RLTD, para un nivel de servicio entendido como la probabilidad de abasto de 1 o .
Esto se ilustra en la Figura 2.4.

Figura 2.4 Distribucin Normal RLTD

2.3 Medidas de desempeo para modelos de administracin de
inventarios

Cachon y Terwiesch (2008) proponen las siguientes medidas de desempeo para un modelo
de revisin peridica ( , ) S T :
- Probabilidad de abasto y desabasto. El desabasto ocurre cuando se presenta una
demanda y no hay inventario disponible para satisfacer esa demanda
inmediatamente. El desabasto no es lo mismo que la condicin de no tener
inventario en mano. Con esta definicin de desabasto, es necesario no tener
Probabilidad
de abasto
Probabilidad
de desabasto

inventario en mano y que la demanda ocurra. Por lo tanto, sino hay inventario
disponible en mano y la demanda nunca se presenta, el desabasto nunca ocurri. Un
periodo se clasifica como en abasto si toda la demanda fue satisfecha en el periodo,
aunque esto implique terminar sin inventario al final del mismo. Evidentemente, las
probabilidades de abasto y desabasto son complementarias.
- Faltantes esperados. Representan el backorder las ventas perdidas segn el
supuesto que se utilice esperadas al final de cualquier periodo.
- Tasa de surtido (fill rate). Es el valor esperado de la fraccin de demanda satisfecha
inmediatamente del inventario en mano, puede ser evaluada con la siguiente
expresin:

faltantes esperados
Tasa de surtido 1
demanda esperada
= (2.10)
- Inventario en mano esperado. Es el nmero esperado de unidades en mano al final
de un periodo.
- Inventario en trnsito (on-order inventory). Es el valor esperado de la cantidad de
inventario que se encuentra en trnsito en cualquier momento. Resulta relevante si
se es propietario del mismo, en cuyo caso tambin debe ser considerado para el
clculo de los costos de mantenimiento de inventario.
Los costos relacionados con el inventario, son en si mismos medidas de desempeo. Para
calcular los costos de ordenar se establece un costo fijo por orden colocada ( ) A y se
multiplica por la cantidad de rdenes colocadas en el periodo.
costo por ordenar cantidad de rdenes colocadas A = (2.11)
En el caso de mantenimiento de inventario se determina una tasa de inters ( ) i , la cul a su
vez es multiplicada por el costo unitario del artculo ( ) C

para determinar el costo del
mantenimiento de una unidad por unidad de tiempo ( ) h ,
h iC = (2.12)
Finalmente se multiplica el costo de mantenimiento de una unidad por unidad de tiempo
( ) h por el inventario en mano esperado ( ) I comnmente conocido como inventario
promedio para calcular los costos incurridos por el mantenimiento del inventario,
costo por mantenimiento h I = (2.13)
Los costos por faltantes se obtienen del producto del costo unitario por faltante ( ) t ,

multiplicado por la cantidad de faltantes esperados,
costo por faltantes = faltantes esperados t (2.14)
Los valores de A, h y t deben ser determinados tomando en consideracin componentes
tales como los que se muestran en la tabla 2.1. Cabe sealar que si el modelo es simulado
se tienen datos histricos de la operacin del mismo, resulta ms congruente y sencillo
utilizar los valores observados su promedio que los valores esperados para calcular las
medidas de desempeo. (Por ejemplo, usar la cantidad de faltantes que se registro en lugar
de calcular la cantidad de faltantes esperados a travs de la integral de prdida lineal).

2.4 Limitaciones de los modelos tradicionales de administracin
de inventarios

La mayora de los modelos de administracin de inventarios que pueden encontrarse en la
literatura tienen ciertas limitaciones que pueden hacer que en algunas situaciones, su
implementacin en la prctica se vea restringida o resulte poco conveniente. Entre ellas se
encuentran:
1. Utilidad restringida a un solo tipo de distribucin de probabilidad.
2. Orientacin a la minimizacin de costos.
3. Traslape del periodo de revisin y tiempo de obtencin.
4. Enfoque de optimizacin mono-objetivo.
Como ser visto posteriormente, la propuesta resultante de la presente investigacin tiene
su aportacin principal en ser libre de las primeras tres limitantes citadas. A continuacin se
explican de manera ms detallada estas limitaciones.

2.4.1 Utilidad restringida a un solo tipo de distribucin de
probabilidad

Hadley y Whitin (1963) desarrollaron las bases para la extensin de los modelos ( , ) Q r y
( , ) S T

a cualquier distribucin de probabilidad, pero esto implica que en sentido estricto,

para que los resultados tengan validez desde el punto de vista estadstico, los
administradores de inventarios deben hacer pruebas de bondad de ajuste de la LTD RLTD
segn el modelo que se est utilizando para identificar la distribucin de probabilidad
adecuada.
Posterior a la identificacin de la distribucin de probabilidad adecuada, sera necesario
extender el modelo para esa distribucin de probabilidad en particular, evaluar los puntos
percentiles de la LTD RLTD y la integral de la prdida lineal.
Incluso puede resultar que los datos de la LTD RLTD no se ajusten a ninguna
distribucin de probabilidad conocida. En cuyo caso los administradores de inventarios
deberan desarrollar su propia funcin de probabilidad para generar el modelo
correspondiente.
En el escenario en que el inventario este compuesto por cientos o miles de SKUs, resulta
exorbitante la cantidad de esfuerzo que implicara identificar las distribuciones de
probabilidad y desarrollar los modelos correspondientes, esto, sin mencionar el nivel de
conocimientos estadsticos que esta tarea requerira.
Con fines de simplificacin, la mayora de la literatura existente sobre la administracin de
inventarios, se limita a asumir que la LTD RLTD se ajustan a una distribucin de
probabilidad en particular, tpicamente normal [Ballou, 2005; Chopra y Meindl, 2012;
Fogarty et al., 1990; Hung et al., 2009; Sezen, 2006; Tsou et al., 2010] .
Sin embargo, algunos investigadores han propuesto soluciones con enfoques libres de
distribucin. Por ejemplo, el enfoque Minmax qu es libre de distribucin, consiste en
encontrar la distribucin de probabilidad menos favorable cuando solo se conocen la media
y la varianza de cada variable de decisin, despus se minimiza sobre la variable de
decisin. Este concepto fue introducido originalmente por Scarf (1958) utilizndolo para
resolver el conocido problema de Newsboy. Moon y Gallego (1994) retomaron el concepto
y resolvieron los modelos ( , ) Q r y ( , ) S T considerando una mezcla de backorder y ventas
perdidas como respuesta ante el desabasto.
Otro ejemplo de una investigacin con un enfoque libre de distribucin es la de Mattsson
(2007), quin habilit el modelo de punto de re-orden ( , ) Q r , de forma que pudiera ser
utilizado de forma ms eficiente en situaciones donde los tiempos de entrega son ms
cortos. Mientras que hace 3 dcadas era comn observar tiempos de obtencin de meses
varias semanas, actualmente es comn tener tiempos de entrega de un par de semanas o
incluso unos pocos das. Estas tendencias han sido demostradas en encuestas realizadas a
compaas europeas (ELA, 1997, 1999).
Mattsson (2007) seala que al representar la demanda con una distribucin de probabilidad
normal en ambientes de tiempos de entrega cortos y cantidades a ordenar pequeas, el nivel

de servicio resultante es menor que para lo que el sistema es diseado. Para crear una
precisa distribucin de probabilidad de la LTD, Mattsson (2007) utiliza el mismo
acercamiento que Wilcox (1970) el cual se basa en un nmero de periodos de tiempos de
obtencin que se traslapan y son generados a partir de la demanda histrica. Cada periodo
de tiempo de obtencin empieza al siguiente da del periodo de tiempo de obtencin
anterior. La demanda en cada uno de estos periodos de obtencin es sumada. El inventario
de seguridad es calculado a partir de la distribucin real de la LTD. Finalmente, el estudio
demuestra que la diferencia entre el nivel de servicio deseado y el alcanzado puede ser
reducida al utilizar el modelo propuesto.
Cabe sealar que una de las opciones consideradas por Mattsson (2007) para obtener una
distribucin de la LTD fue utilizar la herramienta bootstrap como tambin lo hicieron
Bookbinder y Lordahl (1989), sin embargo esta opcin fue descartada por considerar que
requera herramientas mucho ms sofisticadas que el mtodo desarrollado Wilcox (1970),
ms difcil de implementar en un sistema ERP y ms complicado de entender para el
usuario final. Discrepando de esa opinin y para rebatirla, durante el desarrollo de la
presente investigacin quedarn claras las bondades del bootstrap, la extensin del modelo
( , ) S T a travs del mismo, as como su factibilidad de implementacin.

2.4.2 Orientacin a la minimizacin de costos

Aunque en primera instancia la orientacin a la minimizacin de costos de ordenar, de
mantenimiento y por faltantes pueda parecer completamente razonable e incluso deseable,
existe un problema fundamental con ello: no existe una manera objetiva de medir y
monetizar la insatisfaccin del cliente. Este aspecto resulta de gran importancia para los
distribuidores al detalle, en cuyo caso el cliente puede cambiar sus preferencias de compra
fcilmente si tiene la percepcin de un pobre nivel de servicio.
Como lo demuestran los estudios de Gruen et al., (2002) y Zinn y Liu (2001), ante el
desabasto, una significativa proporcin de consumidores buscan el artculo en otro lugar. Si
el cliente acude con algn competidor y encuentra el artculo que buscaba, es posible que
la prxima vez el cliente considere como primera opcin al competidor y en el ms fatal de
los casos, se pierda al cliente para siempre, junto con las ventas potenciales asociadas.
En otras palabras, los costos por faltantes son mucho mayores que el simple costo de
oportunidad de la venta perdida, ya que nunca podr asignarse un valor monetario objetivo
a la insatisfaccin del cliente. En los modelos tradicionales, al buscar la minimizacin de
los costos, el nivel de servicio resultante queda subyugado a las polticas que sirven para tal
fin. Por su parte, en los costos de mantenimiento de inventario, nunca ha habido un

acuerdo en como debe de determinarse la tasa de inters asociada.
Para mitigar esta situacin, Hung et al., (2009) buscan una minimizacin de costos al
mismo tiempo que incorporan una restriccin en el nivel de servicio al cliente, esto en un
escenario con tiempos de obtencin y demanda estocsticas, ambas variables siguiendo una
distribucin de probabilidad normal. Su trabajo es en si una correccin al modelo propuesto
originalmente por Ouyang y Chuang (2000). De manera similar, Unlu (2011) desarrolla
tcnicas genricas a travs de simulacin basndose en una aproximacin del promedio de
la muestra, introduciendo un procedimiento de optimizacin de polticas para el modelo de
revisin peridica ( , ) r Q con una restriccin de nivel de servicio al cliente. El modelo es
evaluado utilizando procesos de demanda con distribucin Poisson.

2.4.3 Traslape del periodo de revisin y tiempo de obtencin

Si se examina detenidamente la Figura 2.3 puede observarse que existe un traslape entre el
tiempo de obtencin ( ) t y el periodo de revisin siguiente ( ) T , por lo que la lgica de
(2.7) y (2.8) que suma el tiempo de obtencin al periodo de revisin es cuestionable. En el
caso particular de la Figura 2.3 donde se asume que el tiempo de obtencin ( ) t es
constante y menor al periodo de revisin ( ) T , se observa que el tiempo que transcurre entre
la llegada de rdenes es equivalente al periodo de revisin ( ) T pero desfasado por el
tiempo de obtencin ( ) t .
Desde el punto de vista analtico, asumir que el tiempo de obtencin es siempre menor al
periodo de revisin resulta conveniente, una de las ventajas de esto es que entonces nunca
existira ms de una orden en trnsito. Sin embargo, si se asumen tiempos de obtencin
estocsticos, es completamente factible que en algunas ocasiones el tiempo de obtencin
sea ms largo que el periodo de revisin, en cuyo caso existiran de manera simultanea
varias rdenes en trnsito. La Figura 2.5, ilustra cul sera el comportamiento del inventario
en este caso. En un estudio de simulacin, esta complejidad adicional puede manejarse de
manera sencilla.

Figura 2.5 Ejemplo de tiempos de obtencin estocsticos y traslape con periodos de revisin

2.4.4 Enfoque de optimizacin mono-objetivo

Dada la importancia del nivel de servicio al cliente como estrategia competitiva a partir de
la cual los distribuidores al detalle buscan ofrecer un diferenciador de valor agregado,
agregar una restriccin del nivel de servicio al cliente en un modelo que minimiza costos
podra no ser suficiente. Si tanto el costo como el nivel de servicio tienen la misma
importancia, idealmente deberan de utilizarse tcnicas con un enfoque de optimizacin
multi-objetivo, en donde se busque minimizar el costo al mismo tiempo que se maximice el
nivel de servicio al cliente.
El trabajo de Tsou, Wu y Lee (2010) proponen una solucin al modelo ( , ) Q r basada en
optimizacin multi-objetivo. Los resultados muestran que este acercamiento puede
encontrar polticas eficientes para el tamao de la orden y factor de seguridad de manera
simultanea sin estimar el costo por desabasto o el nivel de servicio. Al comparar costos y
niveles de servicio histricos, se puede medir que tanto espacio queda para la mejora y
determinarse el punto de operacin que resulte ms efectivo.
El presente trabajo de investigacin tiene la limitante de un enfoque mono-objetivo, ya que
aunque se presentar un anlisis de los costos asociados, la prioridad principal es el nivel de
servicio al cliente.


2.5 Investigaciones previas de particular relevancia

Existen algunas publicaciones que debido a sus aportaciones son particularmente relevantes
al presente trabajo de investigacin, por lo que merecen ser discutidas ms detalladamente.
Las similitudes con el presente trabajo son tambin claras: Sezen (2006) toma como base al
sistema de revisin peridica ( , ) S T , mientras que la obra de Bookbinder y Lordahl (1989)
es la nica publicacin sobre modelos de administracin de inventarios encontrada durante
la revisin bibliogrfica, que tambin utiliza la herramienta estadstica bootstrap,
desarrollada por Efron (1979).

2.5.1 Cambios en el desempeo bajo diferentes longitudes de
periodos de revisin en un sistema de revisin peridica
con ventas perdidas

Sezen (2006) investig el impacto de cambiar la longitud del periodo de revisin en el
desempeo de un sistema de revisin peridica ( , ) S T , varios patrones de demanda son
utilizados y se asumen ventas perdidas ante el desabasto.
El estudio utiliza un acercamiento a travs de simulacin para estudiar el impacto de
cambiar la longitud de los periodos de revisin en un sistema de revisin peridica bajo
varios patrones de demanda. Los resultados demuestran que determinar un periodo de
revisin apropiado es crtico en un ambiente de ventas perdidas porque ya que afecta de
forma directa el desempeo del sistema de administracin del inventario.
En este estudio se consideran los siguientes supuestos que simplifican las caractersticas del
modelo de administracin de inventario:
Los tiempos de obtencin son ms cortos que los periodos de revisin, de
forma que siempre hay suficiente tiempo para recibir una orden antes de la
siguiente revisin. Tales sistemas de se utilizan comnmente para mantener
economas en el periodo de revisin.
Las funciones de demanda estn normalmente distribuidas y sus medias y
desviaciones estndar son conocidas y constantes.
Solo existe una orden colocada para cada producto en cualquier periodo de
revisin, esto es, la orden completa es embarcada al mismo tiempo.
La atencin al flujo del inventario se reduce a una cadena de dos eslabones.

Dado que no se permite backorder y que se asumen ventas perdidas, en lugar de utilizar
valores de costos para tomar decisiones ptimas sobre lo que se ordena, la poltica de
control esta orientada haca alcanzar el 95% de nivel de servicio estableciendo los
parmetros del modelo (periodo entre revisiones y nivel objetivo de inventario) en valores
apropiados.
Ciertamente, habr variaciones en la demanda que pueden causar diferentes niveles de
ventas perdidas bajo distintas circunstancias, por esta razn, el simulador determina un
factor de seguridad ( ) k a cada conjunto de condiciones para poder igualar el nivel de
servicio de 95% en cada corrida. El nivel objetivo de inventario est determinado por
S D k t o = + . Los escenarios de simulacin se basan en dos factores primarios:
1) La longitud del periodo de revisin; y
2) El tipo de producto en trminos de la media y desviacin estndar
correspondientes a la distribucin de probabilidad de la demanda.
Un pequeo nmero de valores negativos de demanda que resultan de la distribucin
normal, son considerados despreciables. La publicacin de Johansen y Hill (2000) provee
una detallada explicacin de porque la probabilidad de demanda negativa puede ser
ignorada en un modelo de revisin peridica.
El estudio concluye que no hay reglas generales para seleccionar la duracin apropiada de
los periodos de revisin. Sin embargo, como observacin general, en el caso de productos
con una alta variacin en la demanda, deberan preferirse periodos de revisin cortos, ya
que de otro modo el nivel de inventario promedio, el acumulado de ventas perdidas en
unidades y las probabilidades de experimentar un periodo de desabasto largo, se elevan
rpidamente al incrementarse la longitud de los periodos de revisin, los ltimos dos
aspectos observan un comportamiento no lineal. Por el otro lado, para productos que tienen
baja fluctuacin y una media de demanda bajas, el sistema de inventario es ms tolerable a
periodos de revisin ms largos. Un periodo de revisin largo debera ser evitado si los
costos de mantenimiento o de desabasto son altos.
Desde la perspectiva de optimizacin, se deberan tambin considerar los costos asociados
a las ventas perdidas y al mantenimiento del inventario. En ese caso, la duracin del
periodo de revisin ptima ser el punto en el cul el costo total del sistema (incluidos los
costos de mantenimiento, desabasto y colocacin de rdenes) es minimizado. De cualquier
modo, en un esquema de ventas perdidas, es difcil medir el costo real de las mismas por
que no hay manera directa de medir la insatisfaccin del cliente. Por lo tanto, en lugar de
utilizar dichos valores de costos para optimizar el sistema de inventarios, muchos
distribuidores al detalle tienden a emplear polticas de inventario simples como las
utilizadas en este estudio.

Sobre el impacto del periodo de revisin en la determinacin del nivel del inventario de
seguridad, se observa que periodos de revisin suficientemente largos llevan a factores de
seguridad menores, lo que es equivalente a afirmar que mayores cantidades de
ordenamiento reducen la necesidad de un inventario de seguridad. Esto implica que los
administradores que por alguna razn no puedan hacer ajustes en el periodo de revisin
podran considerar la opcin de incrementar las cantidades a ordenar para tener el mismo
impacto que tiene alargar el periodo de revisin, aunque esto implica un incremento en los
costos de mantenimiento.
Es interesante ver la ocurrencia de desabastos de larga duracin cuando los inventarios son
revisados con una frecuencia de una unidad de tiempo. En contraste, para periodos de
revisin de 2 3 unidades de tiempo prcticamente no ocurren estos desabastos de larga
duracin
Los resultados del estudio pueden ser generalizados para productos que tienen una demanda
con una distribucin de probabilidad normal. Para otros tipos de distribuciones la longitud
del periodo de revisin y las medidas de desempeo seleccionadas deberan ser re-
evaluadas bajo condiciones de experimentacin similares.
Otra limitacin del estudio es la posibilidad de la divisin de rdenes. El supuesto de que
solo una orden puede existir en cada periodo de revisin hace que el estudio tenga un
alcance limitado desde la perspectiva terica. Se necesitan investigaciones que incorporen
la posibilidad de que pueda existir ms de una orden en cualquier periodo de revisin.

2.5.2 Estimacin de niveles de re-orden de un inventario
utilizando el procedimiento estadstico bootstrap

Bookbinder y Lordahl (1989) fueron pioneros en la investigacin de control de inventarios
con un enfoque libre de distribucin al aplicar el bootstrap en un modelo( , ) r Q para estimar
el punto de re-orden r .
Como ya fue visto, el punto de re-orden r esta dado por el (1 )-simo o punto percentil
de la distribucin de la LTD correspondiente a un nivel de servicio de 1 o . El mtodo
bootstrap estima la media y la desviacin estndar de un parmetro u de la poblacin al
muestrear de forma repetitiva un conjunto nico de datos. En este caso, el parmetro de
inters u corresponde al (1 )-simo o punto percentil de la LTD. El estimado bootstrap
de u es el estimador no-paramtrico de mxima verosimilitud de u .

Expresando la idea anterior en otras palabras, si la probabilidad de abasto durante el tiempo
de obtencin se fija como p , el punto de re-orden es un estimado del simo p percentil
de la LTD. Esa fraccin p es considerada entonces en nivel de servicio deseado.
En este estudio, datos de la demanda durante el tiempo de obtencin fueron simulados a
partir de varias distribuciones de probabilidad con una variedad de colas significativa. Se
compararon los valores de r obtenidos con el procedimiento bootstrap con el verdadero
(1 )-simo o punto percentil de la distribucin terica a partir de la que se simularon datos.
Los valores de r tambin fueron contrastados con los valores obtenidos al utilizar el
enfoque normal de (2.4) que asume una distribucin normal de la LTD. Estas
comparaciones indican la precisin del mtodo bootstrap y muestran bajo que condiciones
el mtodo tiene un mejor desempeo que el enfoque normal.
La media de todas las poblaciones simuladas fue fijada en 100 D
t
= y
t
o fue ajustado para
obtener coeficientes de variacin (recordar que CV / o = ). Representando a las
distribuciones simtricas se consider una distribucin normal, la lognormal fue utilizada
para representar a las asimtricas. La distribucin uniforme fue considerada tambin para
contemplar aquellos casos en se posee poca informacin de la LTD otra que su rango.
Adicionalmente se consider una distribucin discreta de dos puntos y tres mezclas de dos
distribuciones normales (bimodal simtrica, bimodal asimetra positiva y bimodal asimetra
negativa).
Se compararon los resultados de ambos enfoques bootstrap y distribucin normal
primero en trminos de servicio al cliente y despus a travs de un modelo de costos. El
estudio utiliza los siguientes supuestos:
- La demanda durante el tiempo de obtencin es una variable aleatoria
estacionaria.
- El inventario de un artculo es independiente de todos los dems artculos.
- Todas las unidades ordenadas son recibidas en conjunto. La cantidad del
material ordenado recibido no es una variable aleatoria.
- Las rdenes colocadas de forma consecutiva son recibidas de la misma
manera.
- Se utiliza el supuesto de backorder.
A travs de un Anlisis de Varianza (ANOVA) se concluye que el porcentaje de
variabilidad debido a la distribucin es mucho mayor para los estimados normales que para
los calculados con bootstrap. Esto sugiere que los estimados bootstrap son menos sensibles
a la distribucin de la LTD, y son por lo tanto preferibles a los estimados de la teora

normal. De hecho, los estimados normales son ms precisos nicamente para datos
provenientes de una distribucin normal truncada y log-normal. En estos casos el mtodo
bootstrap si alcanza el nivel de servicio deseado, pero los excede considerablemente.
El coeficiente de variacin (CV) tambin impacta en la efectividad de los estimados de la
teora normal excepto para valores de CV 1 < . Esto tambin impacta en el desempeo del
mtodo bootstrap por lo que una seleccin entre los dos mtodos debe de estar basada en
consideraciones distintas al CV.
Evidentemente el factor CV no est dentro del control del administrador del inventario,
como tampoco lo est la distribucin de probabilidad subyacente a la LTD. Pero cuando se
trata de una forma no estndar, el mtodo bootstrap tiene ms probabilidades que la
teora normal de alcanzar el nivel de servicio deseado.
Lo que puede ser especificado de antemano es el nivel de servicio objetivo percentil p de
la LTD. La seleccin entre estos dos mtodos puede por lo menos basarse parcialmente en
el tamao n de la muestra de datos disponible. Para resumir resultados, en aquellos casos
considerados, el mtodo bootstrap es por lo menos 1.5 veces tan efectivo como el mtodo
normal cuando 13 n s . Para 15 n > , el mtodo bootstrap el mtodo fue por lo menos el
doble de efectivo.
Cuando se tiene poca nocin de la distribucin LTD el CV, existe una preferencia para
usar el mtodo bootstrap sobre el normal y esta es ms fuerte entre mayor sea el tamao de
la muestra.
En lo que a los costos se refiere, se contemplaron los costos de ordenar, costos de
mantenimiento y costos por faltantes, los ltimos fijos y por unidad de tiempo. El clculo
de los costos soporta la conclusin de que los estimados bootstrap son preferibles sobre los
normales para datos con distribuciones no normales. En general, el mtodo bootstrap esta
en mayores posibilidades que la teora normal de alcanzar el nivel de servicio deseado y
ms an, hacerlo a un menor costo.
En conclusin, el estudio afirma que es preferible estimar el punto de re-orden utilizando el
procedimiento bootstrap en lugar de la teora estndar en cualquier situacin en donde se
sospechan distribuciones de probabilidad no normales. Si la distribucin de probabilidad es
de hecho, una distribucin normal con un CV 1 >

el estimado bootstrap es tan bueno como
el de la teora normal. El mtodo bootstrap tiende ligeramente a subestimar el punto de re-
orden para distribuciones unimodales con
1
2
CVs , resultando en una moderada ventaja de
costos para los estimados de la teora normal. Sin embargo, incluso en esta situacin, en
muchos casos no hubo una diferencia significativa entre ambos mtodos.


2.6 Introduccin a bootstrap y revisin de conceptos
estadsticos

Esta seccin est basada prcticamente por completo en el trabajo de Efron y Tibshirani
(1994). Su objetivo es proporcionar un marco terico de referencia a la herramienta ms
importante utilizada en esta investigacin: el bootstrap.
Es conveniente la revisin de ciertos conceptos estadsticos que son esenciales para el
desarrollo del presente trabajo. Adicionalmente, es necesario familiarizar al lector con la
notacin que estar siendo utilizada durante el desarrollo del mismo:
- Letras minsculas negritas, tales como x se refieren a vectores, eso es,
( )
1 2
, , ,
n
x x x = x .
- Una letra mayscula sencilla como X refiere a una variable aleatoria.
- Un superndice * indica una variable aleatoria bootstrap. Por ejemplo
*
x
indica un conjunto de datos bootstrap generado a partir de un conjunto de
datos x .
- Los parmetros son representados por letras griegas, tales como u .
- El smbolo ^ sobre la letra indica un estimador, como por ejemplo
u .
- La notacin
1 2
( , , , )
n
F x x x indica una muestra independiente e
idnticamente distribuida tomada a partir de F .
- Notacin tal como { } # 3
i
x > significa el nmero de
i
x que son mayores que 3.

2.6.1 El principio de plug-in

Los problemas de inferencia estadstica frecuentemente involucran estimar algn aspecto de
la distribucin de probabilidad F utilizando como base una muestra aleatoria tomada de
F . La distribucin de probabilidad emprica
F , es una estimacin simple de la

distribucin entera de F . Una manera obvia de estimar un aspecto importante de F , es
usar el aspecto correspondiente de
F .

Habiendo obtenido una muestra aleatoria de tamao n de una distribucin de probabilidad
F ,

1, 2
( , , )
n
F x x x (2.15)
la distribucin de probabilidad emprica
F se define como la distribucin discreta que

asigna una probabilidad de 1/ n a cada valor
i
x , 1, 2, , i n = . En otras palabras,
F
asigna a un conjunto A en el espacio muestral de x su probabilidad emprica

{ } { } Prob # /
i
A x A n = e (2.16)
La proporcin de la muestra observada ( )
1 2
, , ,
n
x x x = x

ocurriendo en A.
Las discusiones de inferencia estadstica se llevan a cabo en trminos de parmetros y
estadsticos. Un parmetro, es una funcin de la distribucin de probabilidad F . Un
estadstico es una funcin de la muestra x . Algunas veces los parmetros son escritos
directamente como funciones de F , digamos
( ) t F u = (2.17)
Esta notacin enfatiza que el valor de del parmetro u es obtenido al aplicar algn
procedimiento de evaluacin numrica ( ) t a la funcin de distribucin F . Por ejemplo, si
F es la probabilidad de distribucin, el valor esperado puede ser concebido como el
parmetro
( ) ( )
F
t F E x u = = (2.18)
En (2.18) ( ) t F resulta u por el concepto de valor esperado, eso es, el promedio de x
ponderado de acuerdo a F . Incluso si F es desconocida, la forma de ( ) t F indica el mapeo
funcional que tiene como entrada a F y salida a u .
El principio de plug-in es un mtodo sencillo de estimar parmetros a partir de las muestras.
El estimador plug-in del parmetro ( ) t F u = se define como

( ) t F u = (2.19)
En otras palabras, se estima la funcin ( ) t F u = de la distribucin de probabilidad F a
travs de la misma funcin de la distribucin emprica
F ,

( ) t F u = . Estadsticos como que
son usados para estimar parmetros, son algunas veces llamados estadsticos de resumen,
as tambin como estimados o estimadores.

Sera natural cuestionarse sobre que tan efectivo es el principio de plug-in. Usualmente es
muy bueno (Efron y Tibshirani, 1994), especialmente si la nica informacin disponible de
F viene de la muestra x . Bajo esta circunstancia

( ) t F u = , no puede mejorarse como
estimador de ( ) t F u = , al menos no en el usual asinttico ( ) n sentido de teora
estadstica.
Se utilizar bootstrap para estudiar el sesgo y el error estndar del estimador plug-in

( ) t F u = . La virtud del bootstrap es que produce sesgos y errores estndar de manera
automtica, sin importar que tan complicado pueda ser el mapeo funcional de ( ) t F u = .
Ms adelante ser evidente que el bootstrap es en s mismo una aplicacin del principio de
plug-in.

2.6.2 Errores estndar y estimacin bootstrap de errores
estndar

Estadsticos tales como

( ) t F u = son frecuentemente las primeras salidas de un anlisis de
datos. Usualmente tambin se desea conocer la precisin de
u . El bootstrap tambin
provee estimadores de precisin al utilizar el principio de plug-in para estimar el error
estndar de un estadstico.
El error estndar es un trmino general para la desviacin estndar de un estimador. Son la
manera ms comn de indicar precisin estadstica. Cabe sealar que en algunas
publicaciones el trmino error estndar es utilizado para denotar un estimado de la
desviacin estndar, es decir, un estimador de
F
o basado en las observaciones disponibles.
Evidentemente el uso del trmino es distinto al que se le da en el presente trabajo.
Los mtodos bootstrap dependen de la nocin de una muestra bootstrap. Sea
F la
distribucin emprica, asignando una probabilidad de 1/ n a cada uno de los valores
observados
i
x , 1, 2, , i n = tal como se describi en el apartado anterior. Una muestra
bootstrap se define como una muestra aleatoria de tamao n tomada de
F , digamos
( )
* * * *
1 2
, , ,
n
x x x = x ,

( )
* * *
1 2
, , ,
n
F x x x (2.20)
La notacin de asterisco indica que
*
x no es el conjunto de datos x , sino una aleatoria y re-

muestreada versin de x .
Existe otra manera de expresar (2.20): los puntos de datos bootstrap
* * *
1 2
, , ,
n
x x x son una
muestra aleatoria de tamao n tomada con remplazo de la poblacin de n objetos. Por lo
tanto podra tenerse
* * * * *
1 7 2 3 3 3 4 22 7
, , , , ,
n
x x x x x x x x x x = = = = = . El conjunto de datos
bootstrap
( )
* * *
1 2
, , ,
n
x x x es formado por miembros del conjunto original de datos
( )
1 2
, , ,
n
x x x , algunos no aparecen ninguna vez, algunos aparecen dos veces, etc.
Correspondiente a un conjunto de datos bootstrap
*
x existe una replica bootstrap de
u ,

* *
( ) s u = x (2.21)
*
( ) s x es el resultado de aplicar la misma funcin ( ) s como fue aplicada a x . Por ejemplo si
( ) s x es la media de la muestra x entonces
*
( ) s x es la media del conjunto de datos
bootstrap,
* *
1
/
n
i
i
x x n
=
=
.
El estimador bootstrap de
se ( )
F
u , el error estndar del estadstico
u , es un estimador plug-
in que utiliza la funcin de distribucin emprica
F en lugar de la desconocida distribucin

F . Especficamente, el estimador bootstrap de
se ( )
F
u es definido por

*
se ( )
F
u (2.22)
En otras palabras, el estimador bootstrap de
se ( )
F
u es el error estndar de
u para los
conjuntos de datos de tamao n muestreados de forma aleatoria a partir de
F .
La frmula (2.22) es llamada el estimador bootstrap ideal del error estndar de
u .
Desafortunadamente, para virtualmente cualquier otro estimador distinto
u a la media,
cuyo error estndar es dado por /
F
n o , no existe ninguna frmula que permita calcular el
valor numrico del estimador ideal de manera exacta. El algoritmo bootstrap que ser
descrito a continuacin, es una manera computacional de obtener una buena aproximacin
al valor numrico de
*
se ( )
F
u .
El algoritmo bootstrap funciona al obtener varias muestras bootstrap independientes,
evaluando las correspondientes u bootstrap y estimando el error estndar de
u por la
desviacin estndar emprica de las rplicas. El resultado se llama estimador bootstrap del
error estndar, se denota por seB , donde B es el nmero de muestras bootstrap utilizadas.

El algoritmo bootstrap para la estimacin de errores estndar es el siguiente:
1. Seleccionar B muestras bootstrap independientes
*1 *2 *
, , ,
B
x x x , cada una
conformada por n observaciones tomadas con remplazo a partir de x , como en
(2.20).
2. Evaluar la rplica bootstrap correspondiente a cada muestra bootstrap,

( )
* *
( ) 1, 2, ,
b
b s b B u = = x (2.23)
3. Estimar el error estndar
( )
se
F
u a travs de la desviacin estndar muestral de las
B rplicas
( )
{ }
1/ 2
2
* *
1

se ( ) ( ) 1
B
B
b
b B u u
=
(
=

(2.24)
Donde ( ) ( )
* *
1

B
b
b B u u
=
=

La Figura 2.6 es un diagrama esquemtico del algoritmo bootstrap para la estimacin de
errores estndar.

Figura 2.6 Diagrma esquemtico del algoritmo bootstrap para estimar errores estndar, adaptado de Efron y
Tibshirani (1994)
El lmite de seB mientras B

tiende a infinito es el estimador bootstrap ideal del error
estndar de
u , es decir
*
se ( )
F
u ,
Distribucin
emprica
F
.
.
.
.
.
.
.
.
.
.
*1
x
*2
x
*3
x
*b
x
*B
x
Muestras
bootstrap de
tamao n
* *1
(1) ( ) s u = x
* *2
(2) ( ) s u = x
* *3
(3) ( ) s u = x
* *
( ) ( )
b
b s u = x
* *
( ) ( )
B
B s u = x
Rplicas
bootstrap de
u
*
*
1
( )
( )
B
b
b
B
u
u
=
=
Estimador
bootstrap
del error
estndar
donde
1/ 2
2
* *
1

( ) ( )
se
1
B
B
b
b
B
u u
=
(
(

(
=
(

*

lim se se se ( ) B
F F
B
u
= = (2.25)
El hecho de que seB se acerque a
se
F
cuando B tiende a infinito, lleva a la conclusin de
que la desviacin estndar de una distribucin emprica se acerca a la desviacin estndar
de la poblacin mientras que el nmero de rplicas aumenta. La poblacin en este caso
es la poblacin de valores de
* *
( ) s u = x , donde
( )
* * * *
1 2
, , ,
n
F x x x = x .
El estimador bootstrap ideal de
*
se ( )
F
u

y su aproximacin seB

son a veces llamados
estimadores bootstrap no paramtricos por que estn basados en
F , el estimador no
paramtrico de la poblacin F .
Sobre la notacin, cabe sealar que en (2.25) se escribe
*
se ( )
F
u en lugar de
se ( )
F
u para
evitar confusin sobre
u , el valor de ( ) s x

basado en las observaciones disponibles
estimador plug-in , y
* *
( ) s u = x

considerada como una variable aleatoria basada en la
muestra bootstrap. Una notacin an ms completa
*
se ( ( )
F
u x , enfatiza el hecho de que
*
se ( )
F
u

es un error estndar bootstrap: el conjunto de datos x se mantiene fijo en (2.25);
la aleatoriedad en el clculo viene de la variabilidad de las muestras bootstrap
*
x , dado x .
De manera similar se escribe
*
E ( )
F
g x para indicar el valor esperado bootstrap de una
funcin
*
( ) g x , el valor esperado con x y
F fijos y
*
x variando de acuerdo a (2.20).

2.6.2.1 El nmero de rplicas bootstrap

Resulta natural preguntarse que tan grande debe ser B , el nmero de rplicas bootstrap
utilizadas para evaluar seB . El estimador bootstrap ideal seB toma B = , en cuyo caso
se

es igual al estimador plug-in
*
se ( )
F
u . La frmula se( ) /
F
x n o = da como resultado
se

para
x u = , la media, pero para cualquier otro estadstico debemos de hacer el

muestreo bootstrap.
Se busca el mismo buen comportamiento de un estimador del error estndar en cualquier
estimador de cualquier otro estadstico de inters: sesgo y desviacin estndar pequeos. El
estimador bootstrap del error estndar usualmente tiene un sesgo relativamente pequeo. El
estimador bootstrap ideal se tiene la menor desviacin estndar posible entre los casi

insesgados estimadores de
*
se ( )
F
u , por lo menos no en el usual asinttico ( ) n . Estas
buenas propiedades vienen del hecho de que se
es el estimador plug-in de
*
se ( )
F
u . No
es difcil demostrar que seB

siempre tiene una mayor desviacin estndar quese .
Una respuesta aproximada, pero bastante satisfactoria respuesta puede ser dada en trminos
del coeficiente de variacin de seB , el radio de la desviacin estndar de seB respecto a su
valor esperado. La incrementada variabilidad al detenerse despus de B rplicas bootstrap,
en lugar de tender al infinito, es reflejada en un mayor coeficiente de variacin,

1/ 2
2
E( ) 2
cv(se ) cv(se )
4
B
B
A +
+
`
)
(2.26)
Aqu A es un parmetro que mide que tan largas son las colas de la distribucin de
*
u : A
es cero para una distribucin normal, vara entre -2 para las distribuciones de colas ms
cortas a valores arbitrariamente grandes cuando F tiene colas largas. En la prctica, A
usualmente no es mayor que 10 (Efron y Tibshirani, 1994). El coeficiente de variacin en
(2.26) se refiere a la variacin tanto en el nivel de re-muestreo bootstrap como en el nivel
de muestreo de la poblacin. El estimador ideal
*
se se ( )
F
u = no es perfecto. Puede tener
una variabilidad considerable como estimador de
se ( )
F
u , debido la variabilidad de
F
como estimador de F . Por ejemplo si
1 2
, , ,
n
x x x es una muestra aleatoria de una
distribucin normal y
x u = , entonces cv(se ) 1/ 2n es igual a 0.22 para 10 n = . La

frmula (2.26) tiene una importante consecuencia prctica: para los valores cv(se ) y A
que comnmente aparecen en la prctica, cv(se ) B no es mucho mayor que cv(se ) para
200 B > .
La Tabla 2.2 compara cv(se ) B con cv(se ) para varios valores de B

asumiendo 0 A = .
Muy frecuentemente se pueden esperar valores de cv(se ) no menores que 0.10, es cuyo
caso 100 B = proporciona resultados bastante satisfactorios.


B
cv(se ) +
25 50 100 200

0.25 0.29 0.27 0.26 0.25 0.25
0.20 0.24 0.22 0.21 0.21 0.20
0.15 0.21 0.18 0.17 0.16 0.15
0.10 0.17 0.14 0.12 0.11 0.10
0.05 0.15 0.11 0.09 0.07 0.05
0.00 0.00 0.10 0.07 0.05 0.00
Tabla 2.2 comparacin de los coeficientes de variacin de los errores estandar ideal y bootstrap para varios valores
de B, adaptado de Efron y Tibshirani (1994)
Existen dos reglas de dedo, definidas por Efron y Tibshirani (1994) en base a su
experiencia:
1. Incluso un pequeo nmero de rplicas bootstrap, por ejemplo 25 B = , es
usualmente informativo. 50 B = proporciona comnmente un buen estimado
de
se ( )
F
u .
2. En muy raras ocasiones, ms de 200 B = rplicas son necesarias para estimar
un error estndar. Valores mucho ms grandes de B son necesarios para el
clculo de intervalos de confianza bootstrap, como se ver mas adelante.
Las aproximaciones obtenidas por el muestreo aleatorio o simulacin son llamados
estimados Monte Carlo. Es importante recordar que los datos bootstrap, al igual que los
datos reales, merecen ser examinados de manera ms cercana. En particular, prcticamente
nunca es un desperdicio de tiempo elaborar un histograma de las rplicas bootstrap.

2.6.3 Estructuras de datos ms complicadas

El algoritmo bootstrap, representando en el diagrama esquemtico de la Figura 2.6, esta
basado en el modelo de probabilidad para datos aleatorios ms sencillo posible: el modelo
de una muestra, donde una sola distribucin de probabilidad desconocida F produce los
datos x por muestreo aleatorio

1, 2,
( , )
n
F x x x = x (2.27)
Las observaciones individuales
i
x en (2.27) pueden ser en s mismas bastante complejas,
quizs nmeros, vectores, imgenes o cualquier otra cosa, pero el mecanismo de
probabilidad es sencillo. Muchos problemas de anlisis de datos involucran estructuras de

datos ms complicadas, tales como: series de tiempo, anlisis de varianza, modelos de
regresin, problemas de ms de una muestra, etc. El algoritmo bootstrap puede ser
adaptado a estructuras de datos generales.
La Figura 2.7, es un diagrama esquemtico del mtodo bootstrap y su aplicacin a
problemas de una muestra. En la izquierda se encuentra el mundo real, donde una
distribucin desconocida F ha proporcionado los datos observados
1, 2,
( , )
n
x x x = x por
muestreo aleatorio. De han calculado un estadstico de inters a partir de x ,
( ) s u = x , y se
desea conocer algo acerca del estadstico
u , quizs su error estndar
se ( )
F
u . A la derecha
se encuentra el mundo bootstrap. En el mundo bootstrap la distribucin emprica
F
proporciona las muestras bootstrap
( )
* * * *
1 2
, , ,
n
x x x = x por muestreo aleatorio, a partir de
las cuales se calculan las rplicas bootstrap del estadstico de inters,
* *
( ) s u = x . La gran
ventaja del mundo bootstrap es que se pueden calcular tantas rplicas de
*
u como se
quiera, siendo el tiempo de computo la nica restriccin para de definir el nmero de
rplicas. Esto permite hacer clculos de probabilidad directamente, por ejemplo utilizando
la variabilidad observada en las rplicas
*
u para estimar la inobservable cantidad
se ( )
F
u .

Figura 2.7 Aplicacin del modelo bootstrap a problemas de una sola muestra, adaptado de Efron y Tibshirani
(1994)
La doble flecha de la Figura 2.7 indica el clculo de
F a partir de F . Conceptualmente,
este es el paso crucial en el proceso bootstrap, aunque sea computacionalmente sencillo.
Todos los dems elementos del mtodo bootstrap estn definido por analoga: F
proporciona x por muestreo aleatorio, entonces
F proporciona
*
x por muestreo aleatorio;
u

es obtenida a partir de x a travs de la funcin ( ) s x , as que
*
u es obtenida a partir de

MUNDO REAL
MUNDO
BOOTSTRAP
Distribucin de
probabilidad
desconocida
Muestra
aleatoria
observada
Distribucin
emprica

Muestra
bootstrap
F
F
1 2
( , , , )
n
x x x = x
* * * *
1 2
( , , , )
n
x x x = x
( ) s u = x
Estadstico de
inters
* *
( ) s u = x
Replica
bootstrap

*
x en la misma manera. Los clculos bootstrap para mecanismos de probabilidad ms
complejos resultan ser directos, una vez que se sabe como llevar a cabo el proceso de la
doble flecha, estimar el mecanismo de probabilidad para los datos. Se utilizara la notacin
P x (2.28)
para indicar que una modelo de probabilidad P desconocido ha generado el conjunto de
datos x observado. Para un problema de dos muestras, el modelo de probabilidad P puede
ser pensado como un par de distribuciones F y G
( , ) P F G = (2.29)
Permita
1, 2,
( , )
n
z z z = z indicar las observaciones provenientes de la distribucin F y
1, 2,
( , )
n
y y y = y indicar las observaciones provenientes de la distribucin G . Entonces los
datos observados comprenden z y y ,
( , ) = x z y (2.30)
El mapeo P x est descrito por
independiente de F G z y (2.31)
En otras palabras, z

es una muestra aleatoria tomada de F

y y

es una muestra aleatoria
tomada de G . Con z y y

mutuamente independientes entre s. A esta configuracin se le
llama un problema de dos muestras.
En este caso es fcil determinar el mecanismo de probabilidad P . Sean
F y
G las
distribuciones empricas basadas en z

y y respectivamente. Entonces el estimador natural
de ( , ) P F G =

es

( , ) P F G = (2.32)
Una vez que se obtuvo
P , la definicin de una muestra bootstrap

*
x es obvia: la flecha en

*
P x (2.33)
debe significar lo mismo que en (2.28). En el problema de dos muestras, (2.31), se tiene
* * *
( , ) = x z y donde

* *

independiente de F G z y (2.34)
La Figura 2.8 es una versin de la Figura 2.7 que aplica a estructuras de datos generales
P x . No hay mucha diferencia conceptual entre las dos figuras, excepto el nivel de

generalidad que implican. En el mundo real, un mecanismo de probabilidad desconocido P
proporciona un conjunto de datos observados x , de acuerdo a la regla de construccin
indicada por la flecha . En aplicaciones especificas se necesita definir la flecha de
manera ms cuidadosa, como en (2.31) para el problema de dos muestras. El conjunto de
datos x pudiera no ser un solo vector. Tiene una forma que depende de la estructura de los
datos. Con x

observado, calculamos el estadstico de inters
u a partir de x

de acuerdo a
la funcin ( ) s .

Figura 2.8 Aplicacin del mtodo bootstrap a estructuras de datos generales, adaptado de Efron y Tibshirani
(1994)
El lado bootstrap de la Figura 2.8 esta definido por las cantidades anlogas en el mundo
real: la flecha en
*
P x debe significar lo mismo que la flecha en P x .La funcin que

mapea
*
x

a
*
u es la misma funcin ( ) s que sirve para mapear x

a
u .

2.6.4 Introduccin a intervalos de confianza

De acuerdo con Devore (2008) una estimacin puntual, por el hecho de ser un solo nmero
no proporciona informacin sobre la precisin y confiabilidad de la estimacin. Debido a la
variabilidad del muestreo, virtualmente nunca ocurre el caso en que el estimador puntual
sea igual al valor verdadero que tiene el parmetro de inters en la poblacin. La
estimacin puntual no proporciona informacin sobre que tan cerca puede estar el
estimador del parmetro del valor real del mismo. Una alternativa es calcular y reportar un

MUNDO REAL MUNDO
BOOTSTRAP
Modelo de
probabilidad
desconocido
Muestra
aleatoria
observada
Modelo de
probabilidad
estimado

Muestra
bootstrap
1 2
( , , , )
n
x x x = x
* * * *
1 2
( , , , )
n
x x x = x
( ) s u = x
Estadstico de
inters
* *
( ) s u = x
Replica
bootstrap
P
P

intervalo completo de valores factibles: un estimador de intervalo un intervalo de
confianza (IC).
Los errores estndar son utilizados frecuentemente para asignar intervalos de confianza
aproximados a un parmetro u de inters. Dado un estimado
u y su estimado de error
estndar se , el usual intervalo de confianza 90% para u es:

1.645 se u (2.35)
El nmero 1.645 viene de una tabla de distribucin normal estndar, como se vera
brevemente. Un estimador de intervalo es frecuentemente ms til que un estimador
puntual. Juntos el estimador de intervalo y el estimador puntual dicen cual es la mejor
suposicin para u , y que tan lejos en error puede estar razonablemente esa suposicin.
Suponga que nos encontramos en la situacin donde los datos son obtenidos por un
muestreo aleatorio de una distribucin desconocida F ,
1, 2
( , , )
n
F x x x . Sea

( ) t F u = el
estimador plug-in del parmetro de inters

( ) t F u = y sea se algn estimador razonable del
error estndar para
u , basado quizs en cmputos bootstrap. Bajo la mayora de las

circunstancias sucede que mientas que el tamao de la muestra n crece, la distribucin de
u

se vuelve cada vez ms normal con la media cerca de u y la varianza cerca de
2
se ,
escrito
2
( , se ) N u u o de manera equivalente

(0,1)
se
N
u u
~ (2.36)
La muestra larga, asinttico, resultado (2.36) usualmente se mantiene verdadero para
modelos de probabilidad generales P x mientras que la cantidad de datos crece, y para
estadsticos distintos al estimador plug-in. Sin embargo se continuara en la situacin de
plug-in de una muestra en este apartado.
Permita
( )
z
o
indicar el 100 -simo o punto percentil de la distribucin normal estndar
(0,1) N , como se da en la tabla de la distribucin normal estndar,
(0.025)
1.960 z = ,
(0.05)
1.645 z = ,
(0.95)
1.645 z = ,
(0.975)
1.645 z = , etc.
Si se considera la aproximacin (2.36) como exacta, entonces

( ) (1 )
Prob 1 2
se
F
z z
o o
u u
o

s s =
`

)
(2.37)
lo que puede ser escrito como

{ }
(1 ) ( )

Prob se, se 1 2
F
z z
o o
u u u o
(
e =

(2.38)
El intervalo (2.35) es obtenido de (2.38) con 0.05 o = , 1 2 0.90 o = . En general

(1 ) ( )

se, se z z
o o
u u
(

(2.39)
es llamado intervalo de confianza con cobertura de probabilidad igual a 1 2o , o nivel de
confianza 100 (1 2 )% o . De manera ms sencilla es llamado intervalo de confianza 1 2o
para u . Dado que
( ) (1 )
z z
o o
= podemos escribir (2.39) en la forma ms comnmente
conocida,

(1 )
se z
o
u

(2.40)
Para el caso tpico donde el estimador de inters es la media, el error estndar esta dado por
/
F
n o

a partir de (2.40) se puede construir el intervalo de confianza de manera sencilla.
La propiedad de cobertura de (2.40) implica que el 90% del tiempo, un intervalo aleatorio
construido de esta manera contendr el valor verdadero de u . Desde luego (2.36)es una
aproximacin en la mayora de los problemas y el intervalo de confianza estndar (2.40) es
nicamente un intervalo de confianza aproximado, aunque resulta til en una gran variedad
de situaciones. Se utilizar el bootstrap para calcular mejores intervalos de confianza
aproximados. Mientras que n , los intervalos generados con bootstrap y los intervalos
estndar convergen entre s, pero en cualquier otra situacin en la que se dispone de un
nmero limitado de observaciones lo que ocurre comnmente los intervalos generados
con bootstrap pueden hacer correcciones sustanciales. Estas correcciones pueden mejorar
sustancialmente la precisin del estimador de intervalo.
Antes de comenzar con la explicacin de como generar intervalos de confianza utilizando
bootstrap es conveniente hacer una revisin de la lgica de los intervalos de confianza y
que significa para un intervalo de confianza ser preciso. Para simplificar se denotaran los
intervalos de confianza por
lo up

, u u
(

, as que
(1 )
lo

se z
o
u u

= y
( )
up

se z
o
u u = .
En caso de que (2.36) se mantuviera de manera exacta no de forma aproximada ,
implicando que el error estndar se es conocido y no un estimado, el intervalo
lo up

, u u
(

tendra una probabilidad exacta 1 2o de contener el valor verdadero de u . De manera ms
precisa, la probabilidad de que u se encuentre por debajo del lmite inferior es exactamente
o , como lo es la probabilidad de que u exceda el lmite superior,

{ } { } lo up

Prob , Prob
u u
u u o u u o < = > = (2.41)

El hecho de que (2.41) se mantenga para cualquier posible valor de u es lo que pretende
cuando se dice que es
lo up

, u u
(

preciso. Es importante recordar que u es una constante en
las declaraciones de probabilidad de (2.41), siendo las variables aleatorias
lo
u y
up
u .

2.6.5 Intervalos de confianza basados en percentiles bootstrap

Sea
u el estimado plug-in del parmetro u y se su error estndar estimado. Considere el

intervalo de confianza normal estndar
(1 ) ( )

se, se z z
o o
u u
(

. Los extremos del
intervalo pueden ser descritos de una forma que es particularmente conveniente para los
clculos bootstrap. Sea una
*
u variable aleatoria tomada de la distribucin

2
( , se ) N u ,

2
*

( , se ) N u u (2.42)
Entonces
(1 )
lo

se z
o
u u

= y
( )
up

se z
o
u u = son los 100 -simo o y 100(1 )-simo o
percentiles de
*
u . En otras palabras,

*( ) *
lo
*(1 ) *
up

100 -simo percentil de la distribucin de

100(1 )-simo percentil de la distribucin de
o
o
u u o u
u u o u
= =
= =
(2.43)
Adaptando el ejemplo propuesto por Efron y Tibshirani (1994), considere el caso donde el
parmetro de inters tiene un estimado
367.57 u = . El error estndar estimado bootstrap de
u

es 31.69, si se escoge un 0.05 o = , entonces el intervalo de confianza normal estndar
para u es:
| | | | 367.57 1.645 31.69, 367.57 1.645 31.69 315.44, 419.71 + = (2.44)

Figura 2.9 Histograma de las replicas bootstrap del estimador, adaptado de Efron y Tibshirani (1994)
La Figura 2.9 muestra un histograma de 1000 rplicas bootstrap de
u , Este histograma se
ve aproximadamente normal en su forma, as que de acuerdo a la ecuacin (2.43), los
percentiles correspondientes al 5% y al 95% de este histograma deberan ser
aproximadamente 315.44 y 419.71, respectivamente. Esta no es una mala aproximacin,
pues como se muestra en la Tabla 2.3, los percentiles que corresponden al 5% y 95% son
317.60 y 418.81 respectivamente.
2.5% 5% 10% 16% 50% 84% 90% 95% 97.5%
311.68 317.60 327.52 334.68 366.48 400.11 408.38 418.81 431.89
Tabla 2.3 Percentiles de
*
u basado en 1000 rplicas bootstrap

Lo anterior sugiere como pueden utilizarse los percentiles de un histograma de rplicas
bootstrap para definir lmites de confianza. As es exactamente como el intervalo percentil
trabaja. Suponga un escenario general como el de la Figura 2.8. Un conjunto de datos
bootstrap
*
x se genera de acuerdo a
*
P x , y rplicas bootstrap
* *
( ) s u = x son
calculadas. Sea
G la distribucin acumulada de
*
u . El intervalo percentil 1 2o esta

definido por los percentiles o y 1 o de
G :

1 1
%,lo %,up

, ( ), (1 ) G G u u o o

( (
=

(2.45)
Dado que por definicin
1 *( )

( ) G
o
o u
= , el 100 -simo o percentil de la distribucin

bootstrap, tambin se puede escribir el percentil bootstrap como

*( ) *(1 )
%,lo %,up

, ,
o o
u u u u

( (
=

(2.46)
Las expresiones (2.45) y (2.46) se refieren a la situacin ideal donde el nmero de rplicas
bootstrap es infinito. En la prctica se debe de utilizar un nmero B de rplicas finito.
Para proceder, se generan independientes B muestras bootstrap
*1 *2 *
, , ,
B
x x x y se

calculan las rplicas bootstrap
* *
( ) ( )
b
b s u = x , 1, 2,... b B = . Sea
*( )
B
o
u el 100 -simo o
percentil de los
*
( ) b u valores. De igual manera sea

*(1 )
B
o
u

el 100 (1 )-simo o

percentil
emprico. El aproximado intervalo percentil 1 2o

es

*( ) *(1 )
%,lo %,up

, ,
B B
o o
u u u u

( (
~

(2.47)
Si la distribucin bootstrap de
*
u

es aproximadamente normal, entonces el intervalo de
confianza normal estndar y el intervalo percentil prcticamente coincidirn. Sin embargo
en casos en los que la distribucin de
*
u no sea aproximadamente normal (v gr. Debido a

un tamao de muestra pequeo), entonces el intervalo de confianza normal estndar y el
intervalo percentil discreparan. En este caso surge la interrogante de que intervalo debe
utilizarse. Para contestar ello, se propone el siguiente ejemplo artificial adaptado de Efron
y Tibshirani (1994) en donde se genera una muestra
1 2 10
, ,..., X X X a partir de una
distribucin normal estndar, el parmetro de inters se defini como e
, donde es la
media de la poblacin. El valor verdadero de u es
0
1 e = . El valor de la muestra
x
e u = fue
1.6468. El panel izquierdo de la Figura 2.10 muestra el histograma de 1000 rplicas
bootstrap
*
u . Aunque conocemos que la poblacin proviene de una distribucin normal

estndar, no se presupuso esto y por lo tanto se utiliz re-muestreo bootstrap no
paramtrico.

Figura 2.10 Histograma rplicas de
*
u , adaptado de Efron y Tibshirani (1994)

La distribucin es asimtrica, teniendo una larga cola a la derecha. Los percentiles
empricos de las 1000 rplicas bootstrap
*
u se muestran en la Tabla 2.4.

2.8 2.4 2.0 1.6 1.2 0.8 0.4
140
120
100
80
60
40
20
0
2.037 0.948 2.345 0.629

2.5% 5% 10% 16% 50% 84% 90% 95% 97.5%
0.6290 0.6857 0.7663 0.8531 1.1493 1.5080 1.6533 1.8582 2.0372
Tabla 2.4 Percentiles empricos de rplicas bootstrap
Con un 0.025 o = el intervalo de confianza percentil 1 2o

para u es

| |
%,lo %,up

, 0.6290, 2.0372 u u
(
=

(2.48)
Esto debera ser comparado con el intervalo de confianza normal estndar, basado en
1000 se 0.3564 = ,
| | 1.6468 1.96 0.3564 0.9482, 2.3453 = (2.49)
Note la discrepancia entre el intervalo normal estndar y el intervalo percentil. Existe una
buena razn para preferir el intervalo percentil (2.48) al intervalo normal estndar (2.49). Si
se observa la Figura 2.10 existe una objecin obvia a (2.49) y es que la aproximacin
normal
2
( , se ) N u que es subyacente a los intervalos de confianza normal estndar

evidentemente no es apropiada en este caso. La transformacin logartmica hace la
distribucin de
u normal. La Figura 2.11 muestra el histograma de 1000 rplicas bootstrap

de
* *

ln( ) | u = , junto con los intervalos percentil y normal estndar para
u . Note que el
histograma tiene una forma mucho ms normal que para
*
u . Esto no es sorprndete ya que

* *
x | = . El intervalo normal estndar para ln( ) | u = es | | 0.4639, 0.7015 , mientras que el

intervalo percentil es | | 0.4636, 0.7116 . Debido a la forma normal del histograma, estos
intervalos coinciden mucho ms que en la Figura 2.10. Ya que el histograma de la Figura
2.11 parece mucho ms normal que en la Figura 2.10, parece razonable basar el intervalo
normal estndar en
| y luego mapear los extremos del intervalo de regreso a la escala de u

, en lugar de basar el intervalo directamente en
u .

Figura 2.11 Histograma
*
| , adaptado de Efron y Tibshirani (1994)

El mapeo inverso del logaritmo es la funcin exponencial. Al usar la funcin exponencial
para hacer el mapeo del intervalo normal estndar de regreso a la escala de u el intervalo
resultante es | | 0.6289, 2.0167 . Este intervalo es mucho ms cercano al intervalo percentil
| | 0.6290, 2.0372 que el intervalo normal estndar | | 0.9482, 2.3453 construido usando
u

directamente.
En otras palabras, el intervalo percentil respeta transformaciones: El intervalo percentil
para cualquier transformacin de parmetro ( ) m | u = es simplemente el intervalo percentil
para u mapeado por ( ) m u :

( ) ( ) %,lo %,up %,lo %,up

, , m m | | u u
(
(
=

(2.50)
Se observa que el intervalo percentil para u concuerda apropiadamente con el intervalo
normal estndar construido en una transformacin apropiada de u

y luego haciendo el
mapeo de regreso a la escala de u . La dificultad para mejorar el mtodo estndar de esta
forma es que es necesario saber la transformacin adecuada de para cada parmetro u

de
inters. El mtodo del percentil puede ser considerado como un algoritmo que
automticamente incorpora tales transformaciones.
El mtodo percentil tambin puede ser visto como un algoritmo computacional que
extiende el rango de efectividad de los intervalos normal estndar. En situaciones como la
de la Figura 2.9,
2
( , se ) N u , donde los intervalos normal estndar son correctos, los

intervalos percentiles concuerdan con ellos. En situaciones como la de la Figura 2.10 ,
donde los intervalos estndar seran correctos si se transforman los parmetros de u a | ,
0.9 0.6 0.3 0.0 -0.3 -0.6 -0.9
160
140
120
100
80
60
40
20
0
0.712
-0.464
0.701

el mtodo del percentil automticamente hace esta transformacin. La ventaja de este
mtodo es que no necesitamos saber la transformacin correcta. Lo nico que se asume es
que tal transformacin existe.
El sesgo de
( ) s u = x como un estimado de u se define como la diferencia entre el valor

esperado de
u y el valor del parmetro u ,

| |
bias bias ( , ) E ( ) ( )
F F F
s t F u u = = x (2.51)
Un sesgo grande es usualmente un aspecto indeseable del desempeo de un estimador,
aunque es un hecho que es
u un estimador variable de u , no se desea que la variabilidad

sea extraordinariamente grande e el extremo inferior o superior. Los estimadores
insesgados, aquellos para los que
E ( )
F
u u = , juegan un papel muy importante en la teora y
practica estadstica. Los estimadores plug-in no son necesariamente insesgados, pero
tienden a tener sesgos pequeos en comparacin con la magnitud de sus errores estndar.
El mtodo del percentil no es la ltima palabra en intervalos de confianza bootstrap.
Existen otras formas en la que los intervalos de confianza estndar fallan, adems de la no
normalidad. Por ejemplo
u podra ser un estimador normal sesgado,

2
( bias, se ) N u + (2.52)
en cuyo caso, ninguna transformacin ( ) m | u = puede arreglar las cosas. Posteriormente se
presentar una extensin del mtodo percentil que automticamente maneja tanto el sesgo
como las transformaciones: los intervalos de confianza BC
o
.

2.6.6 El jacknife

El jacknife es una tcnica introducida por Quenouille (1949) que sirve para estimar el sesgo
y el error estndar de un estimado. El jacknife precede al bootstrap y guarda similitudes con
l. Su revisin es necesaria ya que es una herramienta requerida para la construccin de
intervalos de confianza BC
o
.
Suponga que se tiene una muestra ( )
1 2
, , ,
n
x x x = x y un estimador
( ) s u = x . Se desea
estimar el sesgo y el error estndar de
u . El jacknife se enfoca en las muestras que dejan

fuera una observacin a la vez:

( ) 1 2 1 1
( , ,... , ,... )
i i i n
x x x x x
+
= x (2.53)
para 1, 2,... i n = , llamadas muestras jacknife. La i -sima muestra jacknife consiste en el
conjunto de datos con la i -sima observacin removida. Sea

( ) ( )
( )
i i
s u = x (2.54)
la i -sima rplica jacknife de
u .
El estimador de sesgo jacknife esta definido por
jack
( )

bias ( 1)( ) n u u
= (2.55)
donde

( ) ( )
1

/
n
i
i
n u u
=
=
(2.56)

2.6.7 Intervalos de confianza BC

Uno de los principales objetivos de la teora bootstrap es generar buenos intervalos de
confianza de forma automtica. Buenos intervalos quiere decir que los intervalos bootstrap
deben de coincidir de manera muy cercana con los intervalos de confianza exactos en esas
situaciones especiales donde la teora estadstica lleva a una respuesta exacta y proporciona
probabilidades de cobertura precisas de las que se puede depender.
En esta seccin se discute una versin mejorada del mtodo percentil llamado mtodo BC
o
, la abreviacin indica correccin de sesgo y acelerado bias corrected and accelerated en
ingls. Los intervalos BC
o
son una mejora sustancial sobre el mtodo del percentil tanto
en la teora como en la prctica. Tienen las propiedades deseables antes descritas, aunque
su cobertura puede seguir siendo errtica con tamaos de muestra pequeos.
Los intervalos de confianza BC
o
son ms complicados de definir que los intervalos
percentiles, pero casi tan sencillos de utilizar. Sea
*( )
o
u del indicador del 100 -simo o
percentil de B rplicas bootstrap
* * *

(1), (2), , ( ) B u u u , como en (2.47). El intervalo
percentil
lo up

( , ) u u de cobertura pretendida 1 2o , es obtenido directamente de estos
percentiles,

*( ) *(1 )
lo up

mtodo percentil: ( , ) ( , )
o o
u u u u

= (2.57)
Los extremos de los intervalos BC
o
tambin estn dados por los percentiles de la
distribucin de las rplicas bootstrap, pero no son necesariamente los mismos que en (2.57)
. Los percentiles que se utilizan dependen de dos valores a y
0
z , llamados aceleracin y
correccin de sesgo. Ms adelante se describir como se obtienen estos valores, pero
primero se vera como se definen los extremos del intervalo de confianza BC
o

1 2
*( ) *( )
lo up

BC : ( , ) ( , )
o o
o
u u u u = (2.58)
donde

( )
0
1 0 ( )
0
(1 )
0
2 0 (1 )
0
1 ( )
1 ( )
z z
z
a z z
z z
z
a z z
o
o
o
o
o
o

| | +
= u +
|
+
\ .
| | +
= u +
|
+
\ .
(2.59)
Aqu ( ) u es la funcin acumulativa de la distribucin normal estndar y
( )
z
o
es el
100 -simo o punto percentil de la distribucin normal estndar. Por ejemplo
(0.95)
1.645 z =
y (1.645) 0.95 u = .
La frmula (2.59) luce complicada pero es sencilla de calcular. Note que si a y
0
z
tuvieran un valor de cero, entonces

( ) ( )
( ) (1 )
1 2
y 1 z z
o o
o o o o
= u = = u = (2.60)
de manera que el intervalo BC
o
sera el mismo que el intervalo percentil (2.46). Valores
distintos a cero de a y
0
z cambian los percentiles utilizados para los extremos del intervalo
BC
o
. Estos cambios corrigen ciertas deficiencias de los intervalos normal estndar y los
intervalos percentiles.
El valor de la correccin de sesgo
0
z , se obtiene directamente de la proporcin de rplicas
bootstrap menores que el estimado plug-in original
u ,

{ }
*
1
0

# ( )
b
z
B
u u
| |
<
|
= u
|
\ .
(2.61)

1
( )
u Indicando la funcin inversa de la distribucin cumulativa normal estndar, por

ejemplo
1
(0.95) 1.645
u = . En trminos generales,
0
z

mide la mediana del sesgo de
*
u ,
eso es, la discrepancia entre la mediana de
*
u y
u , en unidades de desviacin normal

estndar. Se obtiene
0
0 z = si exactamente la mitad de los valores
*
( ) b u son menores que
u .
Existen varias formas de calcular la aceleracin a . La manera ms sencilla de explicarlo es
en termino de los valores jacknife de un estadstico
( ) s u = x . Sea
( ) i
x la muestra original
con el simo i punto
i
x eliminado, sea
( ) ( )
( )
i i
s u = x y defnase
( ) ( )
1

/
n
i
i
n u u
=
=
, tal
como se vio en la descripcin del jacknife. Una expresin simple para la aceleracin es

( )
( )
{ }
3
( ) ( )
1
3/ 2
2
( ) ( )
1

6
n
i
i
n
i
i
a
u u
u u
(2.62)
El valor a es llamado aceleracin por que se refiere a la razn de cambio de el error
estndar de
u con respecto al valor verdadero del parmetro u , medido en una escala

normalizada. La aproximacin normal estndar
2
( , se ) N u u asume que el error estndar

de
u es el mismo para todos los valores de u . Esto es frecuentemente irrealista y la

aceleracin a

corrige esto.
El mtodo BC
o
tiene dos ventajas tericas importantes. Primero, respeta transformaciones,
como en (2.50). La segunda es respecto a su precisin. Se supone que un intervalo de
confianza central 1 2o tiene una probabilidad o de no cubrir el valor verdadero de u
por encima o debajo,

{ } { } lo up

Prob y Prob u u o u u o < = > = (2.63)
Los intervalos de confianza aproximados pueden ser evaluados en trminos de que tan
precisamente concuerdan con (2.63). Puede demostrarse que los intervalos BC
o

tienen una
precisin de segundo orden. Esto significa que sus errores para coincidir con (2.63) tienden
a cero a una razn de 1/ n donde n es el tamao de la muestra,

{ } { }
up
lo
lo up

Prob y Prob
c
c
n n
u u o u u o < + > + (2.64)
para dos constantes
lo
c y
up
c . Los intervalos de los mtodos estndar y percentil tienen
solo una precisin de primer orden, lo que quiere decir que sus errores para coincidir con

(2.63) son de una magnitud mayor,

{ } { }
up
lo
lo up

Prob y Prob
c
c
n n
u u o u u o < + > + (2.65)
La diferencia entre precisin de primer y segundo orden no es nicamente una ventaja
terica para alardear, lleva a mucho mejores aproximaciones de los extremos exactos,
cuando ellos existen. Dicho sea de paso, los intervalos exactos, cuando existen, son
comnmente bastante asimtricos. Los errores ms serios hechos por los intervalos estndar
son debidos a su simetra forzada.
La Tabla 2.5 muestra de manera resumida una vista general a las caractersticas de los
distintos intervalos de confianza revisados en este trabajo. Los intervalos BC
o

no son
perfectos, ya que tienden quedarse un tanto cortos en sus estimaciones cuando los tamaos
de muestra son pequeos. De cualquier forma, son recomendados de manera general,
especialmente para problemas no paramtricos.
Caracterstica Normal estndar Percentil
BC
o

Cobertura terica Buena en el grado en
que la aproximacin
2
( , se ) N u

sea
apropiada
Buena Mejor
Grado de precisin Primer orden Primer Orden Segundo Orden
Respeta
transformaciones
No S S
Tabla 2.5 Comparativa de mtodos para la construccin de intervalos de confianza
Existen situaciones particulares en las cuales no resulta posible calcular los valores de a

y
0
z . Considere el caso donde el parmetro de inters u , es un percentil. Para la constante
de aceleracin a , es posible que el estimado
u en cada rplica jacknife donde en cada

muestra fue removido de
F un valor a la vez sea el mismo, por lo que tanto el

numerador como el denominador de (2.62) tendran un valor de cero, lo que representa una
expresin indeterminada. Por su parte para el clculo de la correccin de sesgo
0
z , si
ocurre que cada rplica bootstrap tiene el mismo valor y este es idntico al estimado plug-
in original
u , resultara ( )
1
0
0 z

= u = . En cualquiera de los dos casos, la consecuencia
es que no pueden calcularse
1
o y
2
o , los percentiles utilizados para la construccin del
intervalo BC
o
. En este caso se recomienda utilizar una estimacin puntual de
u , como lo es
su valor esperado.


2.7 Prueba de asimetra y transformacin de datos

Cuando una distribucin es normal, sus valores de asimetra y kurtosis son cero. De
acuerdo con Tabachnick y Fidell (2000) existen pruebas de significancia para la asimetra
que prueban el valor obtenido, contra la hiptesis nula de cero. El error estndar de
asimetra puede estimarse de manera aproximada,

6
s
s
N
= (2.66)
Donde N es la cantidad de observaciones que conforman la muestra. El valor obtenido en
el coeficiente de asimetra es comparado con cero usado la distribucin normal estndar,
donde

0
s
S
z
s
= (2.67)
Y S es el valor del coeficiente de asimetra obtenido a partir de la muestra. Con esto se
plantean las hiptesis nula y alternativa:

0
1
: 0
: 0
H S
H S
=
=
(2.68)
Para aclarar lo anteriormente planteado considere el siguiente ejemplo: Se tiene una
muestra compuesta por 12 observaciones, el coeficiente de asimetra observado es de
3.2651 S ~ . Con un nivel de significancia de 0.10 o =

se desea determinar si se debe
rechazar no la
0
H planteada en (2.68).
Para este caso en particular, utilizando (2.66) y (2.67) se tiene:

0.7071
4.6176
s
s
z
=
=
(2.69)
Con un valor de 4.6176 z ~ , el nivel de significancia observado tambin conocido como
valor p se calcula:

6
2(1 (4.6176)) 3.8821 10 P

= u = (2.70)
Puesto que P o s la hiptesis nula
0
H es rechazada, por lo que se concluye que el
coeficiente de asimetra observado es diferente de 0, lo que quiere decir que la asimetra
observada es significativa.
Segn Singh (1998) en la estimacin robusta, tpicamente los datos en los extremos tienen

poca o ninguna influencia en el estimador. Por lo tanto, algunos de los datos en los
extremos pueden ser alterados para incrementar la robustez de los cuantiles bootstrap.
Para un valor de | entre 0 y
1
2
, se define la transformacin de los datos winsorization
de la | -sima fraccin de los datos de x en cada extremo de la siguiente forma: Se define
a l como el entero ms grande menor igual a n| , es decir:
l n| = (

(2.71)
Se define:

1
*
1
, si ,
, si ,
, de lo contrario.
l i l
i n l i n l
i
x x x
x x x x
x
+
+
s
= >
(2.72)
Donde
*
i
x son los datos transformados winsorized , a partir de los cuales se tomaran las
muestras bootstrap. Singh (1998) sostiene que aunque cualquier factor de transformacin
1
2
| < es aceptable en teora, en la prctica | debera establecerse significativamente por
debajo de
1
2
, digamos menor igual a
1
4
.

55

CAPTULO 3
Extensin del modelo (S,T) a travs del
bootstrap
En este captulo se exhibir la aportacin de la presente investigacin, que es evaluar la
efectividad del modelo de revisin peridica (S,T) considerando un mtodo de distribucin
libre. En particular se busca establecer el nivel de inventario objetivo ( ) S para una
longitud del periodo de revisin ( ) T y un nivel de servicio deseado predefinidos.
El mtodo que se presenta esta basado principalmente en el uso de la herramienta
estadstica bootstrap, introducida por Efron (1979). Esta herramienta es por naturaleza libre
de distribucin, permitiendo hacer estimaciones a partir de la muestra sin hacer ningn tipo
de suposicin sobre la distribucin de probabilidad subyacente a la misma.
Adicionalmente, se busca superar las limitaciones de orientacin a la minimizacin de
costos y el traslape del periodo de revisin y el tiempo de obtencin.
El algoritmo que constituye el mtodo propuesto , fue programado en Python haciendo
uso de la herramienta IPython (Prez y Granger, 2007). Sin embargo, el formato principal
para la exposicin de la propuesta es la presentacin del pseudocdigo. El cdigo fuente
puede ser encontrado en el Apndice A de este trabajo.
Se parte del supuesto de que la informacin disponible sobre la RLTD esta compuesta por
dos variables aleatorias independientes: la demanda por unidad de tiempo y el tiempo de
obtencin.
Para cada artculo se cuenta con la siguiente informacin:
- Demanda registrada en cada unidad de tiempo durante un periodo determinado. Por
ejemplo:
Demanda diaria (Semana 27 Semana 39 del 2012)
Da 1 Da 2 Da 3 Da 78
124 135 112 127
Tabla 3.1 Ejemplo de observaciones de demanda por unidad de tiempo
Cap. 3 - Extensin del modelo (S,T) a travs del bootstrap 56

- Tiempos de obtencin registrados durante un periodo de tiempo igual o similar al
de la demanda registrada. Por ejemplo:
Tiempos de Obtencin (TO) registrados de la Semana 27 a la semana 39
del 2012, expresados en das
TO 1 TO 2 TO 3 TO 12
2 3 6 5
Tabla 3.2 Ejemplo de observaciones de tiempos de obtencin
- La longitud del periodo de revisin ( ) T . Por ejemplo: 5 das.
- Nivel de servicio deseado. Por ejemplo: 95%.
Note que la cantidad de observaciones de demanda por unidad de tiempo y tiempos de
obtencin pueden ser distintas (En los datos de ejemplo se tienen 78 observaciones de
demanda y 12 tiempos de obtencin). Los tiempos de obtencin pueden ser menores a una
unidad de tiempo y estos no son necesariamente menores al periodos de revisin, con lo
que se deja a un lado un supuesto comn en otras investigaciones (Sezen, 2006) .
Con esta informacin disponible, se desea determinar el nivel de inventario objetivo ( ) S ,
que permita alcanzar el nivel de servicio objetivo deseado.

3.1 Algoritmo y Pseudocdigo

La presentacin del pseudocdigo ser llevada en bloques. De esta forma en cada bloque se
harn los comentarios necesarios. Las instrucciones del pseudocdigo se encuentran
numeradas. El diagrama de flujo correspondiente al algoritmo propuesto se encuentra en las
Figuras 3.1 y 3.2.


Figura 3.1 Diagrama de flujo algoritmo propuesto (parte 1)

Figura 3.2 Diagrama de flujo algoritmo propuesto (parte 2)

Bloque 1 - Lectura de datos inicial
El programa desarrollado requiere que la informacin de entrada este en archivos de Excel.
En total se requieren 4 archivos (observaciones de demanda por unidad de tiempo,
observaciones de tiempos de obtencin, periodo de revisin y nivel de servicio). En los
archivos la informacin debe estar dispuesta de manera horizontal. Esto es, cada fila
corresponde a un artculo distinto. La primera columna de los archivos contiene un
identificador nico para cada artculo.
1. Abrir archivo de observaciones de tiempos de obtencin.
2. Abrir archivo de observaciones de demanda.
3. Abrir archivo de periodos de revisin
4. Abrir archivo de nivel de servicio.
5. Verificar en cada archivo que los identificadores de los artculos son nicos.
6. Verificar que todos los archivos contengan los mismos artculos.
7. Crear un arreglo con los identificadores de los artculos.

8. Inicializar archivo de Excel para los resultados de salida.

Bloque 2 Lectura de datos individual, pruebas de asimetra y transformacin de datos.
Un problema relativamente comn al trabajar con valores de demanda y tiempos de
obtencin es la presencia de valores extremos. Como ser entendido en el siguiente bloque,
un valor extremadamente grande de demanda o de tiempo de obtencin, puede ocasionar
que distribucin RLTD que se genere tenga una cola a la derecha innecesariamente larga,
por lo que el percentil de la RLTD asociado al nivel de servicio deseado que determinar
el nivel de inventario S resultar mayor, ocasionando un incremento en los costos
incurridos por mantenimiento de inventario. Para minimizar este efecto se propone observar
si la asimetra causada por la presencia de valores extremos en los datos de demanda y
de tiempos de obtencin es significativa o no. En caso de que la hiptesis nula sea
rechazada ( )
0
: 0 H S = , se transformarn los datos con el mtodo de Singh (1998).
A partir de este bloque se itera para cada artculo.
9. Leer datos de tiempos de obtencin del artculo.
10. Leer datos de demanda del artculo.
11. Leer periodo de revisin del artculo.
12. Leer nivel de servicio objetivo del artculo.
13. Realizar prueba de asimetra para los datos de demanda.
14. Si se rechaza la hiptesis nula, transformar los datos.
15. Realizar prueba de asimetra para los datos de tiempos de obtencin.
16. Si se rechaza la hiptesis nula, transformar los datos.
Nota: Al leer los datos de demanda, se descartan los valores que son menores o iguales a
cero. La justificacin para ignorar los valores de demanda negativos causados por
devoluciones, por ejemplo se encuentra en Johansen y Hill (2000). Los valores de
demanda igual a cero son descartados con el objetivo de lograr un nivel de servicio ms
alto.

Bloque 3 Construccin de la distribucin emprica de la RLTD
La informacin que se tiene hasta este momento sobre la RLTD esta disponible a travs de
observaciones de dos variables aleatorias sencillas, la demanda por unidad de tiempo y el
tiempo de obtencin. El bootstrap tambin puede aplicarse a estructuras de datos con cierta
complejidad y este sera un caso. Este bloque es en s el mecanismo que estima la
distribucin de probabilidad de la RLTD ( ) F generando un conjunto de valores que

conforman la distribucin de probabilidad emprica de la RLTD
( ) F . Para sobrellevar el
impacto del traslape del periodo de revisin y el tiempo de obtencin se hacen
comparaciones entre estos valores, el que resulte mayor ser multiplicado por una
observacin de demanda por unidad de tiempo, este producto constituye uno de los valores
que conforman la distribucin emprica de la RLTD.
17. Definir tamao de muestras bootstrap ( ) n .
# observaciones demanda +
# observaciones tiempos obtencin
=
2
n
(
(
(
(
(

18. Crear conjunto vaco RLTD. { } RLTD = .
19. Mientras el nmero de elementos de RLTD < 300:
20. Generar una muestra bootstrap de tamao n a partir de los datos de
demanda por unidad de tiempo. (Vector mde ).
21. Generar una muestra bootstrap de tamao n a partir de los datos de
tiempos de obtencin. (Vector mto ).
22. Generar un vector de tamao n , donde todos sus elementos tienen
un valor igual al periodo de revisin (Vector pr ).
23. Comparar elemento a elemento los vectores mto

y pr . El valor
mximo de cada comparacin se guarda en el vector maxtopr .
24. Multiplicar elemento a elemento mde y maxtopr .
.* = orltd mde maxtopr . (Los elementos del vector orltd son
considerados valores posibles de demanda durante el tiempo de
obtencin y periodo de revisin)
25. Agregar elementos del vector orltd al conjunto RLTD.

Bloque 4 Rplicas bootstrap del percentil de la RLTD asociado al nivel de servicio
deseado
En este caso el parmetro de inters u , es el percentil de la RLTD asociado al nivel de
servicio deseado. Se calcularn las rplicas bootstrap
*
u a partir de la de la distribucin
emprica
F de la RLTD generada en el bloque anterior.

26. Crear conjunto vaco para las replicas bootstrap de
u . { }
CRBu = .

27. Mientras el nmero de elementos de
CRBu < 2000:

28. Generar una muestra bootstrap a partir de los datos del conjunto
RLTD. El tamao de la muestra es el tamao del conjunto RLTD.
29. Evaluar la rplica bootstrap
*
u , es decir, calcular el valor del

percentil correspondiente al nivel de servicio deseado de la muestra
bootstrap generada.
30. Agregar
*
u al conjunto
CRBu .
31. Calcular el valor esperado de las rplicas bootstrap
*
u . Esto es, el promedio

de los valores del conjunto
CRBu .
Bloque 5 Construccin de intervalos de confianza del percentil de la RLTD asociado al
nivel de servicio deseado.
En este bloque se construyen los intervalos del mtodo percentil y BC
o
. La construccin
del intervalo con el mtodo percentil, llevada a cabo nicamente con fines de comparacin,
es bastante directa. Por su parte, el mtodo BC
o
requiere que se calculen los valores de
aceleracin y correccin de sesgo ( a y
0
z ). El clculo de valor de aceleracin requiere a su
vez, el uso de la herramienta jacknife.
Finalmente el valor del nivel de inventario objetivo ( ) S , es el lmite superior del intervalo
de confianza BC
o

del percentil asociado al nivel de servicio deseado.
32. Calcular el valor de los percentiles o y 1o de las rplicas bootstrap
*
u
generadas (conjunto
CRBu ). De acuerdo con (2.47) los valores de estos

percentiles son el lmite inferior y el lmite superior del intervalo de confianza del
mtodo percentil.
33. Crear un conjunto vaco para las rplicas jacknife. { }
CRJu = .
34. Para i =1 hasta (tamao del conjunto RLTD):
35. Generar la i -sima muestra jacknife de la RLTD.
36. Evaluar rplica jacknife. Esto es, calcular el valor del percentil
correspondiente al nivel de servicio deseado de la muestra jacknife
generada.
37. Agregar la rplica jacknife al conjunto
CRJu .
38. De acuerdo con (2.56), calcular
( )
u

. Es decir, el promedio de las rplicas
jacknife.

39. Utilizando (2.62), calcular el valor de aceleracin a .
40. Con todos los valores de la RLTD, calcular estimado plug-in original
u .
41. Utilizando (2.61), calcular el valor de correccin de sesgo
0
z .
42. Utilizando (2.59) calcular
1
o y
2
o , los percentiles que sern utilizados para
el caculo del intervalo de confianza BC
o
.
43. Calcular el valor de los percentiles
1
o y
2
o de las rplicas bootstrap
*
u
generadas (conjunto
CRBu ). De acuerdo con (2.58) los valores de estos

percentiles son el lmite inferior y el lmite superior del intervalo de confianza del
mtodo BC
o
.
44. El valor del nivel de inventario objetivo ( ) S , es el lmite superior del
intervalo de confianza BC
o

del percentil asociado al nivel de servicio deseado.
Si no fue posible el clculo de los valores de aceleracin y correccin de sesgo (
a y
0
z ), situacin explicada durante la teora sobre los intervalos BC
o

entonces, el nivel de inventario objetivo es el valor esperado de las rplicas
bootstrap
*
u .
45. Vaciar resultados en archivo de Excel.

3.2 Sobre la salida de resultados

Una de las ventajas de IPython es que a diferencia de una consola comn, provee una
interfaz interactiva con capacidades grficas. El programa que fue desarrollado calcula
adems de todo lo descrito en el pseudocdigo algunos otros aspectos de estadstica
descriptiva y construye histogramas. Si la cantidad de artculos con los que se esta
trabajando no es muy grande, se recomienda el anlisis de resultados a travs de la interfaz
de IPython. Si se esta trabajando con una cantidad de datos muy grande, es posible de
manera sencilla comentar el cdigo que despliega los resultados en la interfaz de IPython
(nicamente se generara el archivo de Excel), esto con el fin de no exceder las capacidades
del ordenador. La Figura 3.3 y la Figura 3.4 son algunos ejemplos de la manera en la que se
muestra la salida de resultados en IPython.


Figura 3.3 Ejemplo de salida de resultados en interfaz de IPython

Figura 3.4 Ejemplo de salida de resultados en interfaz de IPython


3.3 Metodologa de evaluacin y resultados

Para evaluar el desempeo del mtodo propuesto, tanto en trminos de nivel de servicio
como de costos, se decidi llevar a cabo un estudio de simulacin. Los datos utilizados
corresponden a la informacin real de una muestra de artculos distribuidos al detalle por
una empresa comercializadora. El estudio compara la propuesta contra el mtodo
tradicional y las polticas que actualmente emplea la empresa. De forma complementaria, se
examina el desempeo de la propuesta contra el supuesto de que los datos que conforman la
distribucin emprica se ajustan a una distribucin normal. En la Tabla 3.3 se describen los
distintos mtodos que estarn siendo evaluados y comparados.

Mtodo Descripcin
Tradicional
Asume que la RLTD se ajusta a una distribucin normal, El nivel de
inventario objetivo se calcula utilizando (2.7), (2.8) y (2.9). El tiempo
de obtencin ( ) t utilizado es el promedio de las observaciones
disponibles para el artculo.
Propuesta
El nivel objetivo de inventario es el lmite superior del intervalo de
confianza del percentil BC
o
asociado al nivel de servicio deseado. En
caso de que no resultara posible el clculo de los valores de aceleracin
y correccin de sesgo ( a

y
0
z ), el nivel objetivo de inventario es el
valor esperado de las rplicas bootstrap.
Suposicin de
normalidad en
distribucin
emprica
Se deriva de la propuesta desarrollada en este trabajo de investigacin.
Utiliza la distribucin emprica de RLTD generada en la misma, pero se
asume que sus valores se ajustan a una distribucin normal, por lo que
el nivel objetivo de inventario, determinado por el percentil asociado al
nivel de servicio deseado se calcula
(1 )
RLTD RLTD
S D z
o
o
= + .
Actual Es el nivel de inventario objetivo que actualmente utiliza la empresa.
Tabla 3.3 Mtodos evaluados

Cabe sealar que si durante el clculo del nivel objetivo de inventario con el mtodo
propuesto, los datos de demanda por unidad de tiempo los tiempos de obtencin fueron
transformados, los mismos datos transformados se utilizan para el clculo del nivel objetivo
de inventario en el resto de los mtodos y para el estudio de simulacin. Para todos los
casos, se estableci el nivel de servicio objetivo entendido como la probabilidad de abasto
en 95% y un periodo de revisin de 5 unidades de tiempo. En la Tabla 3.4 se exhiben los
niveles de inventario objetivo resultante con cada mtodo para los artculos que componen
la muestra.


ARTCULO TRADICIONAL
SUPOSICIN DE
NORMALIDAD EN
DISTRIBUCION
EMPIRICA
PROPUESTA ACTUAL
OM21101 984 2094 4205 2615
IEYD1500/S 715 868 1113 889
BTQN28D 1305 1581 2160 1726
RWRR0505 112 130 140 333
LT3908S 653 589 643 1593
LV5320WCP 697 610 783 1250
TLVC8X1 67 68 65 257
BTE2001 1005 909 1071 2228
IEEXN50 977 935 980 2100
3M1600 1154 999 1010 3114
IDPOT14BCO 2194 2108 2175 5200
HBAWN4232EU 80 91 112 200
ES7120LED 46 50 50 80
LV515PR 236 219 260 674
IUBW4T 64 68 70 310
OM31612 668 620 715 3975
IEYD330S 317 360 375 788
IEMR16SMTLED3W65 393 461 490 436
PD13RE 8801 8745 8888 22700
BT316411 25 26 29 50
IDCA12NGO 19847 16907 18530 39100
LT3907S 625 567 718 1706
BT331751 29 33 48 36
BTE6028N 1164 1208 1778 4520
IEMR16LED/45W/30 348 389 410 230
OS49596 162 215 242 390
OS82276 798 1094 1691 608
IELTL3282 63 73 79 58
RY500 202 228 266 1626
IEGU1050C 162 178 205 558
EBCRST1906 1155 1165 1195 6486
Tabla 3.4 Niveles de inventario objetivo resultantes
El modelo de simulacin fue desarrollado en iThink, la Figura 3.5 muestra
conceptualmente el modelo de simulacin, mientras que la Figura 3.6 es un ejemplo de la
interfaz utilizada para simplificar la evaluacin de las distintas polticas de inventario
resultantes. En el Apndice C pueden encontrarse las ecuaciones que conforman el modelo
de simulacin. Resulta importante sealar que en el mismo, la demanda por unidad de
tiempo y los tiempos de obtencin son consideradas como dos variables aleatorias

independientes, ambas representadas por distribuciones discretas. Las medidas de
desempeo relativas al nivel de servicio que estn consideradas en el modelo son:
probabilidad de abasto, tasa de surtido y faltantes totales. Respecto a los costos se
encuentran los relevantes a ordenar, mantener y por faltantes. Adicionalmente se tiene el
dato del inventario promedio durante el periodo de simulacin.

Figura 3.5 Modelo de simulacin en iThink

Figura 3.6 Interfaz iThink

Cada mtodo (tradicional, supuesto de normalidad en la distribucin emprica, propuesta y
poltica actual) fue simulado con 50 rplicas, cada una de ellas con una duracin de 350
unidades de tiempo, en este caso das. La muestra estudiada esta conformada por 31
artculos, por lo que en total se llevaron a cabo 6,200 rplicas.
Los costos de ordenar ( ) A para todos los artculos se fijaron en $300 por orden. El costo
unitario por faltante utilizado ( ) t , equivale a la estimacin del margen de contribucin
unitario correspondiente a cada artculo, es decir, la diferencia entre el precio de venta
promedio y su costo unitario. En la Tabla 3.5 se encuentran los costos unitarios (C) y por
faltante ( ) t

de cada artculo de la muestra estudiada.
ARTCULO
COSTO
UNITARIO ( C )
COSTO POR
FALTANTE ()
ARTCULO
COSTO
UNITARIO ( C )
COSTO POR
FALTANTE ()
OM21101 0.57 0.23

IEYD330S 22.36 5.83
IEYD1500/S 116.62 30.40

IEMR16SMTLED3W65 50.44 13.15
BTQN28D 28.63 7.80

PD13RE 1.85 0.74
RWRR0505 32.65 13.02

BT316411 2,172.59 839.49
LT3908S 38.58 10.71

IDCA12NGO 4.11 0.88
LV5320WCP 5.30 1.90

LT3907S 28.94 8.04
TLVC8X1 53.00 18.97

BT331751 1,389.51 536.91
BTE2001 13.07 3.82

BTE6028N 24.82 7.25
IEEXN50 7.17 1.87

IEMR16LED/45W/30 90.22 23.52
3M1600 8.57 3.07

OS49596 123.24 34.22
IDPOT14BCO 6.68 1.44

OS82276 45.88 17.58
HBAWN4232EU 378.69 135.57

IELTL3282 730.47 310.52
ES7120LED 642.96 246.32

RY500 3.84 1.37
LV515PR 16.82 6.02

IEGU1050C 8.45 2.20
IUBW4T 51.00 18.26

EBCRST1906 3.35 1.34
OM31612 3.82 1.52
Tabla 3.5 Costos unitarios y por faltante
En cada rplica, los costos por faltantes totales se obtuvieron de acuerdo a (2.14) con la
salvedad de que se utiliz la cantidad de faltantes observados en lugar de los faltantes
esperados. Para los costos de mantener se estim una tasa de inters anual ( ) h de 30%, que
si se consideran 350 das en un ao, equivale a una tasa diaria de 0.0857%. Los costos de
mantenimiento incurridos en una rplica son entonces

1
Costos por mantenimiento = unidades en inventario en el periodo
n
i
C h i
=

(2.73)
donde cada periodo i corresponde a unidad de tiempo y n es la duracin de cada rplica.
El costo total observado en cada rplica es la suma de los costos de ordenar, costos por
mantenimiento y costos por faltantes observados.
La probabilidad de abasto obtenida en una rplica esta dada por

# de unidades de tiempo con faltantes
Probabilidad de abasto 1
duracin de la rplica
= (3.1)
De manera anloga a (2.10), la tasa de surtido de una unidad de tiempo en particular,
correspondiente al periodo i puede calcularse como

faltantes del periodo
Tasa de surtido 1
demanda del periodo
i
i
i
= (3.2)
La tasa de surtido promedio durante una rplica es entonces

1
Tasa de surtido promedio Tasa de surtido /
n
i
i
n
=
=

(3.3)
donde n es la duracin en unidades de tiempo de cada rplica. Para simplificar el anlisis
de los resultados, se decidi enfocarse nicamente al anlisis de dos indicadores de
desempeo: Probabilidad de abasto y Costo total. Dndole una relevancia un poco menor,
tambin se exhibe la tasa de surtido. En el apndice B se encuentran las grficas de los
resultados de estos indicadores de desempeo. En ellas, cada punto graficado corresponde
al resultado observado en cada rplica. La Figura 3.7 es un ejemplo de ests grficas.

Figura 3.7 Probabilidad de abasto observada LV515PR
Para realizar una comparacin de la probabilidad de abasto entre los distintos mtodos,
puede que una grfica como la de la Figura 3.7 no resulte muy til, es por ello que en el
apndice B tambin se proporcionan grficas en las que el orden en el que se grafican los
puntos no corresponde a la cronologa de las rplicas, sino que las observaciones de cada
mtodo son ordenadas en forma ascendente y graficadas en esta secuencia. Observe que la
Figura 3.8 contiene la misma informacin que la Figura 3.7, sin embargo este cambio
vuelve mucho ms til a la grfica para examinar el comportamiento de este indicador de
desempeo.

Figura 3.8 Probabilidad de abasto observada LV515PR (valores ordenados)
Como es comn en un estudio de simulacin, los resultados obtenidos para estos
indicadores se expresan en trminos de intervalos de confianza para medias con una
cobertura del 95%. Asumiendo cada indicador de desempeo como una variable aleatoria
independiente y dado que el tamao de la muestra es relativamente grande ( 50 n = que
corresponde a la cantidad de rplicas por artculo y mtodo), en base al teorema de lmite
central es razonable asumir que las medias de los resultados observados de cada indicador
se ajustan de manera aproximada a una distribucin normal. Por lo tanto, el intervalo de
confianza para la media de cada indicador esta determinado por

( ) / 2
z
n
o
o
(3.4)
Las Tablas Tabla 3.6, Tabla 3.7 y Tabla 3.8 muestran respectivamente los intervalos de
confianza resultantes para las medias de la probabilidad de abasto, tasa de surtido y costo
total.


PROBABILIDAD DE ABASTO, INTERVALOS DE CONFIANZA 95%
ARTCULO PROPUESTA TRADICIONAL
SUPOSICIN DE
NORMALIDAD EN
DIST. EMPRICA
ACTUAL
OM21101 (100, 100) (93.17, 95.12) (100, 100) (100, 100)
IEYD1500/S (99.80, 99.95) (93.76, 94.91) (98.18, 98.70) (98.81, 99.36)
BTQN28D (100, 100) (92.97, 94.05) (98.53, 99.13) (99.36, 99.71)
RWRR0505 (99.89, 99.97) (98.55, 98.97) (99.65, 99.80) (100, 100)
LT3908S (95.70, 96.40) (95.62, 96.39) (92.76, 93.72) (100, 100)
LV5320WCP (99.13, 99.46) (97.03, 97.61) (92.12, 93.11) (100, 100)
TLVC8X1 (96.77, 97.33) (97.53, 98.13) (97.97, 98.37) (100, 100)
BTE2001 (96.95, 97.64) (94.96, 95.73) (90.32, 91.59) (100, 100)
IEEXN50 (97.85, 98.20) (97.73, 98.19) (96.51, 96.99) (100, 100)
3M1600 (89.02, 89.84) (95.55, 96.23) (88.69, 89.65) (100, 100)
IDPOT14BCO (94.60, 95.61) (95.11, 96.03) (93.48, 94.56) (100, 100)
HBAWN4232EU (99.87, 99.98) (95.77, 96.68) (98.59, 99.07) (100, 100)
ES7120LED (98.35, 98.83) (97.16, 97.76) (98.31, 98.80) (100, 100)
LV515PR (99.04, 99.39) (97.65, 98.28) (95.79, 96.77) (100, 100)
IUBW4T (99.12, 99.41) (98.14, 98.61) (98.66, 99.09) (100, 100)
OM31612 (98.32, 98.75) (97.26, 97.96) (95.25, 96.19) (100, 100)
IEYD330S (99.48, 99.73) (97.61, 98.26) (99.26, 99.59) (100, 100)
IEMR16SMTLED3W65 (99.83, 99.94) (97.88, 98.22) (99.67, 99.83) (99.30, 99.57)
PD13RE (98.01, 98.43) (97.95, 98.47) (97.86, 98.39) (100, 100)
BT316411 (99.10, 99.53) (96.11, 96.87) (97.01, 97.75) (100, 100)
IDCA12NGO (85.56, 87.02) (92.98, 93.88) (85.68, 86.97) (100, 100)
LT3907S (98.78, 99.16) (95.86, 96.70) (92.62, 93.67) (100, 100)
BT331751 (99.98, 100) (95.83, 96.67) (98.46, 98.91) (99.42, 99.73)
BTE6028N (99.93, 100) (93.23, 94.49) (94.85, 95.82) (100, 100)
IEMR16LED/45W/30 (99.57, 99.78) (97.93, 98.30) (99.36, 99.56) (83.44, 84.61)
OS49596 (99.03, 99.52) (93.88, 94.97) (98.98, 99.38) (100, 100)
OS82276 (100, 100) (91.90, 93.61) (98.68, 99.30) (79.92, 82.23)
IELTL3282 (98.91, 99.38) (95.19, 95.99) (97.90, 98.48) (93.62, 94.93)
RY500 (99.92, 99.98) (98.25, 98.70) (99.47, 99.70) (100, 100)
IEGU1050C (99.81, 99.93) (97.98, 98.51) (99.34, 99.61) (100, 100)
EBCRST1906 (98.63, 99.01) (97.83, 98.25) (98.24, 98.61) (100, 100)
Tabla 3.6 Intervalos de confianza de probabilidad de abasto


TASA DE SURTIDO, INTERVALOS DE CONFIANZA 95%
SUPOSICIN DE
NORMALIDAD EN
DIST. EMPRICA
ACTUAL
OM21101 (100, 100) (94.45, 96.15) (100, 100) (100, 100)
IEYD1500/S (99.85, 99.97) (94.96, 95.96) (98.64, 99.08) (99.08, 99.55)
BTQN28D (100, 100) (94.24, 95.24) (98.87, 99.37) (99.52, 99.81)
RWRR0505 (99.94, 99.99) (99.25, 99.51) (99.85, 99.92) (100, 100)
LT3908S (96.97, 97.51) (96.93, 97.49) (94.64, 95.47) (100, 100)
LV5320WCP (99.47, 99.71) (98.01, 98.46) (94.44, 95.26) (100, 100)
TLVC8X1 (98.10, 98.48) (98.51, 98.93) (98.80, 99.07) (100, 100)
BTE2001 (97.90, 98.43) (96.45, 97.08) (92.84, 93.91) (100, 100)
IEEXN50 (98.88, 99.12) (98.91, 99.14) (98.24, 98.52) (100, 100)
3M1600 (92.66, 93.26) (97.54, 97.95) (92.41, 93.12) (100, 100)
IDPOT14BCO (95.95, 96.74) (96.36, 97.11) (95.05, 95.96) (100, 100)
HBAWN4232EU (99.92, 99.99) (96.61, 97.39) (98.94, 99.34) (100, 100)
ES7120LED (98.86, 99.21) (98.02, 98.49) (98.81, 99.22) (100, 100)
LV515PR (99.37, 99.63) (98.35, 98.81) (97.03, 97.76) (100, 100)
IUBW4T (99.48, 99.68) (98.85, 99.18) (99.17, 99.44) (100, 100)
OM31612 (99.01, 99.32) (98.27, 98.76) (96.94, 97.58) (100, 100)
IEYD330S (99.71, 99.86) (98.44, 98.92) (99.59, 99.81) (100, 100)
IEMR16SMTLED3W65 (99.90, 99.96) (98.85, 99.10) (99.86, 99.94) (99.69, 99.82)
PD13RE (98.92, 99.20) (98.83, 99.16) (98.78, 99.12) (100, 100)
BT316411 (99.20, 99.59) (96.57, 97.28) (97.36, 98.06) (100, 100)
IDCA12NGO (88.92, 90.18) (95.03, 95.77) (88.92, 89.98) (100, 100)
LT3907S (99.24, 99.50) (97.07, 97.74) (94.53, 95.38) (100, 100)
BT331751 (99.99, 100) (96.41, 97.18) (98.74, 99.13) (99.53, 99.79)
BTE6028N (99.96, 100) (94.50, 95.66) (96.04, 96.87) (100, 100)
IEMR16LED/45W/30 (99.84, 99.92) (98.87, 99.13) (99.67, 99.80) (88.46, 89.39)
OS49596 (99.23, 99.52) (95.08, 96) (99.18, 99.53) (100, 100)
OS82276 (100, 100) (93.23, 94.71) (98.94, 99.48) (82.87, 85.02)
IELTL3282 (99.20, 99.57) (96.24, 96.93) (98.41, 98.88) (95.01, 96.13)
RY500 (99.96, 99.99) (99.02, 99.31) (99.72, 99.87) (100, 100)
IEGU1050C (99.90, 99.97) (98.85, 99.21) (99.63, 99.80) (100, 100)
EBCRST1906 (99.30, 99.52) (98.82, 99.08) (99.11, 99.35) (100, 100)
Tabla 3.7 Intervalos de confianza de tasa de surtido


COSTO TOTAL, INTERVALOS DE CONFIANZA 95%
SUPOSICIN DE
NORMALIDAD EN
DIST. EMPRICA
ACTUAL
OM21101 (21614.40, 21621.54) (21179.23, 21277.39) (21253.89, 21260.73) (21346.40, 21352.38)
IEYD1500/S (46563.48, 47471.21) (59003.52, 64776.65) (44254.76, 47198.54) (42063.76, 45095.97)
BTQN28D (31812.41, 32024.56) (34029.25, 36085.51) (28379.33, 29339.76) (28543.62, 29140.17)
RWRR0505 (21869.74, 21906.53) (21944.27, 22117.62) (21830.44, 21895.28) (23745.36, 23757.32)
LT3908S (29828.57, 31090.30) (29858.27, 31174.64) (33130.92, 34954.88) (34964.63, 35077.67)
LV5320WCP (21662.10, 21758.40) (21968.69, 22149.24) (22971.00, 23300.64) (22273.08, 22287.23)
TLVC8X1 (22315.21, 22518.03) (22066.30, 22303.86) (22060.57, 22231.15) (24506.59, 24519.14)
BTE2001 (24263.21, 24784.31) (25251.33, 25888.26) (28240.80, 29292.64) (27041.66, 27087.71)
IEEXN50 (22724.81, 22915.07) (22720.59, 22932.86) (23141.79, 23390.67) (24356.32, 24373.85)
3M1600 (32057.55, 33057.15) (25389.09, 25991.09) (32159.74, 33222.13) (27220.20, 27250.34)
IDPOT14BCO (26767.71, 27708.69) (26321.21, 27187.87) (27490.75, 28435.09) (28984.92, 29055.92)
HBAWN4232EU (28394.80, 28703.05) (31654.49, 33751.48) (27874.88, 28947.53) (38284.81, 38450.05)
ES7120LED (30453.24, 32205.79) (33444.50, 35600.80) (30286.25, 31978.83) (32165.16, 32285.94)
LV515PR (21765.46, 21860.63) (21953.90, 22133.72) (22311.77, 22607.63) (23688.80, 23706.79)
IUBW4T (21765.63, 21881.07) (21950.16, 22143.37) (21806.42, 21951.07) (25249.91, 25262.51)
OM31612 (21687.30, 21822.98) (21861.15, 22045.45) (22251.38, 22486.04) (25138.03, 25150.09)
IEYD330S (22613.01, 22762.73) (22995.59, 23398.71) (22591.08, 22751.25) (25228.69, 25256.35)
IEMR16SMTLED3W65 (25637.90, 25832.43) (26441.69, 27040.50) (25297.46, 25496.15) (25217.09, 25551.54)
PD13RE (25668.27, 26406.37) (25662.03, 26630.18) (25656.42, 26586.51) (31022.94, 31083.25)
BT316411 (31173.09, 32981.50) (40574.88, 43929.58) (37149.91, 40655.47) (42562.13, 42824.54)
IDCA12NGO (89525.20, 97170.33) (57857.32, 62361.50) (90851.35, 97668.41) (53703.75, 54062.13)
LT3907S (24923.43, 25372.79) (26969.71, 27933.51) (30083.25, 31531.51) (32553.24, 32627.24)
BT331751 (33148.70, 33386.79) (36499.74, 39229.70) (30336.37, 31771.80) (29177.11, 30250.39)
BTE6028N (28489.38, 28677.32) (33572.67, 36174.22) (31099.84, 32783.12) (48921.73, 49073.88)
IEMR16LED/45W/30 (27944.07, 28314.02) (29636.76, 30742.77) (27985.85, 28603.97) (62243.19, 65673.72)
OS49596 (25849.84, 26367.51) (28766.56, 29922.20) (25973.68, 26474.29) (31760.29, 31899.79)
OS82276 (36730.37, 37143.43) (40205.76, 44287.40) (30512.97, 32068.48) (65796.94, 72096.13)
IELTL3282 (34793.65, 37523.29) (48914.61, 53404.20) (37807.37, 41011.19) (53116.02, 60668.18)
RY500 (21203.23, 21209.04) (21224.19, 21264.14) (21178.04, 21196.31) (22767.46, 22770.26)
IEGU1050C (21335.67, 21353.60) (21358.80, 21418.83) (21299.95, 21334.57) (22218.56, 22223.33)
EBCRST1906 (21979.60, 22141.54) (22250.24, 22440.76) (22036.44, 22220.67) (26907.75, 26920.94)
Tabla 3.8 Intervalos de confianza de costo total


A pesar de que los intervalos de confianza de las medias de cada indicador de desempeo
proveen informacin relevante del desempeo de cada mtodo, estos podran no ser
suficientes para determinar si existe una diferencia significativa en el desempeo de cada
mtodo. Para subsanar esto se decidi realizar pruebas de Kolgomorov-Smirnov de dos
muestras. En esta prueba, la hiptesis nula
0
( ) H sostiene que la funcin de densidad ( ) f x ,
es la misma para el par de muestras que se estn comparando, lo que equivaldra a afirmar
que no hay diferencia significativa entre ambas muestras.
Expresando lo anterior de manera ms concreta, para cada indicador de desempeo y cada
artculo, se realizaron pruebas de Kolgomorov-Smirnov donde por pares se compararon
entre s los distintos mtodos. Ya que las muestras conformadas por los resultados de cada
mtodo estn siendo probadas 3 veces cada una, incrementa el riesgo de rechazar la
hiptesis nula cuando es verdadera (error tipo I), para mitigar esto es conveniente realizar
un ajuste al nivel de significancia de cada prueba, siendo la manera ms sencilla el ajuste de
Bonferroni.

Bonferroni
Bonferroni
/ : nmero de pruebas realizadas
0.05/ 3 0.0167
n n o
o
= o
= =
(3.5)
En total la cantidad de pruebas Kolgomorov-Smirnov de 2 muestras necesarias ascendi a
558 (31 artculos * 3 indicadores * 6 comparaciones), por lo que se opt por programarlas
en Python. El cdigo fuente desarrollado puede ser encontrado en el apndice D. Las
Tablas Tabla 3.9, Tabla 3.10 y Tabla 3.11 indican respectivamente en que casos se rechaz
la hiptesis nula de las comparaciones entre los resultados de probabilidad de abasto, tasa
de surtido y costo total.


PROBABILIDAD DE ABASTO, PRUEBA KS 2 MUESTRAS SE RECHAZA H0?
ARTCULO
P
R
O
P
U
E
S
T
A

V
S
.

T
R
A
D
I
C
I
O
N
A
L

P
R
O
P
U
E
S
T
A

V
S
.

S
U
P
O
S
I
C
I
N

D
E

N
O
R
M
A
L
I
D
A
D

E
N

D
I
S
T
.

E
M
P
R
I
C
A

P
R
O
P
U
E
S
T
A

V
S
.

A
C
T
U
A
L

T
R
A
D
I
C
I
O
N
A
L

V
S
.

S
U
P
O
S
I
C
I
N

D
E

N
O
R
M
A
L
I
D
A
D

E
N

D
I
S
T
.

E
M
P
R
I
C
A

T
R
A
D
I
C
I
O
N
A
L

V
S
.

A
C
T
U
A
L

S
U
P
O
S
I
C
I
N

D
E

N
O
R
M
A
L
I
D
A
D

E
N

D
I
S
T
.

E
M
P
R
I
C
A

V
S

A
C
T
U
A
L

OM21101 SI

SI SI

IEYD1500/S SI SI SI SI SI SI
BTQN28D SI SI SI SI SI SI
RWRR0505 SI SI

SI SI SI
LT3908S

SI SI SI SI SI
LV5320WCP SI SI SI SI SI SI
TLVC8X1 SI SI SI

SI SI
BTE2001 SI SI SI SI SI SI
IEEXN50

SI SI SI SI SI
3M1600 SI

SI SI SI SI
IDPOT14BCO

SI SI SI SI
HBAWN4232EU SI SI

SI SI SI
ES7120LED SI

SI SI SI SI
LV515PR SI SI SI SI SI SI
IUBW4T SI

SI SI SI SI
OM31612 SI SI SI SI SI SI
IEYD330S SI

SI SI SI SI
IEMR16SMTLED3W65 SI

SI SI SI

PD13RE

SI

SI SI
BT316411 SI SI SI SI SI SI
IDCA12NGO SI

SI SI SI SI
LT3907S SI SI SI SI SI SI
BTE6028N SI SI

SI SI SI
IEMR16LED/45W/30 SI SI SI SI SI SI
OS49596 SI

SI SI SI SI
OS82276 SI SI SI SI SI SI
IELTL3282 SI SI SI SI SI SI
RY500 SI SI

SI SI SI
IEGU1050C SI SI SI SI SI SI
EBCRST1906 SI

SI

SI SI
Tabla 3.9 Pruebas KS 2 muestras para probabilidad de abasto


TASA DE SURTIDO, PRUEBA KS 2 MUESTRAS SE RECHAZA H0?
ARTCULO
P
R
O
P
U
E
S
T
A

V
S
.

T
R
A
D
I
C
I
O
N
A
L

P
R
O
P
U
E
S
T
A

V
S
.

S
U
P
O
S
I
C
I
N

D
E

N
O
R
M
A
L
I
D
A
D

E
N

D
I
S
T
.

E
M
P
R
I
C
A

P
R
O
P
U
E
S
T
A

V
S
.

A
C
T
U
A
L

T
R
A
D
I
C
I
O
N
A
L

V
S
.

S
U
P
O
S
I
C
I
N

D
E

N
O
R
M
A
L
I
D
A
D

E
N

D
I
S
T
.

E
M
P
R
I
C
A

T
R
A
D
I
C
I
O
N
A
L

V
S
.

A
C
T
U
A
L

S
U
P
O
S
I
C
I
N

D
E

N
O
R
M
A
L
I
D
A
D

E
N

D
I
S
T
.

E
M
P
R
I
C
A

V
S

A
C
T
U
A
L

OM21101 SI

SI SI

BTQN28D SI SI SI SI SI SI
RWRR0505 SI SI

SI SI SI
LT3908S

SI SI SI SI SI
TLVC8X1 SI SI SI

SI SI
IEEXN50

SI SI SI SI SI
3M1600 SI

SI SI SI SI
IDPOT14BCO

SI SI SI SI
HBAWN4232EU SI SI

SI SI SI
ES7120LED SI

SI SI SI SI
IUBW4T SI

SI

SI SI
IEYD330S SI

SI SI SI SI
IEMR16SMTLED3W65 SI

SI SI SI SI
PD13RE

SI

SI SI
IDCA12NGO SI

SI SI SI SI
BTE6028N SI SI

SI SI SI
IEMR16LED/45W/30 SI SI SI SI SI SI
OS49596 SI

SI SI SI SI
IELTL3282 SI SI SI SI

SI
RY500 SI SI

SI SI SI
EBCRST1906 SI

SI SI SI SI
Tabla 3.10 Pruebas KS 2 muestras para tasa de surtido


COSTO TOTAL, PRUEBA KS 2 MUESTRAS SE RECHAZA H0?
ARTCULO
P
R
O
P
U
E
S
T
A

V
S
.

T
R
A
D
I
C
I
O
N
A
L

P
R
O
P
U
E
S
T
A

V
S
.

S
U
P
O
S
I
C
I
N

D
E

N
O
R
M
A
L
I
D
A
D

E
N

D
I
S
T
.

E
M
P
R
I
C
A

P
R
O
P
U
E
S
T
A

V
S
.

A
C
T
U
A
L

T
R
A
D
I
C
I
O
N
A
L

V
S
.

S
U
P
O
S
I
C
I
N

D
E

N
O
R
M
A
L
I
D
A
D

E
N

D
I
S
T
.

E
M
P
R
I
C
A

T
R
A
D
I
C
I
O
N
A
L

V
S
.

A
C
T
U
A
L

S
U
P
O
S
I
C
I
N

D
E

N
O
R
M
A
L
I
D
A
D

E
N

D
I
S
T
.

E
M
P
R
I
C
A

V
S

A
C
T
U
A
L

BTQN28D SI SI SI SI SI

RWRR0505 SI SI SI SI SI SI
LT3908S

SI SI SI SI SI
TLVC8X1 SI SI SI

SI SI
IEEXN50

SI SI SI SI SI
3M1600 SI

SI SI SI SI
IDPOT14BCO

SI

SI SI
HBAWN4232EU SI SI SI SI SI SI
ES7120LED SI

SI SI SI SI
IUBW4T SI

SI

SI SI
IEYD330S SI

SI SI SI SI
IEMR16SMTLED3W65 SI SI SI SI SI SI
PD13RE

SI

SI SI
IDCA12NGO SI

SI SI SI SI
BTE6028N SI SI SI SI SI SI
IEMR16LED/45W/30 SI

SI SI SI SI
OS49596 SI

SI SI SI SI
IELTL3282 SI SI SI SI

SI
RY500 SI SI SI SI SI SI
EBCRST1906 SI

SI SI SI SI
Tabla 3.11 Pruebas KS 2 muestras para costo total


Las pruebas de Kolgomorov-Smirnov de la Tablas 3.9, 3.10 y 3.11 nos sealan si las
observaciones de los indicadores de desempeo de los distintos mtodos provienen de la
misma distribucin de probabilidad hiptesis nula no. No obstante, rechazar la
hiptesis nula nicamente nos indica que los resultados de los mtodos comparados son
estadsticamente diferentes, lo cul es relevante pero no expresa si un mtodo es mejor que
otro. Considere dos muestras, ambas con la misma media y mediana pero una con una
dispersin considerablemente mayor respecto a la otra. Si comparramos estas muestras
utilizando la prueba Kolgomorov-Smirnov correspondiente, seguramente se rechazara la
hiptesis nula, lo que es correcto. Sin embargo, en estadstica inferencial cuando se
comparan dos muestras, comnmente las pruebas de hiptesis giran en torno a una medida
de centralidad, tpicamente la media. Por ello, las pruebas de Mann-Whitney resultan un
buen complemento para analizar los costos resultantes, ya que sin hacer ninguna suposicin
sobre la distribucin de los resultados precisan si la diferencia que hay entre las medianas
otra medida de centralidad de los costos comparados es estadsticamente significativa o
no.
Entonces, en cada artculo, para determinar el mtodo que alcanza supera el nivel de
servicio objetivo al menor costo se observan los intervalos de confianza para la media de
los costos. Si existe un intervalo que se ubica en la recta numrica por debajo del resto, se
concluye que el mtodo correspondiente es el que provee un costo menor. Si existe un
traslape entre dos o ms intervalos que se aprecien como los ms econmicos, se realiza
una prueba no paramtrica Mann-Whitney para determinar si la diferencia entre las dos
medianas menores es estadsticamente significativa o no.
Para ejemplificar lo anterior, se analizar el caso del artculo LT3908S, de acuerdo a la
Tabla 3.6, los mtodos tradicional y propuesto as como la poltica actual, alcanzan o
superan el nivel de servicio deseado del 95%. Como se observa en la Tabla 3.8, el intervalo
de confianza para la media del costo total del mtodo propuesto es (29828.57, 31090.30),
mientras que el intervalo correspondiente con el mtodo tradicional es (29858.27,
31174.64). Observe que existe un traslape entre estos intervalos. Por su parte el intervalo de
la poltica actual (34964.63, 35077.67) se ubica por encima en la recta numrica, por lo que
este mtodo queda descartado como el ms econmico. La Figura 3.9 muestra una grfica
de caja y bigotes del costo total para los mtodos tradicional y propuesto.

Figura 3.9 Diagrama de caja y bigotes Costo total LT3908S mtodo tradicional y propuesta
Las medianas del costo total de la propuesta y del mtodo tradicional tienen valores de
30495.93 y 30116.09 respectivamente. En la prueba de Mann-Whitney la hiptesis nula es
que la medianas de ambas muestras son iguales
0 1 2
( : ) H X X = y la hiptesis alternativa se
estable como que las medianas son diferentes
1 1 2
( : ) H X X = . El valor p observado es
0.8120, por lo que la hiptesis nula no es rechazada. Se concluye que no hay una diferencia
estadsticamente significativa entre las medianas de ambas muestras, por lo tanto se infiere
que en este caso, ambos mtodos (el tradicional y el propuesto) tienen el menor costo.

3.4 Diferencias con respecto al trabajo Estimacin de niveles
de re-orden de un inventario utilizando el procedimiento
estadstico bootstrap

Una vez que ha sido expuesta la propuesta de esta investigacin as como su metodologa
de evaluacin, resulta importante puntualizar cuales son las diferencias respecto al trabajo
de Bookbinder y Lordahl (1989). Durante la revisin bibliogrfica llevada a cabo, esta fue
la nica publicacin encontrada en la que se utiliza el bootstrap dentro del marco de un
modelo de administracin de inventario. Debido a esto, las comparaciones entre ambas
investigaciones son inevitables, la Tabla 3.12 presenta las diferencias entre ellas. Su
principal objetivo es dejar en claro la originalidad e innovacin del presente trabajo de
investigacin.

Diagrama de caja y bigotes, Costo total
25 27 29 31 33 35 37
(X 1000)
LT3908S PROPUESTA
LT3908S TRADICIONAL

Caracterstica Bookbinder y Lordahl
(1989)
Este trabajo de investigacin
Modelo base utilizado Punto de re-orden ( , ) r Q Revisin peridica ( , ) S T
Poltica a determinar Punto de re-orden ( ) r Nivel de inventario objetivo
( ) S
LTD / RLTD Variable aleatoria sencilla Combinacin de dos
variables aleatorias:
demanda por unidad de
tiempo y tiempo de
obtencin
Mtodo de estimacin Mxima verosimilitud Intervalos de confianza
BC
o
, valor esperado
Informacin utilizada Datos de LTD simulados a
partir de varios tipos de
distribucin de probabilidad
tericas. Constituyen la
distribucin LTD emprica
Observaciones reales de
tiempos de obtencin y
demanda por unidad de
tiempo, algoritmo incluye
construccin de la
distribucin RLTD emprica
Tamao de muestra LTD /
RLTD
30 n s 300 n >
Efectividad del estimador Comparacin del estimador
con el valor verdadero del
percentil de la distribucin
de probabilidad terica
Comparacin de la
probabilidad de abasto
observado en simulacin
respecto al nivel de servicio
objetivo
Mtodos contra los que se
comparan los resultados
- Suposicin de
normalidad en
distribucin emprica.

- Suposicin de
normalidad en
distribucin emprica.
- Teora Tradicional
- Polticas actuales
Clculo de costos incurridos Valores esperados Valores observados en
simulacin
Costo ptimo Considerado como el que
resulta de establecer el
punto de re-orden en el
valor verdadero del percentil
Desconocido
Respuesta del cliente ante el
desabasto
Backorder Ventas perdidas
Determinacin de mtodo
ms econmico
Desempeo relativo
respecto al considerado
como ptimo
Comparacin de intervalos
de confianza de la media del
costo total, pruebas no
paramtricas Mann-Whitney
Transformacin de datos No S
Tabla 3.12 Diferencias de esta investigacin respecto a Bookbinder y Lordahl (1989)


El trabajo de Bookbinder y Lordahl (1989) tiene como base al modelo ( , ) r Q , mientras que
esta investigacin tiene como base al modelo ( , ) S T . Aunque esta diferencia sera la ms
evidente, resulta que es paradjicamente, su mayor similitud. Tal como se vio en el
apartado 2.2, en ambos casos, los valores que se buscan determinar ( r y S ) corresponden
al percentil 1o de la LTD RLTD asociado al nivel de servicio deseado probabilidad
de abasto .
Aunque ambas investigaciones utilizan la teora del bootstrap para estimar el percentil de
inters, Bookbinder y Lordahl (1989) lo hacen a travs del mtodo de mxima
verosimilitud, mientras que en el presente trabajo se utilizan intervalos de confianza BC
o
y
el valor esperado de las rplicas bootstrap.
Bookbinder y Lordahl (1989) representan la distribucin emprica de la LTD con datos
simulados (generando nmeros aleatorios) a partir de distintas distribuciones de
probabilidad tericas, por lo que entonces se conoce el valor verdadero del percentil que se
esta intentando estimar. Ms que lograr un alto nivel de servicio al cliente, lo que se intenta
en dicha investigacin es estimar con precisin el parmetro de inters, es decir el percentil
de la LTD asociado al nivel de servicio deseado. Una evidencia ello es que el costo que se
considera como ptimo es el que resulta de utilizar el valor real del percentil como punto de
re-orden.
Cabe sealar que en el trabajo en comparacin, una de las oportunidades de investigacin
futura mencionadas es para mejorar la estimacin bootstrap, la suavizacin de la
distribucin emprica (integrada en ese por los datos simulados a partir de la distribucin
de probabilidad terica) a travs de la convulsin de la distribucin de probabilidad
emprica con alguna otra distribucin como la uniforme o la normal.
Esta suavizacin de la distribucin emprica es algo que la propuesta del presente trabajo de
investigacin logra a travs de la incorporacin de las pruebas de asimetra en combinacin
con la transformacin de datos, as como con un tamao de muestra mayor, producto del
algoritmo que construye la RLTD a partir de las muestras de demanda por unidad de
tiempo y tiempo de obtencin, dos variables aleatorias independientes.

81

CAPTULO 4
Conclusiones y oportunidades de
investigacin futura
Las Tablas 3.6 a 3.11 poseen demasiada informacin como para sacar una conclusin
precisa a partir de ellas, por ello se presenta la Tabla 4.1, en donde con un 1 se indica los
casos en los que el mtodo alcanza o supera el nivel de servicio probabilidad de abasto
objetivo, en este caso del 95%. De manera ms precisa, el 1 indica que el intervalo de
confianza de la media de la probabilidad de abasto incluye el 95% empieza despus del
mismo. Para cada artculo, un * seala a l o los mtodos que alcanzan o superan el nivel
de servicio deseado al menor costo.

Cap. 4 - Conclusiones y oportunidades de investigacin futura 82

SUPOSICIN
DE
NORMALIDAD
EN DIST.
EMPRICA
ACTUAL
OM21101 1 1* 1* 1
IEYD1500/S 1

1 1*
BTQN28D 1

1* 1*
RWRR0505 1 1 1* 1
LT3908S 1* 1*

1
LV5320WCP 1* 1

1
TLVC8X1 1 1* 1* 1
BTE2001 1* 1

1
IEEXN50 1* 1* 1 1
3M1600

1

1*
IDPOT14BCO 1* 1* 1 1
HBAWN4232EU 1 1 1* 1
ES7120LED 1* 1 1* 1
LV515PR 1* 1 1 1
IUBW4T 1* 1 1* 1
OM31612 1* 1 1 1
IEYD330S 1* 1 1* 1
IEMR16SMTLED3W65 1 1 1* 1*
PD13RE 1* 1* 1 1
BT316411 1* 1 1 1
IDCA12NGO

1*
LT3907S 1* 1

1
BT331751 1 1 1 1*
BTE6028N 1*

1 1
IEMR16LED/45W/30 1* 1 1*

OS49596 1*

1* 1
OS82276 1

1*

IELTL3282 1* 1 1

RY500 1 1 1* 1
IEGU1050C 1 1 1* 1
EBCRST1906 1* 1 1* 1
Tabla 4.1 Mtodos que alcanzan el nivel de servicio deseado al menor costo


La Tabla 4.1 muestra la efectividad de cada mtodo marcando con un 1 los casos en los
que se alcanza supera el nivel de servicio deseado. Se entiende que se supera el nivel de
servicio deseado si en la Tabla 3.6 el lmite inferior del intervalo de confianza tiene un
valor mayor al objetivo de 95%. De manera similar un mtodo nicamente alcanza el nivel
de servicio deseado si el valor de 95% se encuentra contenido dentro del intervalo de
confianza. Es posible observar en la Tabla 3.6 que en todos los mtodos es
considerablemente mayor la cantidad de casos en la que se excede la probabilidad de abasto
deseada respecto a la cantidad de ocasiones en la que la probabilidad de abasto objetivo
esta contenida dentro del intervalo de confianza.
Lo anterior tiene una posible explicacin parcial. Salvo con las polticas actuales, el nivel
objetivo de inventario es calculado infiriendo con diversos supuestos sobre el
comportamiento de una variable aleatoria RLTD , en particular estimando un percentil
de su distribucin. Sin embargo, a su vez la RLTD esta integrada por dos variables
aleatorias ms sencillas (demanda por unidad de tiempo y tiempo de obtencin), estas
ultimas son las que estn presentes en el modelo de simulacin con el que se estn
evaluando los distintos mtodos. Es decir, se determinan las polticas de inventario en base
a una variable aleatoria pero se evala el desempeo utilizando dos variables aleatorias
distintas.
La Tabla 4.2, se deriva de la Tabla 4.1. En ella se muestra la tasa de efectividad para
alcanzar el nivel de servicio deseado probabilidad de abasto y la proporcin de veces en
la que cada mtodo, adems de alcanzar el nivel de servicio deseado, lo hizo al menor
costo. Por ejemplo, el mtodo propuesto alcanzo el nivel de servicio en 29 de los 31
artculos, por lo que su tasa de efectividad observada es de 29/31 = 93.5%. De manera
similar, ofreci el menor costo para 18 de los 31 artculos, por lo que la proporcin
resultante es 18/31 = 58.1%.

PROPUESTA TRADICIONAL
SUPOSICIN
DE
NORMALIDAD
EN DIST.
EMPRICA
ACTUAL
EFECTIVIDAD NIVEL
DE SERVICIO
93.5% 80.6% 80.6% 90.3%
MENOR COSTO 58.1% 19.4% 48.4% 19.4%
Tabla 4.2 Tasa de efectividad nivel de servicio y proporcin de menor costo

A partir de la Tabla 4.2 se concluye que aunque ningn mtodo es infalible para alcanzar
el nivel de servicio deseado, sin embargo la propuesta del presente trabajo tiene mayores
probabilidades de hacerlo. Con una tasa de efectividad del 93.5% el mtodo propuesto
ofrece una mejora significativa (12.9%) respecto a el mtodo tradicional y a suponer
normalidad en la distribucin emprica. Equiparando con la poltica actual hay una modesta
mejora (3.2%).

Si bien las mejoras de la propuesta en trminos del nivel de servicio podran calificarse de
moderadas, en razn del costo total, la diferencia resultan ms importante, pues respecto al
mtodo tradicional y las polticas actuales existe una diferencia del 38.7% en la
probabilidad de que el costo total resulte estadsticamente menor. Respecto a suponer
normalidad en la distribucin emprica, esta diferencia es ms pequea, pero de cualquier
modo significativa (9.7%).
No obstante que en el desarrollo del mtodo propuesto se le da prioridad al nivel de servicio
sobre la reduccin de costos, los resultados sugieren que aquellas polticas que logran un
elevado nivel de servicio sin que el inventario resulte excesivo son tambin las ms
econmicas. Es importante recordar que los costos por faltantes utilizados son nicamente
el margen de contribucin no ganado. Si se hubiera monetizado la insatisfaccin del cliente
y considerado en este costo, esta relacin resultara ms evidente.
Suponer normalidad en la distribucin emprica resulta particularmente competente tanto en
su efectividad para alcanzar el nivel de servicio deseado como para ofrecer el menor costo
total, sin embargo hay que recordar que este mtodo solo es un producto secundario
derivado de la propuesta, sin la cual no existira. Adems su aplicacin carece de
fundamento terico, ya que la RLTD de los artculos de que componen la muestra
estudiada, no se ajusta a una distribucin normal, lo que se demuestra a continuacin.
En la Tabla 4.3 se muestran las diferencias mximas observadas y las diferencias crticas de
resultantes de las pruebas de Kolgomorov-Smirnov para la bondad de ajuste a una
distribucin normal. En ellas la hiptesis nula sostiene que los valores se ajustan a una
distribucin normal. Los valores de diferencia crtica corresponden a un estricto 0.2 o = ,
que resulta en una zona de rechazo mayor, reduciendo la posibilidad de cometer el error
tipo II no rechazar la hiptesis nula cuando esta es falsa . Para todos los artculos la
diferencia mxima observada es mayor que la diferencia crtica por lo que en todos los
casos se rechaza la hiptesis nula, concluyendo que no hay evidencia para afirmar que los
datos de RLTD se ajustan a una distribucin normal.


ARTICULO D max D crtico ARTICULO D max D crtico
OM21101 0.2466 0.0612 IEYD330S 0.1018 0.0589
IEYD1500/S 0.1283 0.0574 IEMR16SMTLED3W65 0.1127 0.0614
BTQN28D 0.0974 0.0584 PD13RE 0.1039 0.0598
RWRR0505 0.1058 0.0618 BT316411 0.0971 0.0606
LT3908S 0.1187 0.0612 IDCA12NGO 0.0878 0.0606
LV5320WCP 0.0806 0.0589 LT3907S 0.1253 0.0603
TLVC8X1 0.0619 0.0569 BT331751 0.1135 0.0594
BTE2001 0.1066 0.0600 BTE6028N 0.1770 0.0578
IEEXN50 0.0691 0.0594 IEMR16LED/45W/30 0.1127 0.0614
3M1600 0.0729 0.0612 OS49596 0.1356 0.0596
IDPOT14BCO 0.0688 0.0589 OS82276 0.1823 0.0584
HBAWN4232EU 0.1402 0.0603 IELTL3282 0.1545 0.0612
ES7120LED 0.1996 0.0612 RY500 0.1333 0.0618
LV515PR 0.1374 0.0612 IEGU1050C 0.1082 0.0612
IUBW4T 0.1806 0.0584 EBCRST1906 0.1459 0.0613
OM31612 0.1325 0.0606
Tabla 4.3 Resultados de pruebas KS de bondad de ajuste de RLTD a una distribucin normal.

La efectividad del mtodo tradicional para alcanzar superar el nivel de servicio, es
competente, pues lo logra para el 80.6% de los artculos, en contraste solo ofrece el menor
costo para el 19.4% de ellos. En esta coyuntura, el haber aplicado un mtodo que supona
normalidad cuando no era as, tuvo de hecho un impacto negativo en los costos totales, lo
que refuerza la importancia de verificar el ajuste de los datos a la distribucin de
probabilidad que supone el mtodo o bien, utilizar procedimientos libres de distribucin, tal
como la propuesta realizada.
Para la empresa en particular, cabe sealar que las polticas actuales son bastante
competentes en nivel de servicio, sin embargo esto viene a costa de un inventario excesivo
que incurre en costos de mantenimiento y por lo tanto costos totales mayores. Con el
mtodo propuesto el nivel de servicio puede ser mejor a un costo total menor. Desde la
perspectiva financiera, un inventario menor que pueda mantener o incluso incrementar las
ventas debido al alto nivel de servicio tiene un impacto positivo el la liquidez, ya que el
inventario se puede convertir en un ingreso con mayor rapidez.
Utilizar un enfoque de simulacin para realizar la valoracin de la propuesta de esta
investigacin resulto conveniente, puesto que de otra manera, se hubieran tenido que poner
en prctica los distintos mtodos y realizar las mediciones correspondientes, lo que habra
sido ms costoso y requerido mucho ms tiempo. Por otra parte nos permite hacer una
comparacin mas objetiva entre los distintos mtodos ya que son evaluados en exactamente
las mismas condiciones, por ejemplo, se utiliza la misma distribucin discreta de tiempos
de obtencin y demanda por unidad de tiempo, as como el mismo inventario inicial.

Existen otros factores tales como compras requeridas en mltiplos de empaques y
negociaciones especiales con proveedores en las cuales si se alcanza cierto volumen de
compras en un periodo de tiempo se obtiene una bonificacin. Tales circunstancias no estn
siendo consideradas y estas habran generado cierto ruido para la evaluacin de los mtodos
si estos hubieran sido puestos en prctica en lugar de simularse. Dicho sea de paso, el
modelo de simulacin elaborado tambin resultar til como una herramienta auxiliar para
valorar si semejantes negociaciones representan en realidad un beneficio o no.
La incorporacin de factores no incorporados como los antes mencionados, representan en
si una oportunidad de investigacin futura, al igual que la integracin del efecto portafolio
misma que permitira considerar el impacto de la sustitucin de productos y la reduccin
del inventario de seguridad agregado a travs de la centralizacin de ubicaciones de
almacenamiento.
Otra oportunidad de investigacin futura se en encuentra en la extensin de la propuesta o
el desarrollo de un modelo distinto para un escenario multi-escaln, en donde deben
determinarse las polticas de inventario para distintas entidades dentro de la cadena de
suministro. Ya que en contraste, tanto la propuesta de este trabajo como la mayora de los
modelos de administracin de inventarios que se encuentran en la literatura buscan
determinar las polticas que resultan ptimas para una sola entidad de la cadena.
Como conclusin final, aunque la teora detrs de la propuesta y su aplicacin puede
parecer compleja, los beneficios potenciales hacen que el esfuerzo requerido para su puesta
en prctica valga bien la pena.

87

BIBLIOGRAFA

Ballou, R. H. (2005). Expressing inventory control policy in the turnover curve. Journal of
Business Logistics, Journal of Business Logistics, 26, 26(2, 2), 143, 143164, 164.
doi:10.1002/j.2158-1592.2005.tb00209.x, 10.1002/j.2158-1592.2005.tb00209.x
Beamon, B. M., & Kotleba, S. A. (2006). Inventory management support systems for
emergency humanitarian relief operations in South Sudan. International Journal of
Logistics Management, The, 17(2), 187212. doi:10.1108/09574090610689952
Blumenfeld, D. E., Hall, R. W., & Jordan, W. C. (1985). Trade-off between freight expediting
and safety stock inventory costs. Journal of Business Logistics, 6(1), 79101.
Bookbinder, J. H., & Lordahl, A. E. (1989). Estimation of Inventory Re-Order Levels Using
the Bootstrap Statistical Procedure. IIE Transactions, 21(4), 302312.
doi:10.1080/07408178908966236
Buffa, F. P., & Reynolds, J. I. (1977). The Inventory-Transport Model With Sensitivity
Analysis by Indifference Curves. Transportation Journal, 17(2), 8390.
Cachon, G., & Terwiesch, C. (2008). Matching Supply with Demand: An Introduction to
Operations Management (2nd ed.). McGraw-Hill/Irwin.
Chopra, S., & Meindl, P. (2012). Supply Chain Management (5th ed.). Prentice Hall.
Das, C., & Tyagi, R. (1999). Effect of correlated demands on safety stock centralization:
patterns of correlation versus degree of centralization. Journal of Business Logistics, 20(1),
20513.
DavisSramek, B., & Fugate, B. S. (2007). State of logistics: A visionary perspective. Journal
of Business Logistics, 28(2), 134. doi:10.1002/j.2158-1592.2007.tb00056.x,
10.1002/j.2158-1592.2007.tb00056.x
Devore, J. L. (2008). Probability and Statistics for Engineering and the Sciences, Enhanced
Review Edition (7th ed.). Duxbury Press.
Bibliografa 88

Efron, B. (1979). Bootstrap Methods: Another Look at the Jackknife. The Annals of
Statistics, 7(1), 126.
Efron, B., & Tibshirani, R. J. (1994). An Introduction to the Bootstrap (1st ed.). Chapman
and Hall/CRC.
ELA. (1997). Towards the 21st Century. European Logistics Association.
ELA. (1999). Insight to Impact. European Logistics Association.
Fogarty, D. W., Blackstone, J. H., & Hoffmann, T. R. (1990). Production and Inventory
Management (2nd ed.). South-Western College Pub.
Gruen, T. W., Corsten, D. S., & Bharadwaj, S. (2002). Retail Out of Stocks: A Worldwide
Examination of Causes, Rates, and Consumer Responses. Washington, DC.: Grocery
Manufacturers of America.
Gupta, Y., Sundararaghavan, P. S., & Ahmed, M. U. (2003). Ordering policies for items with
seasonal demand. International Journal of Physical Distribution & Logistics Management,
33(6), 500518. doi:10.1108/09600030310492760
Hadley, H. G., & Whitin, T. M. (1963). Analysis of Inventory Systems. Prentice Hall.
Harris, F. W. (1913). How many parts to make at once. Factory, The Magazine of
Management, 10(2), 135136,152.
Hsu, J. I., & El-Najdawi, M. K. (1991). Integrating safety stock and lot-sizing policies for
multi-stage inventory systems under certainty. Journal of Business Logistics, 12(2), 221
38.
Hung, C.-Y., Hung, K.-C., Tang, W.-H., Lin, R., & Wang, C.-K. (2009). Periodic review
stochastic inventory models with service level constraint. International Journal of Systems
Science, 40(3), 237243. doi:10.1080/00207720802298962
Johansen, S. G., & Hill, R. M. (2000). The (r,Q) control of a periodic-review inventory
system with continuous demand and lost sales. International Journal of Production
Economics, 68(3), 279286. doi:10.1016/S0925-5273(00)00051-7
Landeros, R., & Lyth, D. M. (1989). Economic-Lot-Size Models For Cooperative Inter-
Organization. Journal of Business Logistics, 10(2), 146158.
Langley, C. J. (1976). Determination of the economic order quantity under the condition of
uncertainty. Transportation Journal, 16 N(1). Retrieved from
http://trid.trb.org/view.aspx?id=47326
Bibliografa 89

Langley, C. J. (1980). The inclusion of transportation costs in inventory models: some
considerations. Journal of Business Logistics, 2(1), 10625.
Larson, P. D. (1989). The integration of inventory and quality decisions in logistics: an
analytical approach. Journal of Business Logistics, 10(2), 10622.
Mattsson, S.-A. (2007). Inventory control in environments with short lead times.
International Journal of Physical Distribution & Logistics Management, 37(2), 115130.
doi:10.1108/09600030710734839
Moon, I., & Gallego, G. (1994). Distribution Free Procedures for Some Inventory Models.
The Journal of the Operational Research Society, 45(6), 651658.
Namit, K., & Chen, J. (1999). Solutions to the <Q,r> inventory model for gamma lead-time
demand. International Journal of Physical Distribution & Logistics Management, 29(2),
138154. doi:10.1108/09600039910264713
Ouyang, L. Y., & Chuang, B. R. (2000). A periodic review inventory model involving variable
lead time with a service level constraint. International Journal of Systems Science, 31(10),
12091215. doi:10.1080/00207720050165717
Perez, F., & Granger, B. E. (2007). IPython: A System for Interactive Scientific Computing.
Computing in Science Engineering, 9(3), 21 29. doi:10.1109/MCSE.2007.53
Quenouille, M. (1949). Approximate tests of correlation in time series. Journal of the Royal
Statistical Society. Series B (Methodological), 11(1), 6884.
Scarf, H. (1958). Studies in the Mathematical Theory of Inventory and Production. Stanford
University Press.
Sezen, B. (2006). Changes in performance under various lengths of review periods in a
periodic review inventory control system with lost sales: A simulation study. International
Journal of Physical Distribution & Logistics Management, 36(5), 360373.
doi:10.1108/09600030610676240
Singh, K. (1998). Breakdown Theory for Bootstrap Quantiles. The Annals of Statistics,
26(5), 17191732.
Tabachnick, B. G., & Fidell, L. S. (2000). Using Multivariate Statistics (4th ed.). Allyn &
Bacon.
Tersine, R. J. (1993). Principles of Inventory and Materials Management (4th ed.). Prentice
Hall.
Bibliografa 90

Tsou, C.-S., Wu, B.-H., & Lee. (2010). Bi-objective Inventory Management through
Evolutionary Multi-objective Optimization (Vol. 2). IACSIT Press.
Unlu, Y. (2011). Inventory models for intermittent highly variable demand and policy
parameter adjustments to meet desired service level requirements. University of Arkansas.
Wilcox, J. (1970). How to forecast lumpy items. Production and Inventory Management,
1st Qtr.
Williams, B. D., & Tokar, T. (2008). A review of inventory management research in major
logistics journals: Themes and future directions. International Journal of Logistics
Management, The, 19(2), 212232. doi:10.1108/09574090810895960
Zinn, W., Levy, M., & Bowersox, D. J. (1989). Measuring the effect of inventory
centralization/decentralization on aggregate safety stock: the square root law revisited.
Journal of Business Logistics, 10(1), 114.
Zinn, Walter, & Liu, P. C. (2001). Consumer response to retail stockouts. Journal of
Business Logistics, Journal of Business Logistics, 22(1), 4971. doi:10.1002/j.2158-
1592.2001.tb00159.x, 10.1002/j.2158-1592.2001.tb00159.x

91

APNDICE A

Cdigo fuente del algoritmo propuesto
*************** Comienza STboot_utils.py ***************
from __future__ import division
import numpy as np
import collections
from scipy import stats
from xlrd import open_workbook
np.random.seed(8675309)
import datetime

def gen_bootstrap_sample(_data_set,_sample_size):
_x = np.array([])
_sample_elements=np.random.randint(0,_data_set.size,_sample_size)
for _i in _sample_elements:
_x=np.append(_x, _data_set[_i])
return _x

def descriptive_stats(_data_set, _var_name):
print ""
print ""
print "Estadistica descriptiva de %r" % _var_name
print "N = %.0f" % _data_set.size
_mean = _data_set.mean()
Ap. A - Cdigo fuente del algoritmo propuesto 92

print "Media = %.4f" % _mean
_stdev = _data_set.std(ddof=1)
print "Desv. Est. = %.4f" % _stdev
print "Minimo = %.4f" % _data_set.min()
print "Q1 = %.4f" % stats.scoreatpercentile(_data_set,25)
print "Mediana = %.4f" % stats.scoreatpercentile(_data_set,50)
print "Q3 = %.4f" % stats.scoreatpercentile(_data_set,75)
print "Maximo = %.4f" %_data_set.max()
print "CV = %.4f" % (_stdev/_mean)
print "Asimetria = %.4f" % stats.skew(_data_set, axis=0, bias=False)
print "Kurtosis = %.4f" % stats.kurtosis(_data_set, axis=0, fisher=True,
bias=False)
print ""
print ""

def percentiles (_data_set, _percentiles_set):
# percentiles_set is an np.array with values between 0 and 100
for _i in _percentiles_set:
print "Percentil(%r) = %r" % (_i, stats.scoreatpercentile(_data_set,_i))

def remove_negatives_zeros_from_array(_array):
_filter_array = [_array>0]
return _array[_filter_array]

def search_data(_search_value,_sheet):
#this function searches for a value in the first column of an excel sheet and then
returns an np array
# with the values of the matching row, excluding the first element
_first_col = _sheet.col_values(0)
#print _first_col

_row_index = _first_col.index(_search_value)
#print _row_index
_data_set = np.array(filter(None, _sheet.row_values(_row_index,1)))
return _data_set

def parameters_lists_check(_lead_time_sheet, _demand_sheet, _revision_period_sheet,
_service_level_sheet):
_lead_time_items = _lead_time_sheet.col_values(0)
_demand_items = _demand_sheet.col_values(0)
_revision_period_items = _revision_period_sheet.col_values(0)
_service_level_items = _service_level_sheet.col_values(0)

#check all the elements of each list is unique
if len(_lead_time_items) == len(set(_lead_time_items)):
if len(_demand_items) == len(set(_demand_items)):
if len(_revision_period_items) == len(set(_revision_period_items)):
if len(_service_level_items) == len(set(_service_level_items)):
print "OK: TODOS LOS IDENTIFICADORES DE LOS ARTICULOS SON UNICOS"
else:
print "ERROR: LOS ARTICULOS DEL ARCHIVO DE NIVEL DE SERVICIO NO SON
UNICOS!"
else:
print "ERROR: LOS ARTICULOS DEL ARCHIVO DE PERIODOS DE REVISION NO SON
UNICOS!"
else:
print "ERROR: LOS ARTICULOS DEL ARCHIVO DE DEMANDA NO SON UNICOS!"
else:
print "ERROR: LOS ARTICULOS DEL ARCHIVO DE TIEMPOS DE OBTENCION DE SERVICIO NO
SON UNICOS!"


#check all the lists are equal

if set(_lead_time_items) == set(_demand_items) and set(_demand_items) ==
set(_revision_period_items) and set(_revision_period_items) == set(_service_level_items):
print "OK: LOS ARTICULOS EN CADA ARCHIVO DE PARAMETROS SON LOS MISMOS"
else:
print "ERROR: HAY DIFERENCIAS ENLOS ARTICULOS DE LOS ARCHIVOS DE PARAMETROS"

def calc_percentile_acceleration(_data_set, _percentile):
_filter_array = np.ones(_data_set.size, bool)
_jacknife_replication_estimators = np.array([])
for _i in range (0, _data_set.size):
_filter_array[_i] = 0
_jacknife_sample = _data_set[_filter_array]
# start of estimator section
_sample_estimator = stats.scoreatpercentile(_jacknife_sample,_percentile)
#end of estimator section
#print _jacknife_sample
_jacknife_replication_estimators = np.append(_jacknife_replication_estimators,
_sample_estimator)
_filter_array = np.ones(_data_set.size, bool)

_jacknife_mean = _jacknife_replication_estimators.mean()
#print "replicas jacknife: %r" % _jacknife_replication_estimators
#print "media jacknife: %r" % _jacknife_mean

# formula numerator start
_formula_numerator_array = _jacknife_mean - _jacknife_replication_estimators
_formula_numerator_array = _formula_numerator_array ** 3

_formula_numerator = _formula_numerator_array.sum()
#print "numerador formula: %r" % _formula_numerator
# formula numerator end

# formula denominator start
_formula_denominator_array = _jacknife_mean - _jacknife_replication_estimators
_formula_denominator_array = _formula_denominator_array ** 2
_formula_denominator = 6 * (( _formula_denominator_array.sum() ) ** (3/2))
#print "denominador formula: %r" % _formula_denominator
# formula denominator end
_a = _formula_numerator / _formula_denominator

return _a

def calc_bias_correction(_bootstrap_replications_array, _plug_in_estimate):
_filter_array = [_bootstrap_replications_array < _plug_in_estimate]
_lt_plug_in_array = _bootstrap_replications_array[_filter_array]
_lt_plug_in_proportion = _lt_plug_in_array.size /
_bootstrap_replications_array.size
#print "lt pie count %r" % _lt_plug_in_array.size
#print "total estimators %r" % _bootstrap_replications_array.size
#print "proportion %r" % _lt_plug_in_proportion
_z = stats.norm.ppf(_lt_plug_in_proportion)

return _z

def calc_BCa_percentiles(_bias_correction, _acceleration, _alpha):
# calculates the percentiles for a BCa interval of
# intended coverage 1-2*alpha
# alpha must be a value between 0 and 1

# the result is a 0 to 100 pair of percentiles
alpha1_2t_num = _bias_correction + stats.norm.ppf(_alpha)
alpha1_2t_den = 1-(_acceleration * (_bias_correction + stats.norm.ppf(_alpha)))
alpha1_2t = alpha1_2t_num / alpha1_2t_den
alpha1 = (stats.norm.cdf(_bias_correction + alpha1_2t))*100

alpha2_2t_num = _bias_correction + stats.norm.ppf(1-_alpha)
alpha2_2t_den = 1-(_acceleration * (_bias_correction + stats.norm.ppf(1-_alpha)))
alpha2_2t = alpha2_2t_num / alpha2_2t_den
alpha2 = (stats.norm.cdf(_bias_correction + alpha2_2t))*100

_BCa_percentiles = np.array([alpha1,alpha2])

return _BCa_percentiles

def gen_file_name():
_now = datetime.datetime.now()
_now_string = _now.strftime("%Y-%m-%d %H%M%S")
_file_name = "ST Bootstrap " + _now_string + ".xls"
return _file_name

def test_skewness_significance(_data_set, _test_significance_level):
#ses stands for skewness standard error
ss = (6/_data_set.size)**0.5
z = stats.skew(_data_set, axis=0, bias=False)/ss
P = 2*(1-stats.norm.cdf(z))
# if p value is less or equal to alpha (significance level)
# then Ho should be rejected
# in that case the function should return True

return P <= _test_significance_level

def winsorize_data(_data_set_original, _beta):
_data_set = _data_set_original.copy()
_data_set.sort()
_n = _data_set.size
_l = int(np.floor(_n * _beta))
for _i in range (0, _l):
_data_set[_i] = _data_set[_l]
for _i in range (_n-_l, _n):
_data_set[_i] = _data_set[_n-_l-1]
return _data_set

def elapsed_time_string(_start_time, _end_time):
_time_elapsed = _end_time - _start_time
_seconds_elapsed = _time_elapsed.total_seconds()
_hours = _seconds_elapsed // 3600
_minutes = _seconds_elapsed // 60
_seconds = _seconds_elapsed % 60
if _hours > 0:
_string = "tiempo transcurrido en calculo: %.0f horas, %.0f minutos, %.1f
segundos" % (_hours, _minutes, _seconds)
else:
_string = "tiempo transcurrido en calculo: %.0f minutos, %.1f segundos" %
(_minutes, _seconds)
return _string

def gen_distr_text(_values_set, _var_name):
if _values_set.size > 2:
_probability = 1/_values_set.size

_accum_probability = 0
_accum_probability_2 = _probability
for _i in range (0, _values_set.size - 2):
print "if %r>=%.3f and %r<%.3f then %.0f else" % (_var_name,
_accum_probability, _var_name, _accum_probability_2, _values_set[_i])
_accum_probability = _accum_probability_2
_accum_probability_2 = _accum_probability_2 + _probability
print "if %r>=%.3f and %r<%.3f then %.0f else %.0f" % (_var_name,
_accum_probability, _var_name, _accum_probability_2, _values_set[_i+1],
_values_set[_i+2])
elif _values_set.size == 2:
print "if %r>=0 and %r<0.5 then %r else %r" % (_var_name, _var_name,
_values_set[0], _values_set[1])
else:
print "if %r>=0 and %r<0.5 then %r else %r" % (_var_name, _var_name,
_values_set[0], _values_set[0])
*************** Termina STboot_utils.py ***************
*************** Comienza STboot_classes.py ***************
import numpy as np
import matplotlib.pyplot as plt
#import collections
#from xlrd import open_workbook
#np.random.seed(8675309)

class item:
def __init__ (self):
self.idcode = "no idcode yet"
self.demand_data = np.array([])
self.lead_time_data = np.array([])
self.revision_period = 0

self.target_service_level = 0
self.RLTD = np.array([])
self.boot_expected_percentile = 0
self.boot_estimated_percentiles = np.array([])
self.percentile_plug_in_estimate = 0
self.CV_RLTD = 0
#gdna stands for generated distribution normal assumption
self.gdna_percentile_estimate = 0
# nt stands for normal theory
self.nt_RLTD_avg = 0
self.nt_RLTD_std = 0
self.nt_avg_lead_time_plus_revision = 0
self.nt_percentile_estimate = 0

def histogram_RLTD(self):
plt.hist(self.RLTD, scott_bins(self.RLTD, 0.0001), facecolor='g')
plt.ylabel('frecuencia')
plt.xlabel ('RLTD')
title1 = "Histograma RLTD %r" %self.idcode
plt.title(title1)
plt.grid(True)
plt.show()

def histogram_estimated_percentiles(self):
plt.hist(self.boot_estimated_percentiles,
scott_bins(self.boot_estimated_percentiles, 0.0001), facecolor='g')
x_label = "Percentil %r" % self.target_service_level
plt.xlabel(x_label)

title2 = "Histograma percentil %r calculados %r" %
(self.target_service_level, self.idcode)
plt.title(title2)
plt.grid(True)
plt.show()

def histogram_demand(self):
plt.hist(self.demand_data, scott_bins(self.demand_data, 0.0001),
facecolor='b')
plt.xlabel ('Demanda')
title1 = "Histograma de demanda %r" %self.idcode
plt.title(title1)
plt.grid(True)
plt.show()

def histogram_lead_time(self):
plt.hist(self.lead_time_data, scott_bins(self.lead_time_data, 0.0001),
facecolor='b')
plt.xlabel ('Tiempo de obtencion')
title2 = "Histograma de tiempo de obtencion %r" %self.idcode
plt.title(title2)
plt.grid(True)
plt.show()

def histogram_estimated_percentiles_ci(self, ll1, ul1, ll2, ul2):
plt.hist(self.boot_estimated_percentiles,
scott_bins(self.boot_estimated_percentiles, 0.0001), facecolor='g')
x_label = "Percentil %r" % self.target_service_level

plt.xlabel(x_label)
title2 = "Histograma percentil %r calculados %r e Intervalos de confianza"
% (self.target_service_level, self.idcode)
plt.title(title2)
plt.grid(True)
plt.axvline(x=ll1, marker='o', color='r')
plt.axvline(x=ul1, marker='o', color='r')
plt.axvline(x=ll2, marker='D', color='b')
plt.axvline(x=ul2, marker='D', color='b')
plt.show()

def histogram_RLTD_v2(self, ll1, ul1, ll2, ul2):
plt.hist(self.RLTD, scott_bins(self.RLTD, 0.0001), facecolor='g')
plt.xlabel ('Estimador')
#title1 = "Histograma RLTD %r" %self.idcode
#plt.title(title1)
plt.axvline(x=ll1, marker='o', color='r')
plt.axvline(x=ul1, marker='o', color='r')
plt.axvline(x=ll2, marker='D', color='b')
plt.axvline(x=ul2, marker='D', color='b')
plt.grid(True)
plt.show()

def RLTD_KS_test(self):
# if the function returns True it means nule hypothesis is rejected,
# thus it can not be said that the RLTD is normal
_bins_s = scott_bins(self.RLTD, 0.00001)
_frequency = np.histogram(self.RLTD, bins=_bins_s)[0]
_accumulated_frequency = np.zeros(_frequency.size)

_accumulated_frequency[0] = _frequency[0]
for _i in range (1, _accumulated_frequency.size):
_accumulated_frequency[_i] = _accumulated_frequency[_i-1] +
_frequency[_i]
_accumulated_probability = _accumulated_frequency /
_accumulated_frequency[_accumulated_frequency.size-1]
_bins_s_except_first = np.delete(_bins_s,0)
_z_values = (_bins_s_except_first -
self.RLTD.mean())/self.RLTD.std(ddof=1)
_theorical_acumulated_probability = np.array([])
for _i in _z_values:
_P_accum_z = stats.norm.cdf(_i)
_theorical_acumulated_probability =
np.append(_theorical_acumulated_probability, _P_accum_z)
_theorical_acumulated_probability[-1] = 1
_D_values = abs(_accumulated_probability -
_theorical_acumulated_probability)
_D_max = np.max(_D_values)
# critical value for alpha = 0.1 on Hipothesis testing
_D_crit = 1.07 / (self.RLTD.size**0.5)
#print "clases: %r" % _bins_s
#print "frecuencias por clase: %r" % _frequency
#print "probabilidades acumuladas: %r" % _accumulated_probability
#print "valores z: %r" % _z_values
#print "probabilidades acumuladas teoricas: %r" %
_theorical_acumulated_probability
#print "valores D: %r" % _D_values
#print "%s D max = %.5f" % (self.idcode, _D_max)
#print "%s D critico = %.5f" % (self.idcode, _D_crit)
return _D_max > _D_crit


def scott_bins(_data_set, _data_precision):
_data_set_min = _data_set.min()
_data_set_max = _data_set.max()
_h = 3.5*_data_set.std(ddof=1)/(_data_set.size**(1/3))
_K = (_data_set_max - _data_set_min)/_h
_Kred = round (_K, 0)
_L = (_data_set_max - _data_set_min +_data_precision)/_Kred
_first_bin = _data_set_min - (_data_precision / 2)
_bins = np.array([])
_bins = np.append(_bins, _first_bin)
_last_bin = _bins [-1]
while _last_bin < _data_set_max:
_bins = np.append(_bins, _last_bin + _L)
_last_bin = _bins [-1]
return _bins
*************** Termina STboot_classes.py ***************
*************** Comienza ST BOOT Final Release.ipynb ***************
import numpy as np
set_printoptions(threshold=nan)
import collections
from tempfile import TemporaryFile
from xlwt import Workbook
import math

from STboot_utils import *
from STboot_classes import *

# The names of the excel files containing the related information must be specified here.
# Files must be located in the same folder where python or Ipython was launched.
lead_time_file = 'TO tesis.xls'
demand_file = 'DEMANDA tesis.xls'
revision_period_file = 'PERIODO REV 5 tesis.xls'
service_level_file = 'NIVEL SERVICIO tesis.xls'

lead_time_sheet = open_workbook(lead_time_file).sheet_by_index(0)
demand_sheet = open_workbook(demand_file).sheet_by_index(0)
revision_period_sheet = open_workbook(revision_period_file).sheet_by_index(0)
service_level_sheet = open_workbook(service_level_file).sheet_by_index(0)

parameters_lists_check(lead_time_sheet,demand_sheet,revision_period_sheet,service_level_s
heet)

articles_array = np.array(filter(None, demand_sheet.col_values(0)))

start_time = datetime.datetime.now()
np.random.seed(8675309)

#### Excel ouput initialization
book = Workbook()
sheet1 = book.add_sheet('Resultados')

row = sheet1.row(0)
row.write(0, 'CODIGO')
row.write(1, 'NIVEL SERVICIO')
row.write(2, 'PERIODO REVISION')
row.write(3, 'E(T. OBTENCION)')

row.write(4, 'E(DEMANDA SEMANAL)')
row.write(5, 'DESVEST DEMANDA S.')
row.write(6, 'TN MEDIA RLTD')
row.write(7, 'TN DESVEST RLTD')
row.write(8, 'TN CV RLTD')
row.write(9, 'TN PERCENTIL')
row.write(10, 'GD NA PERCENTIL')
row.write(11, 'BOOT CV RLTD')
row.write(12, 'RTLD KS H0 RECHAZADA')
row.write(13, 'BOOT E(PERCENTIL)')
row.write(14, 'PER INT LI')
row.write(15, 'PER INT LS')
row.write(16, 'PERCENTIL LI BCa')
row.write(17, 'PERCENTIL LS BCa')
row.write(18, 'BCa INT LI')
row.write(19, 'BCa INT LS')
row.write(20, 'S propuesta')

########

for i in range (0, articles_array.size):
article = item()
article.idcode = articles_array[i]
article.lead_time_data =
remove_negatives_zeros_from_array(search_data(article.idcode,lead_time_sheet))
article.demand_data =
remove_negatives_zeros_from_array(search_data(article.idcode,demand_sheet))
article.revision_period =
remove_negatives_zeros_from_array(search_data(article.idcode,revision_period_sheet))[0]
article.target_service_level =
remove_negatives_zeros_from_array(search_data(article.idcode,service_level_sheet))[0]

#ses stands for skewness standard error

beta = 0.1 #beta is the proportion of data that would be transformed on each extreme

slfet = 0.1 #slfet : significance level for skewness tests

demand_skewness_notification = False

if test_skewness_significance(article.demand_data, slfet)== True:
demand_skewness_notification = True
article.demand_data = winsorize_data(article.demand_data, beta)

lead_time_skewness_notification = False

if test_skewness_significance(article.lead_time_data, slfet)== True:
lead_time_skewness_notification = True
article.lead_time_data = winsorize_data(article.lead_time_data, beta)

sample_size1 = np.floor((article.demand_data.size + article.lead_time_data.size)/2)
B1 = 300

while article.RLTD.size < B1:
demand_sample = gen_bootstrap_sample(article.demand_data, sample_size1)
lead_time_sample = gen_bootstrap_sample(article.lead_time_data, sample_size1)
revision_time_array = np.zeros(sample_size1)
revision_time_array = revision_time_array + article.revision_period
max_lead_time_revision_sample = np.maximum(revision_time_array, lead_time_sample)
samples_multiplication = max_lead_time_revision_sample * demand_sample

article.RLTD = np.append(article.RLTD, samples_multiplication)

article.CV_RLTD = article.RLTD.std(ddof=1) / article.RLTD.mean()
RTLD_KS_test_H0_rejected = article.RLTD_KS_test()

article.nt_avg_lead_time_plus_revision = article.lead_time_data.mean() +
article.revision_period
article.nt_RLTD_std = article.demand_data.std(ddof=1) *
(article.nt_avg_lead_time_plus_revision**(1/2))
article.nt_RLTD_avg = article.demand_data.mean() *
article.nt_avg_lead_time_plus_revision
article.nt_percentile_estimate = article.nt_RLTD_avg +
(stats.norm.ppf(article.target_service_level / 100) * article.nt_RLTD_std)
article.gdna_percentile_estimate = article.RLTD.mean() +
(stats.norm.ppf(article.target_service_level / 100) * article.RLTD.std(ddof=1))

sample_size2 = article.RLTD.size
B2 = 2000
while article.boot_estimated_percentiles.size < B2:
RLTD_sample = gen_bootstrap_sample(article.RLTD, sample_size2)
sample_percentile = stats.scoreatpercentile(RLTD_sample,
article.target_service_level)
article.boot_estimated_percentiles =
np.append(article.boot_estimated_percentiles, sample_percentile)

article.boot_expected_percentile = article.boot_estimated_percentiles.mean()
article.percentile_plug_in_estimate = stats.scoreatpercentile(article.RLTD,
article.target_service_level)

acc = calc_percentile_acceleration(article.RLTD, article.target_service_level)
z0 = calc_bias_correction(article.boot_estimated_percentiles,
article.percentile_plug_in_estimate)


# alpha for a BCa interval of intended coverage 1-2*alpha
alpha = 0.025
BCa_percentiles = calc_BCa_percentiles(z0, acc, alpha)
coverage = (1-2*alpha)*100

# percentil interval for estimator
Per_int_ll = stats.scoreatpercentile(article.boot_estimated_percentiles, (alpha)*100)
Per_int_ul = stats.scoreatpercentile(article.boot_estimated_percentiles, (1-
alpha)*100)
# BCa interval for estimator
BCa_int_ll = stats.scoreatpercentile(article.boot_estimated_percentiles,
BCa_percentiles[0])
BCa_int_ul = stats.scoreatpercentile(article.boot_estimated_percentiles,
BCa_percentiles[1])
boot_objective_level = 0

if (math.isnan(acc) or z0==inf or z0==-inf) == True:
boot_objective_level = np.ceil(article.boot_expected_percentile)
else:
boot_objective_level = np.ceil(BCa_int_ul)

##### Start of output block for ipython
##### NOTE: "--pylab inline" should had been given as argument when launching ipython

print
"****************************************************************************************
****"
print
"****************************************************************************************
****"

# Start of sub-block for ithink modeling
#print ""

#print "Datos de tiempos de obtencion del articulo:"
#print ""
#print article.lead_time_data
#print ""
#print "Ithink cantidad entregada flow:"
#print ""
#gen_distr_text(article.lead_time_data, 'B')
#print ""
#print ""
#print "Datos de demanda del articulo:"
#print article.demand_data
#print ""
#print "Ithink cantidad demanda converter:"
#print ""
#gen_distr_text(article.demand_data, 'A')
#print ""
#print ""
#print "Periodo de revison: %r" % article.revision_period
#print ""
#print "Nivel de servicio objetivo: %r" % article.target_service_level
#print ""
#print ""
#print "Articulo: %r" % article.idcode
#print ""
#print ""
# end of sub-block for Ithink modeling

#print "%s RLTD:" % article.idcode
#print article.RLTD

#print "%s replicas bootstrap del percentil:" % article.idcode
#print article.boot_estimated_percentiles

if lead_time_skewness_notification == True:
print "Asimetria en datos de demanda es signficativa, se transformaron los
datos!"
article.histogram_demand()
title1 = "Demanda %s" % article.idcode
descriptive_stats(article.demand_data, title1)

if lead_time_skewness_notification == True:
print "Asimetria en datos de tiempos de obtencion es signficativa, se
transformaron los datos!"
article.histogram_lead_time()
title2 = "Tiempos de obtencion %s" % article.idcode
descriptive_stats(article.lead_time_data, title2)

print "Periodo de revision: %.2f" % article.revision_period
print ""

article.histogram_RLTD()
title3 = "RLTD %s" % article.idcode
descriptive_stats(article.RLTD, title3)

article.histogram_estimated_percentiles()
title4 = "estimadores bootstrap percentil %.0f , %s" % (article.target_service_level,
article.idcode)
descriptive_stats(article.boot_estimated_percentiles, title4)


print "%r estimador plug-in para percentil %.0f de la RLTD:%.2f" % (article.idcode,
article.target_service_level, article.percentile_plug_in_estimate)
print ""
print ""
print "%r valor esperado @ percentil %.0f: %.2f " % (article.idcode,
article.target_service_level, article.boot_expected_percentile)
print ""
print ""

print "Intervalo de confianza %.0f%% metodo percentil para percentil %.0f: (%.2f,
%.2f)" % (coverage, article.target_service_level, Per_int_ll, Per_int_ul)
print ""
print ""

print "Correccion de sesgo, z0= %.4f" % z0
print "Aceleracion, acc= %.4f" % acc
print "Percentiles para intervalo BCa: (%.2f, %.2f)" % (BCa_percentiles[0],
BCa_percentiles[1])
print "Intervalo de confianza %.0f%% BCa para percentil %.0f: (%.2f, %.2f)" %
(coverage, article.target_service_level, BCa_int_ll, BCa_int_ul)
print ""
print ""
article.histogram_estimated_percentiles_ci(Per_int_ll, Per_int_ul, BCa_int_ll,
BCa_int_ul)
print ""
#print "%r" % (math.isnan(acc) or z0==inf or z0==-inf)
print "%s Nivel Objetivo de Inventario propuesta: %.0f" % (article.idcode,
boot_objective_level)
print ""
print "Acentos omitidos intencionalmente para evitar errores de configuracion"
print ""
print ""
##### End of output block for ipython

#start of excel dumping
row = sheet1.row(i+1)
row.write(0, article.idcode)
row.write(1, article.target_service_level)
row.write(2, article.revision_period)
row.write(3, article.lead_time_data.mean())
row.write(4, article.demand_data.mean())
row.write(5, article.demand_data.std(ddof=1))
row.write(6, article.nt_RLTD_avg)
row.write(7, article.nt_RLTD_std)
row.write(8, article.nt_RLTD_std / article.nt_RLTD_avg)
row.write(9, article.nt_percentile_estimate)
row.write(10, article.gdna_percentile_estimate)
row.write(11, article.CV_RLTD)
if RTLD_KS_test_H0_rejected == True:
row.write(12, "SI")
row.write(13, article.boot_expected_percentile)
row.write(14, Per_int_ll)
row.write(15, Per_int_ul)
row.write(16, BCa_percentiles[0])
row.write(17, BCa_percentiles[1])
row.write(18, BCa_int_ll)
row.write(19, BCa_int_ul)
row.write(20, boot_objective_level)

#end of excel dumping
del article
file_name = gen_file_name()
book.save(file_name)

book.save(TemporaryFile())
end_time = datetime.datetime.now()
elapsed_time_string(start_time, end_time)
*************** Termina ST BOOT Final Release.ipynb ***************

114

APNDICE B

Grficas de indicadores de desempeo

Ap. B - Grficas de indicadores de desempeo 115






























145

APNDICE C

Ecuaciones del modelo de simulacin en
iThink
Costos_de_faltantes_totales(t) = Costos_de_faltantes_totales(t - dt) +
(Costos_por_faltante) * dt
INIT Costos_de_faltantes_totales = 0
INFLOWS:
Costos_por_faltante = Faltantes_por_periodo*Pi_Costo_por_faltante
Costos_por_mantener_totales(t) = Costos_por_mantener_totales(t - dt) +
(Costos_por_mantener) * dt
INIT Costos_por_mantener_totales = 0
INFLOWS:
Costos_por_mantener = i_tasa_de_inters*c_Costo_unitario_de_artculo*Inventario
Costos_por_ordenar_totales(t) = Costos_por_ordenar_totales(t - dt) + (Costo_por_ordenar)
* dt
INIT Costos_por_ordenar_totales = 0
INFLOWS:
Costo_por_ordenar = Orden_colocada*A_Costo_por_ordenar
Faltantes_totales(t) = Faltantes_totales(t - dt) + (Faltantes_por_periodo) * dt
INIT Faltantes_totales = 0
INFLOWS:
Faltantes_por_periodo = Demanda-Ventas
Inventario(t) = Inventario(t - dt) + (Cantidad_Entregada - Ventas) * dt
Ap. C - Ecuaciones del modelo de simulacin en iThink 146

INIT Inventario = Nivel_de_inventario_objetivo
INFLOWS:
Cantidad_Entregada = CONVEYOR OUTFLOW
TRANSIT TIME = if 'B'>=0.000 and 'B'<0.050 then 4 else
if 'B'>=0.050 and 'B'<0.100 then 4 else
if 'B'>=0.900 and 'B'<0.950 then 9 else 9
OUTFLOWS:
Ventas = Demanda
Inventario_en_transito(t) = Inventario_en_transito(t - dt) + (Cantidad_a_ordenar -
Cantidad_Entregada) * dt
INIT Inventario_en_transito = 0
TRANSIT TIME = varies
INFLOW LIMIT = INF
CAPACITY = INF

INFLOWS:
Cantidad_a_ordenar = if mod(time,Periodo_de_revisin)=0 then
max(Nivel_de_inventario_objetivo-Inventario-Inventario_en_transito,0) else 0
OUTFLOWS:
Cantidad_Entregada = CONVEYOR OUTFLOW
TRANSIT TIME = if 'B'>=0.000 and 'B'<0.050 then 4 else
if 'B'>=0.900 and 'B'<0.950 then 9 else 9
Inventario_por_periodo_acumulado(t) = Inventario_por_periodo_acumulado(t - dt) +
(Inventario_por_periodo) * dt
INIT Inventario_por_periodo_acumulado = 0
INFLOWS:
Inventario_por_periodo = Inventario
Ordenes_colocadas_totales(t) = Ordenes_colocadas_totales(t - dt) + (Orden_colocada) * dt

INIT Ordenes_colocadas_totales = 0
INFLOWS:
Orden_colocada = if Cantidad_a_ordenar>0 then 1 else 0
Semanas_con_faltante_totales(t) = Semanas_con_faltante_totales(t - dt) +
(Semanas_con_faltante) * dt
INIT Semanas_con_faltante_totales = 0
INFLOWS:
Semanas_con_faltante = if Faltantes_por_periodo >0 then 1 else 0
Tasa_surtido_acumulada(t) = Tasa_surtido_acumulada(t - dt) + (Tasa_surtido) * dt
INIT Tasa_surtido_acumulada = 0
INFLOWS:
Tasa_surtido = (Ventas/Demanda)*100
Ventas_totales(t) = Ventas_totales(t - dt) + (Ventas) * dt
INIT Ventas_totales = 0
INFLOWS:
Ventas = Demanda
'A' = random(0,1)
'B' = random(0,1)
A_Costo_por_ordenar = 50
c_Costo_unitario_de_artculo = 100
Demanda = if 'A'>=0.000 and 'A'<0.011 then 15 else
if 'A'>=0.011 and 'A'<0.022 then 15 else



if 'A'>=0.978 and 'A'<0.989 then 98 else 98
Inventario_promedio = if time >1 then Inventario_por_periodo_acumulado/(time-1) else 0
i_tasa_de_inters = 0.20*(7/365)
Nivel_de_inventario_objetivo = 35
Periodo_de_revisin = 3
Pi_Costo_por_faltante = 40
Probabilidad_de_Abasto = if time >1 then (1-(Semanas_con_faltante_totales/(time-1)))*100
else 0
Tasa_surtido_promedio = if time>1 then Tasa_surtido_acumulada/(time-1) else 0

152

APNDICE D

Cdigo fuente pruebas de Kolgomorov-
Smirnov de 2 muestras
import numpy as np

data_file = 'plantilla vaciado datos simulacion.xlsx'
article_list = ['OM21101', 'IEYD1500 S', 'BTQN28D', 'RWRR0505', 'LT3908S', 'LV5320WCP',
'TLVC8X1', 'BTE2001', 'IEEXN50', '3M1600', 'IDPOT14BCO', 'HBAWN4232EU', 'ES7120LED',
'LV515PR', 'IUBW4T', 'OM31612', 'IEYD330S', 'IEMR16SMTLED3W65', 'PD13RE', 'BT316411',
'IDCA12NGO', 'LT3907S', 'BT331751', 'BTE6028N', 'IEMR16LED 45W 30', 'OS49596',
'OS82276', 'IELTL3282', 'RY500', 'IEGU1050C','EBCRST1906']
for i in range(0, len(article_list)):

article = article_list[i]
data_sheet = open_workbook(data_file).sheet_by_name(article)

pa_tradicional=np.array(data_sheet.col_values(5,4,54))
ts_tradicional=np.array(data_sheet.col_values(7,4,54))
ct_tradicional=np.array(data_sheet.col_values(9,4,54))
pa_supuesto_norm_de=np.array(data_sheet.col_values(5,75,125))
Ap. D - Cdigo fuente pruebas de Kolgomorov-Smirnov de 2 muestras 153

ts_supuesto_norm_de=np.array(data_sheet.col_values(7,75,125))
ct_supuesto_norm_de=np.array(data_sheet.col_values(9,75,125))
pa_propuesta=np.array(data_sheet.col_values(5,146,196))
ts_propuesta=np.array(data_sheet.col_values(7,146,196))
ct_propuesta=np.array(data_sheet.col_values(9,146,196))
pa_actual=np.array(data_sheet.col_values(5,217,267))
ts_actual=np.array(data_sheet.col_values(7,217,267))
ct_actual=np.array(data_sheet.col_values(9,217,267))

alpha_bonferroni_corrected = 0.05/3

print "alpha con ajuste de bonferroni para pruebas de hipotesis: %.4f" %
alpha_bonferroni_corrected
print ""

# propuesta vs. tradicional
result = stats.ks_2samp(pa_propuesta, pa_tradicional)
print "prueba KS 2 muestras, %s probabilidad de abasto, propuesta vs. tradicional,
hipotesis nula rechazada: %r, p-value: %.4f" % (article, result[1] <
alpha_bonferroni_corrected, result[1])
result = stats.ks_2samp(ts_propuesta, ts_tradicional)
print "prueba KS 2 muestras, %s tasa de surtido, propuesta vs. tradicional, hipotesis
nula rechazada: %r, p-value: %.4f" % (article, result[1] < alpha_bonferroni_corrected,
result[1])
result = stats.ks_2samp(ct_propuesta, ct_tradicional)
print "prueba KS 2 muestras, %s costo total, propuesta vs. tradicional, hipotesis
result[1])
print""

#propuesta vs. suposicion de normalidad en distribucion empirica
result = stats.ks_2samp(pa_propuesta, pa_supuesto_norm_de)

print "prueba KS 2 muestras, %s probabilidad de abasto, propuesta vs. sup. normalidad
dist.empirica, hipotesis nula rechazada: %r, p-value: %.4f" % (article, result[1] <
result = stats.ks_2samp(ts_propuesta, ts_supuesto_norm_de)
print "prueba KS 2 muestras, %s tasa de surtido, propuesta vs. sup. normalidad
result = stats.ks_2samp(ct_propuesta, ct_supuesto_norm_de)
print "prueba KS 2 muestras, %s costo total, propuesta vs. sup. normalidad
print ""

#propuesta vs. actual
result = stats.ks_2samp(pa_propuesta, pa_actual)
print "prueba KS 2 muestras, %s probabilidad de abasto, propuesta vs. actual,
result = stats.ks_2samp(ts_propuesta, ts_actual)
print "prueba KS 2 muestras, %s tasa de surtido, propuesta vs. actual, hipotesis nula
rechazada: %r, p-value: %.4f" % (article, result[1] < alpha_bonferroni_corrected,
result[1])
result = stats.ks_2samp(ct_propuesta, ct_actual)
print "prueba KS 2 muestras, %s costo total, propuesta vs. actual, hipotesis nula
result[1])
print ""
print ""
print ""

#tradicional vs. suposicion de normalidad en distribucion empirica
result = stats.ks_2samp(pa_tradicional, pa_supuesto_norm_de)
print "prueba KS 2 muestras, %s probabilidad de abasto, tradicional vs. sup.
normalidad dist.empirica, hipotesis nula rechazada: %r, p-value: %.4f" % (article,
result[1] < alpha_bonferroni_corrected, result[1])
result = stats.ks_2samp(ts_tradicional, ts_supuesto_norm_de)

print "prueba KS 2 muestras, %s tasa de surtido, tradicional vs. sup. normalidad
result = stats.ks_2samp(ct_tradicional, ct_supuesto_norm_de)
print "prueba KS 2 muestras, %s costo total, tradicional vs. sup. normalidad
print ""
#tradicional vs. actual
result = stats.ks_2samp(pa_tradicional, pa_actual)
print "prueba KS 2 muestras, %s probabilidad de abasto, tradicional vs. actual,
result = stats.ks_2samp(ts_tradicional, ts_actual)
print "prueba KS 2 muestras, %s tasa de surtido, tradicional vs. actual, hipotesis
result[1])
result = stats.ks_2samp(ct_tradicional, ct_actual)
print "prueba KS 2 muestras, %s costo total, tradicional vs. actual, hipotesis nula
result[1])
print ""
#suposicion de normalidad en distribucion empirica vs. actual
result = stats.ks_2samp(pa_supuesto_norm_de, pa_actual)
print "prueba KS 2 muestras, %s probabilidad de abasto, sup. normalidad dist.empirica
vs. actual, hipotesis nula rechazada: %r, p-value: %.4f" % (article, result[1] <
result = stats.ks_2samp(ts_supuesto_norm_de, ts_actual)
print "prueba KS 2 muestras, %s tasa de surtido, sup. normalidad dist.empirica vs.
actual, hipotesis nula rechazada: %r, p-value: %.4f" % (article, result[1] <
result = stats.ks_2samp(ct_supuesto_norm_de, ct_actual)
print "prueba KS 2 muestras, %s costo total, sup. normalidad dist.empirica vs.
actual, hipotesis nula rechazada: %r, p-value: %.4f" % (article, result[1] <
print ""
print ""

Trabajo Tipo Investigacion PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Trabajo Tipo Investigacion PDF

Caricato da

Copyright:

Formati disponibili

Instituto Tecnolgico y de Estudios

u basado en 1000 rplicas bootstrap .......................................... 44

u , adaptado de Efron y Tibshirani (1994) ................ 45

| , adaptado de Efron y Tibshirani (1994) ................................. 47

F , es una estimacin simple de la

F se define como la distribucin discreta que

F en lugar de la desconocida distribucin

Cap. 2 - Marco Terico 35

x u = , la media, pero para cualquier otro estadstico debemos de hacer el

x u = , entonces cv(se ) 1/ 2n es igual a 0.22 para 10 n = . La

u , quizs su error estndar

u para estimar la inobservable cantidad

P , la definicin de una muestra bootstrap

P x debe significar lo mismo que la flecha en P x .La funcin que

u es la misma funcin ( ) s que sirve para mapear x

u , basado quizs en cmputos bootstrap. Bajo la mayora de las

u el estimado plug-in del parmetro u y se su error estndar estimado. Considere el

u variable aleatoria tomada de la distribucin

367.57 u = . El error estndar estimado bootstrap de

u basado en 1000 rplicas bootstrap

u . El intervalo percentil 1 2o esta

= , el 100 -simo o percentil de la distribucin

( ) b u valores. De igual manera sea

u no sea aproximadamente normal (v gr. Debido a

u . Aunque conocemos que la poblacin proviene de una distribucin normal

u , adaptado de Efron y Tibshirani (1994)

u se muestran en la Tabla 2.4.

( , se ) N u que es subyacente a los intervalos de confianza normal estndar

u normal. La Figura 2.11 muestra el histograma de 1000 rplicas bootstrap

u . Esto no es sorprndete ya que

x | = . El intervalo normal estndar para ln( ) | u = es | | 0.4639, 0.7015 , mientras que el

| y luego mapear los extremos del intervalo de regreso a la escala de u

| , adaptado de Efron y Tibshirani (1994)

( , se ) N u , donde los intervalos normal estndar son correctos, los

( ) s u = x como un estimado de u se define como la diferencia entre el valor

u y el valor del parmetro u ,

u un estimador variable de u , no se desea que la variabilidad

u podra ser un estimador normal sesgado,

u . El jacknife se enfoca en las muestras que dejan

u Indicando la funcin inversa de la distribucin cumulativa normal estndar, por

u , en unidades de desviacin normal

( ) b u son menores que

u con respecto al valor verdadero del parmetro u , medido en una escala

( , se ) N u u asume que el error estndar

u es el mismo para todos los valores de u . Esto es frecuentemente irrealista y la

u en cada rplica jacknife donde en cada

F un valor a la vez sea el mismo, por lo que tanto el

F de la RLTD generada en el bloque anterior.

CRBu < 2000:

u , es decir, calcular el valor del

u . Esto es, el promedio

CRBu ). De acuerdo con (2.47) los valores de estos

CRBu ). De acuerdo con (2.58) los valores de estos

Potrebbero piacerti anche