Sei sulla pagina 1di 18

verso impressa ISSN 0101-7438 / verso online ISSN 1678-5142

CLCULO DO PONTO DE PEDIDO BASEADO EM PREVISES DE UMA POLTICA <Q, r> DE GESTO DE ESTOQUES Eduardo Saggioro Garcia Visagio Consultoria Assessoria e Desenvolvimento Ltda Rio de Janeiro RJ eduardo.saggioro@visagio.com.br Virglio Jos Martins Ferreira Filho* Engenharia de Produo Universidade Federal do Rio de Janeiro (UFRJ) Rio de Janeiro RJ virgilio@ufrj.br
* Corresponding author / autor para quem as correspondncias devem ser encaminhadas

Recebido em 07/2005; aceito em 04/2007 aps 1 reviso Received July 2005; accepted April 2007 after one revision

Resumo
Um das polticas de gesto de estoques mais conhecidas e utilizadas o sistema de lote econmico com ponto de pedido, tambm conhecido como sistema <Q, r>. O objetivo deste artigo apresentar uma nova abordagem para o clculo do ponto de pedido, baseada na previso da demanda para cada perodo durante o tempo de ressuprimento. Erros de previso e tempos de ressuprimento so as variveis aleatrias consideradas sendo o ponto de pedido calculado com base na distribuio composta desses parmetros. Simulaes so realizadas para avaliar a adequao do modelo proposto, sob condies tais como: diferentes distribuies do lead-time, da demanda e diferentes magnitudes do erro de previso. A experimentao conduzida procura avaliar tanto a validade do modelo terico proposto quanto os possveis desvios das premissas consideradas, principalmente a da demanda ser considerada normalmente distribuda no lead-time.

Palavras-chave: estoques; ponto de pedido; previso; simulao. Abstract


One of the most known policy of inventory management is the order quantity and reorder point, or <Q, r> policy. The purpose of this paper is to present a new analytical approach for evaluating reorder points in inventory management policies. This approach considers the reorder point as a function of forecasted demands in the planning horizon, which can vary through time. Lead-times and forecast errors are the uncertainties present in the model. The composed distribution of these parameters is used to obtain an analytical expression for the proposed forecast based reorder point. Simulation experiments are performed in order to validate and test the accuracy of the proposed model. The experiments consider different lead-time and demand distributions and also different magnitude of forecast errors. Beyond the accuracy of the analytical model the simulations seeks to evaluate the premises adopted, mainly the one of normally distributed lead-time demand.

Keywords: inventory; reorder point; forecast; simulation.

Pesquisa Operacional, v.29, n.3, p.605-622, Setembro a Dezembro de 2009

605

Garcia & Ferreira Filho Clculo do ponto de pedido baseado em previses de uma poltica <Q, r> de gesto de estoques

1. Introduo O gerenciamento dos estoques, uma das questes mais antigas da administrao, ainda desperta muito interesse, seja no dia a dia das organizaes seja no meio acadmico. Depois de um perodo em que foram desenvolvidos vrios modelos analticos para abordar a questo dos estoques seguiu-se uma poca em que estes modelos foram relegados a segundo plano prevalecendo abordagens de gesto da produo que preconizavam sistemas sincronizados com minimizao/eliminao dos estoques. Mais recentemente, sistemas mais complexos envolvendo cadeias de suprimento mais longas e portanto sujeitas a maior variabilidade vem requerendo modelos analticos que permitam tratar a questo dos estoques ao longo da cadeia. As questes principais no gerenciamento de estoques, sejam em grandes cadeias, sejam em uma organizao isolada, continuam sendo quando e quanto repor levando em conta as possveis variabilidades tanto no suprimento quanto na demanda. Um das polticas de gesto de estoques mais conhecidas e utilizadas o sistema de lote econmico com ponto de pedido, tambm conhecido como sistema <Q, r>. Neste modelo, uma quantidade Q ordenada assim que o estoque disponvel atinge o patamar de r unidades, chamado de ponto de pedido ou nvel de reposio. A quantidade Q usualmente determinada pela expresso do Lote Econmico de Ressuprimento ou por algum outro modelo de otimizao, como pode ser visto em livros clssicos de gesto de estoques como Hadley & Within (1963) e Brown (1967), ou em livros mais recentes como Silver, Rycke & Peterson (1998). J o ponto de pedido r se baseia em atingir algum padro de nvel de servio, tendo em considerao a variabilidade estocstica da demanda total durante o tempo de ressuprimento, tambm conhecida como demanda no lead-time. Embora existam muitas maneiras de se definir nvel de servio, como disponibilidade de produto (fill rate), uma abordagem comum consider-lo como a probabilidade de no ocorrncia de uma ruptura de estoques (stockout) durante o tempo de ressuprimento. Com base no nvel de servio desejado, r em geral calculado como a demanda mdia no lead-time mais um estoque de segurana. Para o clculo apropriado deste estoque de segurana deve-se conhecer a distribuio de probabilidades da demanda no lead-time, que uma distribuio composta definida pela convoluo de um nmero aleatrio de perodos, cada qual apresentando uma demanda aleatria. Alternativamente, outro mtodo usual de calcular o estoque de segurana utilizando a previso da demanda no lead-time, juntamente com os respectivos erros de previso. O objetivo deste artigo apresentar uma nova abordagem para o clculo do ponto de pedido, baseada na previso da demanda para cada perodo durante o tempo de ressuprimento. Erros de previso e tempos de ressuprimento so as variveis aleatrias consideradas sendo o ponto de pedido calculado com base na distribuio composta desses parmetros. Simulaes so realizadas para avaliar a adequao do modelo proposto, sob condies tais como: diferentes distribuies do lead-time, da demanda e diferentes nveis de erro de previso. A experimentao conduzida procura avaliar tanto a validade do modelo terico proposto, quanto os possveis desvios das premissas consideradas, principalmente a da demanda ser considerada normalmente distribuda no lead-time. Na sequncia do artigo apresentada uma breve reviso bibliogrfica discutindo as premissas da formulao clssica, as quais so apresentadas e analisadas como fundamentos para o desenvolvimento do modelo proposto na seo 3. Na seo 4 apresentada a

606

Pesquisa Operacional, v.29, n.3, p.605-622, Setembro a Dezembro de 2009

Garcia & Ferreira Filho Clculo do ponto de pedido baseado em previses de uma poltica <Q, r> de gesto de estoques

metodologia de simulao desenvolvida para validar o modelo, bem como o processo de experimentao conduzido. A seo 5 conclui o trabalho, apresentando tambm possveis formas de utilizao da modelagem proposta. 2. Anlise e premissas da formulao clssica do modelo de ponto de pedido Nos modelos de estoques existentes na literatura e usados nas organizaes, diversas so as premissas assumidas, muitas vezes de modo implcito. Estas premissas tm efeitos tanto nos custos quanto no nvel de servio. Algumas destas suposies, apontadas por exemplo em Silver (1981) ou em Mentzer & Krishnan (1988) so: (i) a distribuio da demanda no tempo de servio tem uma forma determinada (na maioria das vezes assumida a distribuio normal) (ii) os parmetros, principalmente mdia e desvio-padro, da distribuio so conhecidos, (iii) a distribuio da demanda no lead-time uma composio de uma distribuio contnua para a demanda com uma distribuio discreta do lead-time e alm disto que a demanda independente do lead-time, (iv) a cada demanda diria apresenta a mesma mdia e o mesmo desvio-padro e ainda admitido que no existe autocorrelao entre as demandas dirias. Diversos artigos presentes na literatura discutem os efeitos destas premissas. A simplificao mais comum considerar que a demanda no lead-time segue uma distribuio normal (veja por exemplo Eppen & Martin, 1988). Com esta suposio, para um dado nvel de servio, basta estimar a mdia e o desvio-padro da demanda no lead-time para se determinar r. Porm, segundo Tyworth (1992), mesmo que o tempo de ressuprimento e as demandas em cada perodo sejam normalmente distribudos, a distribuio composta no segue uma distribuio normal. Apesar disso, o pressuposto de normalidade vastamente usado como simplificao do problema, como visto em vrios livros de logstica e gesto de materiais como Bowersox & Closs (1996) e Ballou (2001). Lau (1989), alm de analisar o efeito da considerao da distribuio normal, apresenta um mtodo para calcular nveis de servio e os correspondentes pontos de pedido com base nos quatro primeiros momentos (mdia, varincia, assimetria e curtose) de uma dada distribuio de demanda no lead-time. A segunda categoria de premissas via de regra suportada pela existncia de dados histricos. Na ausncia destes, estimativas podem ser feitas principalmente para as mdias da demanda e do lead-time, entretanto, como argumentam Lariviere & Porteus (1999), outros momentos como varincia, assimetria e curtose no so fceis de avaliar intuitivamente. Destes momentos, a varincia, mesmo nos modelos mais simplificados, de extrema relevncia no clculo do ponto de pedido. Zipkin (2001) e Wanke & Saliby (2005), so alguns dos autores que se preocupam com a terceira categoria de premissas. Os ltimos desenvolvem um modelo que considera uma distribuio uniforme para a demanda e para o lead-time. A quarta categoria de premissas consiste em considerar que, durante o tempo de ressuprimento, as demandas em cada perodo seguem distribuies de probabilidade idnticas, isto , so variveis aleatrias com a mesma mdia e o mesmo desvio-padro. Desta forma, se uma parte da variabilidade da demanda pode ser prevista, a expresso clssica do estoque de segurana tende a dar valores superestimados, resultando em maiores custos de carregar estoques. Krupp (1997) tenta resolver parte deste problema formulando um modelo para o clculo do estoque de segurana baseado nos erros percentuais de previso. Desta maneira, se possvel prever variabilidades na demanda ao longo do tempo,

Pesquisa Operacional, v.29, n.3, p.605-622, Setembro a Dezembro de 2009

607

Garcia & Ferreira Filho Clculo do ponto de pedido baseado em previses de uma poltica <Q, r> de gesto de estoques

como padres cclicos, tendncias e sazonalidades, os estoques de segurana so determinados de forma mais eficiente. Este modelo entretanto no contempla aleatoriedade nos tempos de ressuprimento, sendo portanto pouco aplicvel a muitas situaes reais. Outra premissa dentro desta categoria a suposio de que no existe autocorrelao entre as demandas dirias. Zinn, Marmorstein & Charnes (1992) analisam o efeito de demandas autocorrelacionadas, mostrando como este fato pode afetar os nveis de servio projetados. A seguir apresentada a formulao clssica da poltica <Q, r>, com base na seguinte notao. Sejam: Q r dt L Lmin Lmax DL SS k tamanho do pedido, ponto de pedido, varivel aleatria demanda no perodo t, varivel aleatria tempo de ressuprimento (lead-time), valor mnimo que o lead-time pode assumir, valor mximo que o lead-time pode assumir, varivel aleatria demanda no lead-time, estoque de segurana, fator de segurana para se atingir o nvel de servio desejado, com base na distribuio normal unitria, mdia da varivel aleatria X (por exemplo, X = DL),

X desvio-padro da varivel aleatria X,


pt(L) probabilidade que o lead-time t assuma um valor igual a L. O ponto de pedido, considerando as premissas apresentadas no incio da seo, dado por:
r = DL + SS SS = k DL

(1) (2)

No que se refere a r, deve-se primeiramente perceber que este depende dos possveis valores que pode assumir a demanda no lead-time, DL. Esta a soma de cada demanda por unidade de tempo, dt, durante o lead-time de ressuprimento L, isto :
DL = d t
t =1 L

(3)

Para se poder calcular o ponto de pedido necessrio obter a mdia e o desvio-padro da demanda no lead-time. Uma possibilidade coletar dados histricos e calcular diretamente as estatsticas necessrias. Ento as estatsticas de DL so dadas por:
DL =
L pt ( L ) dt L = L min t =1 L max

(4)

2 DL =

2 L L pt ( L) dt 2 + DL dt t =1 L = L min t =1 L max

(5)

608

Pesquisa Operacional, v.29, n.3, p.605-622, Setembro a Dezembro de 2009

Garcia & Ferreira Filho Clculo do ponto de pedido baseado em previses de uma poltica <Q, r> de gesto de estoques

Entretanto, o modo mais usual de se obter a mdia e os desvio-padro da demanda no leadtime DL usando as estatsticas da demanda por unidade de tempo e do lead-time. Sob a hiptese de que a demanda no lead-time siga uma distribuio normal e ainda que cada demanda dt tenha a mesma mdia e desvio-padro,
DL = d L
2 2 DL = L d 2 + d L 2

(6) (7)

Uma vez definido o modelo clssico pode-se analisar o significado dos seus termos. A 2 varincia da demanda no lead-time DL , a soma de dois termos: o primeiro devido a aleatoriedade da demanda diria di enquanto o segundo devido a aleatoriedade do leadtime. O resultado expresso em (7) derivado diretamente da teoria das probabilidades (veja, por exemplo Meyer (1965). A expresso (7) pode ser simplificada se assumido que o lead-time L determinstico.
2 DL = L d 2

(8)

Ela pode tambm ser generalizada para considerar distribuies contnuas do lead-time. Veja, por exemplo, Wanke & Saliby (1995), Lau (1989).
2 DL = L d 2 + d 2 L 2 +

d 2 L 2 L

(9)

No ultimo termo da expresso (9), o produto de varincias dividido pela mdia do lead-time geralmente pequeno quando comparado com os demais termos, assim este termo muitas vezes negligenciado na maioria dos livros de gesto de materiais, como por exemplo Bowersox et al. (1996), Ballou (2001), Garcia, Reis et al. (2006). 3. Desenvolvimento de um ponto de pedido baseado em previses Em Zinn & Marmorstein (1990) demonstrado que, at mesmo para o modelo clssico, se erros de previso so considerados ao invs da variabilidade da demanda os estoques de segurana podem ser reduzidos sem reduzir os nveis de servio ao cliente. Estes autores enfatizam que na expresso clssica do ponto de pedido est implcito que as previses para cada perodo so a demanda mdia, o que pode no ser uma suposio vlida em muitas situaes reais. Agora, baseado nas equaes apresentadas na seo anterior ser desenvolvido um modelo para o clculo do ponto de pedido baseado em previses. Primeiramente deve-se estabelecer uma forma de mensurar as diferenas entre as demandas e suas respectivas previses. A varivel et ento definida como a razo entre a demanda para o perodo t e sua previso ft.
et = dt ft

(10) (11)

dt = et ft

Pesquisa Operacional, v.29, n.3, p.605-622, Setembro a Dezembro de 2009

609

Garcia & Ferreira Filho Clculo do ponto de pedido baseado em previses de uma poltica <Q, r> de gesto de estoques

A varivel et uma forma de se mediar a acurcia da previso. Tendo em vista que as previses ft so parmetros determinsticos e as demandas dt variveis aleatrias, cada et tambm uma varivel aleatria. A demanda no Lead- time pode ser agora escrita como:
DL = ft et
t =1 L

(12)

Como apresentado na expresso (1), para determinar o ponto de pedido r necessrio calcular a mdia e o desvio-padro de DL. Seja et e et respectivamente a mdia e o desvio-padro de cada varivel aleatria et. interessante notar que caso no haja vis nas previses, et ser igual a 1. Se as previses estiverem sistematicamente acima das demandas et assumir valores menores que 1, e se as previses estiverem sistematicamente abaixo das demandas et assumir valores maiores que 1. Combinando as expresses (4), (5) e (12) a mdia e o desvio-padro da demanda no lead-time podem ser calculados respectivamente por:

DL =

L pt ( L) ft et L = L min t =1 L max

(13)

2 DL

2 L L 2 2 = pt ( L) ft et + DL ft et t =1 L = L min t =1 L max

(14)

Se o lead-time L determinstico, as expresses (14)-(15) se reduzem a: DL = ft et


t =1 L 2 2 DL = ft 2 et t =1 L

(15)

(16)

O ponto de pedido baseado em previses, chamado aqui de rf, como o seu equivalente clssico r, pode ser escrito como funo da mdia e do desvio-padro da demanda no leadtime DL.
rf = DL + k DL

(17)

Mais uma vez, a constante k, baseada na distribuio normal unitria, o fator de segurana para se atingir um certo nvel de servio. Embora o pressuposto de normalidade da demanda no lead-time tenha sido mantido, o modelo baseado em previses apresenta uma srie de vantagens quando comparado ao modelo clssico. Como exemplos de vantagens esto: considerao de variaes no aleatrias da demanda, possibilidade da magnitude dos erros de previso variar no tempo e considerao do efeito de vis nas previses.

610

Pesquisa Operacional, v.29, n.3, p.605-622, Setembro a Dezembro de 2009

Garcia & Ferreira Filho Clculo do ponto de pedido baseado em previses de uma poltica <Q, r> de gesto de estoques

4. Uso de simulao para validao do modelo

Garcia, Silva & Saliby (2002) mostram que modelos de simulao estocstica so muito teis para validar e testar a adequao de expresses analticas para o clculo de estoques de segurana. No presente artigo, simulaes so feitas para testar as equaes propostas para DL e DL, e para avaliar a aderncia da premissa de DL normalmente distribuda. Desta forma, experimentos foram realizados. Em todos eles foram feitas 5 rodadas de simulao, cada qual com 5000 iteraes, utilizando amostragem por Hipercubo Latino (Banks, 1999). Valores simulados da demanda no lead-time DL foram coletadas para o clculo de suas estatsticas. Os passos da simulao realizada em MS-Excel foram, de forma esquemtica, os seguintes: 1. Gerao aleatria de 5x5.000 lead-time com distribuio discreta (dada pela Tabela 1). 2. Para cada dia do lead-time gerar uma demanda diria normalmente distribuda, com mdia igual previso e desvio igual ao desvio de previso. 3. Determinao da demanda no lead-time, atravs da soma dos resultados obtidos na etapa (2). 4. Clculo das estatsticas de DL (mdia e desvio-padro). 5. Determinao da condio de stockout em cada um dos suprimentos, ou seja, se demanda no lead-time de suprimento <= r, no houve falta, caso contrrio, houve falta. 6. Comparao dos resultados obtidos nas etapas (4) e (5) com as frmulas (13) e (14) apresentadas na seo 3.
O projeto de experimentos

De forma a avaliar a metodologia proposta sob diferentes condies foram considerados trs diferentes distribuies para o lead-time (apresentadas na Tabela 1), trs diferentes magnitudes de erro de previso ( et = 0,1; 0,3 e 0,5 respectivamente) e trs conjuntos de previso, com caractersticas distintas (apresentadas na Tabela 2). Em todos os experimentos foi considerado previso sem vis, ou seja, et igual a 1 para todos os t perodos. Outro pressuposto considerado que os et so normalmente distribudos. Alm disso, foi considerado que o erro percentual de previso constante ao longo do tempo (valores absolutos dos erros entretanto variam no tempo, de acordo com a variabilidade das previses). Em algumas situaes interessante considerar que os erros percentuais de previso crescem medida que o horizonte temporal se distancia. Entretanto, assumido nos experimentos que o horizonte de planejamento no amplo o suficiente para gerar diferenas considerveis na previsibilidade das demandas. Como pode ser visto na Tabela 1 e na Figura 1 trs distribuies para o lead-time foram testadas uma primeira que se assemelha distribuio normal, uma distribuio uniforme e uma distribuio com probabilidades mximas nos extremos. Em todos os casos o lead-time mnimo Lmin de 3 perodos, o mximo Lmax de 9 perodos, o valor mdio de L de 6 perodos os desvios-padro so de respectivamente 1,428; 2 e 2,588.

Pesquisa Operacional, v.29, n.3, p.605-622, Setembro a Dezembro de 2009

611

Garcia & Ferreira Filho Clculo do ponto de pedido baseado em previses de uma poltica <Q, r> de gesto de estoques

Tabela 1 Distribuies de Probabilidade para o Lead-time L. Lead-time S-Normal pt(L) 4% 11% 22% 26% 22% 11% 4% 6 1,428 Lead-time Uniforme pt(L) 14% 14% 14% 14% 14% 14% 14% 6 2 Lead-time 2-Extremos pt(L) 30% 15% 5% 0% 5% 15% 30% 6 2,588

L 3 4 5 6 7 8 9

L L

30% 25% Fre qu e n cie s 20% 15% 10% 5% 0% 3 4 5 6 7 8 9 Possible lead time values
Frequencies

16% 14% 10% 8% 6% 4% 2% 0% 3 4 5 6 7 8 9 Possible lead time values Frequencies 12%

35% 30% 25% 20% 15% 10% 5% 0% 3 4 5 6 7 8 9 Possible lead time values

Figura 1 Histograma das Distribuies de Probabilidade para o Lead-time L.

No que diz respeito previso de demanda, foram simuladas trs situaes apresentadas na Tabela 2. A primeira corresponde a uma situao onde a previso constante para todos os perodos de tempo. Para as demais situaes considerou-se a ocorrncia de sazonalidade baixa e alta. O propsito destes experimentos testar se grandes variaes na previso tm impactos significativos no nvel de servio aos clientes.
Tabela 2 Previses para a Demanda ao Longo do Horizonte de Planejamento. Previso sem sazonalidade ft 100 100 100 100 100 100 100 100 100 Previso com baixa sazonalidade ft 100 125 75 130 105 70 115 80 100 Previso com alta sazonalidade ft 100 130 75 160 40 120 135 55 85

Perodo t 1 2 3 4 5 6 7 8 9

612

Pesquisa Operacional, v.29, n.3, p.605-622, Setembro a Dezembro de 2009

Garcia & Ferreira Filho Clculo do ponto de pedido baseado em previses de uma poltica <Q, r> de gesto de estoques

Resultados experimentais e discusso

Com o objetivo de ilustrar a aplicao do modelo proposto, bem como de compar-lo com o modelo clssico de ponto de pedido, primeiro sero apresentados os resultados para a situao onde todas as previses tm o mesmo valor. Como as previses no variam no tempo, os pressupostos considerados neste primeiro experimento so exatamente os mesmos pressupostos da formulao do modelo clssico de ponto de pedido. Dessa maneira, a mdia da demanda no lead-time DL apresentada na equao (13) e a varincia da demanda no
2 lead-time DL apresentada na equao (14) devem dar resultados iguais aos seus equivalentes no modelo clssico.

Um exemplo ilustrativo

Sejam os dados, retirados das Tabelas 1 e 2 resumidos na Tabela 3 a seguir:


Tabela 3 Resumo dos dados para o exemplo ilustrativo. L pt(L) ft(L) 3 4% 100 4 11% 100 5 22% 100 6 26% 100 7 22% 100 8 11% 100 9 4% 100

Assumindo ainda um erro de percentual de previso constante ao longo do tempo com 2 et = 0,3 . Ento teremos uma demanda diria com mdia 100 e desvio-padro de 30

unidades de produto, isto :


d = 100, d = 30 ,

alm disto calculando as estatsticas diretamente da tabela


L = 6 L = 1.428

Usando as equaes (6) e (7) obtemos:


2 DL = 6 100 = 600, DL = 6 302 + 1002 2, 04 = 25800 DL = 160, 6238

ou usando as equaes (13) e (14)


2 2 DL = 100 1 = 600, DL = pt ( L) L 1002 0,32 + ( 600 L 100 ) = 25800. t =3 L =3 9 9

Para validar as equaes propostas, a mdia e o desvio-padro de DL foram calculados para cada rodada de simulao. Alguns percentis de DL tambm foram obtidos, mais especificamente os percentis 50%, 84,13%, 97,72% e 99,87%. Estes percentis so relevantes para que seja feita a comparao entre os resultados obtidos por simulao e os valores tericos baseados na distribuio normal. Se DL normalmente distribudo, seu percentil 50% equivale a k igual a zero, seu percentil 84,13% equivale a k igual a 1, seu

Pesquisa Operacional, v.29, n.3, p.605-622, Setembro a Dezembro de 2009

613

Garcia & Ferreira Filho Clculo do ponto de pedido baseado em previses de uma poltica <Q, r> de gesto de estoques

percentil 97,72% equivale a k igual a 2 e seu percentil 99,87% equivale a k igual a 3, sendo os percentis tericos calculados como DL mais k vezes DL . Os resultados da simulao so mostrados na Tabela 4.
Tabela 4 Resultados da simulao (1 experimento). Corrida de simulao 1 2 3 4 5 Mdia das Corridas Desvio das Corridas

DL
600,5 600,1 599,8 600,2 600,0 600,1 0,3

DL
161,7 159,2 160,5 161,1 159,3 160,4 1,1

P50DL 594,9 597,9 595,3 597,1 598,0 596,6 1,5

P84,13DL 763,3 760,0 767,4 764,1 765,0 764,0 2,7

P97,72DL 934,8 930,5 921,6 928,8 919,2 927,0 6,5

P99,87DL 1065,5 1053,1 1073,7 1043,7 1051,7 1057,5 12,0

Os resultados da simulao devem ser comparados aos valores tericos (considerando as equaes (13) e (14) e DL normalmente distribudo). A tabela 5 apresenta estas comparaes. Os valores de diferenas percentuais so calculados pela expresso Dif.% = (valor simulado valor terico) / valor terico.
Tabela 5 Comparao entre resultados da simulao e valores tericos (1 experimento).

DL
Valor terico Mdia das corridas Diferena percentual 600 600,1 -0,02%

DL
160,6 160,4 0,15%

P50DL 600 596,6 0,56%

P84,13DL 760,6 764,0 -0,44%

P97,72DL 921,2 927,0 -0,62%

P99,87DL 1081,9 1057,5 2,25%

Pode-se ver pela tabela 5 que os valores tericos so bem aderentes aos resultados da simulao. Alm de validar as equaes (13) e (14), as comparaes mostram que a considerao de DL normalmente distribudo um pressuposto vlido para o caso analisado. De forma equivalente comparao dos percentis, uma outra maneira de visualizar a aderncia do pressuposto de normalidade analisar o percentual de vezes em que no ocorre um stockout, isto , o nmero de vezes em que o valor simulado de DL foi menor que o ponto de pedido baseado em previses. Calculando rf pela equao (17), os percentuais de no stockouts obtidos por simulao e a comparao destes com os valores tericos esperados para diferentes valores de k so apresentados na tabela 6.

614

Pesquisa Operacional, v.29, n.3, p.605-622, Setembro a Dezembro de 2009

Garcia & Ferreira Filho Clculo do ponto de pedido baseado em previses de uma poltica <Q, r> de gesto de estoques

Tabela 6 Comparao entre percentuais de no stockouts simulados e tericos (1 experimento). Corrida de simulao 1 2 3 4 5 Mdia das corridas Desvio das corridas Valor terico Diferena absoluta k=0 51,1% 50,62% 51,16% 50,72% 50,44% 50,81% 0,32% 50,00% -0,81% k=1 83,70% 84,26% 83,12% 83,60% 83,40% 83,62% 0,42% 84,13% 0,52% k=2 97,24% 97,34% 97,72% 97,44% 97,76% 97,50% 0,23% 97,72% 0,22% k=3 99,88% 99,92% 99,88% 99,96% 99,94% 99,92% 0,04% 99,87% -0,05%

A tabela 6 corrobora a concluso baseada na tabela 5 para o caso do primeiro experimento, ou seja, o modelo analtico proposto aderente aos pressupostos considerados em sua formulao, j que no h diferenas significativas entre valores tericos e obtidos por simulao. A extenso para os outros casos simulados pode ser conduzida a partir das tabelas 7 a 10, bem como da anlise dos grficos apresentados na figura 2. Para facilitar a interpretao dos resultados eles so a seguir agrupados por objetivos pretendidos.
Validao das estatsticas de DL

A anlise das Tabelas 7 e 9 mostra que os resultados tericos derivados das solues analticas obtidas na seo 3 so perfeitamente aderentes aos resultados empricos obtidos por simulao. (a) Anlise da diferena percentual entre resultados tericos e simulados: (i) Com relao mdia e ao desvio-padro da demanda no lead-time as diferenas mximas entre os resultados obtidos foram de 0,15% e 0,42%, respectivamente.

(ii) Com relao aos percentis P50, P84,13, P97,72 e P99,81 se observa que as diferenas entre os resultados crescem medida que se passa do lead-time S-normal para o lead-time Uniforme e ainda mais quando se passa para o lead-time 2-Extremos. (iii) A presena da sazonalidade na previso no tem impacto significativo, enquanto o erro percentual de previso tem impacto favorvel, isto , um maior erro implica em menores Dif%. (iv) As maiores diferenas ocorrem na cauda da distribuio, isto para o percentil P99,72.

Pesquisa Operacional, v.29, n.3, p.605-622, Setembro a Dezembro de 2009

615

Garcia & Ferreira Filho Clculo do ponto de pedido baseado em previses de uma poltica <Q, r> de gesto de estoques

(b) Anlise da varincia entre as corridas de simulao: (i) O desvio-padro das corridas muito pequeno para a mdia e o desvio-padro da demanda no lead-time (mximo de 1,3 e 2,2 respectivamente).

(ii) Da mesma maneira que ocorre com Dif%, se observa que para os percentis P50, P84,13, P97,72 e P99,81 os desvios crescem medida que se passa do lead-time S-normal para o lead-time uniforme e ainda mais quando se passa para o lead-time 2-Extremos. (iii) Os desvios so menores nas situaes com baixa sazonalidade e crescem com o erro de previso.
Anlise da suposio de DL ser normalmente distribuda.

Uma forma de avaliar a adequao da suposio de normalidade computando o nmero de vezes que no ocorrem faltas na simulao, isto , a percentagem de vezes em que o valor de DL simulado menor do que o ponto de pedido rf, calculados pela expresso (17). Os resultados dos valores obtidos da simulao, para os diferentes cenrios, so apresentados na Tabela 10 e nos Grficos 2a e 2b. Esta anlise feita observando as diferenas entre os valores obtidos por simulao para os diferentes cenrios simulados e os valores tericos obtidos para a ocorrncia de falhas de suprimento (faltas) durante o lead-time. (i) para k=0 (50%) as diferenas so muito pequenas, indiferentemente distribuio do lead-time, da ocorrncia de sazonalidade e dos erros de previso.

(ii) para k=1 (84,13 %) existe uma subestimao do nmero de faltas que tanto maior quanto mais a distribuio do lead-time se afasta da distribuio normal. A ocorrncia de sazonalidade e de erros de previso parece no afetar a ocorrncia de faltas. (iii) para k=2 e k=3 (97,72 e 99,81%) existe uma superestimao do nmero de faltas que tanto maior quanto mais a distribuio do lead-time se afasta da distribuio normal. Novamente a ocorrncia de sazonalidade e de erros de previso parece no afetar a ocorrncia de faltas. O desvio-padro entre as corridas de simulao muito pequeno, inferior a 0,6. Do conjunto de anlises pode-se concluir que suposio de distribuio normal perfeitamente adequada, sendo esta suposio mais realista para nveis baixos de servio, para nveis de servio muito exigentes ainda que para propsitos prticas ela possa ser assumida como vlida ocorre uma ligeira superestimao das faltas.

616

Pesquisa Operacional, v.29, n.3, p.605-622, Setembro a Dezembro de 2009

Lead-time S-Normal
DL
P50DL P84,13 DL P97.72 DL P99,87 DL DL P50DL P84,13DL P97.72 DL P99,87DL P50DL P84,13 DL P97.72DL P99,87 DL DL

Lead-time Uniforme
DL DL

Lead-time 2-Extremos

DL

et =0.1

M. Cor.

Terico

et =0.3

M. Cor.

Terico

Previso sem sazonalidade

et =0.5

M. Cor.

Terico

et =0.1

M. Cor.

Terico

et =0.3

M. Cor.

Terico

Previso com baixa sazonalidade

et =0.5

M. Cor.

Terico

et =0.1

M. Cor.

Terico

et =0.3

M. Cor.

Terico

Previso com alta sazonalidade

Pesquisa Operacional, v.29, n.3, p.605-622, Setembro a Dezembro de 2009


600.2 600.0 596.5 600.0 591.3 600.0 599.7 600.0 595.0 600.0 586.4 600.0 561.2 600.0 585.6 600.0 567.7 600.0 742.4 744.9 764.6 760.6 790.4 788.1 832.0 801.5 840.9 813.1 857.5 834.5 898.0 860.0 905.6 869.1 927.8 886.4 895.2 889.8 925.6 921.2 997.0 976.3 930.2 1003.0 994.0 1026.1 1071.2 1069.0 943.6 1120.0 1028.6 1138.1 1124.3 1172.7 953.0 1034.7 1069.0 1081.9 1187.4 1164.4 970.7 1204.5 1110.2 1239.2 1264.5 1303.8 975.5 1380.0 1129.1 1407.2 1291.8 1459.1 616.8 616.7 616.9 616.7 616.6 616.7 612.8 612.9 612.6 612.9 612.6 612.9 625.0 625.0 624.9 625.0 625.2 625.0 201.7 201.5 213.0 213.1 235.2 234.5 196.8 196.7 209.4 209.6 232.3 233.2 256.8 256.6 266.0 266.4 284.7 285.0 605.1 616.7 612.6 616.7 608.8 616.7 605.5 612.9 612.5 612.9 606.8 612.9 625.4 625.0 622.2 625.0 617.3 625.0 758.6 755.5 779.0 773.4 806.1 804.2 833.4 809.6 843.0 822.5 858.6 846.1 846.3 824.1 859.5 838.4 883.2 864.4 894.1 894.3 928.5 930.1 1004.0 991.7 929.8 1006.4 992.1 1032.1 1075.2 1079.3 932.2 1023.2 1003.9 1051.7 1095.0 1103.7 955.0 1033.1 1074.8 1086.9 1208.0 1179.2 968.3 1203.1 1113.6 1241.7 1254.4 1321.5 976.2 1222.3 1119.9 1265.1 1271.9 1343.1 629.7 629.8 629.5 629.8 629.7 629.8 607.2 607.3 607.2 607.3 606.9 607.3 616.8 616.8 616.8 616.8 616.2 616.8 259.9 260.0 269.0 269.1 287.4 286.4 196.8 196.7 209.4 209.6 0.7 233.2 256.8 256.6 266.0 266.4 284.7 285.0 625.1 629.8 622.7 629.8 621.2 629.8 607.4 607.3 610.2 607.3 589.1 607.3 569.8 616.8 615.3 616.8 604.0 616.8 791.1 777.5 808.9 796.6 837.6 829.3 897.9 863.9 906.1 873.7 927.1 892.3 897.7 871.6 913.7 882.5 937.5 903.1 894.9 925.2 954.0 963.4 1039.0 1028.9 943.2 1120.5 1031.3 1140.1 1127.8 1177.3 954.9 1126.4 1038.2 1148.3 1137.9 1189.5 953.7 1079.9 1076.1 1130.1 1212.1 1228.4 980.7 1377.0 1136.7 1406.5 1317.5 1462.3 984.0 1381.2 1146.5 1414.0 1326.3 1475.9

et =0.5

M. Cor.

Terico

600.0 600.0 600.1 600.0 599.8 600.0 600.0 600.0 600.2 600.0 600.0 600.0 599.9 600.0 600.1 600.0 600.9 600.0

145.0 144.9 160.4 160.6 188.0 188.1 138.7 138.8 156.6 156.7 187.5 187.5 138.7 138.8 156.6 156.7 187.5 187.5

Tabela 7 Estatsticas da Demanda no Lead -time Resultados Simulados e Tericos .

Lead-time S-Normal
P50DL P84,13DL P97.72DL P99,87 DL DL P50DL

Lead-time Uniforme
DL
P84,13 DL P97.72 DL P99,87DL DL

Lead-time 2-Extremos
DL
P50DL P84,13DL P97.72 DL P99,87DL

DL

DL

et =0.1

S/Saz.

et =0.3 et =0.5

B/Saz.

et =0.1 et =0.3 et =0.5

A/Saz.

et =0.1 et =0.3

Garcia & Ferreira Filho Clculo do ponto de pedido baseado em previses de uma poltica <Q, r> de gesto de estoques

et =0.5

0.1 0.4 0.3 0.1 0.5 0.8 0.1 0.4 0.8

0.5 0.8 1.5 0.6 1.0 0.8 0.2 1.1 2.2

1.0 1.7 1.8 0.9 1.0 2.4 1.0 1.9 1.9

1.3 1.6 2.5 0.3 2.2 1.0 1.1 2.3 2.3

2.5 2.8 10.2 2.8 2.1 6.5 2.4 2.1 11.3

4.8 11.9 17.6 3.7 15.6 13.5 3.3 11.2 12.1

0.1 0.5 0.3 0.1 0.5 0.4 0.0 0.5 0.8

0.4 1.3 1.1 0.2 1.4 0.7 0.0 0.4 0.7

1.0 2.6 1.5 0.9 1.2 1.9 0.3 2.0 4.8

1.2 3.4 1.8 1.8 3.3 3.3 1.3 2.3 1.7

1.3 8.0 7.4 2.1 4.0 4.6 1.4 2.3 4.2

5.3 9.6 23.8 3.8 10.7 19.9 4.9 14.9 14.6

0.2 0.2 0.5 0.1 0.3 1.0 0.1 0.5 1.3

0.2 1.4 1.5 0.2 0.8 1.2 0.4 1.1 1.9

2.9 4.8 5.4 5.9 6.0 3.5 5.1 5.9 3.5

0.9 3.1 3.0 0.9 2.1 1.9 0.7 2.2 5.2

1.5 4.9 10.9 1.5 1.8 8.0 1.8 2.7 9.6

2.2 10.3 26.4 4.7 5.4 3.9 4.9 15.3 18.2

Tabela 8 Desvio Padro das Corridas de Simulao .

617

618

Lead-time S-Normal
P50DL P84,13DL P97.72DL P99,87DL DL P50DL P84,13DL P97.72DL P99,87 DL P50DL P84,13DL P97.72 DL

Lead-time Uniforme
DL

Lead-time 2-Extremos
P99,87DL

DL

DL

DL

DL

et =0.1

S/Saz. et =0.3

et =0.5

et =0.1

B/Saz. et =0.3

et =0.5

et =0.1

A/Saz. et =0.3

et =0.5

0.00% -0.07% 0.02% 0.12% 0.03% 0.05% -0.02% 0.07% -0.03% 0.06% 0.02% 0.00% 0.02% 0.20% 0.05% 0.42% 0.02% 0.05%

-0.03% 0.58% 1.45% 1.88% 0.66% 1.28% 0.75% 1.13% 1.37%

0.34% -0.53% -0.29% -0.41% -0.72% -0.24% -1.75% -1.54% -1.00%

-0.61% -0.48% -2.12% 0.02% 0.17% -1.24% 3.27% 0.98% -0.98%

7.90% 1.19% -1.98% 7.56% 1.11% -2.44% 11.69% 4.78% 1.33%

0.00% -0.03% 0.00% 0.02% 0.05% 0.05% 0.00% 0.02% -0.03%

-0.10% 0.05% 0.05% 0.83% -0.30% 2.27% -0.05% 1.21% 0.10% 0.07% 0.39% 1.00% -0.05% -0.06% 0.14% 0.45% -0.21% 1.23%

-3.81% -3.42% -2.76% -2.94% -2.49% -1.48% -2.69% -2.52% -2.17%

7.26% 3.13% -0.21% 7.61% 3.88% 0.38% 8.89% 4.55% 0.79%

19.41% 10.41% 3.01% 19.52% 10.32% 5.08% 20.13% 11.48% 5.30%

0.02% -0.02% -0.15% 0.02% 0.02% 0.07% 0.00% 0.00% 0.10%

0.04% 0.04% -0.35% -0.08% 0.15% 0.11% -0.04% -0.11% 0.00%

6.47% 2.40% 5.38% -0.02% -0.48% 3.00% 7.62% 0.24% 2.08%

-4.42% -4.20% -4.67% -3.94% -3.71% -3.90% -2.99% -3.54% -3.81%

15.75% 9.62% 4.13% 15.82% 9.54% 4.20% 15.23% 9.59% 4.34%

29.31% 19.76% 11.47% 28.78% 19.18% 9.90% 28.76% 18.92% 10.14%

Tabela 9 Diferena percentual entre os resultados tericos e a mdia das corridas de si mulao.

Lead-time S-Normal
k=0 k=1 k=2 k=3 k=0 k=1 k=2 k=3 k=0 k=1

Lead-time Uniforme 50.00 50.02 50.68 51.91 51.65 50.07 51.02 49.88 50.35 50.96 84.13 78.77 80.67 81.87 80.41 81.24 82.83 80.03 80.96 82.18 97.72 100.00 98.72 97.70 100.00 99.01 97.85 100.00 99.10 97.94 99.87 100.00 100.00 99.93 100.00 100.00 99.94 100.00 100.00 99.96 50.00 50.00 50.40 51.77 49.99 49.90 51.32 50.00 50.01 50.91

Lead-time 2-Extremos
k=2 k=3

Terico 50.00 et =0.1 49.89 S/Saz. et =0.3 50.79 et =0.5 51.67 et =0.1 54.62 B/Saz. et =0.3 51.17 et =0.5 51.66 et =0.1 51.84 A/Saz. et =0.3 51.46 et =0.5 51.63

84.13 84.44 83.56 83.86 83.52 83.24 83.87 80.12 82.27 83.08

97.72 97.46 97.51 97.11 97.73 97.77 97.39 99.23 98.11 97.40

99.87 100.00 99.92 99.77 100.00 99.90 99.78 100.00 99.97 99.88

84.13 72.82 77.66 79.38 73.24 78.54 79.85 75.16 78.86 80.09

97.72 100.00 99.91 99.81 100.00 99.87 98.85 100.00 99.86 98.82

99.87 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 99.99

Garcia & Ferreira Filho Clculo do ponto de pedido baseado em previses de uma poltica <Q, r> de gesto de estoques

Pesquisa Operacional, v.29, n.3, p.605-622, Setembro a Dezembro de 2009

Tabel a 10 Ocorrncia percentual de faltas no Lead -time Resultados Simulados e Tericos .

Diferenas % - Simulado X Terico Desvio Padro nas Corridas de Simulao


S/Saz. set=0.1

35.00%

30.0
S/Saz. set=0.1 S/Saz. set=0.3 S/Saz. set=0.5 B/Saz. set=0.1 B/Saz. set=0.3 B/Saz. set=0.5 A/Saz. set=0.1

30.00%

25.0 20.0 10.0 5.0 0.0 sDL s DL mD L mDL mDL sDL P 50DL P 50DL P 50D L P84,13D L P 97.72D L P 84,13DL P 97.72DL P 84, 13DL P 97.72DL P99,87DL P 99,87DL P 99,87DL 15.0

25.00% S/Saz. set=0.5 B/Saz. set=0.1 B/Saz. set=0.3 B/Saz. set=0.5 A/Saz. set=0.1 s DL m DL sDL P50DL P8 4,13DL P97.72D L P99,87D L P50 DL P84,13 DL P97.7 2DL P99,8 7DL A/Saz. set=0.3 A/Saz. set=0.5

S/Saz. set=0.3

20.00%

Dif. %

15.00%

10.00%

5.00%

0.00%

-5.00%

mDL

sD L

mD L

P5 0DL

P84,1 3DL

P97. 72DL

P99 ,87DL

A/Saz. set=0.3 A/Saz. set=0.5

Lead-time S-Normal

Lead-time Uniforme

Lead-time 2-Extremos

Lead-time S-Normal

Lead-time Uniforme

Lead-time 2-Extremos

(a)

(b)
Dif. % Valores Dist. Normal e Casos Simulados

70.00 Lt 2-E k=0 Lt 2-E k=1 Lt 2-E k=2 Lt 2-E k=3 LT Normal k=0 LT Normal k=1 LT Normal k=2 LT Normal k=3

5 DIF

Pesquisa Operacional, v.29, n.3, p.605-622, Setembro a Dezembro de 2009


Lt S-N k=0 15.00% 10.00% 5.00% 0.00% -5.00% -10.00% -15.00% k=0 k=1 k=2 Lt S-N k=3 k=0 k=1 k=2 Lt U k=3 k=0 k=1 k=2 Lt 2-E k=3 Lt S-N k=1 Lt S-N k=2 Lt S-N k=3 Lt U k=0 Lt U k=1 Lt U k=2 Lt U k=3 S/Saz. set=0.1 S/Saz. set=0.3 S/Saz. set=0.5 B/Saz. set=0.1 B/Saz. set=0.3 B/Saz. set=0.5 A/Saz. set=0.1 A/Saz. set=0.3 A/Saz. set=0.5 B/Saz. A/Saz.

Prob. de Ocorrncia de Faltas no LT

100.00

95.00

90.00

85.00

80.00

75.00

65.00

60.00

55.00

50.00

set=0.1 set=0.3 set=0.5 set=0.1 set=0.3 set=0.5 set=0.1 set=0.3 set=0.5

S/Saz.

Garcia & Ferreira Filho Clculo do ponto de pedido baseado em previses de uma poltica <Q, r> de gesto de estoques

(c)
Figura 2 Grficos de Resultados dos Experimentos.

(d)

619

Garcia & Ferreira Filho Clculo do ponto de pedido baseado em previses de uma poltica <Q, r> de gesto de estoques

5. Concluses

O ponto de pedido baseado em previses desenvolvido uma nova maneira de se gerenciar estoques em ambientes nos quais previses agregam informaes valiosas ao processo de planejamento. Manufaturas usando MRP (Material Requirements Planning) so exemplos de ambientes onde o modelo apresentado pode ser usado. Segerstedt (1996), Hautaniemi & Pirttila (1999) e Buzacott & Shanthikumar (1994) so exemplos de artigos que tratam simultaneamente de incertezas na demanda e no lead-time. Como mostrado ao longo do artigo, o modelo proposto tem muitas vantagens quando comparado a seu anlogo clssico. Pode inclusive ser concludo que o novo modelo amplia o escopo e a aplicabilidade do modelo clssico. Se as previses fi e os parmetros das variveis aleatrias ei so iguais em todos os perodos no horizonte de planejamento, rf and r geram os mesmos resultados, ou seja, r pode ser considerado como um caso particular de rf como mostrado no primeiro experimento da simulao. Outra importante caracterstica de rf que seu valor pode variar ao longo do tempo, se ajustando a padres previsveis da demanda. Tal atributo agrega flexibilidade ao ambiente operacional de uma empresa e pode reduzir custos de carregar estoques e de demandas no atendidas. A figura 3 ilustra a flexibilidade adicionada pelo modelo.
Quantidade de Produto

Ponto de pedido fixo superestimado para atingir u m certo nvel de servio Ponto de Pedi do Fixo - r Ponto de Pedi do Vari vel no Tempo - rf Ponto de pedido fixo subestimado para at ingir u m certo nvel de servio

Tempo

Figura 3 Flexibilidade trazida pelo modelo proposto.

Como no modelo clssico, uma possvel limitao do uso de rf a premissa de que a demanda no lead-time normalmente distribuda. Nas simulaes realizadas esta premissa no resultou em desvios significativos na maioria dos cenrios analisados. Entretanto pode ser interessante utilizar outras distribuies para DL, como feito por Namit & Chen (1999) e Keaton (1995) para o modelo clssico. Outras possveis extenses para o modelo proposto so considerar incertezas no processo de produo, como apresentado por Hung & Chang (1999) e por Gullu, Onol & Nesim (1999), e ainda ambientes multielos como mostrado em artigos recentes, tais como: Minner (2003), So & Zheng (2003), Zhang (2004) e Chen et al. (2000).

620

Pesquisa Operacional, v.29, n.3, p.605-622, Setembro a Dezembro de 2009

Garcia & Ferreira Filho Clculo do ponto de pedido baseado em previses de uma poltica <Q, r> de gesto de estoques

Referncias Bibliogrficas

(1) Ballou, R.H. (2001). Gerenciamento da Cadeia de Suprimentos. Bookman. (2) Banks, J. (1999). Discrete-Event System Simulation. Prentice-Hall, Inc., Upper Saddle River, New Jersey. (3) Bowersox, D.J. & Closs, D. (1996). Logistical Management. McGraw-Hill, New York. (4) Brown, R.G. (1967). Decision Rules for Stock Management. Holt, Rinehart and Winston, New York. (5) Buzacott, J.A. & Shanthikumar, J.G. (1994). Safety Stocks versus Safety Time in MRP Controlled Production Systems. Management Science, 40(12), 1678-1689. (6) Chen, F.; Drezner, Z.; Ryan, J.K. & Simchi-Levi, D. (2000). Quantifying the bullwhip effect in a simple supply chain: The impact of forecasting, lead-times, and information. Management Science, 46, 436-443. (7) Eppen, G.D. & Martin, R.K. (1988). Determining Safety Stock in the Presence of Stochastic Lead-time and Demand. Management Science, 34(11), 1380-1390. (8) Garcia, E.S.; Reis, L.M.T.V.; Machado, L.R. & Ferreira Filho, V.J.M. (2006). Gesto de Estoques: Otimizando a Logstica e a Cadeia de Suprimentos. Rio de Janeiro, e-Papers. (9) Garcia, E.S.; Silva, C.F. & Saliby, E. (2002). A Simulation Model to Validate and Evaluate the Adequacy of an Analytical Expression for proper Safety Stock Sizing. Proceedings of the 2002 Winter Simulation Conference. (10) Gullu, R.; Onol, E. & Nesim, E. (1999). Analysis of an Inventory System under Supply Uncertainty. International Journal of Production Economics, 59, 377-385. (11) Hardley, G. & Within, T.M. (1963). Analysis of Stock Systems. Prentice-Hall Inc., Englewood Cliffs, NJ. (12) Hautaniemi, P. & Pirttila, T. (1999). The Choice of Replenishment Policies in an MRP Environment. International Journal of Production Economics, 59, 85-92. (13) Hung, Y-F & Chang, C-B. (1999). Determining Safety Stocks for Production Planning in Uncertain Manufacturing. International Journal of Production Economics, 58, 199-208. (14) Keaton, M. (1995). Using the Gamma Distribution to Model Demand When Lead-time is Random. Journal of Business Logistics, 16(1), 107-131. (15) Krupp, J.A.G. (1997). Safety Stock Management. Production and Stock Management Journal, third quarter, 11-180. (16) Lariviere, M. & Porteus, E. (1999). Stalking information: bayesian inventory management with unobserved lost sales. Management Science, 45(3), 346-363. (17) Lau, H.-S. (1989). Toward a Stock Control System under Non-Normal Demand and Lead-time Uncertainty. Journal of Business Logistics, 10(1), 88-103. (18) Mentzer, J.T. & Krishnan, R. (1988). The effect of the assumption of normality on inventory control/customer Service. Journal of Business Logistics, 6(1), 101-120.

Pesquisa Operacional, v.29, n.3, p.605-622, Setembro a Dezembro de 2009

621

Garcia & Ferreira Filho Clculo do ponto de pedido baseado em previses de uma poltica <Q, r> de gesto de estoques

(19) Meyer, P. (1965). Introductory probability and statistical applications. AddisonWesley Publishing Company, New York. (20) Minner, S. (2003). Multiple-supplier inventory models in supply chain management: A review. International Journal of Production Economics, 81-82, 265-279. (21) Namit, K. & Chen, J. (1999). Solutions to the <Q,r> Inventory Model for Gamma Lead-Time Demand. International Journal of Physical Distribution and Logistics, 29(2), 138-151. (22) Segerstedt, A. (1996). Formulas of MRP. International Journal of Production Economics, 46-47, 127-136. (23) Silver, E. (1981). Operations research in inventory management: a review and critique. Operations Research, 29(4), 628-645. (24) Silver, E.A.; Rycke, D. & Peterson, R. (1998). Inventory Management and Production Planning and Scheduling. John Wiley & Sons, New York. (25) So, K.C. & Zheng, X. (2003). Impact of suppliers lead-time and forecast demand updating on retailers order quantity variability in a two-level supply chain. International Journal of Production Economics, 86, 169-179. (26) Tyworth, J.E. (1992). Modeling Transportation-Stock Trade-offs in a Stochastic Setting. Journal of Business Logistics, 13(2), 97-124. (27) Wanke, P. & Saliby, E. (2005). Proposta para a Gesto de Estoques de Novos Produtos: Soluo do Modelo (Q,r) para a Distribuio Uniforme da Demanda e do Lead-time de Suprimento. Gesto & Produo, 12(1), 1-20. (28) Zhang, X. (2004). The impact of forecasting methods on the bullwhip effect. International Journal of Production Economics, 88, 15-27. (29) Zinn, W. & Marmorstein, H. (1990). Comparing Two Alternative Methods of Determining Safety Stock Levels: The Demand and the Forecast Systems. Journal of Business Logistics, 11(1), 95-110. (30) Zinn, W.; Marmorstein, H. & Charnes, J. (1992). The Effect of Autocorrelated Demand on Customer Service. Journal of Business Logistics, 13(1), 173-192. (31) Zipkin, P. (2001). The limits of mass customization. MIT Sloan Management Review, 42(3), 81-87.

622

Pesquisa Operacional, v.29, n.3, p.605-622, Setembro a Dezembro de 2009

Potrebbero piacerti anche