Inventory planning with dynamic demand. A state of art review
Marisol Valencia-Cárdenas a, Francisco Javier Díaz-Serna b & Juan Carlos Correa-Morales c
a
Facultad de Minas, Universidad Nacional de Colombia, Medellín, Colombia.
[email protected]
b
Facultad de Minas, Universidad Nacional de Colombia, Medellín, Colombia.
[email protected]
c
Facultad de Ciencias, Universidad Nacional de Colombia, Medellín, Colombia.
[email protected]
Received: March 27th, de 2014. Received in revised form: November 30th, 2014. Accepted: March 6th, 2015
Abstract
Proper inventory planning should incorporate factors changing over time, since static factors are not robust to this apparent variability. In
models of inventories is necessary to recognize the great demand uncertainty. This paper reviews the state of the art of the most
significant developments related to inventory models, especially those who consider dynamic demands in time. In addition, demand
forecasting models and some techniques for optimizing inventories are analyzed, considering costs and service levels, among others. In
the literature review, gaps have been identified related to the treatment of multivariate inventories as well as the use of Bayesian statistics
for the purpose of optimization and the development of demand forecasts.
Keywords: Dynamic Linear Models, Inventory Models, Forecasts.
Planeación de inventarios con demanda dinámica. Una revisión del
estado del arte
Resumen
Una adecuada planeación de inventarios debe incorporar factores cambiantes en el tiempo, ya que los estáticos no son robustos ante esta
evidente variabilidad. Además, en los modelos de inventarios es necesario reconocer la gran incertidumbre de la demanda. En este
trabajo se revisa el Estado del Arte de los desarrollos más significativos relacionados con modelos de inventarios, especialmente los que
consideran demanda dinámica. Se analizan métodos de pronóstico de demanda y algunas técnicas utilizadas para la optimización de
inventarios, considerando costos y niveles de servicio, entre otros aspectos. En la revisión de literatura, se han detectado vacíos
relacionados con el tratamiento de inventarios multiproducto, así como en el uso de la estadística bayesiana con el propósito de su
optimización y del desarrollo de pronósticos de demanda.
Palabras clave: Modelos Dinámicos Lineales, Modelos de Inventarios, Pronósticos.
1. Introduccion
La planeación, evaluación y control de los inventarios son
actividades de trascendental importancia para el cumplimiento
de los objetivos de una empresa, especialmente en la industria de
la manufactura. Por lo tanto, estas actividades deben estar
soportadas por adecuados modelos de optimización y simulación
que permitan la obtención de los mejores resultados. El futuro de
una organización puede estar ligado a algunos problemas que se
derivan de un manejo inadecuado de sus inventarios. Dichos
problemas podrían perjudicar la rentabilidad, el buen servicio y
los costos, entre otros aspectos, por malas prácticas o prácticas
conflictivas como el sobre-ordenamiento o la disminución de
existencias, quedando la organización poco preparada para
responder a cambios abruptos externos, tales como alteraciones
en la demanda y los precios [1-3].
Actualmente los mercados son cada vez más exigentes
con relación a procesos de alta calidad y buenos niveles de
servicio, exigiendo a las empresas afrontar mejores
estándares de calidad, tecnologías y competitividad. Un
aporte en este sentido lo proporciona la existencia de
métodos para la planificación operativa relacionados con la
logística interna de una empresa. La optimización de
inventarios ha tomado gran importancia durante los últimos
años, dadas las tendencias del comportamiento del mercado,
las ventas y la competitividad. La planificación de éstos es
esencial, ya que puede ocasionar excesivas cantidades y
costos, o por el contrario, inexistencias, lo que puede
acarrear inesperados impactos operacionales [4].
El entorno dinámico en estos modelos de inventarios se
© The author; licensee Universidad Nacional de Colombia.
DYNA 82 (190), pp. 182-191. April, 2015 Medellín. ISSN 0012-7353 Printed, ISSN 2346-2183 Online
DOI: http://dx.doi.org/10.15446/dyna.v82n190.42828
Valencia-Cárdenas et al / DYNA 82 (190), pp. 182-191. April, 2015.
refiere a que algunos cambios en la variabilidad, de manera
inesperada en el tiempo, pueden deberse a la incertidumbre
de factores como la demanda, tiempos de suministro,
precios y costos, entre otros, asociados a la administración
de dichos inventarios.
Además, en la actualidad, las organizaciones enfrentan
muchas dinámicas donde los modelos de inventarios estáticos
parecen insuficientes para representar adecuadamente el sistema.
Estos modelos que contemplan todos los factores fijos en el
tiempo son poco robustos por su incapacidad de incorporar una
gran variedad de fluctuaciones en la logística interna empresarial,
así como por la falta de precisión en los pronósticos, el efecto
látigo, que indica variaciones fuertes debidas a cambios drásticos
o al supuesto de independencia de la demanda en relación a otras
variables de estos procesos, o en políticas de inventario con
pedidos constantes [2,3,5,6]. Por lo tanto, se considera que para
el manejo de inventarios de esta naturaleza, la demanda fija para
todos los períodos, o simplemente, un valor esperado constante,
no es lo más adecuado.
Uno de los aspectos más importantes de los modelos de
inventarios es el tratamiento dado a la demanda [1,3], [6-11].
Precisamente, frente a la incertidumbre de la demanda, los
pronósticos de ésta se han utilizado como: Insumos o entradas
para optimizar los inventarios; o como parte del proceso de
optimización, dentro del cual se estiman estocásticamente.
En [3] se realiza una revisión de literatura resaltando la
importancia de los modelos basados en la variabilidad de la
demanda y los tiempo de suministro, y se afirma que no son
muchos los trabajos en Colombia que lo hacen. En [2] se
presenta una revisión de 187 referencias sobre modelos
dinámicos alrededor de cadenas de suministro. En especial,
se señalan diversos factores incluidos en modelos de
optimización de inventarios, como la demanda aleatoria.
A lo largo de este trabajo podrá verse que el tema de
aleatoriedad de la demanda, su predicción o su dinamismo en el
tiempo, no se encuentra desligado de la optimización de los
inventarios, [11-15]. Varias son las referencias que muestran
cómo se generan pronósticos en la demanda y luego, o
simultáneamente, se utilizan para la optimización de
inventarios.
En este trabajo se presenta una revisión crítica de
literatura existente sobre estas temáticas, buscando
responder a las preguntas citadas a continuación.
1. Cuáles son las características generales existentes de
los modelos de optimización de inventarios que usan
demandas dinámicas?
2. Cuáles son las principales técnicas estadísticas
utilizadas para enfrentar la dinámica de la demanda
dentro del análisis de los inventarios?
3. Qué alternativas son útiles y poco exploradas para
predecir la incertidumbre de la demanda en dichos
modelos?
2. Modelos de optimización de inventarios con demanda
dinámica
2.1. Características de los modelos de inventarios
La logística que involucra el suministro de una industria,
integra algunas de sus actividades tanto internas como
externas [16]. Como parte integral de dicha logística, los
inventarios pueden ser administrados en una cadena
productiva tanto a nivel interno como externo; además, se
puede considerar la gestión de uno o múltiples productos
con demanda dinámica. En este trabajo, se muestran las
principales características de los modelos para la gestión de
inventarios, a nivel interno de la empresa. Se hace
referencia a diferentes tipos de funciones objetivo y
metodologías de solución, entre otros aspectos, para dar
respuesta a las hipótesis propuestas.
A partir de una clara definición del problema a resolver,
en la formulación del modelo matemático es necesario
considerar unos criterios apropiados de optimización para su
inclusión en la función objetivo, de tal manera que se pueda
generar una solución que suministre información adecuada
para la implementación de una política pertinente con los
objetivos y metas de la empresa.
Uno de los propósitos en la industria es sin duda
minimizar el costo total de producción e inventarios durante
todo el horizonte de programación, lo cual ha sido
considerado en trabajos como [1,6,7,10,12,14], [17-23]. Los
costos pueden ser considerados fijos o variables, según sean
los procesos de la empresa, o los factores externos que la
puedan afectar. En [24] se busca implementar un modelo de
reducción de costos variables y determinar una política
óptima de inventario que coordina la transferencia de
materiales entre las etapas consecutivas de la cadena de un
periodo a otro. En [12] la minimización de los costos
incluyen tanto los del productor como los del distribuidor y
del detallista.
El nivel de inventario, medido como la cantidad de
unidades de uno o múltiples productos, es otra posible
función objetivo que se desea minimizar [2, 25-27]. En
otros casos relacionados, se busca lo contrario; por ejemplo,
en [28] se maximiza el nivel de inventarios permitido, en
[29] se busca el máximo cumplimiento de pedidos, y en [3032] se maximiza la ganancia esperada.
Estas funciones objetivo no son los únicos aspectos que
componen un modelo de inventarios; existen otros que
deben considerarse. En [12] se resaltan varios aspectos
importantes, que en general debe tener un modelo de
inventario, tales como la cantidad a almacenar, el tiempo de
re-orden, la cantidad de reaprovisionamiento y por supuesto,
el comportamiento de la demanda, que en dicho trabajo se
considera estocástica no estacionaria.
2.2. Algunas técnicas de solución
Existen métodos analíticos clásicos como la
Programación Lineal [33], o algoritmos de variables
acotadas, o Descomposición de Benders como se muestra en
[2], Programación Dinámica, Programación Entera Mixta y
técnicas de Teoría de Control [25,34]. Sin embargo, también
existen técnicas heurísticas y metaheurísticas que se
combinan entre sí, e incluso, pueden usar la simulación [3537] para encontrar la mejor solución posible, no
necesariamente el óptimo global. Algunas de estas se
presentan a continuación.
184
Valencia-Cárdenas et al / DYNA 82 (190), pp. 182-191. April, 2015.
2.2.1. Programación Entera Mixta
Para problemas de Programación Entera Mixta
Estocástica, el procedimiento de solución del problema se
puede proponer usando métodos como los de variables
acotadas o Benders, entre otros. En [38] se propone un
problema de Programación Entera Mixta Estocástica, pero
se encuentra su solución aproximada mediante un algoritmo
que resuelve un problema determinístico aproximado. El
problema se caracteriza por una estructura de dos niveles
jerárquicos definida por ítems y familias de productos. El
procedimiento de solución que se propone es un algoritmo
de tres etapas, así: primero se resuelve el dual por
programación lineal generalizada, luego el problema de
programación lineal basada en la información obtenida de la
primera etapa, y finalmente, se determinan las soluciones a
partir del segundo estado.
2.2.2. Teoría de Control
Las técnicas de la Teoría de Control pueden permitir el
cumplimiento de un objetivo, como la minimización del
nivel de inventarios, lo cual es mostrado en [25], donde la
variable controlada ym es el nivel de inventario medido, y se
busca mantener un nivel de inventarios en un horizonte de
planeación, en el cual se pronostica la demanda y se mide el
error entre la anticipada y la real, acorde con la ecuación de
balance de inventario evaluada para cada periodo t. Parece
conveniente aclarar que en [25] puede apreciarse como este
tipo de técnicas permiten hacer simultáneamente tanto
pronósticos de variables con incertidumbre como
optimización, lo cual resalta que puede explotarse aún más
toda la línea de trabajo e investigación propuesta en el
presente trabajo.
En [2] se resalta que los fines principales de estas
técnicas de Teoría de Control aplicadas a la producción o
gestión de inventarios son reducir las fluctuaciones en la
demanda y controlar el nivel de inventarios, y además, se
establece que los sistemas de producción e inventario
pueden ser tratados como programas dinámicos, por su
naturaleza incierta y cambiante.
Dentro de estas técnicas se encuentran los Modelos
Predictivos de Control (MPC) [21,25,34,39]. En [34] se
sostiene que los MPC han sido herramientas alternativas
para controlar el inventario y la cadena de suministros, con
menos complicaciones que otras técnicas de optimización
estocástica donde se requiere la estimación de muchos casos
condicionales.
2.2.3. Metodologías Heurísticas y Meta-heurísticas
Las heurísticas son “procedimientos simples, a menudo
basados en el sentido común, que se supone ofrecerán una
buena solución (aunque no necesariamente la óptima) a
problemas difíciles, de un modo fácil y rápido” [35]. Por lo
tanto, es posible que se logren adaptar de manera adecuada
a las condiciones de la empresa, y se puedan resolver de
modo eficiente agilizando el proceso de toma de decisiones
referentes a los niveles de inventarios óptimos. También, se
cree que pueden permitir una menor necesidad de imponer
restricciones, facilitando soluciones a modelos más
representativos de la realidad [36].
Estas técnicas han sido exploradas por numerosos
autores en relación a la optimización de inventarios
[17,23,27,35-37,40,41], así como en [36], sobre el uso de
heurísticas, sus ventajas y desventajas y sus aplicaciones.
En [20] se presenta un algoritmo híbrido meta-heurístico,
indicando las ventajas de trabajar con una demanda
estocástica, en especial, cuando se considera de dos formas:
estimación del valor esperado robusto y fuzzy. En [23] se
aplica un algoritmo de búsqueda tabú para encontrar el nivel
óptimo de pedidos y en [17] se usan algoritmos genéticos.
Por su parte, en [18] se optimizan los costos totales de
inventarios usando algoritmos genéticos, con base en
predicciones de demanda y precios. En [42] se usa un
algoritmo de Colonia de Hormigas para realizar una
programación de producción.
La simulación puede ser usada de diferentes maneras
dentro de un modelo de optimización de inventarios,
combinándola con técnicas meta-heurísticas, para ayudar a
encontrar el punto o conjunto de puntos óptimos de una
minimización de costos o de una maximización de
beneficios [17,35,36]. Es posible que no siempre se
encuentre un óptimo global; sin embargo, en las metaheurísticas se pueden crear estrategias de búsqueda basadas
en la generación de variables aleatorias, con el objetivo de
diseñar espacios de soluciones y aprendizaje que permitan
llegar a la solución de una forma muy aproximada.
2.3. Algunos modelos de inventarios
2.3.1. Revisión Periódica
Los modelos de Revisión Periódica son de uso común en
la planeación de inventarios [1,4,23,27,28,43-46], en
especial los que incluyen una componente estocástica. Sin
embargo, las prácticas más usadas son la política (s,S) y la
(R,Q); en la primera, al llegar al nivel s se ordena una
determinada cantidad para llegar a S; en la segunda, cuando
se alcanza el punto R se envía una orden de tamaño Q. En
otros casos, se usa el análisis de stocks de seguridad [13], o
un análisis de cotas máximas en los periodos de tiempo
necesarios para alcanzar dicho nivel [43].
2.3.2. Modelo de la Cantidad Económica de Pedido
Este modelo, formulado en 1915 [20], busca minimizar
el costo total del inventario, considerando una cantidad fija
a pedir cada periodo (determinística), conocida con
antelación. Sin embargo, en [20] se muestra la evolución de
este modelo, al incorporar variaciones en la forma de
representar el tiempo de suministro y la demanda, lo cual
hace que el modelo clásico ya poco se utilice en trabajos de
investigación sobre inventarios.
2.3.3. Modelos de inventarios en múltiples instalaciones.
En procesos de inventarios, es muy importante la gestión
del producto terminado. Sin embargo, existen casos en que
se controlan varios eslabones del proceso productivo
185
Valencia-Cárdenas et al / DYNA 82 (190), pp. 182-191. April, 2015.
general. En [25] se controlan varios tipos de inventarios, de
fabricación, de ensamble y final de producto terminado, y se
realiza una optimización del nivel de inventarios de un
producto en un horizonte de tiempo.
Otros esquemas de múltiples instalaciones son el antes
y el después de ocurrir la venta. Este es el caso de [30],
donde se propone un modelo dinámico en dos estados,
con incertidumbre en la demanda y costos en el segundo
estado; se actualiza la demanda para el segundo, con
estadística bayesiana y se formula una política de
inventarios óptima.
2.3.4. Modelos de inventarios multi-producto
Estos casos no son los más comunes, ya que las
prácticas se vuelven más complejas al considerar varios
productos. Estos modelos han sido explorados en:
[2,17,20,22,28,29,32,38,47]. En algunos de éstos se
consideran demandas de tipo multivariado [22,28,38,47]. En
[28] se compara el tratamiento multivariado con el de
demanda independiente.
En casos como [29], se separa la demanda así: ୧୨ del jésimo producto para el i-ésimo cliente, considerándola
como una distribución de probabilidad independiente con
media y varianza conocidas para todos sus productos. En
[32] se estructura un modelo de inventario con dos tipos de
producto (software) compartiendo dos plataformas de
hardware que asemejan al inventario en dos locaciones. Las
demandas de los dos productos se asumen como variables
aleatorias Dk.
2.4. Procesos colaborativos para la gestión de inventarios
La práctica de compartir información sobre inventarios,
en la cadena de suministro, entre productor y clientes,
podría llevar a mejores resultados y a una significativa
reducción de costos [48]. Tales prácticas pueden consistir en
un sistema de compartir Información de Demanda
Anticipada (Advance Demand Information, ADI, [49], o en
un Inventario Administrado por el Vendedor (Vendor
Management Inventory, VMI, [16], el cual es similar al
modelo de Planeación Colaborativa con Reposición
(Colaborative Planning Replenishment, CPR, [16,50].
El VMI puede tener ventajas y desventajas [16]. Entre
las ventajas se encuentran la reducción de costos de
transporte y el manejo eficiente del reaprovisionamiento;
entre las desventajas aparecen la falta de confianza del
comprador y la falta de sistemas de información suficientes
para compartir tal información. Esta falta de confianza
podría ser ocasionada por la posibilidad de que los clientes
compren el mismo producto a varios productores sin
conocimiento entre estos. Por lo tanto, el manejo del
productor o proveedor podría causar malos pronósticos o
excesos de costos por órdenes innecesarias.
3. Técnicas estadísticas para enfrentar la dinámica de la
demanda
Existen técnicas estadísticas clásicas y otras alternativas
poco exploradas para enfrentar la dinámica de la demanda.
3.1. Técnicas estadísticas clásicas
El uso de distribuciones de probabilidad para la
demanda ha sido propuesto en [1,22,28,29,32,33,44,47].
Además, existen modelos de inventarios que se basan en las
salidas de modelos de pronósticos de demanda
[2,3,6,30,40,47,51]. A continuación se presenta una revisión
de esquemas utilizados en pronósticos de demanda dentro
de procesos de optimización de inventarios.
En [44] se usa una distribución empírica de probabilidad
y se afirma que el requerimiento de normalidad de los
modelos ARIMA (Integrados Autorregresivos de Medias
Móviles) [52,54] y de regresión no se cumple en muchos
casos. Sin embargo, los autores no consideran posibles
tendencias crecientes u ocurrencias de shocks o cambios
repentinos aleatorios que pueden ocurrir en la variación de
la demanda, haciendo dudar de un comportamiento con
igual distribución probabilística, durante un tiempo
prolongado.
En [19] se usan medias móviles y se revisan otros
métodos de pronóstico evaluando el costo mínimo y el
indicador de nivel de servicio; se encuentra un modelo de
pronóstico de la demanda con medias móviles que genera
buenos indicadores en los niveles de costo y servicio en los
inventarios. En [55] se propone el manejo de inventarios
usando pronósticos de demanda basados en modelos de
suavización exponencial y de medias móviles. En [15] se
integran pronósticos de demanda fluctuante con modelos de
medias móviles, para posteriormente realizar una
optimización de inventarios, comparando los costos de
inventarios obtenidos a raíz de esta demanda, mediante
simulación.
Otras técnicas estadísticas usadas para ajustar y predecir
demandas son los modelos longitudinales, que consideran
efectos fijos y aleatorios, a partir de la estructura
correlacionada entre e intra ítem, que podrían ser una
alternativa de modelación para varios productos o varios
clientes simultáneamente [53-55]. Esta técnica considera en
sus premisas teóricas, la existencia de una dependencia
entre individuos, de manera multivariada, aspectos que
pueden faltar al estimar modelos univariados, ya que quedan
preguntas acerca de la creencia del comportamiento
independiente de la demanda. Por su parte, las técnicas de
Vectores Autorregresivos (VAR) [5], también permiten
agrupar individuos. En [5] se logran ajustar adecuados
niveles en el manejo de inventarios, luego de emplear dicha
técnica para la demanda.
Para determinar cuál puede ser el mejor tratamiento de
demandas de múltiples productos, diversos autores han
realizado
comparaciones
entre
caso:
univariado/multivariado [28,32,56].
Además de éstas, existen otras técnicas estadísticas que
se basan en procesos de optimización para la predicción de
variables inciertas, como los pronósticos de demanda.
Alguna de estas técnicas son las Redes Neuronales usadas,
por ejemplo, en el área de la demanda energética [60,61],
así como la Lógica Difusa o los sistemas de inferencia
difuso neuronal, como se muestra en [62].
En la Tabla 1, se presenta un resumen de algunas
técnicas cuantitativas para pronosticar.
186
Valencia-Cárdenas et al / DYNA 82 (190), pp. 182-191. April, 2015.
no se requieran demasiados datos históricos para poder
realizar pronósticos de demanda. Estas necesidades de
técnicas promisorias podrían ser cubiertas quizá mediante el
uso de métodos bayesianos, explorados desde hace algún
tiempo, para elaborar pronósticos en numerosas
investigaciones [17,71-83]. Estas técnicas se basan en
información a priori para los parámetros y para los datos,
donde puede intervenir el conocimiento de los expertos.
Tabla 1.
Algunas técnicas cuantitativas para pronosticar.
Caso univariado
Caso multivariado
Regresión en series temporales y Modelos ARMA multivariados
modelos dinámicos con retardos en las [5,63]
variables endógenas y exógenas [52-54].
Suavización exponencial simple [52,53] Regresión dinámica [53,59,64]
Suavización de Holt Winters [52,53]
Modelos jerárquicos [64-66]
ARIMA: Integrados Autoregresivos de VAR: Vector Autorregresivo.
medias móviles. SARIMA, Estacionales [5,67,68]
[37,54]
Modelos ARMAX [54]
BVAR: Vector autorregresivo
Bayesiano. [5,67]
Modelos ARCH, GARCH. [69]
Modelos lineales longitudinales
[64-66]
Redes Neuronales [60,61]
Fuente: Elaboración propia.
3.2.1. Teoría bayesiana
Para la correcta estimación de los modelos de regresión
y para garantizar que sus inferencias sean adecuadas, es
necesario validar la estructuras que deben cumplir ciertos
supuestos subyacentes en las series de tiempo, o incluso en
los modelos ARIMA, en general, tales como: 1)
Distribución normal para los residuales; 2) Varianza
constante para los residuales, 3) Incorrelación en los
residuales, cuando los datos son cronológicos.
El cumplimiento de los supuestos de la mayoría de los
modelos de pronósticos puede verificarse mediante métodos
gráficos o analíticos. Los métodos gráficos muestran el
comportamiento de los residuales vs los valores ajustados
como el de Cuantiles Cuantiles normales (QQ-norm) para
determinar el ajuste a una distribución normal. Dentro de
los métodos analíticos están la prueba de normalidad de
Shapiro Wilks, que contrasta hipótesis sobre el ajuste de los
residuales a dicha distribución, y la de homogeneidad de
varianza para los residuales, que puede probarse por medio
del test de Bartlett o Levene [52]. Sin embargo, en algunos
casos, realizar transformaciones sobre variables del modelo
no conducen a su cumplimiento; por lo tanto, disminuye la
confiabilidad sobre la validez de los resultados obtenidos
[52,58]. Además de la validación de los supuestos, existen
criterios de evaluación final de la capacidad de predicción
del modelo, tales como la Media del Error Absoluto
Porcentual (MAPE: Mean Absolute Percentage Error), la
MAPE simétrica (SMAPE), o el Error Cuadrático Medio
(MSE) y su raíz cuadrada, los cuales se encuentran en
diferentes textos de Estadística [54,70].
3.2.
Otras Técnicas Estadísticas
pronósticos de demanda
Promisorias
para
Los modelos de pronósticos requieren muchos datos
históricos para verificar el cumplimiento de los supuestos
teóricos subyacentes sobre la estructura de los modelos y
para garantizar una buena confiabilidad de los resultados.
Estos supuestos, en muchos casos no se cumplen y en otros
puede ser difícil, si no imposible, o muy complejo o costoso
conseguir la suficiente información requerida para el
adecuado modelamiento. Adicionalmente, las distribuciones
de probabilidad usadas para pronosticar, a menudo no
contemplan otras fuentes de variación, inclusive ni el propio
pasado de la serie. Además de lo anterior, para la industria,
puede ser necesario encontrar modelos de inventarios donde
En [30] se menciona que las técnicas bayesianas han
sido usada de diferentes formas para el problema de
inventarios y se indica que “el uso de información para las
decisiones en inventarios, es importante tanto para la
academia como para la industria”. En dicho trabajo se
utiliza información a priori y a posteriori de la demanda
para definir una política de pedidos en dos estados: antes de
que ocurra la demanda, y después, para actualizar la
planificación y cuantificar mejor las órdenes de manera que
se pueda garantizar adecuadamente el servicio. Esta es una
aplicación importante que permite ver cómo estas técnicas
estadísticas facilitan el manejo óptimo de los inventarios en
la industria, considerando la incertidumbre de la demanda
implícita en el mismo proceso de solución.
En [84] se muestra una aproximación bayesiana para
pronosticar ventas y probar, con varias heurísticas, la
optimización de costos de producción en una programación
multi-estados, donde se asume que la capacidad de
producción es muy grande, así que ésta puede llegar a
incorporar todas las demandas de un lapso de tiempo con
varios periodos. Como éste, existen trabajos [30,85], que
contemplan modelos bayesianos relacionados con
programación de operaciones y en especial, con inventarios.
3.2.2. Procesos adaptativos bayesianos
Estas técnicas parten de supuestos que difieren sólo un
poco con respecto a los modelos clásicos. Por ejemplo,
consideran parámetros de distribuciones de probabilidad o
coeficientes específicos de modelos como variables
aleatorias, con una distribución de probabilidad llamada a
priori
[86,87]. Se considera también una distribución
de los datos, para la función de verosimilitud, que a su vez
permite la estimación de la función a posteriori
,
asociada al (los) parámetro (s) de la distribución de los
datos.
Una de las estrategias de estimación de los valores
esperados para modelos bayesianos es el muestreo
estocástico Monte Carlo por Cadenas de Markov (MCMC).
Dichas cadenas describen un patrón idealizado de
movimientos de transiciones a través de un conjunto de
estados [87]. Estos métodos proveen utilidad para simular
las distribuciones posteriores donde es imposible resolverlas
analíticamente. Mediante la simulación de Monte Carlo se
realiza una elección aleatoria de muestras para reducir un
problema combinatorio complejo a uno más simple [88]. La
simulación de Monte Carlo por Cadenas de Markov
(MCMC) consiste en generar un muestreo a partir de
distribuciones de probabilidad basadas en la construcción de
187
Valencia-Cárdenas et al / DYNA 82 (190), pp. 182-191. April, 2015.
cadenas de Markov, donde cada valor simulado tiene
dependencia con el dato anterior, llegando, en convergencia,
a la distribución deseada [77]. Después de una gran cantidad
de corridas, estos resultados constituyen una muestra
estacionaria de la distribución deseada. En algunas
ocasiones, la generación de variables aleatorias bajo una
distribución de probabilidad compleja, se hace muy difícil;
para ello, puede recurrirse a algoritmos de apoyo basados en
MCMC como el de Gibbs o el de Metropolis Hastings
[77,89].
El muestreador Gibbs es un algoritmo iterativo de Monte
Carlo por Cadenas de Markov diseñado para extraer
muestras de los parámetros bajo la distribución a posteriori
de cada uno, a partir de una cadena estocástica. Este
algoritmo es flexible y confiable para generar cadenas de
valores.
Estas técnicas son aplicables al Modelo Lineal Dinámico
bayesiano (DLM), que ha sido usado para pronósticos en
general en diferentes materias, pero conservando una
representación lineal en espacio-estado [71,75,78,82,87],
[90-95]; sin embargo, no son numerosas sus aplicaciones en
optimización de inventarios [25,30]. El DLM explicado en
[78], constituye un sistema de pronóstico que tiene
cualidades como facilidad de respuesta cuando ocurren
perturbaciones, sin producir fluctuaciones violentas en los
periodos de calma y cuando no se tienen datos históricos.
Tiene aplicaciones industriales y comerciales, además, es
posible su estimación por medio de las relaciones del filtro
de Kalman, aplicable a ecuaciones de modelos dinámicos
multi-ecuacionales.
4. Conclusiones
En general se encuentra un amplio uso de modelos y
técnicas que buscan pronosticar la demanda aleatoria para
incorporarlas en una planeación óptima de inventarios, pero
no muchas en el ámbito multivariado de manera que
incorporen procesos estocásticos o de dependencia con el
pasado, y que a su vez, involucren la optimización de
inventarios.
Para la modelación dinámica de inventarios podría
utilizarse una gran variedad de técnicas como la teoría de
control, el control predictivo, o algoritmos meta-heurísticos.
El estimador de Kalman para la incertidumbre de la
demanda en estos modelos se encuentra en un sólo trabajo,
aplicado a la optimización del nivel, en un horizonte de
predicción.
5. Discusión
El uso de estadística bayesiana aplicada para el
pronóstico de demanda univariada dentro de un modelo de
inventarios ha sido más explorado que en el campo
multivariado. Estas técnicas han cobrado gran importancia
por tener ventajas frente a estimación, por ejemplo, en
ausencia de datos, usando procesos basados en
distribuciones de probabilidad y, en muchos casos,
simulación basada en Monte Carlo por Cadenas de Markov.
Si bien, de la revisión del estado del arte fue posible
inferir la existencia de algunas técnicas que combinan el
pronóstico de la demanda y simultáneamente la
optimización de inventarios, en ninguna de las
investigaciones encontradas en la revisión de literatura se
han aplicado modelos dinámicos bayesianos incorporando
predicciones de demanda multivariada para la optimización
de inventarios, resaltando que puede explotarse más toda
una línea de trabajo e investigación en estos temas.
Frente a las tendencias que proponen compartir
información en la cadena de suministro entre productor y
clientes, los sistemas de Información Administrada por el
Vendedor (VMI) presentan ventajas como la reducción de
costos de transporte, entre otras, pero desventajas como la
falta de confianza del comprador y la falta de sistemas de
información suficientes para compartir tal información.
Agradecimientos
A Colciencias, mediante la convocatoria 567, por
facilitar los recursos para este producto, asociado a la
participación, como estudiante de Doctorado en IngenieríaIndustria y Organizaciones, en la Universidad Nacional de
Colombia, sede Medellín.
Referencias
[1]
Sethi, S., Yan, H., and Zhang, H., Inventory models with fixed costs,
forecast updates, and two delivery modes, Oper. Res., 51 (2), pp.
321-328, 2003. http://dx.doi.org/10.1287/opre.51.2.321.12777
[2] Sarimveis, H., Patrinos, P., Tarantilis, C.D. and Kiranoudis, C.T.,
Dynamic modeling and control of supply chain systems: A review,
Comput. Oper. Res., 35 (11), pp. 3530-3561, 2008.
http://dx.doi.org/10.1016/j.cor.2007.01.017
[3] Gutiérrez, V. and Vidal, C., Modelos de gestión de inventarios en
cadenas de abastecimiento: Revisión de la literatura, Rev. Fac. Ing.
Univ. Antioquia, (43), pp. 134-149, 2008.
[4] Jianfeng, H., Jingying, Z., and Xiaodong, W., Research on the
optimization strategy of maintenance spare parts inventory
management for petrochemical vehicle, Int. Conf. Inf. Manag.
Innov. Manag. Ind. Eng., pp. 45-48, Nov. 2011.
http://dx.doi.org/10.1109/ICIII.2011.18
[5] Shoesmith, G. and Pinder, J., Potential inventory cost reductions
using advanced time series forecasting techniques, J. Oper. Res.
Soc., 52 (11), pp. 1267-1275, 2001.
http://dx.doi.org/10.1057/palgrave.jors.2601230
[6] Bes, C. and Sethi, S., Concepts of forecast and decision horizons:
Applications to dynamic stochastic optimization problems, Math.
Oper. Res., 13 (2), pp. 295-310, 1988.
http://dx.doi.org/10.1287/moor.13.2.295
[7] Feng, Q., Sethi, S., Yan, H. and Zhang, H., Are base-stock policies
optimal in inventory problems with multiple delivery modes?, Oper.
Res., 54 (4), pp. 801-807, 2006.
http://dx.doi.org/10.1287/opre.1050.0271
[8] Gallego, G. and Van Ryzin, G., Optimal dynamic demand pricing
over of inventories finite horizons with stochastic, Manage. Sci., 40
(8), pp. 999-1020, 2013. http://dx.doi.org/10.1287/mnsc.40.8.999
[9] Kumar, N., Singh, S. and Kumari, R., An inventory model with
time-dependent demand and limited storage facility under inflation,
Adv. Oper. Res., 2012, pp. 1-17, 2012.
http://dx.doi.org/10.1155/2012/321471
[10] Samaratunga, C., Sethi, S. and Zhou ,X., Computational evaluation
of hierarchical production control policies for stochastic
manufacturing systems, Oper. Res., 45,(2), pp. 258-274, 1997.
http://dx.doi.org/10.1287/opre.45.2.258
[11] Schwartz,J.D. and Rivera, D.E., Simulation-based optimal tuning of
model predictive control policies for supply chain management
using simultaneous perturbation stochastic approximation, 2006 Am.
Control Conf., 2006, 6 P.
188
Valencia-Cárdenas et al / DYNA 82 (190), pp. 182-191. April, 2015.
http://dx.doi.org/10.1109/ACC.2006.1655415
[12] Wang, K.J., Lin, Y.S. and Yu, J.C.P., Optimizing inventory policy
for products with time-sensitive deteriorating rates in a multiechelon supply chain, Int. J. Prod. Econ., 130 (1), pp. 66-76, 2011.
http://dx.doi.org/10.1016/j.ijpe.2010.11.009
[13] Nenes, G., Panagiotidou, S. and Tagaras, G., Inventory management
of multiple items with irregular demand: A case study, Eur. J. Oper.
Res., 205 (2), pp. 313-324, 2010.
http://dx.doi.org/10.1016/j.ejor.2009.12.022
[14] Yokoyama, M., Integrated optimization of inventory-distribution
systems by random local search and a genetic algorithm, Comput.
Ind. Eng., 42 (2–4), pp. 175-188, 2002.
http://dx.doi.org/10.1016/S0360-8352(02)00023-2
[15] Watson, R., The effects of demand-forecast fluctuations on customer
service and inventory cost when demand is lumpy, J. Oper. Res.
Soc., 38 (1), pp. 75-82, 1987. http://dx.doi.org/10.2307/2582524
[16] Correa, A. and Gómez, R., Tecnologías de la información en la
cadena de suministro, DYNA, 76 (157), pp. 37-8, 2009.
[17] Jeyanthi, N. and Radhakrishnan, P., Optimizing multi product
inventory using genetic algorithm for efficient supply chain
management involving lead time, Int. J. Comput., 10 (5), pp. 231239, 2010.
[18] Buffett, S. and Scott, N., An algorithm for procurement in supply
chain management, Work. Trading Agent Des. Anal. (TADA’04);
inconjunction with 3rd Int. Conf. Auton. Agents Multi-Agent Syst.,
July, 2004.
[19] Sani, B. and Kingsman, B., Selecting the best periodic inventory
control and demand forecasting methods for low demand items, J.
Oper. Res., 48 (7), pp. 700-713, 1997.
http://dx.doi.org/10.2307/3010059
[20] Taleizadeh, A., Niaki, S. and Nikousokhan, R., Constraint
multiproduct joint replenishment inventory control problem using
uncertain programming, Appl. Soft Comput., 11 (8), pp. 5143-5154,
2011. http://dx.doi.org/10.1016/j.asoc.2011.05.045
[21] Dunbar, W. and Desa, S., Distributed model predictive control for
dynamic supply chain management, Germany, 2005.
[22] Hausman, W. and Peterson, R., Multiproduct production scheduling
for style goods with limited capacity, forecast revisions and terminal
delivery, Manage. Sci., 18 (7), pp. 370-383, 1972.
http://dx.doi.org/10.1287/mnsc.18.7.370
[23] Urrea, A. y Torres, F., Optimización de una política de inventarios
por medio de búsqueda tabú, in III Congreso colombiano y I
Conferencia Andina internacional, 2006, 8 P.
[24] Ventura, J., Valdebenito, V. and Golany, B., A dynamic inventory
model with supplier selection in a serial supply chain structure, Eur.
J. Oper. Res., 230 (2), pp. 258-271, 2013.
http://dx.doi.org/10.1016/j.ejor.2013.03.012
[25] Wang, W., Rivera, D. and Kempf, K., A novel model predictive
control algorithm for supply chain management in semiconductor
manufacturing, Proc. 2005, Am. Control Conf. 2005., Jun 8–10, pp.
208-213, 2005.
[26] Arrow, K., Karlin, S. and Scarf, H., Studies in the mathematical
theory of inventory and production. Stanford, CA: Stanford
University Press, 1958.
[27] Arslan, H., Graves, S. and Roemer, T., A Single-Product inventory
model for multiple demand classes, Manage. Sci., 53 (9), pp. 14861500, 2007. http://dx.doi.org/10.1287/mnsc.1070.0701
[28] Song, J., On the order fill rate in a multi-item, base-stock inventory
system, Oper. Res., 46 (6), pp. 831-845, 1998.
http://dx.doi.org/10.1287/opre.46.6.831
[29] Dawande, M., Gavirneni, S, and Tayur, S., Effective heuristics for
multiproduct partial shipment models, Oper. Res., 54(2), pp. 337352, 2006. http://dx.doi.org/10.1287/opre.1050.0263
[30] Choi, T.-M., Li, D. and Yan, H., Optimal two-stage ordering policy
with Bayesian information updating, J. Oper. Res. Soc., 54 (8), pp.
846-859, 2003. http://dx.doi.org/10.1057/palgrave.jors.2601584
[31] Jun-Jun, G. and Ting, K., A joint decision model of inventory
control and promotion optimization based on demand forecasting.
201800, pp. 119-123, 2009.
[32] Chou, M., Sim, C.-K. and Yuan, X.-M., Optimal policies for
inventory systems with two types of product sharing common
[33]
[34]
[35]
[36]
[37]
[38]
[39]
[40]
[41]
[42]
[43]
[44]
[45]
[46]
[47]
[48]
[49]
[50]
[51]
[52]
189
hardware platforms: Single period and finite horizon, Eur. J. Oper.
Res., 224 (2), pp. 283-292, 2013.
http://dx.doi.org/10.1016/j.ejor.2012.07.038
Bermúdez, A. y Londoño, S., Metodología para optimizar
inventarios de producto terminado en una empresa, basado en
estimación de demanda y minimización de costos, Universidad
Pontificia Bolivariana, 2013.
Braun, M.W., Rivera, D.E., Flores, M.E., Carlyle, W.M. and Kempf,
K.G., A model predictive control framework for robust management
of multi-product, multi-echelon demand networks, Annu. Rev.
Control, 27 (2), pp. 229-245, 2003.
http://dx.doi.org/10.1016/j.arcontrol.2003.09.006
Zanakis, S.H. and Evans, J.R., Heuristic ‘Optimization’: Why,
When, and How to use it, interfaces, 11 (5), pp. 84-91, 1981.
Silver, E.A., An overview of heuristic solution methods, J. Oper.
Res. Soc., 55 (9), pp. 936-956, 2004.
http://dx.doi.org/10.1057/palgrave.jors.2601758
Valencia, M., González, D. y Cardona, J., Metodología de un
modelo de optimización para el pronóstico y manejo de inventarios
usando el metaheurístico Tabú, Rev. Ing., 24 (1), pp. 13-27, 2014.
Bitran, G.R., Haas, E.A. and Matsuo, H. ,Production planning of
style goods with high setup costs and forecast revisions, Oper. Res.,
34 (2), pp. 226-236, 1986. http://dx.doi.org/10.1287/opre.34.2.226
Tzafestas, S. and Kapsiotis, G., Coordinated control of
manufacturing/supply chains using multi-level techniques, Comput.
Integr. Manuf. Syst., 7 (3), pp. 206-212, 1994.
http://dx.doi.org/10.1016/0951-5240(94)90039-6
Fouskakis, D. and Draper, D., Stochastic optimization: A review,
Int. Stat. Rev., 70 (3), pp. 315-349, 2002.
http://dx.doi.org/10.1111/j.1751-5823.2002.tb00174.x
Azoury, K.S. and Miller ,B.L., A Comparison of the optimal
ordering levels of Bayesian and non-Bayesian inventory models,
Management Science, 30 (8), pp. 993-1003, 1998.
http://dx.doi.org/10.1287/mnsc.30.8.993
Wu, Z., Zhang, C. and Zhu, X., An ant colony algorithm for master
production scheduling optimization. Cooperative Work in Design
(CSCWD), 2012 IEEE 16th International Conference. pp. 775-779,
2012.
Blanchini, F., Rinaldi, F. and Ukovich, W., Least inventory control
of multistorage systems with non-stochastic unknown inputs, IEEE
Trans. Robot. Autom., 13, pp. 633-645, 1997.
http://dx.doi.org/10.1109/70.631225
Blanchini, F., Pesenti, R., Rinaldi, F. and Ukovich, W., Feedback
control of production-distribution systems with unknown demand
and delays, IEEE Trans. Robot. Autom., 16, pp. 313-317, 2000.
http://dx.doi.org/10.1109/70.850649
Feng, Q., Gallego, G., Sethi, S., Yan, H. and Zhang, H., Periodicreview inventory model with three consecutive delivery modes and
forecast updates, J. Optim. Theory Appl., 124, pp. 137-155, 2005.
http://dx.doi.org/10.1007/s10957-004-6469-6
Vidal, C., Londoño, J. C. y Contreras, F., Aplicación de modelos de
inventarios en una cadena de abastecimiento de productos de
consumo masivo con una bodega y N puntos de venta, Ing. y
Compet., 6 (1), pp. 35-52, 2004.
Zhu, X., Mukhopadhyay, S.K. and Yue, X., Role of forecast effort
on supply chain profitability under various information sharing
scenarios, Int. J. Prod. Econ., 129 (2), pp. 284-291, 2011.
http://dx.doi.org/10.1016/j.ijpe.2010.10.021
Arango-Serna, M.D., Adarme-Jaimes, W. and Zapata-Cortés, J.
Inventarios colaborativos en la optimización de la cadena de
suministros, DYNA, 80 (181), pp. 71-80, 2013.
Thonemann, U.W., Improving supply-chain performance by sharing
advance demand information, Eur. J. Oper. Res., 142 (1), pp. 81107, 2002. http://dx.doi.org/10.1016/S0377-2217(01)00281-8
Simchi-Levi, D., Kaminski, P. and Simchi-Levi, E., Designing and
managing the supply chair, 3rd ed. McGraw-Hill, 2008, 498 P.
Cohen, R. and Dunford, F., Forecasting for inventory control: An
example of when ‘Simple’ means ‘Better’., Interfaces (Providence).,
16 (6), pp. 95-99., 1986. http://dx.doi.org/10.1287/inte.16.6.95
Montgomery, D., Peck, E. y Vining, G., Introducción al análisis de
regresión lineal, Compañía Editor. Cont., 3, 2006, 612 P.
Valencia-Cárdenas et al / DYNA 82 (190), pp. 182-191. April, 2015.
[53] Caridad J.M., y Ocerin, Econometria: Modelos econométricos y
series temporales. Ed. Reverte S.A., España, 1998, 300 P.
[54] Bowerman, B.L. and Oconnell, R.T., Pronósticos, series de tiempo y
regresión: un enfoque aplicado. México, 2007, 693 P.
[55] Rosas, J.P., Propuesta de un programa de inventarios para la
empresa Serviacero Planos S.A. de CV, Tesis para Licenciatura,
Univ. las Américas Puebla. México, 2006.
[56] Toktay, L. and Wein, L., Analysis of a forecasting-productioninventory system with stationary demand, Manage. Sci., 47 (9), pp.
1268-1281, 2001. http://dx.doi.org/10.1287/mnsc.47.9.1268.9787
[57] Laird, N. and Ware, J., Random-effects models for longitudinal data,
Biometrics, 38 (4), pp. 963-974, 1982.
http://dx.doi.org/10.2307/2529876
[58] Valencia, M., Estimación en modelos lineales mixtos con datos
continuos usando transformaciones y distribuciones no normales,
Tesis, Universidad Nacional de Colombia, Sede Medellín, 2010.
[59] Petris, G., An R Package for Dynamic Linear Models, Journal of
Statistical Software, 36 (12), pp. 1-16, 2010.
[60] Velásquez, J.D., Dyner, I. and Souza, R.C., Tendencies in the
prediction and estimation of the confidence intervals using models
of neuronal networks applied to temporary series, DYNA, 73 (149),
pp. 141-147, 2006.
[61] Rueda, V., Velásquez J.D. y Franco, C. Avances recientes en la
predicción de la demanda de electricidad usando modelos no
lineales, DYNA, 78 (167), pp. 36-43, 2011.
[62] Medina, S. y García, J., Predicción de demanda de energía en
Colombia mediante un sistema de inferencia difuso neuronal,
Energética, (33), pp. 15-24, 2005.
[63] Bermúdez, J.D., Segura, J.V. and Vercher, E., Bayesian forecasting
with the Holt–Winters model, J. Oper. Res. Soc., 61 (1), pp. 164171, Jan. 2009.
[64] Barbosa, C., Queiroz, C. and Migon, H., A dynamic linear model
with extended skew-normal for the initial distribution of the state
parameter, Comput. Stat. Data Anal., 74, pp. 64-80, 2014.
http://dx.doi.org/10.1016/j.csda.2013.12.008
[65] West, M. and Harrison, J., Bayesian forecasting and dynamic
models, second. USA.: Springer Series in Statistics, 1999, 694 P.
[66] Valencia, M., Salazar, J C., y Correa J.C., Prueba para normalidad
sesgada en el modelo lineal mixto con intercepto aleatorio, Rev. Fac.
Ciencias Univ. Nac. Colomb., 3 (1), pp. 56-69, 2014.
[67] Félix, R. and Nunes, L., Forecasting Euro area aggregates with
Bayesian VAR and VECM models. 2003.
[68] Andersson, M. and Karlson, S., Bayesian forecast combination for
VAR models, Sveriges Riskbanc-working Pap., pp. 1-17, 2007.
[69] Duran, R., Lorenzo, A., and Ruiz, A., A GARCH model with
autorregresive conditional asymmetry to model time-series: An
application to the returns of the Mexican stock market index,
Munich Pers. RePEc Arch.(46328), 2013.
[70] Montgomery, D. and Runger, G., Probabilidad y estadística
aplicadas a la ingeniería, 2o Edición. 2012, 486 P.
[71] Pedroza, C., A Bayesian forecasting model: Predicting U.S. male
mortality. Biostatistics, 7 (4), pp. 530-550, 2006.
http://dx.doi.org/10.1093/biostatistics/kxj024
[72] Azad, N., Mirzaie, A. and Nayeri, M., Information sharing in
designing a supply chain model considering demand forecasting
using Markov process, Journal of American Science, 7 (6), pp. 762766, 2011.
[73] Duncan, G., Gorr, W. and Szczypula, J., Bayesian unrelated time
forecasting series : For seemingly to local forecasting application
government revenue, Management Science, 39 (3), pp. 275-293,
1993. http://dx.doi.org/10.1287/mnsc.39.3.275
[74] Neelamegham, R. and Chintagunta, P., A Bayesian model to
forecast new product performance in domestic and international
markets, Mark. Sci., 18 (2), pp. 115-136, 1999.
http://dx.doi.org/10.1287/mksc.18.2.115
[75] West, M. and Harrison, J. ,Bayesian forecasting and dynamic
models. Springer Series in Statistics, 1989, 704 P.
http://dx.doi.org/10.1007/978-1-4757-9365-9
[76] De Mol, C., Giannone, D. and Reichlin, L., Forecasting using a large
number of predictors: Is Bayesian shrinkage a valid alternative to
principal components?, J. Econom., 146 (2), pp. 318-328, 2008.
http://dx.doi.org/10.1016/j.jeconom.2008.08.011
[77] Gill, J., Bayesian methods: A social and behavioral sciences
approach, Second. United States of America: CHapman & Hall,
2007, 459 P.
[78] Harrison, J. and Stevens, C., Bayesian forecasting, J. R. Stat. Soc.,
38 (3), pp. 205-247, 1976.
[79] De Alba, E. and Mendoza, M., Bayesian forecasting methods for
short time series, The International Journal of Applied Forecasting,
(9), pp. 41-44, 2007.
[80] Yelland, P.M., Bayesian forecasting of parts demand, Int. J.
Forecast., 26 (2), pp. 374-396. 2010.
http://dx.doi.org/10.1016/j.ijforecast.2009.11.001
[81] Carriero, A., Kapetanios, G. and Marcellino ,M., Forecasting
exchange rates with a large Bayesian VAR, Int. J. Forecast., 25 (2),
pp. 400-417, 2009.
http://dx.doi.org/10.1016/j.ijforecast.2009.01.007
[82] Fei, X., Lu, C.-C., and Liu, K., A bayesian dynamic linear model
approach for real-time short-term freeway travel time prediction,
Transp. Res. Part C Emerg. Technol., 19 (6), pp. 1306-1318, 2011.
http://dx.doi.org/10.1016/j.trc.2010.10.005
[83] Barrera, C. y Correa, J., Distribución predictiva Bayesiana para
modelos de pruebas de vida vía MCMC, Revista Colombiana de
Estadística, 31 (2), pp. 145-155, 2008.
[84] Crowston, W., Hausman, W. and Kampe, W., Multistage production
for stochastic seasonal demand, Management Science, 19 (8), pp.
924-935, 1973. http://dx.doi.org/10.1287/mnsc.19.8.924
[85] Nechval, N., Nechval, K.N., Purgailis, M., Berzins, G., Rozevskis,
U. and Korsunsky, A.M., Improvement of statistical decisions under
parametric uncertainty, 2011.
[86] Martin, A., Quinn, K. and Park, J.H., MCMCpack: Markov chain
Monte Carlo in R, J. Stat. Softw., 42 (9), pp. 1-21, 2011.
[87] Congdon, P. Bayesian statistical modelling. London, England: Wiley
Series in Probability and Statistics, 2002, 529 P.
[88] Andrieu, C., De Freitas, N., Doucet, A. and Jordan, M., An
introduction to MCMC for machine learning, Mach. Learn., (50), pp.
5-43, 2003. http://dx.doi.org/10.1023/A:1020281327116
[89] Geyer, C. and Thompson, E., Annealing Markov chain Monte Carlo
with applications to ancestral inference, J. Am. Stat. Assoc., 90
(431), pp. 909-920, 1995.
http://dx.doi.org/10.1080/01621459.1995.10476590
[90] Bolstad, W.M., Harrison-Stevens forecasting and the multiprocess
dynamic linear model, Am. Stat., 40 (2), pp. 129-135, 1986.
http://dx.doi.org/10.1080/00031305.1986.10475374
[91] Kingdom, U., Forecast calibration and combination : A simple
Bayesian approach for ENSO (1977), pp. 1504-1516, 2004.
[92] Makridakis, S., Hibon, M., Moser, C., Accuracy of forecasting : An
empirical investigation of forecasting, Journal of the Royal
Statistical Society, 142 (2), pp. 97-145, 2011.
http://dx.doi.org/10.2307/2345077
[93] Meinhold, R.J. and Singpurwalla, N.D., Understanding the Kalman
filter, The American Statistician, 37 (2), pp. 123-127, 1983.
http://dx.doi.org/10.2307/2685871
[94] Yelland, P.M. and Lee, E., Forecasting product sales with dynamic
linear mixture models, Technical Report TR-2003-122, Sun
Microsystems Laboratories, March, 2003.
[95] Harrison, J. and West, M., Dynamic linear model diagnosis,
Biometrika Trust, 78 (4), pp. 797-808, 1991.
http://dx.doi.org/10.1093/biomet/78.4.797
M. Valencia-Cárdenas, graduada como Ing. Industrial en 2000, Esp. en
Estadística, en 2002, MSc en Ciencias-Estadística, en 2010. Ha trabajado
en investigación estadística, docente investigadora en la Universidad
Pontificia Bolivariana, Colombia. Actualmente estudiante de Doctorado en
Ingeniería-Industria y organizaciones de la Universidad Nacional de
Colombia, Sede Medellìn, Colombia. Sus áreas de interés: métodos
estadísticos, optmización con aplicaciones a la industria.
F.J. Díaz-Serna, graduado como Ing. Industrial en 1982, Esp. en Gestión
para el Desarrollo Empresarial en 2001, MSc gister en Ingeniería de
Sistemas en 1993 y PhD en Ingeniería en 2011. Sus áreas de trabajo:
Ingeniería Industrial, Administrativa y de Sistemas. Actualmente es
profesor asociado del Departamento de Ciencias de la Computación y la
Decisión, de la Facultad de Minas, Universidad Nacional de Colombia,
190
Valencia-Cárdenas et al / DYNA 82 (190), pp. 182-191. April, 2015.
Sede Medellín, Colombia. Sus áreas de interés: investigación de
operaciones, optimización, sistemas energéticos, optimización, producción,
dinámica de sistemas.
J.C. Correa-Morales, graduado como Estadístico en 1980, MSc en
Estadística en 1989, PhD en Estadística en 1993. Sus áreas de trabajo:
estadística, bio estadística, estadística industrial. Es profesor asociado de la
Escuela de Estadística, Universidad Nacional de Colombia, Sede Medellín,
Colombia. Sus áreas de interés: análisis multivariado de datos,
bioestadística, estadística Bayesiana.
Área Curricular de Ingeniería Administrativa e
Ingeniería Industrial
Oferta de Posgrados
Especialización en Gestión Empresarial
Especialización en Ingeniería Financiera
Maestría en Ingeniería Administrativa
Maestría en Ingeniería Industrial
Doctorado en Ingeniería - Industria y Organizaciones
Mayor información:
E-mail:
[email protected]
Teléfono: (57-4) 425 52 02
191