UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIAS...
-
Upload
phamnguyet -
Category
Documents
-
view
218 -
download
0
Transcript of UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIAS...
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERIA EN SISTEMAS COMPUTACIONALES
ESTUDIO DE LOS FACTORES QUE INCIDEN SOBRE LA GESTIÓN DE
INVENTARIOS EN LAS PYMES MEDIANTE EL USO DE LÓGICA DIFUSA Y
SIMULACIÓN MONTECARLO
PROYECTO DE TITULACIÓN
Previa a la obtención del Título de:
INGENIERO EN SISTEMAS COMPUTACIONALES
AUTOR:
MARÍA ISABEL SÁNCHEZ LEÓN
TUTOR:
ING. LORENZO CEVALLOS TORRES M.SC.
GUAYAQUIL – ECUADOR
2017
I
REPOSITORIO NACIONAL EN CIENCIAS Y TECNOLOGÍA
FICHA DE REGISTRO DE TESIS
TÍTULO “ Estudio de los factores que inciden sobre la gestión de inventarios en las pymes mediante el
uso de Lógica Difusa y Simulación Montecarlo”
REVISORES:
INSTITUCIÓN: Universidad de Guayaquil FACULTAD: Ciencias Matemáticas y
Físicas
CARRERA: Ingeniería en Sistemas Computacionales
FECHA DE PUBLICACIÓN: N° DE PÁGS.:
ÁREA TEMÁTICA: Estudio de Inventario utilizando Lógica Difusa y Simulación Montecarlo
PALABRAS CLAVES: Demanda, Simulación Montecarlo, Lógica Difusa, Gestión de Inventarios, Costo
de Inventario.
RESUMEN:
N° DE REGISTRO (en base de datos): N° DE CLASIFICACIÓN:
Nº
DIRECCIÓN URL (tesis en la web):
ADJUNTO PDF X
SI NO
CONTACTO CON AUTOR: Teléfono:
0996231950
E-mail:
CONTACTO DE LA INSTITUCIÓN Nombre:
Teléfono:
II
APROBACIÓN DEL TUTOR
En mi calidad de Tutor del trabajo de investigación, “Estudio de los factores que
inciden sobre la gestión de inventarios en las pymes mediante el uso de Lógica
Difusa y Simulación Montecarlo” elaborado por la Sra.
María Isabel Sánchez León, Alumna no titulada de la Carrera de Ingeniería
en Sistemas Computacionales, Facultad de Ciencias Matemáticas y Físicas de la
Universidad de Guayaquil, previo a la obtención del Título de Ingeniero en
Sistemas Computacionales, me permito declarar que luego de haber orientado,
estudiado y revisado, la Apruebo en todas sus partes.
Atentamente
ING. LORENZO CEVALLOS TORRES M.SC.
TUTOR
III
DEDICATORIA
Dedico esta tesis, a mis padres que siempre me han apoyado en
todo momento y gracias a sus esfuerzos he salido adelante, a mis
hijos por ser una pieza importante que me motiva a crecer
profesionalmente, a mi esposo que ha estado conmigo
respaldándome en todo momento. Dedico especialmente este
trabajo a mi madre, que en paz descanse, gracias a ella he
logrado alcanzar esta meta.
IV
AGRADECIMIENTO
Agradezco a Dios por permitirme cumplir esta meta tan importante
en mi vida, a mi familia que me han apoyado en todo este tiempo
para poder culminar mi carrera Universitaria, a mis maestros por sus
enseñanzas y consejos durante mi etapa estudiantil.
V
TRIBUNAL PROYECTO DE TITULACIÓN
Ing. Eduardo Santos Baquerizo, M.Sc.
DECANO DE LA FACULTAD
CIENCIAS MATEMÁTICAS Y
FÍSICAS
Ing. Abel Alarcón Salvatierra, Mgs.
DIRECTOR DE LA CARRERA
INGENIERIA EN SISTEMAS
COMPUTACIONALES
Ab. Mirella Ortiz Zambrano M.sc.
PROFESOR REVISOR DEL ÁREA - TRIBUNAL
Ing. Lorenzo Cevallos Torres M.sc.
PROFESOR DIRECTOR DEL PROYECTO
DE TITULACIÓN
Ab. Juan Chávez Atocha, Esp.
SECRETARIO
VI
DECLARACIÓN EXPRESA
“La responsabilidad del contenido de este Proyecto de Titulación, me
corresponden exclusivamente; y el patrimonio intelectual de la misma a la
UNIVERSIDAD DE GUAYAQUIL”
MARÍA ISABEL SÁNCHEZ LEÓN
VII
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
ESTUDIO DE LOS FACTORES QUE INCIDEN SOBRE LA GESTIÓN DE
INVENTARIOS EN LAS PYMES MEDIANTE EL USO DE LÓGICA
DIFUSA Y SIMULACIÓN MONTECARLO
Proyecto de Titulación que se presenta como requisito para optar por el título de
INGENIERO en SISTEMAS COMPUTACIONALES
Autor/a: MARÍA ISABEL SÁNCHEZ LEÓN
C.I: 0924998701
Tutor: ING. LORENZO CEVALLOS
TORRES M.SC.
Guayaquil, diciembre del 2017
VIII
CERTIFICADO DE ACEPTACIÓN DEL TUTOR
En mi calidad de Tutor del proyecto de titulación, nombrado por el Consejo
Directivo de la Facultad de Ciencias Matemáticas y Físicas de la Universidad de
Guayaquil.
CERTIFICO:
Que he analizado el Proyecto de Titulación presentado por el/la estudiante
MARÍA ISABEL SÁNCHEZ LEÓN, como requisito previo para optar por el título
de Ingeniero en Sistemas Computacionales cuyo tema es:
“ESTUDIO DE LOS FACTORES QUE INCIDEN SOBRE LA GESTIÓN DE
INVENTARIOS EN LAS PYMES MEDIANTE EL USO DE LÓGICA
DIFUSA Y SIMULACIÓN MONTECARLO”
Considero aprobado el trabajo en su totalidad.
Presentado por:
MARÍA ISABEL SÁNCHEZ LEÓN 0924998701
Tutor: ING. LORENZO CEVALLOS TORRES M.SC.
Guayaquil, diciembre del 2017
IX
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
Autorización para Publicación de Proyecto de Titulación en Formato Digital
1. Identificación del Proyecto de Titulación
Nombre Alumno: Maria Isabel Sánchez León
Dirección: Urb. Paraísos del Río 2 Mz. 3059 V. 12
Teléfono: 0996231950 E-mail:
Título del proyecto de Investigación: “Estudio de los factores que inciden
sobre la gestión de inventarios en las pymes mediante el uso de Lógica
Difusa y Simulación Montecarlo”.
Tema del Proyecto de Titulación: Estudio de los factores que influyen en el
reprovisionamiento correcto en las PYMES para mejorar y controlar los costos. 2. Autorización de Publicación de Versión Electrónica del Proyecto de
Titulación
A través de este medio autorizo a la Biblioteca de la Universidad de Guayaquil y
a la Facultad de Ciencias Matemáticas y Físicas a publicar la versión electrónica
de este Proyecto de titulación.
Publicación electrónica:
Inmediata X Después de 1 año
Firma Alumno:
3. Forma de envío:
El texto del proyecto de titulación debe ser enviado en formato Word, como archivo .Doc. O .RTF y. Puf para PC. Las imágenes que la acompañen pueden ser: .gif, .jpg o .TIFF.
Facultad: Matemáticas y Físicas
Carrera: Ingeniería en Sistemas Computacionales
Proyecto de titulación al que opta: Ingeniero en Sistemas
Computacionales
Profesor guía: Ing. Lorenzo Cevallos torres M.sc.
CDROM X
X
ÍNDICE GENERAL
CONTENIDO
DEDICATORIA ................................................................................................................... III
AGRADECIMIENTO .......................................................................................................... IV
DECLARACIÓN EXPRESA ............................................................................................... VI
CERTIFICADO DE ACEPTACIÓN DEL TUTOR ............................................................. VIII
ÍNDICE GENERAL .............................................................................................................. X
ÍNDICE DE CUADROS .................................................................................................... XIII
ÍNDICE DE GRÁFICOS .................................................................................................. XIV
Resumen ......................................................................................................................... XVI
Abstract .......................................................................................................................... XVII
INTRODUCCIÓN ................................................................................................................ 1
CAPÍTULO I ........................................................................................................................ 4
EL PROBLEMA ................................................................................................................... 4
FORMULACIÓN DEL PROBLEMA .................................................................................... 8
OBJETIVO GENERAL ...................................................................................................... 10
OBJETIVOS ESPECÍFICOS ............................................................................................. 10
ALCANCES DEL PROBLEMA .......................................................................................... 10
JUSTIFICACION E IMPORTANCIA ................................................................................. 11
METODOLOGÍA DEL PROYECTO .................................................................................. 12
CAPÍTULO II ..................................................................................................................... 15
MARCO TEÓRICO ........................................................................................................... 15
ANTECEDENTES DEL ESTUDIO .................................................................................... 15
FUNDAMENTACIÓN TEÓRICA ....................................................................................... 17
CAPÍTULO III .................................................................................................................... 51
METODOLOGÍA DE LA INVESTIGACIÓN ....................................................................... 51
MÉTODOS Y TÉCNICAS DE INVESTIGACIÓN .............................................................. 54
POBLACIÓN Y MUESTRA ............................................................................................... 60
ANÁLISIS E INTERPRETACIÓN DE LOS DATOS .......................................................... 65
CAPÍTULO IV .................................................................................................................. 121
CONCLUSIONES ........................................................................................................... 121
RECOMENDACIONES ................................................................................................... 122
ANEXOS ......................................................................................................................... 123
Bibliografía..................................................................................................................... 175
XI
ABREVIATURAS
Pymes Pequeñas y medianas empresas
DAD Demanda Aleatoria Decrece
DAM Demanda Aleatoria se Mantiene
DAA Demanda Aleatoria Aumenta
OPP Orden Proveedor Pide
OPN Orden Proveedor Normal
OPM Orden Proveedor Mucho
IBB Inventario Inicial Bajo
IIA Inventario Inicial Adecuado
IIE Inventario Inicial Elevado
RP Reaprovisionamiento Pequeño
RM Reaprovisionamiento Mediano
RG Reaprovisionamiento Grande
Q1 Cuartil1
Q2 Cuartil2
Q3 Cuartil3
XII
SIMBOLOGÍA
R Punto de pedido óptimo
Q Cantidad de pedido
D Demanda promedio al año
K Costo por hacer un pedido
kc Costo por mantener inventario (anual)
Ku Costo por faltante
M Número de unidades de la demanda durante un tiempo
determinado
�̅� Número promedio de unidades durante un período
𝜎𝑀 Desviación Estándar de la demanda
F(R) Probabilidad deseada de la demanda
Z Distribución normal estándar
PP Punto de pedido
�̅� Media muestral
𝑆2 Varianza Muestral
XIII
ÍNDICE DE CUADROS
CUADRO# 1 Causas y Consecuencias del Problema ......................................... 7
CUADRO# 2 Delimitación del problema .............................................................. 7
CUADRO# 3 Definición de Universo y muestra ................................................. 14
CUADRO# 4 Tablas de decisión ........................................................................ 36
CUADRO# 5 Resumen de análisis bibliométrico................................................ 42
CUADRO# 6 Matriz de operacionalización de variables .................................... 50
CUADRO# 7 Número de empresas por tamaño de empresa ............................. 65
CUADRO# 8 Variables Cualitativas i ................................................................. 66
CUADRO# 9 variables cialitativas ii ................................................................... 66
CUADRO# 10 Población de la encuesta ............................................................ 67
CUADRO# 11 Pregunta 1 .................................................................................. 68
CUADRO# 12 Pregunta 2 .................................................................................. 69
CUADRO# 13 Pregunta 3 .................................................................................. 70
CUADRO# 14 Pregunta 4 .................................................................................. 71
CUADRO# 15 Pregunta 5 .................................................................................. 72
CUADRO# 16 Pregunta 6 .................................................................................. 73
CUADRO# 17 Reporte de ventas de jarro bia amarillo ...................................... 77
CUADRO# 18 Rangos de la función de pertenencia corrspondiente a la variable
de salida. ........................................................................................................... 81
CUADRO# 19 Reglas de inferenia variable salida ............................................. 83
CUADRO# 20 Tabla de decision variable salida ................................................ 84
CUADRO# 21 Análisis Juicio de Expertos ....................................................... 108
CUADRO# 22 Análsis ded Expertos ................................................................ 109
CUADRO# 23 Análisis comparativo: Lógica Difusa, Juicio de Expertos y Modelo
Costo con Faltante ........................................................................................... 112
CUADRO# 24 Resumen del software XLSTAT para la simulación de códigos
........................................................................................................................ 113
CUADRO# 25 Montecarlo difuso tablas inferenciales ...................................... 118
XIV
ÍNDICE DE GRÁFICOS
Gráfico# 1 Administración del control de inventarios ............................................ 6
Gráfico# 2 Ventajas y desventajas de la Simulación Montecarlo ....................... 26
Gráfico# 3 Representación de la función de pertenencia ................................... 29
Gráfico# 4 Función Triangular............................................................................ 30
Gráfico# 5 Función Trapezoidal ......................................................................... 30
Gráfico# 6 Función Gamma ............................................................................... 31
Gráfico# 7 Función Sigmoidal ............................................................................ 32
Gráfico# 8 Función Gaussiana ........................................................................... 32
Gráfico# 9 Función Pseudo-Exponencial ........................................................... 33
Gráfico# 10 Variables y Valores lingüísticos ...................................................... 34
Gráfico# 11 Fórmula de los operadores lógicos ................................................. 35
Gráfico# 12 Representación del CLD ................................................................. 35
Gráfico# 13 Distribución uniforme continua........................................................ 58
Gráfico# 14 Distribución normal ......................................................................... 59
Gráfico# 15 Representación de Población ......................................................... 67
Gráfico# 16 Pregunta 1 ...................................................................................... 68
Gráfico# 17 Pregunta 2 ...................................................................................... 69
Gráfico# 18 Pregunta 3 ...................................................................................... 70
Gráfico# 19 Pregunta 4 ...................................................................................... 71
Gráfico# 20 Pregunta 5 ...................................................................................... 72
Gráfico# 21 Pregunta 6 ...................................................................................... 73
Gráfico# 22 Función de pertenencia variable Demanda Aleatoria ...................... 78
Gráfico# 23 Función de pertenencia variable Ordenes Proveedor ..................... 79
Gráfico# 24 Función de pertenencia variable Stock Inicial ................................. 80
Gráfico# 25 Función de pertenencia variable Respuesta Inventario................... 82
Gráfico# 26 Función de pertenencia variable Demanda Aleatoria ...................... 85
Gráfico# 27 Función de pertenencia variable Ordenes Proveedor ..................... 85
Gráfico# 28 Función de pertenencia variable Stock Inicial ................................. 86
Gráfico# 29 Función de pertenencia variable Respuesta Inventario................... 86
Gráfico# 30 Reglas de inferencia para datos 2017 ............................................ 87
Gráfico# 31 Gráfico obtenido con matlab ........................................................... 88
Gráfico# 32 Análisis datos gráfico 1 ................................................................... 88
Gráfico# 33 Análisis datos gráfico 2 ................................................................... 89
Gráfico# 34 Análisis datos gráfico 3 ................................................................... 90
Gráfico# 35 Análisis datos gráfico 4 ................................................................... 91
Gráfico# 36 Análisis datos gráfico 5 ................................................................... 92
Gráfico# 37 Análisis datos gráfico 6 ................................................................... 93
Gráfico# 38 Análisis datos gráfico 7 ................................................................... 94
Gráfico# 39 Análisis datos gráfico 8 ................................................................... 95
Gráfico# 40 Análisis datos gráfico 9 ................................................................... 97
Gráfico# 41 Análisis datos gráfico 10 ................................................................. 98
XV
Gráfico# 42 Análisis datos gráfico 11 ................................................................ 99
Gráfico# 43 Análisis datos gráfico 12 .............................................................. 100
Gráfico# 44 Análisis datos gráfico 13 .............................................................. 101
Gráfico# 45 Análisis datos gráfico 14 .............................................................. 102
Gráfico# 46 Análisis datos gráfico 15 .............................................................. 103
Gráfico# 47 Análisis datos gráfico 16 .............................................................. 104
Gráfico# 48 Análisis datos gráfico 17 .............................................................. 105
Gráfico# 49 Análisis datos gráfico 18 .............................................................. 106
Gráfico# 50 Análisis datos gráfico 18 .............................................................. 107
Gráfico# 51 Simulacion Montecarlo para inventarios ....................................... 114
Gráfico# 52 Montecarlo Difuso gráfico demanda ............................................. 115
Gráfico# 53 Montecarlo Difuso gráfico orden proveedor .................................. 116
Gráfico# 54 Montecarlo Difuso gráfico stock inicial .......................................... 116
Gráfico# 55 Montecarlo Difuso gráfico respuesta inventario ............................ 116
Gráfico# 56 Montecarlo Difuso gráfico matlab ................................................. 119
Gráfico# 57 Montecarlo Difuso ejemplo ........................................................... 120
XVI
UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIAS MATEMATICAS Y FISICAS
CARRERA DE INGENIERIA EN SISTEMAS COMPUTACIONALES
ESTUDIO DE LOS FACTORES QUE INCIDEN SOBRE LA GESTIÓN DE INVENTARIOS EN LAS PYMES MEDIANTE EL USO DE LÓGICA DIFUSA Y
SIMULACIÓN MONTECARLO
Resumen
En la actualidad las pequeñas y medianas empresa (Pymes) carecen de un
control de ingreso de mercadería acorde a la tecnologia actual, efectuando
incluso la adquisición de manera manual, sin planificación alguna, lo que
repercute en el desbalance de los inventarios lo que acasiona costos y gastos
innecesarios. El objetivo de este proyecto de investigación es brindar una
metodología utilizando Simulación Montecarlo y Lógica Difusa que permita
pronosticar el comportamiento de la demanda, proponiendo una solución para el
reabastecimiento de inventarios, para lo cual se escogió la demanda
independiente probabilística, debido a que el producto objeto de este estudio
tiene este tipo de comportamiento. Para esta investigación se consideró las
demandas del año 2016, a cuyos valores se les aplicó la Lógica Difusa para
comprender el comportamiento del inventario, dichos resultados fueron
comparados a su vez con la opinión de expertos por medio del modelo
agregación individual, lo que dió como resultado la veracidad de la aplicación de
la Lógica Difusa en el área de inventarios. Utilizando como modelo las demandas
del año 2016 se pudo pronosticar las ventas del año 2017 simulando costos de
ventas con faltantes utilizando para ello la Simulación Montecarlo junto con
Lógica Difusa lo que dió como resultado una solución para la adquisición de
mercadería.
PALABRAS CLAVES: Demanda, Simulación Montecarlo, Lógica Difusa, Gestión
de Inventarios, Costos de Inventarios.
Autor: MARÍA ISABEL SÁNCHEZ LEÓN Tutor: ING. LORENZO CEVALLOS TORRES
M.SC.
XVII
UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIAS MATEMATICAS Y FISICAS
CARRERA DE INGENIERIA EN SISTEMAS COMPUTACIONALES
ESTUDIO DE LOS FACTORES QUE INCIDEN SOBRE LA GESTIÓN DE INVENTARIOS EN LAS PYMES MEDIANTE EL USO DE LÓGICA DIFUSA Y
SIMULACIÓN MONTECARLO
Abstract
Currently, small and medium-sized enterprises (SMEs) lack merchandise entry
control according to the current technology, even making the acquisition
manually, without any planning, which affects the imbalance of inventories which
affects costs and unnecessary expenses. The objective of this research project is
to provide a methodology using Monte Carlo Simulation and Fuzzy Logic that
allows predicting the behavior of the demand, proposing a solution for the
replenishment of inventories, for which the independent probabilistic demand was
chosen, because the product object of this study has this type of behavior. For
this research the 2016 demands were considered, to whose values the Fuzzy
Logic was applied to understand the behavior of the inventory, these results were
compared in turn with the opinion of experts by means of the individual
aggregation model, which gave as result the veracity of the application of Fuzzy
Logic in the area of inventories. Using the demands of 2016 as a model, we were
able to forecast sales for 2017 by simulating sales costs with shortages using the
Montecarlo Simulation together with Fuzzy Logic, which resulted in a solution for
the acquisition of merchandise.
KEYWORDS: Demand, Monte Carlo Simulation, Fuzzy Logic, Inventory
Management, Inventory Costs.
Autor: MARÍA ISABEL SÁNCHEZ LEÓN Tutor: ING. LORENZO CEVALLOS TORRES
M.SC.
1
INTRODUCCIÓN
Desde tiempos remotos las personas han tenido la necesidad de almacenar
productos para prever futuros acontecimiento. Así, podemos mencionar la
historia bíblica “Los sueños de José” en la cual se indica que el Faraón tiene dos
sueños; en el primero ve siete vacas flacas comiéndose a siete vacas gordas, en
el segundo sueño ve siete espigas de grano seco tragándose a siete espigas de
grano maduro, José al interpretar el sueño indica al Faraón que vendrán siete
años de abundancia seguido de siete años de sequía por lo que recomienda
abastecerse los suficiente durante los años de abundancia (Génesis 41:1-57
Versión del Nuevo Testamento).
Considerando esto, es innegable que el control en el almacenamiento de
productos es una necesidad en las empresas ya que de ello depende el
abastecimiento correcto de productos y asi evitar escases o abundancia
innecesaria. (Cano, Orue, Martínez, Mayett, & López, 2014) aseguran que “Ante
las nuevas condiciones de alta competitividad, la adecuada gestión de la cadena
de suministro y la logística juegan un papel muy importante, ya sea para las
empresas que exportan o para las que producen para el mercado doméstico”
(p.182).
Este proyecto está dirigido a las pequeñas y medianas empresas (Pymes),
dedicadas al comercio, cuyo objetivo principal es la compra y venta de productos
o mercadería (valga la aclaración que también hay Pymes dedicadas a servicio,
las industriales, textiles) para lo cual es importante un adecuado control y
planificación de su inventario que permita la planificación de una manera óptima,
situación que se ha convertido en uno de sus problemas principales, ya que en
la actualidad es realizado de forma manual y empírica. (Cortes, 2014) afirma: ”La
necesidad de gestionar los inventarios se desprende del hecho de que asegurar
los niveles de producto requeridos para el funcionamiento de la empresa y la
distribución al cliente final es un proceso complejo” (p.11).
2
Para cumplir con el objetivo de este trabajo de investigación fue necesario
predecir el comportamiento de la demanda en una de las Pymes, esto por medio
de la simulación. Para (Arzac, y otros, 2011) “La simulación es una herramienta
poderosa para lograr una ventaja competitiva gestionando los inventarios de una
empresa de manera óptima”. La Simulación Montecarlo pronostica valores
futuros utilizando variables aleatorias. Es decir mientras se usen mas variables
más cercano será el pronóstico a la realidad.
Al haberse obtenido los valores simulados de la demanda se procedió a realizar
un análisis para establecer la mejor decisión en el reaprovisionamiento de los
inventarios, esto considerando que el ser humano tiene la habilidad de expresar
sus conocimientos por medio de instrucciones que pueden ser fácilmente
comprendido por otras personas, cuyas instrucciones pueden denominarse
variables lingüísticas dentro de un entorno de lógica convencional.
La Lógica Difusa estudia este mismo comportamiento pero utilizando términos
matemáticos que dan como resultado más de una opcion en las respuestas, es
decir, con la lógica convencional solo puede haber dos opciones de respuesta A
y B, pero la Lógica Difusa acepta la opción C. (Zadeh L. , 1999) dijo: “En
Occidente la acogida fue menos positiva. En Asia aceptan que el mundo no es
blanco y negro, verdad o mentira. En Occidente todo es A o B”. Dicho en otras
palabras, se puede colegir que los primeros conceptos de Lógica Difusa
comenzaron a utilizarse en Asia.
El presente proyecto de investigación se ha dividido en cinco capítulos como se
detallan a continuación:
En el capítulo I se detalla el problema con una descripción del mismo y los
antecedentes, se sugiere una posible solución con los respectivos objetivos
generales y específicos; también se indica la metodología y la justificación del
problema.
3
En el capitulo II encontraremos el marco teórico donde se indica los principales
conceptos usados en este proyecto de tesis, los fundamentos legales que se
toman en consideración para la realización del proyecto y las principales
definiciones del mismo.
En el capitulo III se detalla la propuesta tecnológica, las etapas de la
metodología del proyecto, los casos de uso que se realizaron para el desarrollo
del tema, y los entregables del proyecto.
En el capitulo IV se detallan los resultados, conclusiones y recomendaciones
sobre el trabajo de investigación.
4
CAPÍTULO I
EL PROBLEMA
PLANTEAMIENTO DEL PROBLEMA
En las pequeñas y medianas empresas (Pymes) el desbalance en los
inventarios lo que se ha convertido en uno de los problemas más comunes que
afectan a la empresa, ya sea por acumulación o falta en stock de mercadería,
esto se da por cuanto el manejo y control de los inventarios es realizado en
forma manual, ocasionando gastos innecesarios y pérdida en la utilidad.
Otro de los problemas que se suscita en las Pymes es que no estan
modernizadas en lo que tiene que ver en los inventarios, acorde a la tecnología
actual ya que realizan sus actividades de inventario de forma empírica causando
contratiempos innecesarios en la empresa.
Una buena gestión es determinante para el crecimiento de una empresa
(Mariategui, 2016) indica: “El manejo de inventarios ha llegado a la cumbre de
los problemas de la administración de empresas debido a que es un componente
fundamental de la productividad. La empresa hoy tiene que ser productiva para
sobrevivir y prosperar” (p.20).
Empresas como Amazon tienen en claro que la clave para abaratar costos es
una correcta gestión de inventarios. (Pozzi, 2016) indica “Amazon cuenta con un
sistema de gestión de los inventarios muy sofisticado que le permite gestionar de
una manera muy eficiente el movimiento de mercancías, como ya hace en sus
almacenes, con lo que elevará la competencia en el negocio.”
5
En países como Cuba existen problemas en los inventarios que se deben a la
falta de procedimientos que ayuden a la correcta planificación de las empresas.
(Lopes, Gómez, & Acevedo, 2012) afirman: “En Cuba no hay una política
establecida de capacitación y certificación de especialistas encargados de
gestionar el inventario, lo cual afecta el nivel de conocimiento del personal
asociado este proceso” (p.329).
Las Pymes en Ecuador tienen muchos problemas en la planificación o manejo de
sus inventarios, esto se debe, como ya hemos dicho, a la carencia de aplicación
de tecnología al momento de planificar el ingreso y egreso de mercadería,
ocasionando en la empresa aumento en los costos de inventarios por
almacenaje, reducción en las ganancias, desabastecimiento y escacez de
mercadería.
Uno de los principales inconvenientes para la correcta planificación de los
inventarios es el desconocimiento de la demanda, pero ¿cómo saber el
comportamiento de la demanda? Esta es una de las preguntas que muchas
empresas se hacen para solucionar un problema latente.
Las decisiones que toma el ser humano en algunos casos pueden ser imprecisas
ya que por naturaleza se hacen preguntas como:
¿Será la mejor decisión?
¿Cuál será el beneficio de tomar tal decisión?
¿Qué consecuencias conllevará la toma de la decisión?
Para encontrar la respuesta a esta pregunta se pudo encontrar algunos modelos
probabilísticos que sirvieron en la proyección de los inventarios, uno de esos
modelos es la aplicación del método Simulación Montecarlo para obtiene el valor
de la demanda incierta, realizando análisis por medio de valores difusos.
Este tipo de preguntas no son las adecuadas ya que pueden tener buenas o
malas consecuencias debido a que son realizadas mecánicamente sin base
6
científica o ningún estudio que las avale, lo que trae como consecuencia un
control ineficaz en el inventario que afecta las actividades de las Pymes.
La incertidumbre es uno de los problemas que surge en una empresa cuando
no se planifica científicamente los inventarios, pues esta aparece cuando se
desconoce la demanda y la cantidad a pedir, influyendo en el comportamiento de
la satisfacción del cliente, por lo que es necesario el uso de las variables difusas
triángulares para dar un valor en la cantidad a pedir de mercadería. En cambio
para simular una demanda y cantidad a pedir es necesario la utilización del
método Montecarlo.
Ubicación del Problema en un Contexto
Los inventarios representan los principales activos dentro del modelo de negocio
de cada organización dedicada a la compra y venta de bienes. El correcto
manejo de la gestión de inventarios garantiza a la empresa crecimiento en el
mercado y estabilidad financiera.
Existe en las Pymes una errada administración en el control del inventario, es
decir no conocen con certeza la demanda existente en sus bodegas, lo que da
como resultado un desabastecimiento, escazes o acumulación de mercadería
que acasiona a corto tiempo pérdidas en la utilidad de la empresa.
Gráfico# 1 Administración del control de inventarios
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Analizando este problema se puede determinar que para una buena
administración del inventario es muy importante conocer el comportamiento de la
demanda y en base a ese concepto establecer una planificación eficiente dentro
de la organización.
7
Situación Conflicto Nudos Críticos
El desconocimiento del comportamiento de la demanda es uno de los problemas
en las Pymes, esto ocasiona pérdida de ganancias, puesto que si se adquiere
mercadería que no es necesaria para la venta provoca grandes costos por
almacenamiento de productos que no reflejaran ganancia.
CUADRO# 1 Causas y Consecuencias del Problema
CAUSAS CONSECUENCIAS
Desconocimiento del
comportamiento de la
demanda
Equivocada
administración de
inventario
Desbalance de inventarios Pérdida de clientes
Falta del establecimiento
de inventario inicial
Reaprovisionamiento
incorrecto
Indeterminación de un
inventario mínimo
Pedidos insuficientes
conforme a las ventas
Indefinir existencias de
seguridad
Desbalance en los
requerimientos por
cambios impredecibles
de la demanda
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Delimitación del Problema
CUADRO# 2 Delimitación del problema
DELIMITACIÓN DEL PROBLEMA
Campo Comercial
Área Inventarios
Aspecto Gestión de control de inventarios
8
Tema Sistema de análisis de inventarios
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
FORMULACIÓN DEL PROBLEMA
¿Es necesario en las Pymes de Guayaquil el uso de la Lógica Difusa y
Simulación Montecarlo para la planificación de la gestión de inventarios bajo el
esquema de incertidumbre en la demanda y cantidad a pedir?
Evaluación del Problema
Luego de la investigación y análisis junto a expertos del tema Gestión de
inventarios, Lógica Difusa y Simulación Montecarlo se determinaron los
siguientes aspectos referentes al problema:
Delimitado: El manejo en la gestión de inventarios analizado por medio de
variables difusas para la demanda y cantidad a reponer es muy importante para
las Pymes ya que ayudará a comprender el comportamiento de la demanda.
Al mismo tiempo simular estos indicadores con el modelo Montecarlo dará como
resultado valores que ayudaran a la toma de decisiones para el correcto
suministro de inventario.
Evidente: Es evidente que para las Pymes determinar la cantidad de inventario
suficiente mediante el uso de la simulación Montecarlo, ayuda a no abastecerse
de mercadería innecesaria que ocasionará altos costos por almacenaje, pero si
abastecerse de lo solicitado en la demanda.
Relevante: La presente investigación es de mucha importancia para la Pymes
porque ayudará a la toma de decisiones referentes a la administración del
inventario y así disminuir los costos y por ende aumentar las ganancias que es lo
más importante en este tipo de organización.
9
Original: Esta investigación tiene como finalidad unir los conceptos de Lógica
Difusa y Simulación Montecarlo, por consecuente definir el término ‘Montecarlo
Difuso’ orientado al manejo de los inventarios. Esta técnica es novedosa y
ayudará las Pymes en la gestión de inventarios.
Factible: Esta investigación será practicable para las Pymes ya que ayudara en
la toma de decisiones que son muy importantes para el negocio. Al final de esta
investigación se encuentran conceptos fundamentales en la planificación
correcta de inventarios.
Identifica los productos esperados: El producto final de este proyecto de
investigación será la compresión de las variables difusas demanda y cantidad a
reponer las cuales son fundamentales en la gestión de inventarios. La simulación
Montecarlo se realizará por medio de un software libre.
VARIABLES
Variable Dependiente:
Analizar del comportamiento del inventario usando Lógica Difusa y Simulación
Montecarlo, para evitar el desbalance del mismo el cual puede darse por los
siguientes motivos:
Poco inventario. - Esto da como resultado la insatisfacción del cliente que no
encuentra la mercadería que solicita y decide adquirir el producto en otro lado,
pérdida de clientela.
Demasiado inventario. - Esto provoca altos costos por almacenaje en mercadería
que no representa ganancias.
Variable Independiente:
10
Las causas de estudio de los factores que inciden en la gestión de inventarios se
dan por el desconocimiento de la demanda y la falta en la definición de
parámetros para el reaprovisionamiento de la mercadería que afectan la
planificación de inventarios y provocan el desbalance en los mismos.
OBJETIVO GENERAL
Analizar los factores que inciden sobre la gestión de inventarios mediante el uso
de Lógica Difusa y Simulación Montecarlo para mejorar la planificación y control
en las Pymes.
OBJETIVOS ESPECÍFICOS
Identificar y comprender las variables necesarias en la planificación de
inventarios para proceder con el análisis difuso y determinar la función
difusa.
Desarrollar una simulación con el método Montecarlo para ayudar a la
empresa en la toma correcta de decisiones con relación a los inventarios.
Predecir las variables determinantes en la planificación para pronosticar
el inventario necesario dentro de un período específico.
ALCANCES DEL PROBLEMA
Llevar a cabo un estudio de los factores que intervienen en la
planificación de inventarios utilizando teoría de conjuntos difusos junto
con fórmulas matemáticas, esto permitirá conocer la demanda y que
cantidad de inventario pedir.
11
Mediante el uso de la herramienta de software matemático llamada
MATLAB se muestra los gráficos correspondientes a la función de
pertenencia de los conjuntos difusos.
Una vez definidas las variables se utilizó el software RotatorSurvey para
analizar y evaluar los riesgos en la toma de decisiones, se generarán
números aleatorios que simularán el comportamiento futuro del inventario
de la empresa.
JUSTIFICACION E IMPORTANCIA
El presente proyecto de tesis se centró en buscar una solución al problema de
inventarios en las Pymes dedicadas al comercio.
Para la planificación de los inventarios la empresa puede hacerse preguntas
como ¿Qué cantidad pedir? ¿El proveedor entregará en el tiempo establecido?
¿Lo que pido, abastecerá la demanda? Con este tipo de interrogantes surge la
incertidumbre, la misma que se puede solucionar utilizando la metodología de
Lógica Difusa incorporando Simulación Montecarlo para prever lo que se pedirá.
El desconocimiento en el comportamiento de la demanda provoca que las
empresas no reaprovisionen de manera correcta, incorporando inventario que no
se vende o necesitando inventario que si se vende. Esto ocasiona la
insatisfacción de los clientes.
Con la aplicación de la metodología difusa y la Simulación Montecarlo se ayuda
a las empresas a tomar la decisión correcta para la planificación de sus
inventarios y de esta manera impulsar el crecimiento de la misma ya que
mejorando la planificación se mejoran las ventas.
12
El resultado de este análisis es de mucha ayuda dentro del estudio de los
inventarios, ya que aplicando las técnicas propuestas se mejora la gestión de los
mismos. Además, aporta en el estudio de Lógica Difusa y Simulación
Montecarlo.
La solución de esta investigación es de utilidad para pronósticar el
comportamiento de la demanda y generar pedidos exactos que cubran la
demanda, sin que altere el inventario.
METODOLOGÍA DEL PROYECTO
HIPÓTESIS Y VARIABLES
Hipótesis: La aplicación de Lógica Difusa junto con la Simulación de Montecarlo
ayudará a las Pymes a determinar la demanda y ajustar la compra a las
necesidades reales lo que ayudará en la gestión de inventarios.
Definición de variables:
Variables difusas. - Estas son las que tienen ambigüedad en decir variaciones en
la planificación:
Demanda (CR crece, SM se mantiene, D disminuye)
Cantidad a reponer (B baja, A adecuada, E elevada)
Variables constantes. - Son las que no cambiaran a lo largo del análisis:
Tamaño del pedido TPED
Periodos pronostico PPR
Periodos del pasado PPA
Stock de seguridad SSE
13
DISEÑO METODOLÓGICO
El diseño metodológico utilizado en este trabajo de investigación es:
Recopilación de información. – Esta se realizó por medio de lectura de
papers y documentos científicos que ayudan a tener información clara de
los factores que intervienen en la gestión de inventarios.
Análisis de la situación. - Con toda la información que se recopiló se
realiza el estudio pertinente utilizando las variables difusas además de la
simulación Montecarlo.
Aplicación del análisis. - Se establecen la metodología difusa y se
determinan los parámetros para la simulación Montecarlo que servirá
para que la empresa tome la mejor decisión.
TIPO DE ESTUDIO
Explicativa. - Por medio del análisis difuso y la Simulación Montecarlo se
expone una mejor forma para la planificación de inventarios.
Experimental. - Es experimental ya que las variables constantes son
sustanciales en el manejo de las variables difusas, es decir un cambio en
las variables constantes alterara todo el resultado.
Cuantitativa y Cualitativa. - En esta investigación se toma en cuenta los
dos tipos de estudio, puesto que las variables son de las dos formas.
14
Transversal. - La investigación es transversal ya que los datos a medir
son de un determinado tiempo.
CUADRO# 3 Definición de Universo y muestra
Universo Pymes de manera general
Muestra 30 expertos en el área de
inventarios
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
15
CAPÍTULO II
MARCO TEÓRICO
La presente investigación engloba el estudio de los diferentes elementos que
intervienen en una correcta gestión de inventarios en las Pymes,
específicamente las dedicadas a la actividad comercial; entiéndase las
dedicadas a la compra y venta de productos terminados.
Mediante este análisis se busca ayudar a las Pymes en una mejor planificación
de sus inventarios, lo cual dará múltiples beneficios siendo uno de los más
importantes la reducción costos por mantenimiento de inventarios.
Para ello, se detallarán conceptos relacionados en la gestión de inventarios, y
cómo la aplicación de Lógica Difusa y Simulación Montecarlo beneficiará la
planificación en las Pymes.
ANTECEDENTES DEL ESTUDIO
En las Pymes de Ecuador, obtener la calidad en la gestión de inventarios es una
de las metas más importantes a alcanzar, (Perez Vergara , Cifuentes Laguna,
Vasquez Garcia, & Ocampo, 2013) señalan que la aplicación de un sistema de
gestión de inventarios ayuda a incrementar los niveles de servicio al cliente,
además de permitir a las organizaciones estar prevenidas frente a las
fluctuaciones de la demanda, logrando mantener los inventarios necesarios del
producto.
Se ha podido comprobar que a nivel mundial las Pymes pueden tener muchos
problemas en la gestión de inventarios, tal es el caso de la Compañía Hewlett-
16
Packard (HP) una de las mayores productoras tecnológicas, que en el año 1988
se le presentó problemas de abastecimiento con la incursión al mercado de la
impresora Deskjet, los niveles de existencia aumentaban a la par con las ventas
y el único centro de producción y distribución ubicado en Vancouver no se
abastecía para satisfacer la demanda. (Sabriá, 2003) indica; “La impresora
Deskjet se desarrolló siendo un previsible éxito de ventas. En 1988 se
comenzaron a fabricar de forma masiva, el plazo de entrega total era de seis
semanas, esto combinado con el modelo de distribución ofrecía un pobre nivel
de servicio.”
Sabiendo que Ecuador no está exento de los problemas relacionados a la
gestión de inventarios, esta investigación se centra en las Pymes dedicadas a la
actividad comercial.
La mayoría de estas empresas no garantizan un eficiente y adecuado manejo en
los stocks de los inventarios esto se debe a las restricciones en muchos sentidos
que sufren. Las restricciones que soportan por parte del Estado este tipo de
empresas en la obtención de recursos las ha llevado a mejorar sus procesos
productivos por sí mismas para aumentar su productividad (García, Galo,
Villafuerte, & Marcelo, 2015). Uno de los métodos para lograr este objetivo es
mejorar la gestión de inventarios.
Si bien es cierto en el control del inventario se encuentran variables las cuales
se desconoce su comportamiento, es decir son ambiguas o inciertas, estas se
podrían prever usando un sin número de métodos. Este proyecto de
investigación tiene como objetivo aplicar una mejor técnica para el pronóstico de
las variables de incertidumbre que intervienen en la gestión de inventarios y de
esta manera beneficiar a la empresa en la toma de decisión para la planificación
de sus inventarios.
17
Para esto es necesario el uso de Lógica Difusa y Simulación Montecarlo todo
esto dentro de la gestión de inventarios; la combinación de estos métodos da
como resultado un aproximado del comportamiento de la demanda futura con lo
cual se pronostica un supuesto en la cantidad a reaprovisionar.
FUNDAMENTACIÓN TEÓRICA
A través de la historia de cada país se evidencia que tanto el Estado como los
ciudadanos juegan un papel importante en la economía debido a su relación e
incidencia en la generación de empleo y crecimiento económico. El surgimiento
del concepto de Pymes se da a finales de la década de los años 70 debido a la
crisis económica en la producción que afectaba a las grandes industrias, esta
crisis llevo a las industrias a frenar su rentabilidad y hacerse competentes;
durante este proceso las Pymes fueron ganando espacio en producción y
empleo, los años 80 marcó el inicio del crecimiento de las Pymes ya que se
revalorizó su rol dentro del proceso del crecimiento económico. (Lemes &
Machado , 2007).
En la actualidad las Pymes representan más de la mitad de los puestos de
trabajo formales en todo el mundo, las oportunidades económicas relacionadas
con las Pymes también son importantes; los sectores de las tecnologías de la
información y las comunicaciones (TIC) y la tecnología móvil están creciendo
rápidamente en los países en desarrollo, mientras que en el área de la
tecnología limpia las Pymes pueden aprovechar un mercado que podría llegar a
USD 1,6 billones durante la próxima década. (Banco Mundial, 2016).
Este proyecto de investigación se fundamenta teoricamente en los conceptos
que a continuación se detalla
Pymes:
18
Las Pymes son un conjunto de pequeñas y medianas empresas que se
consideran en este grupo debido al volumen de ventas, cantidad de
colaboradores y que no disponen de muchos recursos. (Cano, Orue, Mayett,
Martínez, & López, 2014) indica: “Debido a su tamaño y la escasez de recursos
económicos es común que los empleados realicen varias actividades para las
cuales no son especialistas” (p.185).
En nuestro país la mayoría de las Pymes se dedican a la producción de bienes y
servicios, esto aporta al desarrollo del país por lo que este tipo de empresas son
de mucha importancia (SRI, 2017).
Gestión de inventario
Gestión de inventarios significa tener un control de los bienes que posee la
empresa, llevar una revisión contÍnua de la mercadería ayuda al Gerente del
negocio a saber el momento preciso para reponer el stock y la cantidad
necesaria. (Perez Vergara , Cifuentes Laguna, Vasquez Garcia, & Ocampo,
2013) afirman: “La gestión de inventarios se asocia a un problema de toma de
decisiones cuyas variables más significativas son: ¿cuánto producir o adquirir? y
¿cuándo pedir?, ya que reduciendo el inventario se minimiza la inversión, pero
se corre el riesgo de no poder satisfacer la demanda” (p. 228).
Existen algunos métodos que ayudan en la gestión de inventarios, los mismos
que se eligen dependiendo del comportamiento en los movimientos de cada
producto. Se definen los siguientes modelos:
Probabilístico.- Aquí se encasillan los productos cuya demanda y la
cantidad a reponer son inciertos.
Determinístico: Los productos que se pueden encontrar en este modelo
son aquellos donde la demanda es conocida, y no tienen variaciones en
el tiempo.
19
Inventario
Inventario es cualquier tipo de mercadería que representa costo para la
empresa. Es necesario llevar un control del inventario para conocer la cantidad
de artículos disponibles. Este es un factor para determinar la cantidad a pedir.
Se puede definir como inventario a la relación detallada, clasificada y valorada
de los artículos existentes en el almacén en un momento determinado. En el
inventario debe aparecer la valoración económica de las existencias del
almacén. Requiere una planificación previa y ordenada del proceso de
inventario. (Brenes, 2015, pág. 158).
Demanda
La demanda es la cantidad de bienes o servicios que el consumidor está
dispuesto a adquirir en un determinado tiempo. (Peiro Ucha, 2017) afirma: “La
demanda es la solicitud para adquirir algo. En economía, la demanda es la
cantidad total de un bien o servicio que la gente desea adquirir”. La demanda se
puede clasificar en demanda independiente y dependiente.
Demanda Independiente: Se considera demanda independiente cuando no
está condiciona por decisiones que tome la empresa, por ejemplo, la demanda
de productos terminados. (Iglesias López, 2014) indica “Se entiende por
demanda independiente aquella que se genera a partir de decisiones ajenas a la
empresa”.
20
Demanda Dependiente: Esta depende de la demanda de otros productos, por
ejemplo, la demanda para la fabricación de productos. (Iglesias López, 2014)
dice: “Es la que se genera a partir de la demanda independiente de productos
finales para el cálculo de todas las materias primas y productos semielaborados
que intervienen en su fabricación”.
Los modelos que se pueden encontrar, tomando en cuenta la demanda son:
Demanda Constante
Modelo EOQ (Cantidad Económica de Pedido): Esta a su vez puede ser:
Sin faltante
Con faltante
Modelo LEP (Lote Económico de producción)
Sin faltante
Con faltante
Modelo EOQ con descuentos por cantidades
Demanda Variable Probabilística
Modelo probabilístico
Modelo de simulación
Modelos heurísticos
Revisión periódica
Revisión por cantidad
Dinámicos
Modelo EOQ con faltante
Este modelo se encuentra dento del sistema de revisión continua para nuevos
productos. El principal objetivo de este modelo es minimizar lo más posible el
costo el que incurre un producto dentro de un período determinado. Los
principales costos que se analizan son: Costo por ordenar, Costo por mantener
inventario y Costo por faLtante. (Rios, Martinez, Palomo, Caceres, & Diaz, 2008)
21
afirman: “El tamaño óptimo del pedido y el punto óptimo de pedido serán en
general, una función de estos tres costos más la tasa promedio de la demanda
durante el período de producción y la variabilidad de la demanda durante ese
período” (p.253).
Costo por ordenar.- Es el costo en el que se incurre por pedir determinado
producto al proveedor.
Costo por mantener inventario.- Este costo es un valor que debemos pagar
por tener un producto ya sea en el local o en bodega.
Costo por faltante.- Este valor es cuando nos hace falta mercadería.
Variables que necesita este modelo de inventario
R Punto de pedido
Q Cantidad de pedido
D Demanda promedio al año
K Costo por hacer un pedido
kc Costo por mantener inventario (anual)
Ku Costo por faltante
M Número de unidades de la demanda durante un tiempo determinado
�̅� Número promedio de unidades durante un período
𝜎𝑀 Desviación Estandar de la demanda
Para la solución de este modelo se deben seguir los siguientes pasos
Determinar la cantidad óptima a pedir
Esto se hace utilizando de la siguiente fórmula
𝑄 = √2𝐾𝐷
𝐾𝑐
(1)
Determinar la cantidad óptima de pedido
22
Antes de determinar este valor es necesario saber la probabilidad deseada de la
demanda, por medio de la siguiente fórmula:
𝐹(𝑅) = 1 −𝑘𝑐 ∗ 𝑄
𝑘𝑢 ∗ 𝐷
(2)
Con el valor de F(R) se busca en la tabla de distribución normal el valor
correspondiente, esto se denomina Z. Luego se reemplaza en la siguiente
fórmula para determinar la cantidad óptima de pedido.
𝑅 = �̅� + 𝑍𝜎
(3)
Cálculo del costo
Ahora debemos calcular la función de pérdida unitaria para una distribución
normal estándar utilizando la siguiente fórmula:
𝑍 =𝑅 − �̅�
𝜎𝑀
(4)
A este valor se le debe calcular la distribución normal estándar, que luego se
reemplaza en la siguiente fórmula, para conocer el costo total.
𝐶𝑜𝑠𝑡𝑜 𝑡𝑜𝑡𝑎𝑙 (𝑄, 𝑅) = [[𝐾 + (𝑘𝑢 ∗ 𝜎𝑀 ∗ 𝑁(𝑍))] ∗ (𝐷
𝑄)] + [[
𝑄
2+ (𝑅 − �̅�)] ∗ 𝑘𝑐]
(5)
Indicadores de desempeño en la cadena de suministros
Los indicadores de desempeño son medidas que permiten conocer el
rendimiento dentro de la cadena de suministro. Estos indicadores permiten
evaluar los resultados de cada proceso. (Castellanos Ramirez, 2015) indica que
son aquellos que permiten cuantificar la evolucion de los procesos de recepción,
23
almacenamiento, despachos, distribución; deben estar enfocados en el logro de
los resultados como funcion principal .
Para la realización del presente proyecto se necesitan los siguientes indicadores:
Inventario inicial
Lead Time
Inventario de seguridad
Inventario Final
Stock máximo
Inventario Inicial
El inventario inicial o stock inicial es la cantidad de inventario al principio de un
período comercial, se calcula realizando un conteo de todos los productos que
se tiene tanto en bodega como en perchas. Así, Inventario inicial corresponde al
valor del inventario al inicio del período comercial (Chacón, 2015). Para el
cálculo del valor del inventario incial se debe hacer un conteo de los productos
que se tienen ya sea en piso o en percha.
Lead Time (Tiempos de entrega)
Esto es lo que se conoce como tiempos de entrega del proveedor: Es un valor de
tiempo en días que se demora el proveedor en entregar la mercadería.
(Vermorel, 2014) indica: “Es la demanda total entre el presente y el tiempo
anticipado para la entrega después de la siguiente, si se realiza una reorden
ahora para reabastecer el inventario. Debido a que la demanda de tiempo de
entrega es una demanda futura (aún no observada)”.
Inventario final
Esto corresponde a la cantidad de stock que al final del día tiene la empresa.
24
La forma más sencilla de calcular es restar el inventario inicial anterior con la
demanda anterior. (Chacón, 2015) afirma: “El Inventario Final siempre será el
inventario inicial de otro período diferente a no ser que el negocio se termine”.
Stock máximo
Es un valor máximo que tiene la empresa dentro de su inventario, normalmente
se considera tomando en cuenta el espacio físico que ocupa el producto. (Lagos,
2005) indica: “Corresponde al máximo nivel de stock que puede tener
almacenada una empresa de una existencia, esto desde un punto de vista
técnico, administrativo y económico”.
Stock de seguridad (SS)
Stock de seguridad es la cantidad de mercadería que se conserva para evitar
desfase en el inventario. (Escobar, Linfati, & Jaimes, 2017) señala:” En
particular, en el sistema (s, S), cada vez que el inventario efectivo llega al nivel
del punto de reorden s o está por debajo de él se ordena una cantidad tal que se
incremente el inventario” (p,227).
De acuerdo a (Mauleón Torres, 2012). Para calcular el valor de stock de
seguridad existen muchos métodos, entre los cuales se considerara en función
de la variación de la demanda, esta dada como la diferencia entre venta máxima
y venta promedio. En otras palabras
SS = variación de la demanda / 30
(en caso que el período a cubrir sea un mes)
(6)
Donde:
Variación de la demanda = venta máxima – venta promedio.
METODO MONTECARLO
25
El método Montecarlo radica en solucionar problemas utilizando variables
aleatorias (Palacio, 2015) afirma: “El método Montecarlo es un método numérico
que permite resolver problemas físicos y matemáticos mediante la simulación de
variables aleatorias”.
Este método es de mucha importancia ya que se basa en buscar solución a
problemas muy complejos por medio de métodos exclusivamente analíticos o
numéricos (Palacio, 2015). Con los avances de la tecnología en ordenadores, el
cálculo para el método Montecarlo se ha vuelto sencillo, cabe indicar que tiempo
atrás esto hubiera sido muy difícil de solucionar.
(Maddah & Muñoz, 2014) afirman “Detrás de todo el manejo numérico de datos
expresado a través de Montecarlo se propone una adaptación al programa que
genera un algoritmo diseñado como herramienta diagnóstico ante el inicio de
una investigación que permitirá la simulación” (p.9).
CAMPOS DE APLICACIÓN
El método Montecarlo tiene una variedad de aplicación en varias ramas, entre
las cuales se detalla:
Inventarios
Pronóstico de la bolsa de valores
Juegos de casinos
Análisis de riesgo en proyectos
Radioterapia
Experimentos en vacunas
26
VENTAJAS Y DESVENTAJAS
Gráfico# 2 Ventajas y desventajas de la simulación Montecarlo
Elaboración: María Isabel Sánchez León
Fuente: Datos de la investigación
REGLAS PARA REALIZAR LA SIMULACIÓN MONTECARLO
Para crear la simulación por medio de Montecarlo es nesario seguir los
siguientes pasos:
Determinar una distribución teniendo en cuenta las variables importantes.
Diseñar una distribución de probabilidades acumuladas para cada variable.
Producir números al azar.
Simular varias pruebas.
Determinar una distribución teniendo en cuenta las variables importantes.
27
Para poder determinar estas variables se utiliza el análisis con datos históricos,
lo que nos da una distribucion de probabiliades relacionadas a las variables
determinantes en el problema del mundo real.
Diseñar una distribución de probabilidades acumuladas para cada variable
Aquí se establece una columna con la probabilidad del evento, esto se calcula
dividiendo cada evento por el número total de eventos.
Se debe establecer otra columna donde se detalle la probabilidad acumulada,
que será la suma de la probabilidades.
Producir números al azar.
Generar números aleatorios, estos pueden ser de dos formas: utilizando
programas informáticos o realizando manualmente una tabla de números al azar.
Simular varias pruebas.
En la actualidad se utilizan las computadoras para simular varios problemas
mediante la selección de números aleatorios.
LÓGICA DIFUSA
La Lógica Difusa es una rama de la inteligencia artificial la cual trabaja con
información ambigua, vaga o imprecisa; esta es la diferencia con la lógica
convencional que trabaja con información precisa y definida.
La Lógica Difusa es una técnica que facilita una conclusión a partir de
información imprecisa, vaga o incompleta. (Díaz, Aguilera, & Guillen, 2014)
afirman “La Lógica Difusa es un formalismo matemático que pretende emular la
habilidad que tienen algunas personas para tomar decisiones correctas a partir
de datos vagos o imprecisos y que están expresados lingüísticamente” (p.15). La
28
Lógica Difusa es una rama de la inteligencia artificial que trabaja con información
que contiene alto grado de incertidumbre.
Para poder expresar el pensamiento humano que contenga información ambigua
o imprecisa se crearon modelos matemáticos que utilizan la Lógica Difusa para
intentar comprender este tipo de razonamiento. (Díaz, Aguilera, & Guillen, 2014)
afirman: “La Lógica Difusa es un formalismo matemático que pretende emular la
habilidad que tienen algunas personas para tomar decisiones correctas a partir
de datos vagos o imprecisos y que están expresados lingüísticamente” (p. 549).
CONCEPTOS RELACIONADOS
Conjunto difuso
Antes de definir los conjuntos difusos, es necesario recordar que son los
conjuntos clásicos, estos contemplan la pertenencia o no pertenencia de un
elemento a un conjunto, ahora bien, los conjuntos difusos perciben la
pertenencia parcial de un elemento a un conjunto, (Zadeh, 1965) dice: “Un
conjunto difuso. Es una clase de objetivos con un continuo de grados de
pertenencia. Dicho conjunto es censurado por una función de pertenencia
(característica) que asigna a cada objeto un grado de miembro que oscila entre
cero y uno”. En otras palabras, se dice que cada elemento muestra un grado de
pertenencia al conjunto difuso esto puede tomar un valor entre 0 y 1. Dicho
grado de pertenencia es calculado utilizando la función de pertenencia la misma
que está ligada al conjunto difuso.
La función de pertenencia está representada por μ
Función de pertenencia
Se define función de pertenencia como el grado en que cada elemento de un
conjunto universo, corresponde a dicho conjunto, por lo tanto, la función de
pertenencia de un conjunto A sobre un universo X será de la forma: µA:X →
29
[0,1], donde µA (x) = r. (Olmo, 2008) indica: “La función de pertenencia de un
conjunto nos indica el grado en que cada elemento de un universo dado,
pertenece a dicho conjunto”.
Si r es el grado en que x pertenece a A
Las funciones de pertenencia son una forma de simbolizar gráficamente un
conjunto difuso sobre un universo.
Gráfico# 3 Representación de la función de pertenencia
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Para determinar la función de pertenencia se deben de escoger funciones
sencillas, esto es para que los cálculos no sean muy complicados. Para esto son
muy utilizados las funciones escoger entre las siguientes funciones que
determinen estos cálculos:
Función Triangular
Función Trapezoidal
Función Gamma
Función Sigmoidal
Función Gaussiana
Función Pseudo-Exponencial
Para nuestro estudio se escogieron las funciones triangulares y trapezoidales.
30
Función Triángular
La función triángular está definida mediante el límite inferior a, el superior b y el
valor modal m, tal que a<m<b. La función no tiene porqué ser simétrica.
Gráfico# 4 Función triangular
0, 𝑠𝑖 𝑥 ≤ 𝑎
𝑥 − 𝑎
𝑚 − 𝑎,
𝑠𝑖 𝑎 < 𝑥
≤ 𝑚
𝜇𝐴(𝑥)
=
𝑏 − 𝑥
𝑏 − 𝑚,
𝑠𝑖 𝑚 < 𝑥
≤ 𝑏
0, 𝑠𝑖 𝑥 ≥ 𝑏
Elaboración: María Isabel Sánchez León
Fuente: www.dma.fi.upm.es
Función Trapezoidal
La función trapezoidal está definida por sus límites inferior a, superior d, y los
límites de soporte inferior b y superior c, tal que a<b<c<d.
En el caso que los valores de b y c son iguales, entonces se obtiene una función
triángular.
Gráfico# 5 Función trapezoidal
0,
𝑠𝑖(𝑥 < 𝑎)ó(𝑥
> 𝑑)
𝑥 − 𝑎
𝑏 − 𝑎, 𝑠𝑖 𝑎 ≤ 𝑥 ≤ 𝑏
𝜇𝐴(𝑥)
= 1, 𝑠𝑖 𝑏 ≤ 𝑥 ≤ 𝑐
31
𝑑 − 𝑥
𝑑 − 𝑐, 𝑠𝑖 𝑐 ≤ 𝑥 ≤ 𝑑
Elaboración: María Isabel Sánchez León
Fuente: www.dma.fi.upm.es
Función Gamma
La función Gamma está definida por el límite inferior a y el valor k>0.
La función Gamma se distingue por el rápido crecimiento a partir de a; mientras
más crece el valor de k más crece a.
Gráfico# 6 Función Gamma
0, 𝑠𝑖 𝑥 ≤ 𝑎
𝜇𝐴(𝑥) = 1 − 𝑒−𝑘(𝑥−𝑎)2, 𝑠𝑖 𝑥 > 𝑎
Elaboración: María Isabel Sánchez León
Fuente: www.dma.fi.upm.es
Función Sigmoidad
Esta función Sigmoidal está definida por los limites inferior a, superior b y el valor
m o también llamado punto de inflexión, así a<m<b. El crecimiento es más lento
cuando la distancia a-b es mayor.
32
Gráfico# 7 Función Sigmoidal
0, 𝑠𝑖 𝑥 ≤ 𝑎
2 [
𝑥 − 𝑎
𝑏 − 𝑎]
2
, 𝑠𝑖 𝑎 < 𝑥
≤ 𝑚
𝜇𝐴(𝑥)
= 1 − 2 [𝑥 − 𝑏
𝑏 − 𝑎]
2
, 𝑠𝑖 𝑚 < 𝑥
< 𝑏
1, 𝑠𝑖 𝑥 ≥ 𝑏
Elaboración: María Isabel Sánchez León
Fuente: www.dma.fi.upm.es
Función Gaussiana
Esta función es la típica campana de Gauss, mientras más grande es el valor de
k, más estrecha es la campana, está definida por los valores medios m y el
parámetro k>0.
Gráfico# 8 Función Gaussiana
33
𝜇𝐴(𝑥) = 𝑒−𝑘(𝑥−𝑚)2
Elaboración: María Isabel Sánchez León
Fuente: www.dma.fi.upm.es
Función Pseudo-Exponencial
Esta función está definida por el valor medio m y el parámetro k>1. Mientras
mayor es el valor k el crecimiento es más rápido y por lo tanto la campana de
Gauss es más estrecha.
Gráfico# 9 Función pseudo-exponencial
𝜇𝐴(𝑥) =1
1 + 𝑘(𝑥 − 𝑚)2
Elaboración: María Isabel Sánchez León Fuente: www.dma.fi.upm.es
34
VARIABLES Y VALORES LINGÜÍSTICOS
Variables lingüísticas: Las variables lingüísticas son las ideas en que se va a
calificar al universo difuso. Por ejemplo: la altura, la edad, la demanda, acción
del inventario, etc. Se la denomina "lingüística" porque se definirá sus
características usando el lenguaje hablado.
Valores lingüísticos: Los valores lingüísticos son las catalogaciones que se le
dan a cada variable lingüística, Por ejemplo, los valores para la variable
lingüística demanda son: “decrece”, “se mantiene”, “incrementa”.
Es necesario aclarar que cada variable lingüística tendrá una función de
pertenencia asociada.
Gráfico# 10 Variables y Valores lingüísticos
Elaboración: María Isabel Sánchez León
Fuente: Datos de la investigación
OPERACIONES CON CONJUNTOS DIFUSOS
Las operaciones que se usan en Lógica Difusa tienen el mismo concepto que las
usadas en lógica convencional. Las más usadas son las siguientes:
Unión
Intersección
Negación (Complemento a uno)
Su fórmula se representa en el siguiente gráfico
35
Gráfico# 11
Fórmula de los operadores lógicos
Elaboración: María Isabel Sánchez León
Fuente: Datos de la investigación
CONTROL LÓGICO DIFUSO
El Control Lógico Difuso (CLD) es una manera de razonamiento que incluye en
los sistemas de automatización representaciones del razonamiento humano.
El CLD se usa para encontrar una buena solución a los problemas, cabe indicar
que en el mundo real no es posible encontrar la solución óptima ya que es difícil
establecer que es lo mejor.
Gráfico# 12 Representación del CLD
Elaboración: María Isabel Sánchez León
Fuente: Datos de la investigación
Variables de entrada
36
El modelo de CLD debe de incluir en el análisis una o más variables de entrada y
salida, no necesario que la misma cantidad de variables de entrada sean las de
salida.
Pasos para definir los conjuntos necesarios en el análisis del problema
Definir el conjunto universo el mismo que representará a cada variable
lingüística.
Determinar la función de pertenencia con la que se trabajará, las más
común es la función triangular o trapezoidal.
Detallar los niveles que tendrán las variables lingüísticas, se recomiendan
que estos valores estén entre 2 y7.
Especificar que intervalos se usaran para cada valor.
REGLAS SI… Y…ENTONCES
Llamadas también Reglas de producción o Reglas de control, se establecen para
determinar una conclusión, por lo tanto, se tendrán algunas reglas que
posteriormente serán las posibles salidas.
Las reglas de control con la posible salida Cnn se representan en una matriz
rectangular, llamada también tablas de decisión.
CUADRO# 4 Tablas de decisión
B1 . . . Bj Bj+1 . . . Bm
A1 C11 . . . C1j C1j+1 . . . C1m
. .
. .
.
. .
. .
.
37
. .
. .
.
Ai Ci1 . . . Cij Cij+1 . . . Cim
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
REGLAS DE EVALUACION
Aquí se evalúan todas las reglas de control correspondientes a las entradas del
modelo del CLD, para encontrar el valor designado a la salida.
En el modelo CLD estos resultados deben ser detallados de acuerdo a las
variables lingüísticas correspondientes. Una vez que se hayan analizado los
valores estos deben ser representados en la tabla de decisión.
AGREGACION (RESOLUCION DE CONFLICTOS)
Se denomina agregación o resolución de conflicto a la manera como se designa
que acción de control se debe tomar como resultado en la aplicación de las
reglas de evaluación.
Estas reglas se vuelven a detallar en una tabla de decisión para encontrar el
control de salida. Una vez definido el control de salida (CS) para cada regla se
determinará una función de pertenencia que representa la posible salida.
Esta función de pertenencia representa un conjunto difuso normalizado por lo
que es necesario desdifusificar esta función.
DESDIFUSIFICACION (ELIMINACION DE LA BORROSIDAD)
Desdifusificar es una acción que luego de la resolución de conflictos nos dará
como resultado un solo valor, el mismo que representará la función de
pertenencia.
38
Se puede encontrar muchos métodos para la desdifusificación, entre los cuales
están:
Método de centro de área
Método de media máxima
Método de desdifusificación alto
MATLAB
MATLAB es un lenguaje basado en matrices para el cálculo numérico, se dice
también que es la manera más natural para poder expresar las matemáticas
computacionales.
MATLAB integra lo siguiente:
Análisis numérico
Cálculo matricial
Procesamiento de señales
Gráficos
MATLAB además ofrece funcionalidades especificas denominadas
TOOLBOXES. Los toolboxes trabajan en conjunto con Matlab para resolver
problemas:
Procesamiento de señales
Diseño de sistemas de control
Simulación de sistemas dinámicos
OPERADORES
Los operadores que se utilizan en este lenguaje de programación Matlab.
La coma (,) se utiliza como un carácter de concatenación horizontal,
39
El punto y coma (;) se utiliza como un carácter de concatenación vertical.
El apostrofe (‘) se utiliza para transponer valores o para producir vectores
columna.
Los dos puntos (:) tienen varias funciones en MATLAB. Indican un rango
de valores de un vector.
OPERADORES ARITMÉTICOS
En MATLAB se utilizan los siguientes operadores aritméticos.
La suma (+) y resta (-) y división (/) los cálculos los hacen elemento por
elemento. Los vectores o matrices deben tener las mismas dimensiones.
La multiplicación (*) entre vectores y matrices.
REQUERIMIENTOS DEL SISTEMA
Es necesario que esté disponible el equipamiento siguiente para los asistentes:
PC o estaciones de trabajo
Un mismo sistema operativo que sea compatible con la última versión de
MATLAB
Unidad de DVD
Software de prueba de MathWorks proporcionado para el curso
previamente instalado
VENTAJAS Y DESVENTAJAS DE MATLAB
Ventajas
Con una adecuada optimización, son rápidos y de alta precisión
40
Vasto soporte Matemático, también la posibilidad de uso de precisión
extendida para los cálculos.
Soporte de funciones ya desarrolladas.
Amplia comunidad, en la web se encuentran foros donde se comparten
experiencias, así como soporte para los usuarios.
Fácil de adquirir, no hay problemas a la hora de interactuar con otros
programadores.
Desventajas
Problemas en la velocidad de respuesta.
El ordenador donde la aplicación será usada necesita MCR (MATLAB
Component Runtime) para que los archivos MATLAB funcionen
correctamente.
Proceso laborioso propenso a cometer errores en la programación de
algoritmos.
Dificultad para interpretar las herramientas debugging y profiling.
SIMULACIÓN
Se define como simulación a la demostración de un proceso por medio de otro
más simple, esto ayudara en el análisis de los sistemas dentro de cada
organización. (SIMERGIA, 2017) afirma:” La simulación es el arte y ciencia de
crear una representación o sistema para los propósitos de experimentación y
evaluación”.
Las simulaciones de procesos son muy importantes para las empresas, por los
siguientes motivos:
Permiten pronosticar o predecir el comportamiento de los sistemas
logísticos, tomando como referencia situaciones reales o simuladas. Por
ejemplo: rupturas de stock, paralizaciones, feriados largos, etc.
La simulación ayuda en el análisis de las posibles alternativas para la
optimización del sistema logístico sin alterar los inventarios. Por ejemplo:
una expansión de la planta de producción.
41
Proporciona a la organización una idea clara de cómo están operando los
sistemas, lo que es necesario para la detección de problemas logísticos.
Además de permitir un análisis y evaluación sobre la situación de la
empresa.
Para el presente estudio se toma como herramienta de simulación el software
XLSTAT.
XLSTAT
Es un complemento de Excel el cual tiene muchas funcionalidades,
concretamente, Xlstat trae un módulo para la visualización de resultados en dos
o tres dimensiones que permite navegar por la imagen para descubrir
tendencias. También cuenta con una herramienta para el análisis de series
temporales, para la regresión por mínimos cuadrados parciales, la regresión por
componentes principales y la regresión clásica. Además de permitir simular
valores los mismos que ayudaran en la Simulación Montecarlo.
Debido a que es rápido, fiable, fácil de instalar y de usar XLSTAT ha crecido
hasta convertirse en uno de los paquetes de software estadísticos más utilizados
en el mercado. Hoy en día, XLSTAT es utilizado por más de 30.000 clientes,
empresas y universidades, grandes y pequeños, en más de 100 países de todo
el mundo. (XLSTAT, 2017).
Este software brinda una prueba gratuita por un mes, especial para proyectos
estudiantiles y para usuarios que deseen conocer el producto.
Compatibilidad
Es compatible con todas las versiones de Excel, desde la versión 2003 a
la versión 2016
Con los sistemas Windows Vista hasta Windows 10.
Con los sistemas MAC basados en Intel y Power PC
Características importantes
42
Fácil de usar
Bien diversificada
Didáctica
Disponible en varios idiomas
Automatizable y programable
RotatorSurvey
Es un software libre diseñado para realizar y analizar todo tipo de encuestas. Es
de gran ayuda para estudiantes e investigadores.
RotatorSurvey está entre los mejores de su clase y se destaca por su facilidad
de uso, variedad de opciones, interfases amigables y control de calidad
exhaustivo. (RotatorSurvey, 2013)
Entre los principales beneficios podemos mencionar
Fácil de usar y aprender
Analiza resultados en tiempo real con el Analizador OLAP.
Exporta tus datos a Excel o SPSS
RESUMEN DE ANÁLISIS BIBLIOMÉTRICO DOCUMENTAL.
CUADRO# 5 Resumen de análisis bibliométrico
Últimos 5 años Años anteriores
Libros y monografías 19 10
Tesis de doctorados 6
Tesis de maestrías 12
Artículos en Revistas referenciadas en
Web of Science, SCOPUS 20
43
Memorias de eventos
Artículos publicados en la web 18
Reportes técnicos y conferencias
Entrevistas personales
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
ANÁLISIS CRÍTICO DE LA BIBLIOGRAFÍA POR REGIONES
GEOGRÁFICAS Y DENTRO DE CADA REGIÓN
Para la selección de cada bibliografía utilizada se siguió parámetros importantes
que permiten sustentar la investigación realizada. Entre los puntos más
importantes tomados en cuenta están:
Cada referencia esta entre los últimos 5 años (2013 al 2017). Solo en
casos de referencias de autores fundadores de alguna teoría, se
permite que sean de años anteriores.
Las referencias de artículos publicados en la web son de autores
cuyo perfil profesional este relacionado al tema de investigación.
Se permite refencias de páginas web de empresas, ya sen públicas o
privadas, estas deben tener relación con el tema de investigación.
FUNDAMENTACIÓN LEGAL
El presente trabajo de investigación se sustenta legalmente en las siguientes
leyes y normas jurídicas que se detallan a continuación.
TITULO VI
REGIMEN DE DESARROLLO
44
Capítulo cuarto
Soberanía económica
Sección primera
Sistema económico y política económica
Art. 283.- El sistema económico es social y solidario; reconoce al ser humano
como sujeto y fin; propende a una relación dinámica y equilibrada entre
sociedad, Estado y mercado, en armonía con la naturaleza; y tiene por objetivo
garantizar la producción y reproducción de las condiciones materiales e
inmateriales que posibiliten el buen vivir. El sistema económico se integrará por
las formas de organización económica pública, privada, mixta, popular y
solidaria, y las demás que la Constitución determine. La economía popular y
solidaria se regulará de acuerdo con la ley e incluirá a los sectores
cooperativistas, asociativos y comunitarios.
Art. 284.- La política económica tendrá los siguientes objetivos:
1. Asegurar una adecuada distribución del ingreso y de la riqueza
nacional.
2. Incentivar la producción nacional, la productividad y competitividad
sistémicas, la acumulación del conocimiento científico y tecnológico, la
inserción estratégica en la economía mundial y las actividades
productivas complementarias en la integración regional.
3. Asegurar la soberanía alimentaria y energética.
4. Promocionar la incorporación del valor agregado con máxima
eficiencia, dentro de los límites biofísicos de la naturaleza y el respeto a la
vida y a las culturas.
5. Lograr un desarrollo equilibrado del territorio nacional, la integración
entre regiones, en el campo, entre el campo y la ciudad, en lo económico,
social y cultural.
45
6. Impulsar el pleno empleo y valorar todas las formas de trabajo, con
respeto a los derechos laborales.
7. Mantener la estabilidad económica, entendida como el máximo nivel de
producción y empleo sostenible en el tiempo.
8. Propiciar el intercambio justo y complementario de bienes y servicios
en mercados transparentes y eficientes.
9. Impulsar un consumo social y ambientalmente responsable.
Sección séptima
Política comercial
Art. 304.- La política comercial tendrá los siguientes objetivos:
1. Desarrollar, fortalecer y dinamizar los mercados internos a partir del
objetivo estratégico establecido en el Plan Nacional de Desarrollo.
2. Regular, promover y ejecutar las acciones correspondientes para
impulsar la inserción estratégica del país en la economía mundial.
3. Fortalecer el aparato productivo y la producción nacionales.
4. Contribuir a que se garanticen la soberanía alimentaria y energética, y
se reduzcan las desigualdades internas.
5. Impulsar el desarrollo de las economías de escala y del comercio justo.
6. Evitar las prácticas monopólicas y oligopólicas, particularmente en el
sector privado, y otras que afecten el funcionamiento de los mercados.
Capítulo sexto
Trabajo y producción
Sección primera
Formas de organización de la producción y su gestión
46
Art. 319.- Se reconocen diversas formas de organización de la producción en la
economía, entre otras las comunitarias, cooperativas, empresariales públicas o
privadas, asociativas, familiares, domésticas, autónomas y mixtas.
El Estado promoverá las formas de producción que aseguren el buen vivir de la
población y desincentivará aquellas que atenten contra sus derechos o los de la
naturaleza; alentará la producción que satisfaga la demanda interna y garantice
una activa participación del Ecuador en el contexto internacional.
Art. 320.- En las diversas formas de organización de los procesos de producción
se estimulará una gestión participativa, transparente y eficiente.
La producción, en cualquiera de sus formas, se sujetará a principios y normas de
calidad, sostenibilidad, productividad sistémica, valoración del trabajo y eficiencia
económica y social.
TITULO VII
REGIMEN DEL BUEN VIVIR
Capítulo primero
Inclusión y equidad
Sección primera
Educación
Art. 350.- El sistema de educación superior tiene como finalidad la formación
académica y profesional con visión científica y humanista; la investigación
científica y tecnológica; la innovación, promoción, desarrollo y difusión de los
saberes y las culturas; la construcción de soluciones para los problemas del
país, en relación con los objetivos del régimen de desarrollo.
Sección octava
Ciencia, tecnología, innovación y saberes ancestrales
47
Art. 385.- El sistema nacional de ciencia, tecnología, innovación y saberes
ancestrales, en el marco del respeto al ambiente, la naturaleza, la vida, las
culturas y la soberanía, tendrá como finalidad:
1. Generar, adaptar y difundir conocimientos científicos y tecnológicos.
2. Recuperar, fortalecer y potenciar los saberes ancestrales.
3. Desarrollar tecnologías e innovaciones que impulsen la producción nacional,
eleven la eficiencia y productividad, mejoren la calidad de vida y contribuyan a la
realización del buen vivir.
Art. 386.- El sistema comprenderá programas, políticas, recursos, acciones, e
incorporará a instituciones del Estado, universidades y escuelas politécnicas,
institutos de investigación públicos y particulares, empresas públicas y privadas,
organismos no gubernamentales y personas naturales o jurídicas, en tanto
realizan actividades de investigación, desarrollo tecnológico, innovación y
aquellas ligadas a los saberes ancestrales. El Estado, a través del organismo
competente, coordinará el sistema, establecerá los objetivos y políticas, de
conformidad con el Plan Nacional de Desarrollo, con la participación de los
actores que lo conforman.
Art. 387.- Será responsabilidad del Estado:
1. Facilitar e impulsar la incorporación a la sociedad del conocimiento para
alcanzar los objetivos del régimen de desarrollo.
2. Promover la generación y producción de conocimiento, fomentar la
investigación científica y tecnológica, y potenciar los saberes ancestrales, para
así contribuir a la realización del buen vivir, al sumak kawsay.
3. Asegurar la difusión y el acceso a los conocimientos científicos y tecnológicos,
el usufructo de sus descubrimientos y hallazgos en el marco de lo establecido en
la Constitución y la Ley.
4. Garantizar la libertad de creación e investigación en el marco del respeto a la
ética, la naturaleza, el ambiente, y el rescate de los conocimientos ancestrales.
5. Reconocer la condición de investigador de acuerdo con la Ley.
48
Art. 388.- El Estado destinará los recursos necesarios para la investigación
científica, el desarrollo tecnológico, la innovación, la formación científica, la
recuperación y desarrollo de saberes ancestrales y la difusión del conocimiento.
Un porcentaje de estos recursos se destinará a financiar proyectos mediante
fondos concursables. Las organizaciones que reciban fondos públicos estarán
sujetas a la rendición de cuentas y al control estatal respectivo.
Entre los artículos que guardan relación con lo establecido en la Ley Ogánica de
Educación Superior se encuentran los siguientes:
LEY ORGANICA DE EDUCACION SUPERIOR
CAPITULO V
DE LA TIPOLOGIA
Art. 19.- De la nómina de graduados y la notificación a la Secretaría Nacional de
Educación Superior, Ciencia, Tecnología e Innovación.- Las instituciones de
educación superior notificarán obligatoriamente a la SENESCYT la nómina de
los graduados y las especificaciones de los títulos que expida, en un plazo no
mayor de treinta días contados a partir de la fecha de graduación. Una vez
verificada la consistencia de la información proporcionada por las instituciones
de educación superior, la nómina de graduados será parte del SNIESE y este
será el único medio oficial a través del cual se verificará el reconocimiento y
validez del título en el Ecuador. La SENESCYT emitirá certificados impresos
únicamente cuando sean requeridos para uso en el extranjero o para fines
judiciales. El título emitido por cualquier Universidad o Instituto de Educación
Superior existente en el Ecuador no requerirá validación alguna, ni del CES ni
del SENESCYT. Para verificar la veracidad de la información proporcionada por
las instituciones de educación superior, la SENESCYT implementará procesos
de auditoría cuyos informes serán presentados al CES para que tome las
medidas pertinentes.
Art. 22.- De los trabajos realizados por investigadores y expertos nacionales y
extranjeros.- La SENESCYT establecerá la normativa para que los proyectos de
49
investigación realizados por investigadores nacionales o extranjeros sean parte
del SNIESE para garantizar el acceso público a dichas investigaciones.
La investigación se respalda legalmente en la Ley de Propiedad Intelectual
detallada a continuación:
LEY DE PROPIEDAD INTELECTUAL
Libro I
Título I: De los Derechos de Autor y Derechos Conexos
Art. 4. Se reconocen y garantizan los derechos de los autores y los derechos de
los demás titulares sobre sus obras.
Art. 6. El derecho de autor es independiente, compatible y acumulable con: La
propiedad y otros derechos que tengan por objeto la cosa material a la que esté
incorporada la obra; los derechos de propiedad industrial que puedan existir
sobre la obra; y, los otros derechos de propiedad intelectual reconocidos por la
ley.
Art. 12. Se presume autor o titular de una obra, salvo prueba en contrario, a la
persona cuyo nombre, seudónimo, iniciales, sigla o cualquier otro signo que lo
identifique aparezca indicado en la obra.
HIPÓTESIS
¿Pueden las pymes mejorar la gestión de inventarios y proyectar el
coimportamiento de la demanda mediante la utilización de Lógica Difusa y
simulación Montecarlo?
VARIABLES
Las variables que intervienen son las siguientes:
Variable Independiente: Estudio de los factores que intervienen en la gestión de
inventarios.
50
Variable Dependiente: Análisis mediante Lógica Difusa y simulación Montecarlo.
CUADRO# 6 Matriz de operacionalización de variables
Variables Dimensiones Indicadores Técnicas y/o Instrumentos
V. I.
Estudio de los factores que intervienen en la gestión de inventarios.
Pymes dedicadas a la actividad comercial
Pymes con actividad comercial
Textos seleccionados
Resúmenes de textos seleccionados.
Departamento logístico
Inventario inicial
Punto de pedido
Inventario de seguridad
Referencias bibliográficas sobre lectura general y de lectura especializada.
51
Banco de datos
V.D.
Análisis mediante lógica difusa y simulación Montecarlo.
Diseño del modelo difuso
Variables difusas Bibliografía especializada, consulta a expertos.
Simulación por medio del método Montecarlo
Determinación de la distribución de probabilidades, generación de números al azar para la simulación
Base de datos, encuestas
Elaboración: María Sánchez León Fuente: Datos de la investigación
CAPÍTULO III
METODOLOGÍA DE LA INVESTIGACIÓN
DISEÑO DE LA INVESTIGACIÓN
La modalidad o diseño de investigación es la manera en que el investigador
responde a la problemática o comprueba la hipótesis de la investigación. “El
52
diseño de la investigación es la estrategia general que adopta el investigador
para responder al problema planteado.” (Arias, 2012, pág. 26).
El desarrollo de este proyecto contiene un 70% investigación y un 30% de
estudio de campo siendo necesario definir las dos modalidades de investigación.
Bibliográfica: Tambien llamada documental, es el proceso de búsqueda
que utiliza el investigador para comprobar la hipótesis planteada
utilizando fuentes impresas, bibliografías, análisis de documentos. (Arias,
2012) afirma: “La investigación documental es un proceso basado en la
búsqueda, recuperación, análisis, critica e interpretación de datos
secundarios, es decir, los obtenidos y registrados por otros
investigadores en fuentes documentales: impresas, audiovisuales o
electrónicas” (p.27).
De Campo: La investigación de campo se basa en la recolección de
información de forma directa con el objeto de la investigación, “Consiste
en la recolección de datos directamente de los sujetos investigados, o de
la realidad donde ocurren los hechos, sin manipular o controlar variable
alguna, es decir, el investigador obtiene la información pero no altera las
condiciones existentes” (Arias, 2012, pág. 31).
Tipo de investigación
Para el desarrollo del presente trabajo se utilizó los tipos de investigación que se
detallan:
Explorativas.- Se escogio ya que el tema escogido ha sido poco
analizado en nuestro país y el resultado ayudará en la resolución de
futuros problemas.
53
Correlacionales.- Debido a que se necesita datos históricos del
comportamiento de la demanda para pronosticar la conducta a futuro de
dicha variable.
Explicativas.- Apoya la respuesta a la hipótesis recomendando el uso del
modelo Montecarlo Difuso para la planificación de los inventarios.
A continuación se puntualizan conceptos de los tres tipos de investigación:
Exploratorias.- Usando esta investigación se pretende descubrir nuevas
ideas, conociendo los problemas de forma exacta. Así, el objetivo
principal es el descubrimiento de ideas y conocimientos. Esto proporciona
al investigador la oportunidad de identificar los problemas y
oportunidades de forma precisa, incuyendo la definición de sus variables
(Mas Ruíz, 2012).
Correlacionales.- Esta investigación busca determinar el
comportamiento de las variables teniendo como base datos históricos de
otras variable, para esto utilizará métodos numéricos y estadisticos.
(Arias, 2012) afirma: “Su finalidad es determinar el grado de relación o
asociación existente entre dos o más variables. En estos estudios,
primero se miden las variables y luego, mediante pruebas de hipótesis
correlacionales y la aplicación de técnicas estadísticas, se estima la
correlación” (p.25).
Explicativas.- Con esta investigación se comprobara la hipótesis,
determinando las causas y efectos. Asi, la investigación explicativa busca
responder el porqué de los hechos mediante el establecimiento de las
relaciones causa-efecto. Los estudios explicativos se ocupan tanto de la
determinación de las causas, como de los efectos, utilizando para esto la
prueba de la hipótesis. Las conclusiones o resultados, corresponden al
nivel más profundo de conocimientos (Arias, 2012).
54
MÉTODOS Y TÉCNICAS DE INVESTIGACIÓN
Los métodos empleados en esta investigación son:
Hipótetico-deductiva.- Partiendo de la obsevación del problema, que es el
mal manejo de los inventarios, se desarrolla la hipótesis. La respuesta de
la misma deducirá una solución al problema.
Modelación.- El resultado de esta investigación será el modelo
Simulación Montecarlo Difuso, que permite analizar la mayor
problemática de las Pymes en Ecuador el cual es, el mal manejo de los
inventarios.
La técnica empleada es la encuesta, cuyo objetivo es conocer la percepción de
los principales involucrados en la planificación de inventarios.
Para una mayor compresión del lector a continuación se detallan los conceptos
de los métodos y técnicas empleados:
Método hipotético deductivo.- Con este método partiendo del análisis de
la hipótesis se busca dar solución al problema planteado. “Se aplica para
obtener predicciones a partir de una teoría. Si los supuestos son
verdaderos, y la teoría es verdadera, el razonamiento deductivo
necesariamente debe llegar a conclusiones verdaderas” (Anzil, 2017).
Metodo de la modelación.- El resultado de una investigación es un
modelo o técnica que ayuda a la solución de un problema. “La
modelación es el proceso mediante el cual se crea una representación o
modelo para investigar la realidad” (Pérez, 1996).
Encuesta.- La encuesta ayuda al investigador a tener una mejor idea
sobre el problema, además de comprobar la necesidad de una solución.
(Grande Esteban & Abascal Férnadez, 2017) (Grande Esteban & Abascal
Férnadez, 2017) afirman: “La encuesta es una técnica de recogida de
55
informacion que consiste en la formulación de preguntas a las personas
que deben responderlas sobre la base de un cuestionario” (p.146).
MEDIDAS DE ESTADÍSTICA DESCRIPTIVA
Definidos los valores de las variables de la investigación, se realiza un análisis
descriptivo de las mismas, mediante Lógica Difusa cuyas variables cualitativas
se expresan por medio de una tabla de frecuencias, y las variables cuantitativas
a través de un análisis que incluye fórmulas de estadísticas descriptiva, las
primeras reflejdas en porcentajes y las segundas en valores numéricos. (Pita
Férnandez & Pértega Díaz, 2001)
A continuación se detallan los términos usados para el análisis de las variables
cuantitativas segun (Rodriguez Ojeda, 2014).
Medidas de tendencia central
Media muestral
Mediana muestral
Moda muestral
Medidas de posición
Cuartiles
Deciles
Percentiles
Medidas de dispersión
Varianza muestral
Desviación estadar muestral
Rango
56
Coeficiente de variación
A continuación se explican cada uno de estos conceptos.
Medidas de tendencia central.- Tambien conocidas como medidas de
centralización, estas medidas ayudaran a indicar en torno a que se
agrupan los datos.
Media muestral.- Es el promedio aritmético simple de una
muestra de n datos. La fórmula es la siguiente:
�̅� =𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛
𝑛=
1
𝑛∑ 𝑋𝑖
𝑛
𝑖−1
(7)
En algunos casos se puede encontrar que un valor muy elevado
distorsiona el resultado de la media, para esto, una de las
estrategias es descartar algún dato mas grande o mas pequeño
antes de realizar el cálculo. Este porcentaje puede ser un 5% o
10% a esto se lo denomina media cortada.
Mediana muestral.- Es el valor ubicado en el centro de los
datos. La formula es la siguiente:
𝑋(
𝑛+12
), Si n es impar
(8) �̃� = 1
2(𝑋
(𝑛2
)+ 𝑋
(𝑛2
+1)),
Si n es par
Moda muestral.- Es el valor que mas veces se repite, su
símbolo es Mo
Medidas de posición.- Son valores que distribuyen los datos ordenados
de la muestra en grupos aproximados con el fin de resaltar la ubicación,
en forma general estos de denominan cuantiles.
57
Cuartiles.- Son números que dividen a los datos de la muestra
en grupos de tamaño aproximadamente de 25%.
Primer Cuartil (Q1) = 25% de los datos.
Segundo Cuartil (Q2) = 50% de los datos.
Tercer Cuartil (Q3) = 75% de los datos.
Deciles.- Son números que dividen a los datos de la muestra
en tamaño aproximado de 10%.
Primer Decil (D1) = 10% de los datos.
Segundo Decil (D2) = 20% de los datos.
Así sucesivamente.
Percentiles.- Tambien llamados porcentiles, dividen a los datos
de la muestra en grupos de tamaño aproximado de 1%.
Primer Percentil (P1) = 1% de los datos.
Segundo Percentil (P2) = 2% de los datos.
Así sucesivamente.
Medidas de dispersión.- Son números que brindan información adicional
acerca del comportamiento de los datos.
Varianza muestral.- Esta medida cuantifica el valor de los
datos con respecto a la media muestral.
𝑆2 =∑ (𝑋𝑖 − �̅�)2𝑁
𝑖=1
𝑛 − 1 Fórmula para calcular la varianza
(9)
𝑆2 = 𝑛 ∑ 𝑋𝑖
2 − (∑ 𝑋𝑖𝑛𝑖=1 )2𝑛
𝑖=1
𝑛(𝑛 − 1)
Fórmula alternativa para calcular la
varianza
58
Desviación estándar muestral.- Es la raíz cuadrada positiva de
la varianza. La desviación estándar muestral también llamada
desviación típica . La fórmula es:
𝑆 = +√𝑆2 (10)
Rango.- Es la diferencia entre el mayor valor y el menor valor
de los datos de la muestra. Su fórmula es:
𝑅 = 𝑋𝑛 − 𝑋1 (11)
Coeficiente de variación.- Es un valor que se usa para comparar la
variabilidad de los datos de diferentes grupos. La fórmula es:
𝑉 =𝑆
𝑋
(12)
Distribución para probabilidades continuas
El objetivo es obtener una fórmula matemática 𝑓(𝑥) para determina valores de
probabilidad de la variable aleatoria X.
Distribución uniforme contínua.- Este modelo corresponde a una variable
contínua cuyos valores tienen igual valor de probabilidad en un intervalo
especificado para la variable.
Gráfico# 13 Distribucion uniforme continua
59
Sea
X: Variable aleatoria continua
a, b son los parámetros para este modelo
1
𝑏 − 𝑎, 𝑎 ≤ 𝑥 ≤ 𝑏
𝑓(𝑥) =
0, Para otro x
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Distribución normal.- Es utilizada para describir el comportamiento
aleatorio de muchos procesos que ocurren en la naturaleza y también
realizados por humanos.
Gráfico# 14 Distribucion normal
Sea
X: Variable aleatoria continua con media µ y
varianza 𝜎2
𝑓(𝑥) =
1
𝜎√2𝜋𝑒
−1
2(
𝑋−𝜇
𝜎)
2
, ∞ < 𝑋 + ∞
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
60
POBLACIÓN Y MUESTRA
Población
Se define como población al conjunto finito de personas u objetos los cuales
poseen características comunes. (López, 2014) indica: “Población. Es el conjunto
de personas u objetos de los que se desea conocer algo en una investigación”
(p.69).
Muestra
La muestra es el subconjunto de la población que recoje las características mas
importantes del mismo. “Es un subconjunto o parte del universo o población en
que se lleva a cabo la investigación. Hay procedimientos para obtener la
cantidad de los componentes de la muestra como fórmulas, lógica y otros”
(López, 2014, pág. 69)
Entre los aspectos a considerar para elegir el tamaño de muestra, se encuentran
los siguientes:
Lógica del investigador.- Se toma en cuenta el raciocinio del investigador
para elegir la muestra; lo óptimo es no escoger menos del 30% de la
población. Es decir, si se tiene una población de 100 individuos se debe
seleccionar minimo 30, que corresponde al 30%; en caso de contar con
una población de 80000 individuos con seleccionar el 1% que son 800 es
suficiente para el análisis.
Parámetro y estimador.- El parámetro es la cualidad de la población que
se esta investigando, por otro lado, el estimador es la función que se usa
para medirlos. “El parámetro se refiere a la característica de la población
que es objeto de estudio y el estimador es la función de la muestra que
se usa para medirlo” (Torres & Salazar, 2006, pág. 9).
61
Error muestral y nivel de confianza.- El margen de error evidencia el
grado de precisión que tiene la investigación. (López, 2014) refiere que si
se usa un margen de error del 5%, Quiere decir que los resultados
obtenidos en la muestra van a tener una precisión de +-5%.
El nivel deconfianza es la posibilidad que la estimación se ajuste a la
realidad. (Torres & Salazar, 2006) indican que el nivel de confianza es la
probabilidad que la estimación caiga dentro de un intervalo determinado,
el mismo que esta basado en el estimador, además que capte el valor
verdadero del parámetro a medir.
Valor aproximado del parámetro.- Tambien llamada probabilidad de éxito,
es un porcentaje aproximado de lo que se desea medir. (Torres &
Salazar, 2006) señalan que este parámetro se puede obtener de dos
manera: 1) analizando estudios pilotos previos. 2) Cuando no se tiene
dicho valor se utiliza 𝑝 = 0.5 (50%).
Para seleccionar el tamaño de la muestra se puede utilizar cualquiera de las
siguientes formulas:
Desconociendo el tamaño de la población
𝑛 =𝑍𝑎
2 × 𝑝 × 𝑞
𝑑2 (3)
Donde;
Z = nivel de confianza,
p = probabilidad de éxito, o proporción esperada
q = probabilidad de fracaso
d = precisión (error máximo admisible en términos de proporción)
62
Conociendo el tamaño de la población
𝑛 =𝑁 × 𝑍𝑎
2 × 𝑝 × 𝑞
𝑑2 × (𝑁 − 1) + 𝑍𝑎2 × 𝑝 × 𝑞
(4)
Donde;
N = tamaño de la población
Z = nivel de confianza,
p = probabilidad de éxito, o proporción esperada
q = probabilidad de fracaso
d = precisión (Error máximo admisible en términos de proporción)
Muestreo
Es la técnica que se usa para seleccionar los componentes de una muestra en
relación al total de la población. Asi, un estudio muestral permite que el estudio
se realice en un menor tiempo, se reflejan menos gastos, posibilta profundizar el
análisis de las variables además de tener un mejor control de las mismas (López,
2014).
Tipo de muestreo
Aleatorio Simple.- Este tipo de muestreo se caracteriza porque cada
unidad de la población tiene la misma probabilidad de ser seleccionada.
Se basa en la teoría estadística, es decir existen paquetes informáticos
para analizar estos datos. (López, 2014) señala que también se conoce
se lo conoce como rifa, sorteo o tómbola, entre las desventajas
encontramos:
a) Solo es aplicable a una población pequeña.
b) Se necesita de antemano un listado completo de la población.
Sistémico.- Se utiliza cuando la población esta ordenada y sigue una
tendencia conocida, este tipo de muestreo es menos costoso y se
63
necesita menos tiempo que los otros. Asi, cuando el tamaño de la
población es grande y la tabla de números aleatorios no es suficiente
para contar dicha población; otro caso en el que se usa es cuando la
población es pequeña y este muestreo facilita la identificación de los
componentes de la muestra utilizando un intervalo numérico (López,
2014).
La fórmula para calcular el intervalo numérico es
𝑛𝑁⁄ (5)
Donde;
n = Muestra
N = Total de la población
Estratificado.- Con este tipo de muestreo se divide a la población a
subgrupos o estratos, según ciertas variables de interés. Asi, Se divide la
población debido a que las variables que se estudian presentar cierta
variabilidad o distribución conocida que es necesaria para extraer la
muestra (López, 2014). Cuando ya se haya calculado el tamaño muestral
propiado, se divide de manera proporcional entre los distintos estratos
definidos con una simple regla de tres.
Conglomerados.- Este tipo de muestreo es utilizado cuando la población
es muy grande y dispersa, no es necesaria una lista detallada de la
población. Asi, se la denomina conglomerado porque la población es
agrupada en conjuntos, manzanos, bloques, áreas, zonas, etc. La
diferencia con el estratificado es que con este muestreo se agrupan las
variables según lo que se investiga, además de identificar exactamente la
población (López, 2014). Tambien es conocido como racimos.
64
VARIABLES
Las variables se pueden clasificar deacuerdo a las funciones, características o
propiedades que tienen dentro de la investigación. Se pueden dividir en como se
observan: cuantitativas y cualitativas.
Cuantitativas.- Son aquellas que se pueden medir. Asi, las variables
cuantitativas son las que presentan ciertos grados o intensidad, además
de tener un carácter numérico o cuantitativo, por ejemplo el nivel de
ingresos, diserción escolar, etc (Cauas, 2015). Estas variables se pueden
dividir en:
a) Discretas.- Toman valores enteros.
b) Continuas.- Toman cualquier valor ques e encuentre en un
intervalo de recta.
Cualitativas.- Son las variables que no se pueden medir. Asi, se
denominan cualitativas aquellas variables que tienen un carácter
cualitativo o también no susceptible de medición numérica, por ejemplo el
sexo (hombre o mujer), etc (Cauas, 2015).
En el año 2015, en Ecuador se encuentran registradas cerca de 76746
pequeñas y medianas empresas, esto según registros oficiales del INEN.
65
CUADRO# 7 Número de empresas por tamaño de empresa
Numero de Empresas por Tamaño de Empresa
Tamaño de Empresa 2012 2013 2014 2015
Microempresa 665670 730149 760561 764034
Pequeña empresa 59400 61784 65085 63480
Mediana empresa A 7103 7583 7947 7909
Mediana empresa B 4862 5244 5635 5357
Grande empresa 3590 3886 4224 4219
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Como parte de este trabajo de investigación, se ha considerado la opinión de
expertos en el área de inventarios, para lo cual se tomó como población a 30
expertos de diferentes áreas y departamentos; en vista que la población es
pequeña, se consideró como muestra el mismo tamaño de la población. En los
mismos textos se considera que a partir de 30 elementos es una población
normal.
De acuerdo a (Rodriguez, Hernandez, & Jimenez, 2013) “Se considera una
población de la que se extraen muestras de tamaño n>30 y de la que se conoce
que la proporción de individuos que presentan una determinada característica es
igual población”.
ANÁLISIS E INTERPRETACIÓN DE LOS DATOS
Se realizaron siete preguntas mediante encuesta dirigida expresamente a los
involucrados en la gestión de inventarios, cuyos resultados se demuestran a
continuación mediante cuadros y gráficos.
66
DESCRIPCION DE VARIABLES
Tabla de variables Cualitativas.
Las variables utilizadas en la encuesta permitieron determinar el peso en la
distribución de barras y el análisis mostrado en los cuadros siguientes:
CUADRO# 8 Variables Cualitativas I
DESCRIPCION VALOR
Excelente trabajo 5
Buen Trabajo 4
Faltan pocos detalles 3
Trabajo inconcluso 2
Pesimo trabajo 1
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
CUADRO# 9 Variables Cualitativas II
DESCRIPCION VALOR
Totalmente de acuerdo 5
Parcialmente de acuerdo 4
Indiferente 3
Parcialmente en desacuerdo 2
Totalmente en desacuerdo 1
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
67
Población usada en la encuesta
CUADRO# 10 Población de la encuesta
Variable Frecuenci
a
Porcentaj
e
Porcentaje
acumulado
Administrador local 4 13,33 13,33 5
Comprador 10 33,33 46,67 4
Encargado de bodega 5 16,67 63,33 3
Secretaria local 5 16,67 80,00 2
Personal de bodega 6 20,00 100,00 1
TOTAL 30 100,00
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Gráfico# 15
Representación de Población
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
La encuesta fue mayormente aplicada al personal de Compras de la empresa, ya
que estos son los que están mas relacionados con el reabastecimiento junto al
dueño de la organización.
4 10 5 5 613,33
33,33
16,67 16,67 20,00
0
10
20
30
40
50
Cargo dentro de la empresa
Frecuencia Porcentaje
68
Pregunta 1 ¿ Cómo considera usted las acciones que toma la empresa para el
reaprovisionamiento de inventario?
CUADRO# 11 Pregunta 1
Variable Frecuencia Porcentaje Porcentaje acumulado
Excelente trabajo 0 0.00 0.00 5
Buen trabajo 5 16.67 16.67 4
Regular trabajo 16 53.33 70.00 3
Trabajo inconcluso 9 30.00 0.00 2
Pésimo trabajo 0 0.00 0.00 1
TOTAL 30 100.00
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Gráfico# 16 Pregunta 1
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Análisis: El gráfico demuestra que un 16.67% considera como “Buen Trabajo”,
las actividades que se están realizando dentro de la empresa, mientras tanto un
53.33% lo considera como trabajo regular y un 30% cree que el trabajo es
0 516
900,00
16,67
53,33
30,00
0,000
10
20
30
40
50
60
70
80
Excelente trabajo Buen trabajo Regular trabajo Trabajoinconcluso
Pésimo trabajo
Accion actual de reaprovisionamiento
Frecuencia Porcentaje
69
inconcluso; estos valores reflejan la necesidad de un modelo que permita
mejorar el reaprovisionamiento de inventarios.
Pregunta 2 ¿Esta usted de acuerdo que la falta de conocimiento de la cantidad
con que se inicia el inventario genera un incorrecto reaprovisionamiento de
inventario?
CUADRO# 12 Pregunta 2
Variable Frecuencia Porcentaje Porcentaje
acumulado
Totalmente de acuerdo 17 56,67 56,67 5
Parcialmente de acuerdo 10 33,33 90,00 4
Indiferente 3 10,00 100,00 3
No sabe 0 0,00 2
No contesta 0 0,00 1
TOTAL 30 100,00
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Gráfico# 17 Pregunta 2
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Análisis: El gráfico indica que un 56.67% esta totalmente de acuerdo en que
necesita saber la cantidad de inventario con que se empieza para reabastecerse,
17; 57%10; 33%
3; 10%0; 0%0; 0%
Falta de Inventario Inicial
Totalmente de acuerdo
Parcialmente de acuerdo
Indiferente
No sabe
No Contesta
70
mientras un 33.33% señala estar parcialmente de acuerdo, por otro lado en 10%
le es indiferente este valor.
Pregunta 3 ¿ Cree usted que es necesario establecer un Valor Mínimo para la
generación de pedidos suficientes dentro de la empresa?
CUADRO# 13 Pregunta 3
Variable Frecuencia Porcentaje Porcentaje
acumulado
Totalmente de acuerdo 16 53,33 53,33 5
Parcialmente de acuerdo 10 33,33 86,67 4
Indiferente 4 13,33 100,00 3
No sabe 0 0,00 2
No contesta 0 0,00 1
TOTAL 30 100,00
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Gráfico# 18 Pregunta 3
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
0%
50%
100%
Frecuencia
Porcentaje
1653,33
1033,33
Stock Minimo
Totalmente de acuerdo Parcialmente de acuerdo
Indiferente No sabe
No contesta
71
Análisis: Como se puede observar el 53,33% de los encuestados contestó estar
de acuerdo al indicar que hace falta la utilzacion de un valor minimo para el
reaprovisionamiento, un 33.33% señaló estar parcialmente de acuerdo, mientras
que un 13.33% le es indiferente.
Pregunta 4 ¿ Considera usted necesario establecer un Stock de seguridad para
controlar el desbalance por cambios impredecibles de la demanda?
CUADRO# 14 Pregunta 4
Variable Frecuencia Porcentaje Porcentaje
acumulado
Totalmente de acuerdo 16 53,33 53,33 5
Parcialmente de acuerdo 8 26,67 80,00 4
Indiferente 6 20,00 100,00 3
Parcialmente en desacuerdo 0 0,00 2
Totalmente en desacuerdo 0 0,00 1
TOTAL 30 100,00
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Gráfico# 19 Pregunta 4
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
16
8
6
0
0
53,33
26,67
20,00
0,00
0,00
0 10 20 30 40 50 60
Totalmente de acuerdo
Parcialmente de acuerdo
Indiferente
Parcialmente en desacuerdo
Totalmente en desacuerdo
Stock de Seguridad
Porcentaje Frecuencia
72
Análisis: El gráfico demuestra el 53.33% de encuestados esta totalmente
deacuerdo para fijar un stock de seguridad en los inventarios. Un 26.67% señala
estar parcialmente deacuerdo, además un 20% le es indiferente este valor.
Pregunta 5 ¿ Cree usted necesario una gestión de inventarios dentro de la
empresa para el correcto reaprovisionamiento de mercadería?
CUADRO# 15 Pregunta 5
Variable Frecuencia Porcentaje Porcentaje
acumulado
Totalmente de acuerdo 25 83,33 83,33 5
Parcialmente de acuerdo 5 16,67 100,00 4
Indiferente 0 0,00 100,00 3
Parcialmente en desacuerdo 0 0,00 2
Totalmente en desacuerdo 0 0,00 1
TOTAL 30 100,00
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Gráfico# 20 Pregunta 5
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Observando el gráfico, podemos señalar que la mayor parte de la población, es
decir, un 83.33% indica estar totalmente deacuerdo en mencionar que hace falta
una correcta gestión de inventarios. Por otro lado un 16.67% esta parcialmente
255 0 0 0
83,33
16,670,00 0,00 0,000
20
40
60
80
100
120
Totalmente deacuerdo
Parcialmente deacuerdo
Indiferente Parcialmente endesacuerdo
Totalmente endesacuerdo
Gestión de inventarios
Frecuencia Porcentaje
73
deacuerdo, es decir están conformene con la gestión que actualmente se lleva la
planificación de inventarios.
Pregunta 6 ¿ Considera usted que el desbalance de inventario influye en un
desequilibrio en la generación de las órdenes de compra?
CUADRO# 16 Pregunta 6
Variable Frecuencia Porcentaje Porcentaje
acumulado
Totalmente de acuerdo 30 100,00 100,00 5
Parcialmente de acuerdo 0 0,00 100,00 4
Indiferente 0 0,00 100,00 3
Parcialmente en desacuerdo 0 0,00 2
Totalmente en desacuerdo 0 0,00 1
TOTAL 30 100,00
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Gráfico# 21 Pregunta 6
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Con esta pregunta podemos definir que el total de la población 100% esta
deacuerdo en indicar que el desbalance en los inventarios influye directamente
30
0 0 0 0
100,00
0,00 0,00 0,00 0,000
20
40
60
80
100
120
140
Totalmente deacuerdo
Parcialmente deacuerdo
Indiferente Parcialmente endesacuerdo
Totalmente endesacuerdo
DESBALANCE DE INVENTARIO
Frecuencia Porcentaje
74
en una mala gestión al momento de generar las ordenes de compra al
proveedor.
El resultado de aplicar la encuesta nos ayuda a comprobar la necesidad de un
modelo de gestión de inventarios y a la vez tener un control de los costos que
afectaran a la empresa.
ANÁLISIS DE LOS DATOS
APLICACIÓN DEL MODELO MONTECARLO DIFUSO PARA
GESTIÓN DE INVENTARIOS
Como ejemplo para el análisis Montecarlo Difuso, se consideraron las ventas del
producto “Jarro Bia Amarrillo”, correspondiente a una empresa dedicada a la
compra y venta de productos terminados. Para la comprobación se utilizó el
Modelo de Costo por Faltante correspondiente al sistema de revisión continua de
los inventarios probabilísticos con demanda independiente.
Se definió como variables de entrada: la demanda aleatoria, órdenes al
proveedor y stock inicial; como variable de salida se considero acciones a tomar.
Cada variable de entrada tiene tres niveles en tanto que la variable de salida
tiene seis niveles, en cada variable se definió el dominio de trabajo y la función
de pertenencia acompañada de su respectivo gráfico. Luego se procedió a la
elaboración de las reglas inferenciales con la respectiva tabla de decisión.
Detalle del producto objeto de análisis
El producto escogido para el desarrollo de esta investigación es jarro bia amarillo
producto con mayores ventas en el año 2016, el mismo que fue de mucha ayuda
para la estudio de esta investigación, cuyas características se detallan a
contiunuación.
El producto jarro bia amarillo tiene un costo por ordenar de $1,87, un costo por
faltante de $0.90, y un costo por mantener el inventario de $0,87. La caja tiene
75
36 unidades; se establece como stock minimo una caja, y como stock máximo
dos cajas.
Aplicación del modelo control lógico difuso
De lo explicado anteriormente se deduce que el no tener un control de inventario
puede provocar un gasto excesivo por almacenaje, como solución a este
problema se propone un modelo que permita optimizar y controlar los
inventarios. como lo es la Lógica Difusa y Simulación Montecarlo; para el análisis
difuso fue necesario la definición de variables lingüística con sus respectivas
funciones de pertenencia que dieron como resultado el modelo Control Lógico
Difuso (CLD) el mismo que aplicado a los inventarios dió una aproximación de la
cantidad de inventario necesaria, este valor no será el mas óptimo pero si el mas
probable. Se definen las siguientes variables:
Variables de entrada
Demanda Aleatoria:
Decrece DAD
Se Mantiene DAM
Aumenta DAA
Ordenes al proveedor
No pide OPP
Pedido Normal OPN
Pide Mucho OPM
Inventario Inicial
Baja IIB
Adecuada IIA
Elevada IIE
76
Variable de salida
Respuesta Inventario
Reaprovisionamiento grande RG
Reaprovisionamiento medio RM
Reaprovisionamiento pequeño
RP
Según lo indicado para el modelo CLD es necesario definir el dominio de trabajo
para cada variable, por lo tanto se tiene lo siguiente.
Dominio de trabajo para variable de entrada Demanda Aleatoria
Para la definición del dominio de trabajo de esta variable se escogio las ventas
de los cuatro primeros meses del año 2016.
77
CUADRO# 17 Reporte de ventas de jarro bia amarillo
Ventas correspondientes año 2016
Día Enero Febrero Marzo Abril
01 1 7 3 33
02 36 1 43
03 37 10 45
04 27 5 4 18
05 12 3 19 16
06 28 7 23 20
07 16 9 14 25
08 16 1 15 19
09 6 17 28
10 15 5 14 20
11 4 3 28 21
12 5 5 25 11
13 11 2 23 17
14 2 7 11 16
15 5 3 44 20
16 23 2 28 21
17 18 7 18 32
18 9 6 7 19
19 6 2 24 17
20 9 3 40 21
21 6 2 19 14
22 3 18 9
23 8 4 12 24
24 8 29 35
25 7 1 26 20
26 5 3 19 27
27 8 4 43 11
28 6 3 23 10
29 3 2 25 13
30 3 17 32
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
En el capitulo 2 se explico como trabajar con quartiles, el análisis se encuentra
en el anexo 1, tenemos los siguientes valores:
78
Cuartil uno Q1, correspondiente al 25% de los datos menores o iguales al
valor Q1=5.
Cuartil dos Q2, correspondiente a la mediana es decir al 50% de los
datos menores o iguales a Q1=12.
Cuartil tres Q3, correspondiente al 75% de los datos menores o iguales a
Q1=21.
Se presenta el gráfico de la función de pertenencia de la variable de entrada
Demanda Aleatoria.
Gráfico# 22 Función de pertenencia variable Demanda Aleatoria
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Función de pertenencia de la variable Demanda Aleatoria.
1, 0 ≤ 𝑤 ≤ 5
𝜇𝐷𝐴𝐷(𝑤) = 12 − 𝑤
7 5 ≤ 𝑤 ≤ 12
𝑥 − 5
7
5 ≤ 𝑤 ≤ 12
𝜇𝐷𝐴𝑀(𝑤) = 21 − 𝑤
9
12 ≤ 𝑤 ≤ 21
79
𝜇𝐷𝐴𝐴(𝑤) = 𝑤 − 12
9
12 ≤ 𝑤 ≤ 21
1 21 ≤ 𝑤 ≤ 45
Dominio de trabajo para variable de entrada Ordenes al proveedor
Mediante la investigación se determinó que, para considerar una orden de
compra como baja o pequeña esta, luego de todo un análisis que involucra al
stock minimo, stock disponible y la necesidad de reaprovisionamiento, debe ser
igual a 36 unidades. Cuando se genera una orden de 54 unidades se la
considera como normal, pero cuando se genera por el doble de la UC esta es
considerada como excesiva. Lo máximo que se debe llegar a pedir es 90
unidades
Se presenta el gráfico de la función de pertenencia de la variable de entrada
Ordenes al proveedor.
Gráfico# 23 Función de pertenencia variable Ordenes Proveedor
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Función de pertenencia de la variable Ordenes al Proveedor
1, 0 ≤ 𝑥 ≤ 36
𝜇𝑂𝑃𝑃(𝑥) = 54 − 𝑥
18 36 ≤ 𝑥 ≤ 54
80
𝑥 − 36
18
36 ≤ 𝑥 ≤ 54
𝜇𝑂𝑃𝑁(𝑥) = 72 − 𝑥
18
54 ≤ 𝑥 ≤ 72
𝜇𝑂𝑃𝑀(𝑥) = 𝑥 − 54
18
54 ≤ 𝑥 ≤ 72
1 72 ≤ 𝑥 ≤ 90
Dominio de trabajo para variable de entrada Stock Inicial
Luego de la investigación realizada al producto estudiado, nos indican que se
considera como inventario inicial bajo cuando este es menor al stock mínimo, es
adecuado cuando es igual al stock mínimo y es elevada cuando es mayor al
stock máximo. Para este análisis se señala que el stock mínimo es igual a la UC
y el stock máximo es el doble de la UC.
Se presenta el gráfico de la función de pertenencia de la variable de entrada
Stock Inicial.
Gráfico# 24 Función de pertenencia variable Stock Inicial
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
81
Función de pertenencia de la variable Stock Inicial
1, 0 ≤ 𝑦 ≤ 18
𝜇𝐼𝐼𝐵(𝑦) = 36 − 𝑦
18 18 ≤ 𝑦 ≤ 36
𝑦 − 18
18
18 ≤ 𝑦 ≤ 36
𝜇𝐼𝐼𝐴(𝑦) = 72 − 𝑥
36
36 ≤ 𝑦 ≤ 72
𝜇𝐼𝐼𝐸(𝑦) = 𝑦 − 36
36
36 ≤ 𝑦 ≤ 72
1 72 ≤ 𝑦 ≤ 108
Dominio de trabajo para variable de salida Respuesta Inventario
El dominio de trabajo para la variable de salida esta dado por fraccciones de la
UC y según el estudio se representa por los siguientes valores.
CUADRO# 18
Rangos de la función de pertenencia corrspondiente a la variable de salida.
RP-reaprovisionamiento pequeño 18
RM- reaprovisionamiento medio 36
RG-reaprovisionamiento grande 72
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
82
Se presenta el gráfico de la función de pertenencia de la variable de salida
Respuesta Inventario.
Gráfico# 25 Función de pertenencia variable Respuesta Inventario
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Función de pertenencia de la variable Respuesta Inventario
𝑧
18 0 ≤ 𝑧 ≤ 18
𝜇𝑅𝐼 𝑅𝑃(𝑧) = 36 − 𝑧)
18
18 ≤ 𝑧 ≤ 36
𝜇𝑅𝐼 𝑅𝑀(𝑧) = 𝑧 − 18
18
18 ≤ 𝑧 ≤ 36
72 − 𝑧
36
36 ≤ 𝑧 ≤ 72
𝜇𝑅𝐼 𝑅𝐺(𝑧) =
𝑧 − 36
36
36 ≤ 𝑧 ≤ 72
83
1, 72 ≤ 𝑧 ≤ 90
Se elaboran las reglas de inferencia, las mismas que están representadas asi:
CUADRO# 19 Reglas de inferenia variable salida
Si… Entonces
Demanda aleatoria
Ordenes al proveedor
Stock Inicial Respuesta inventario
1 Decrece No pide Baja reaprovisionamiento grande
2 Decrece No pide Adecuada reaprovisionamiento mediano
3 Decrece No pide Elevada no hacer nada
4 Decrece Pedido normal Baja reaprovisionamiento grande
5 Decrece Pedido normal Adecuada reaprovisionamiento mediano
6 Decrece Pedido normal Elevada no hacer nada
7 Decrece Pide mucho Baja reaprovisionamiento pequeño
8 Decrece Pide mucho Adecuada reaprovisionamiento pequeño
9 Decrece Pide mucho Elevada no hacer nada
10 Se Mantiene No pide Baja reaprovisionamiento mediano
11 Se Mantiene No pide Adecuada reaprovisionamiento pequeño
12 Se Mantiene No pide Elevada no hacer nada
13 Se Mantiene Pedido normal Baja reaprovisionamiento mediano
14 Se Mantiene Pedido normal Adecuada reaprovisionamiento pequeño
15 Se Mantiene Pedido normal Elevada no hacer nada
16 Se Mantiene Pide mucho Baja no hacer nada
17 Se Mantiene Pide mucho Adecuada no hacer nada
18 Se Mantiene Pide mucho Elevada no hacer nada
19 Aumenta No pide Baja reaprovisionamiento grande
20 Aumenta No pide Adecuada reaprovisionamiento mediano
21 Aumenta No pide Elevada reaprovisionamiento pequeño
22 Aumenta Pedido normal Baja reaprovisionamiento grande
23 Aumenta Pedido normal Adecuada reaprovisionamiento mediano
24 Aumenta Pedido normal Elevada reaprovisionamiento pequeño
25 Aumenta Pide mucho Baja reaprovisionamiento grande
26 Aumenta Pide mucho Adecuada reaprovisionamiento mediano
27 Aumenta Pide mucho Elevada reaprovisionamiento pequeño
Elaboración: María Isabel Sánchez León
Fuente: Datos de la investigación
84
La tabla de decisión esta representada de la siguiente manera:
CUADRO# 20 Tabla de decision variable salida
Demanda Ordenes al proveedor
Stock Inicial Respuesta inventario
Decrece No pide Baja RG
Decrece No pide Adecuada RM
Decrece No pide Elevada
Decrece Pedido normal
Baja RG
Decrece Pedido normal
Adecuada RM
Decrece Pedido normal
Elevada
Decrece Pide mucho Baja RP
Decrece Pide mucho Adecuada RP
Decrece Pide mucho Elevada
Se Mantiene No pide Baja RM
Se Mantiene No pide Adecuada RP
Se Mantiene No pide Elevada
Se Mantiene Pedido normal
Baja RM
Se Mantiene Pedido normal
Adecuada RP
Se Mantiene Pedido normal
Elevada
Se Mantiene Pide mucho Baja
Se Mantiene Pide mucho Adecuada
Se Mantiene Pide mucho Elevada
Aumenta No pide Baja RG
Aumenta No pide Adecuada RM
Aumenta No pide Elevada RP
Aumenta Pedido normal
Baja RG
Aumenta Pedido normal
Adecuada RM
Aumenta Pedido normal
Elevada RP
Aumenta Pide mucho Baja RG
Aumenta Pide mucho Adecuada RM
Aumenta Pide mucho Elevada RP
85
Elaboración: María Isabel Sánchez León
Fuente: Datos de la investigación
Aplicando estas funciones en el software Matlab, se obtiene las siguientes
pantallas. El proceso para la realización se detalla en el Anexo 5.
FUNCIONES ENTRADA
Gráfico# 26 Función de pertenencia variable demanda aleatoria
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Gráfico# 27 Función de pertenencia variable ordenes proveedor
86
Elaboración: María Isabel Sánchez León
Fuente: Datos de la investigación Gráfico# 28
Función de pertenencia variable stock inicial
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
FUNCION SALIDA
Gráfico# 29 Función de pertenencia variable respuesta inventario
87
Elaboración: María Isabel Sánchez León
Fuente: Datos de la investigación
REGLAS INFERENCIALES OBTENIDAS
Gráfico# 30 Reglas de inferencia para datos 2017
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
88
GRÁFICO OBTENIDO
Gráfico# 31 Gráfico obtenido con matlab
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
ANÁLISIS DE LOS DATOS OBTENIDOS CON MATLAB
Gráfico# 32
Análisis datos gráfico 1
89
Elaboración: María Isabel Sánchez León Fuente Datos de la investigación
Si la demanda está en 4.24 (decrece), las ordenes al proveedor en 5.96 (no
pide) y el stock inicial en 15 (bajo); entonces la respuesta del inventario es
realizar un reaprovisionamiento grande (90).
Gráfico# 33 Análisis datos gráfico 2
90
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Si la demanda está en 4.24 (decrece), las ordenes al proveedor en 5.96(no pide)
y el stock inicial en 38.4 (adecuado); entonces la respuesta del inventario es
realizar un reaprovisionamiento mediano (55.6).
Gráfico# 34 Análisis datos gráfico 3
91
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Si la demanda está en 4.07 (decrece), las ordenes al proveedor en 40.7 (pedido
normal) y el stock inicial en 9.76 (bajo); entonces la respuesta del inventario es
realizar un reaprovisionamiento grande (90).
Gráfico# 35 Análisis datos gráfico 4
92
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Si la demanda está en 4.07 (decrece), las ordenes al proveedor en 36.3 (pedido
normal) y el stock inicial en 38.4 (adecuado); entonces la respuesta del
inventario es realizar un reaprovisionamiento mediano (55.7).
Gráfico# 36 Análisis datos gráfico 5
93
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Si la demanda está en 4.07 (decrece), las ordenes al proveedor en 77.5 (pide
mucho) y el stock inicial en 7.16 (bajo); entonces la respuesta del inventario es
realizar un reaprovisionamiento pequeño (18).
Gráfico# 37 Análisis datos gráfico 6
94
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Si la demanda está en 4.07 (decrece), las ordenes al proveedor en 71 (pide
mucho) y el stock inicial en 38.4 (adecuado); entonces la respuesta del inventario
es realizar un reaprovisionamiento pequeño (24.1).
Gráfico# 38
Análisis datos gráfico 7
95
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Si la demanda está en 13.8 (se mantiene), las ordenes al proveedor en 7.05 (no
pide) y el stock inicial en 8.46 (bajo); entonces la respuesta del inventario es
realizar un reaprovisionamiento mediano (63.8).
Gráfico# 39
96
Análisis datos gráfico 8
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Si la demanda está en 13.8 (se mantiene), las ordenes al proveedor en 7.05 (no
pide) y el stock inicial en 35.8 (adecuado); entonces la respuesta del inventario
es realizar un reaprovisionamiento pequeño (39.2).
97
Gráfico# 40 Análisis datos gráfico 9
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Si la demanda está en 13.8 (se mantiene), las ordenes al proveedor en 36.3
(normal) y el stock inicial en 11.1 (bajo); entonces la respuesta del inventario es
realizar un reaprovisionamiento mediano (52).
98
Gráfico# 41 Análisis datos gráfico 10
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Si la demanda está en 13.8 (se mantiene), las ordenes al proveedor en 36.3
(normal) y el stock inicial en 38.4 (adecuado); entonces la respuesta del
inventario es realizar un reaprovisionamiento pequeño (30.2).
99
Gráfico# 42 Análisis datos gráfico 11
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Si la demanda está en 39.2 (aumenta), las ordenes al proveedor en 8.23 (no
pide) y el stock inicial en 9.88 (bajo); entonces la respuesta del inventario es
realizar un reaprovisionamiento grande (90).
100
Gráfico# 43 Análisis datos gráfico 12
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Si la demanda está en 39.2 (aumenta), las ordenes al proveedor en 8.23 (no
pide) y el stock inicial en 36.2 (adecuado); entonces la respuesta del inventario
es realizar un reaprovisionamiento mediano (61.4).
101
Gráfico# 44 Análisis datos gráfico 13
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Si la demanda está en 39.2 (aumenta), las ordenes al proveedor en 8.23 (no
pide) y el stock inicial en 95.5 (elevado); entonces la respuesta del inventario es
realizar un reaprovisionamiento pequeño (18).
102
Gráfico# 45 Análisis datos gráfico 14
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Si la demanda está en 39.2 (aumenta), las ordenes al proveedor en 37.9
(normal) y el stock inicial en 12.5 (bajo); entonces la respuesta del inventario es
realizar un reaprovisionamiento grande (90).
103
Gráfico# 46 Anáisis datos gráfico 15
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Si la demanda está en 39.2 (aumenta), las ordenes al proveedor en 37.9
(normal) y el stock inicial en 38.9 (adecuado); entonces la respuesta del
inventario es realizar un reaprovisionamiento mediano (40.3).
104
Gráfico# 47 Análisis datos gráfico 16
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Si la demanda está en 39.2 (aumenta), las ordenes al proveedor en 37.9
(normal) y el stock inicial en 103 (elevado); entonces la respuesta del inventario
es realizar un reaprovisionamiento pequeño (18).
105
Gráfico# 48 Análisis datos gráfico 17
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Si la demanda está en 39.2 (aumenta), las ordenes al proveedor en 81.8
(mucho) y el stock inicial en 12.5 (bajo); entonces la respuesta del inventario es
realizar un reaprovisionamiento grande (90).
106
Gráfico# 49 Análisis datos gráfico 18
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Si la demanda está en 39.2 (aumenta), las ordenes al proveedor en 81.8
(mucho) y el stock inicial en 44.1 (alto); entonces la respuesta del inventario es
realizar un reaprovisionamiento mediano (46.7).
107
Gráfico# 50 Análisis datos gráfico 18
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Si la demanda está en 39.2 (aumenta), las ordenes al proveedor en 81.8
(mucho) y el stock inicial en 102 (elevado); entonces la respuesta del inventario
es realizar un reaprovisionamiento pequeño (18)
Juicio de expertos
Para este estudio se consideró como “experto” todo aquel individuo inmerso en
el control de inventarios, como son el comprador, el administrador del local, el
encargado de bodega, la secretaria, el personal de bodega.
Como método para la valoración por juicio de expertos se escogió el modelo por
agregación individual, esto debido al tiempo limitado que se tuvo para la
realización del proyecto y el bajo presupuesto. El análisis de la encuesta se lo
108
realizó con el software RotatorSurvey, el mismo que se demuestra en el Anexo
3.
Luego del análisis realizado a las encuestas se definieron los siguientes
porcentajes.
CUADRO# 21 Análisis Juicio de Expertos
Total de
sujetos
% sujetos
Base total
P1 Acciones
Reaprovisionamiento 4
(2) Regular
trabajo 16 53.33%
P2 Inventario Inicial 5 (1) Totalmente de
acuerdo 17 56.67%
P6 Desequilibrio de
Ordenes Compra 5
(1) Totalmente de
acuerdo 30 100.00%
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Interpretaremos estos valores de la siguiente manera, para cada variable difusa:
Demanda aleatoria: De un total de 30 individuos el 53.33% indica que las
acciones que toma la empresa para el reaprovisionamiento se considera
como buen trabajo. Esto quiere decir que la demanda no esta siendo
controlada de la mejor manera; en otras palabras suponen que esta
variable se mantiene (DAM)
Inventario Inicial: Del total de 30 individuos consultados, el 56.67% afirma
que la falta de un inventario inicial afecta al reaprovisionamiento. Es decir
el inventario inicial es bajo (IIB).
Ordenes al proveedor: El total de la muestra, es decir el 100%, concuerda
que el desbalance de inventarios afecta la generación de las ordenes al
proveedor. Podemos concluir que no se esta pidiendo lo suficiente
(OPN).
109
Esto representado en la tabla de decisión, nos señala; como respuesta en
inventario debe hacer un reaprovisionamiento mediano.
CUADRO# 22 Análsis de Expertos
Si… Entonces
Demanda aleatoria Ordenes al proveedor
Stock Inicial Respuesta inventario
DAM OPN IIB RM
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Con esto se concluye, que con este modelo el stock inicial promedio
mensualmente es bajo (menor a la UC) y con una demanda normal (menor a la
demanda promedio) entonces las órdenes al proveedor serán normales (no
mayores a 2 cajas, ni menores a 1 caja).
Analizado de otra manera, según el modelo es preferible volver a pedir cuando el
stock esté entre la UC sin llegar a 2 cajas, además se considera como inventario
ideal cuando este es menor a la UC.
Aplicación del Modelo Costo con Faltante
Para la aplicacion de este modelo fue necesario definir las variables que se
emplearon, tomando como ejemplo el jarro bia amarillo se define lo siguiente: El
promedio de unidades que se requieren mensualmentes es 20, con una
demanda promedio de 240 unidades anuales. Se considera una desviación
estándar de la demanda de 12. Los costos asociados son los siguientes: costo
por mantener inventario es $318,42 costo por faltante es $329,40 y el costo por
ordenar es $684,42. Se debe determinar el punto de pedido optimo y el costo
esperado. Se detallan las variables de la siguiente manera:
K= $684,42
kC=$318,42
kU=$329,40
𝜎𝑚 = 12
110
D = 240 unidades anuales
�̅� = 20
Ahora sustituimos en la fórmula, primero se determinará el tamaño del pedido
óptimo
𝑄 = √2𝐾𝐷
𝐾𝑐 → 𝑄 = √
2 ∗ (684,42) ∗ (240)
318,42= 32,12 ≈ 32
Cuando ya tenemos determinado el valor de Q = 32 unidades, necesitamos el
valor de R (punto de pedido óptimo), para esto necesitamos calcular M
(probabilidad de la demanda), este cálculo esta dado por:
𝐹(𝑅) = 1 −𝑘𝑐 ∗ 𝑄
𝑘𝑢 ∗ 𝐷→ 𝐹(𝑅) = 1 −
318,42 ∗ 32
329,40 ∗ 240= 0,8712
Con el valor de F(R) = 0,8712 se busca el valor de Z en la tabla de función de la
distribución normal estandarizada (anexo2) esto es igual a 1,13. Por lo tanto el
valor de Z=1,99 sustituyendo en la ecuación se obtiene el valor de R.
𝑅 = �̅� + 𝑍𝜎 → 𝑅 = 20 + (1.13 ∗ 12) = 33,56 ≈ 𝑅 = 34𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠
Ahora solo debemos calcular el valor de la función de pérdida unitaria para el
valor de N(Z) por medio de la siguiente fórmula
𝑍 =𝑅 − �̅�
𝜎𝑀 → 𝑍 =
34 − 20
12= 1.166 ≈ 1
Una vez obtenido el valor de Z de determina la distribución normal estándar la
misma que es igual a 0,05666. Se sustituyen estos valores en la formula para
determinar el costo total.
𝐶𝑜𝑠𝑡𝑜 𝑡𝑜𝑡𝑎𝑙 (𝑄, 𝑅) = [[𝐾 + (𝑘𝑢 ∗ 𝜎𝑀 ∗ 𝑁(𝑍))] ∗ (𝐷
𝑄)] + [[
𝑄
2+ (𝑅 − �̅�)] ∗ 𝑘𝑐]
Sustituyendo en la formula se tiene
111
𝐶𝑜𝑠𝑡𝑜 𝑡𝑜𝑡𝑎𝑙 (𝑄, 𝑅)
= 𝐷 [[684,42 + (329,40 ∗ 12 ∗ 0,05666)] ∗ (240
32)]
+ [[32
2+ (34 − 20)] ∗ 318,42]
𝐶𝑜𝑠𝑡𝑜 𝑡𝑜𝑡𝑎𝑙 (𝑄, 𝑅) = 6812,892 + 9552.60
𝐶𝑜𝑠𝑡𝑜 𝑡𝑜𝑡𝑎𝑙 (𝑄, 𝑅) = $ 16365,49
Por lo antes expuesto podemos concluir que el Costo Total Anual del año 2016
fue es $16365,49 se deben hacer pedidos de 32 unidades y el punto de pedido
óptimo es 34 unidades.
112
Comparación de Lógica Difusa, Análisis Juicio de
expertos, Modelo Costo con Faltante en las ventas
correspondientes al año 2016.
CUADRO# 23 Análisis comparativo: Lógica Difusa, Juicio de Expertos y Modelo Costo con Faltante
Juicio de Expertos
Modelo Costo con Faltante
Lógica Difusa
Demanda Consideran una demanda normal
Si la demanda es normal ( entre 5 y 21)
Stock Inicial Stock inicial bajo Con un stock inicial bajo (entre 18 y 72)
Ordenes Proveedor
Se esta comprando de manera normal
Se deben hacer pedidos de 32 unidades (no llegar a 2 cajas)
No se están pidiendo ordenes al proveedor (menores a 36)
Punto de pedido
Con este modelo será de 34 unidades
Acción Final
Es preferible volver a pedir cuando el stock este entre la UC sin llegar a 2 cajas
Reaprovisionamiento mediado (entre 36 y 54)
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Simulación usando Montecarlo
Para el presente trabajo se realizó la simulación de la demanda para un período
de un año, usando la técnica de Montecarlo. Para esto se utilizó el complemento
XLSTAT que sirvió para encontrar valores aleatorios los mismos que se
utilizaron como la demanda aleatoria.
113
Utilizando como modelo la demanda de todo el año 2016, se simuló utilizando la
herramienta XLSTAT, en base a 360 datos se presenta el siguiente resultado.
Los pasos para el desarrollo con esta herrmienta se detallan en el Anexo 6 .
CUADRO# 24 Resumen del software XLSTAT para la simulación de códigos
XLSTAT 2017.5.46974 - Data sampling - Start time: 19/09/2017 at 09:04:00 p.m.
Data: Workbook = DATOS1.xls / Sheet = Hoja5 / Range = Hoja5!$A$3:$A$363 / 360 rows and 1 column
Sampling method: N first rows
Sample size: 360
Shuffle: Yes
Seed (random numbers): 1910994286
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
A continuación se detalla el cuadro que resultó de aplicar la simulación
Montecarlo a los datos que resultaron anteriormente. Por presentación solo se
mostraran los dos primeros meses.
114
Gráfico# 51 Simulacion Montecarlo para inventarios
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
El análisis difuso que se aplicará para la simulación del año 2017 será la misma
que se aplic en el año 2017, por lo tanto las mismas variables difusas, función de
pertenencia y reglas difusas anteriormente aplicadas se duplicaran en este
modelo, la única diferencia será en la variable DemandaAleatoria, la función de
pertencia para esta variable se detalla a continuación.
#
Simula
cion
Material UXC1/2
caja
Lead
Time
(dias)
Costo por
ordenar
Costo por
faltante
Costo
mantener
inventario
Ventas
(demand
a
aleatoria)
Stock
Segurida
d
Necesida
dReapro
visionami
ento
Stock
Minimo
Stock
Maximo
Ordenes
al
proveedo
r
Inventari
o Inicial
Inventari
o Final
Costo
ordenar
Costo
mantener
inventari
o
Costo
por
faltante
Costo
total
Costo
promedio
1 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 36 2 170 36 72 0 206 170 0 164 0 164 156
2 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 1 2 136 36 72 0 172 171 0 149 0 149 152
3 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 16 2 137 36 72 0 173 157 0 144 0 144 147
4 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 11 2 123 36 72 0 159 148 0 134 0 134 142
5 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 25 2 114 36 72 0 150 125 0 120 0 120 135
6 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 28 2 91 36 72 0 127 99 0 98 0 98 125
7 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 44 2 65 36 72 0 101 57 0 69 0 69 114
8 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 32 2 | 36 72 0 59 27 0 37 0 37 104
9 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 43 2 -7 36 72 36 29 -14 1.87 7 13 21 95
10 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 25 2 -12 36 72 36 24 -1 1.87 10 1 13 89
11 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 15 2 1 36 72 36 37 22 1.87 26 0 28 85
12 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 15 2 24 36 72 0 60 45 0 46 0 46 82
13 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 7 2 11 36 72 36 47 40 1.87 38 0 40 80
14 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 12 2 42 36 72 0 78 66 0 63 0 63 78
15 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 18 2 32 36 72 0 68 50 0 51 0 51 76
16 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 24 2 16 36 72 36 52 28 1.87 35 0 37 74
17 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 10 2 30 36 72 0 66 56 0 53 0 53 73
18 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 13 2 22 36 72 0 58 45 0 45 0 45 71
19 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 19 2 11 36 72 36 47 28 1.87 33 0 34 70
20 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 18 2 30 36 72 0 66 48 0 50 0 50 68
21 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 17 2 14 36 72 36 50 33 1.87 36 0 38 68
22 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 12 2 35 36 72 0 71 59 0 57 0 57 67
23 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 20 2 25 36 72 0 61 41 0 44 0 44 65
24 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 23 2 7 36 72 36 43 20 1.87 27 0 29 64
25 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 2 2 22 36 72 0 58 56 0 50 0 50 64
26 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 5 2 22 36 72 0 58 53 0 48 0 48 63
27 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 8 2 19 36 72 0 55 47 0 44 0 44 62
28 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 49 2 13 36 72 36 49 0 1.87 21 0 23 61
29 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 8 2 2 36 72 36 38 30 1.87 30 0 31 60
30 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 34 2 32 36 72 0 68 34 0 44 0 44 59
31 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 17 2 0 36 72 36 36 19 1.87 24 0 26 58
32 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 23 2 21 36 72 0 57 34 0 40 0 40 57
33 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 31 2 0 36 72 36 36 5 1.87 18 0 20 56
34 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 27 2 7 36 72 36 43 16 1.87 26 0 28 56
35 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 41 2 18 36 72 36 54 13 1.87 29 0 31 55
36 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 40 2 15 36 72 36 51 11 1.87 27 0 29 54
37 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 11 2 13 36 72 36 49 38 1.87 38 0 40 55
38 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 20 2 40 36 72 0 76 56 0 57 0 57 54
39 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 24 2 22 36 72 0 58 34 0 40 0 40 53
40 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 23 2 0 36 72 36 36 13 1.87 21 0 23 53
41 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 18 2 15 36 72 36 51 33 1.87 37 0 38 53
42 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 3 2 35 36 72 0 71 68 0 60 0 60 53
43 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 18 2 34 36 72 0 70 52 0 53 0 53 53
44 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 16 2 18 36 72 36 54 38 1.87 40 0 42 53
45 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 20 2 40 36 72 0 76 56 0 57 0 57 53
46 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 13 2 22 36 72 0 58 45 0 45 0 45 53
47 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 12 2 11 36 72 36 47 35 1.87 36 0 38 53
48 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 25 2 37 36 72 0 73 48 0 53 0 53 52
49 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 35 2 14 36 72 36 50 15 1.87 28 0 30 52
50 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 17 2 17 36 72 36 53 36 1.87 39 0 41 52
51 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 22 2 38 36 72 0 74 52 0 55 0 55 52
52 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 8 2 18 36 72 36 54 46 1.87 44 0 45 52
53 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 20 2 48 36 72 0 84 64 0 64 0 64 52
54 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 13 2 30 36 72 0 66 53 0 52 0 52 52
55 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 12 2 19 36 72 0 55 43 0 43 0 43 52
56 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 1 2 9 36 72 36 45 44 1.87 39 0 41 52
57 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 22 2 46 36 72 0 82 60 0 62 0 62 52
58 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 17 2 26 36 72 0 62 45 0 47 0 47 51
59 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 16 2 11 36 72 36 47 31 1.87 34 0 36 51
60 40173140 JARRO BIA AMARILLO 36 18 7 1.87$ $0,90 0.87$ 42 2 33 36 72 0 69 27 0 42 0 42 51
115
Función de pertenencia de la variable Demanda Aleatoria.
L os cuartiles que resultaron son: Q1= 12 Q2= 19 Q3= 27
1, 0 ≤ 𝑤 ≤ 12
𝜇𝐷𝐴𝐷(𝑤) = 19 − 𝑤
7 12 ≤ 𝑤 ≤ 19
𝑥 − 12
7
12 ≤ 𝑤 ≤ 19
𝜇𝐷𝐴𝑀(𝑤) = 27 − 𝑤
8
19 ≤ 𝑤 ≤ 27
𝜇𝐷𝐴𝐴(𝑤) = 𝑤 − 19
9
19 ≤ 𝑤 ≤ 27
1 27 ≤ 𝑤 ≤ 64
Los gráficos de las funciónes de pertenencia, se detallan a continuación
Gráfico# 52
Montecarlo difuso gráfico demanda
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
116
Gráfico# 53 Montecarlo difuso gráfico orden proveedor
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
Gráfico# 54
Montecarlo difuso gráfico stock inicial
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
117
Gráfico# 55 Montecarlo difuso gráfico respuesta inventario
Elaboración: María Isabel Sánchez León
Fuente: Datos de la investigación
118
Las reglas inferenciales serán las mismas aplicadas anteriormente, se detalla
CUADRO# 25 Montecarlo difuso tablas inferenciales
Demanda Ordenes al proveedor
Stock Inicial Respuesta inventario
Decrece No pide Baja RG
Decrece No pide Adecuada RM
Decrece No pide Elevada
Decrece Pedido normal
Baja RG
Decrece Pedido normal
Adecuada RM
Decrece Pedido normal
Elevada
Decrece Pide mucho Baja RP
Decrece Pide mucho Adecuada RP
Decrece Pide mucho Elevada
Se Mantiene No pide Baja RM
Se Mantiene No pide Adecuada RP
Se Mantiene No pide Elevada
Se Mantiene Pedido normal
Baja RM
Se Mantiene Pedido normal
Adecuada RP
Se Mantiene Pedido normal
Elevada
Se Mantiene Pide mucho Baja
Se Mantiene Pide mucho Adecuada
Se Mantiene Pide mucho Elevada
Aumenta No pide Baja RG
Aumenta No pide Adecuada RM
Aumenta No pide Elevada RP
Aumenta Pedido normal
Baja RG
Aumenta Pedido normal
Adecuada RM
Aumenta Pedido normal
Elevada RP
Aumenta Pide mucho Baja RG
Aumenta Pide mucho Adecuada RM
Aumenta Pide mucho Elevada RP
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
119
El gráfico resultado será el siguiente:
Gráfico# 56
Montecarlo difuso gráfico Matlab
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
En el anexo 7 se detallan las posibles combinaciones que resultan, será cuestión
del planificador elegir la más adecuada.
Ahora solo explicaremos uno, y analizaremos el resultado:
Si la demanda del inventario disminuye, la orden al proveedor disminuye, y el
stock inicial es menos de la caja; entonces la acción del inventario es realizar un
reaprovionamiento mediano.
120
Gráfico# 57
Montecarlo difuso ejemplo
Elaboración: María Isabel Sánchez León Fuente: Datos de la investigación
121
CAPÍTULO IV
CONCLUSIONES
Luego del proyecto de investigación, se obtuvo las siguientes conclusiones:
Las herramientas utilizadas permitieron comprender de un manera
óptima los parámetros para la correcta gestión de inventarios.
La encuesta sirvió para encontrar la problemática relacionada con el
reabastecimiento del inventario.
El análisis por medio de variables linguisticas borrosas permitieron un
mejor entendimiento del comportamiento de los inventarios, y a su vez
ayudaron a pronosticar valores parecidos a los movimientos reales de
las variables seleccionadas.
La comparación del análisis de la Lógica Difusa y el método de
inventario costo con faltante, sirvió para establecer la necesidad de un
rabastecimiento de inventario además de establecer el más conveniente.
Esta investigación permitió tambien comprender la importancia del uso
de los diferentes software tales como: Mathlab, RotatorSurvey,
Componentes XLSTAT en la gestión de inventarios.
La simulación Montecarlo implica pronosticar o simular valores que
representan el comportamiento de la demanda, valores necesarios para
el cálculo y posterior estudio de las variables consideradas como difusa.
122
RECOMENDACIONES
Publicar este estudio investigativo para beneficio de la comunidad
académica con el objeto de que sirva como herramienta de consulta a
los estudiantes.
Implementar el método para beneficio de las Pymes de Guayaquil y asi
contribuir en la mejora de la planificación del inventario.
Capacitacion del personal de la empresa, especialmente los involucrados
en la planificación de inventarios, para que tengan el conocimiento
necesario sobre los beneficios del modelo para control de inventarios
motivo de esta investigación.
123
ANEXOS
ANEXO 1
CÁLCULO DE CUARTILES PARA VARIABLE DE ENTRADA
DEMANDA ALEATORIA
Los cuartiles son medidas de posición cuyos valores ordenados dividen a la
muestra en grupos aproximados con el fin de resaltar la ubicación.
Esta mediada divide a los datos de la muestra en grupos de tamaño aproximado
de 25%
Primer Cuartil (Q1) = 25% de los datos.
Segundo Cuartil (Q2) = 50% de los datos.
Tercer Cuartil (Q3) = 75% de los datos.
La fórmula para el cálculo de los cuartiles está representada por
𝑟 =𝑝(𝑛 + 1)
100
Donde:
El valor de p está dado por el porcentaje definido anteriormente.
El valor de n es igual al total de la muestra.
Si el valor de r no es un entero, buscamos en entero más próximo k tal
que, k < r < (k+1).
124
Ahora buscaremos los valores de los cuartiles necesarios para el análisis de la
variable de entrada Demanda Aleatoria. Para el cálculo de los cuartiles se toman
las ventas de los cuatro primeros meses del año 2016 (enero-febrero-marzo-
abril)
Es necesario ordenar los datos para proceder con el cálculo de los cuartiles, a
continuación, se presentan los datos ordenados de forma ascendente.
Día Enero Febrero Marzo Abril
01 1 7 3 33
02 36 1 43
03 37 10 45
04 27 5 4 18
05 12 3 19 16
06 28 7 23 20
07 16 9 14 25
08 16 1 15 19
09 6 17 28
10 15 5 14 20
11 4 3 28 21
12 5 5 25 11
13 11 2 23 17
14 2 7 11 16
15 5 3 44 20
16 23 2 28 21
17 18 7 18 32
18 9 6 7 19
19 6 2 24 17
20 9 3 40 21
21 6 2 19 14
22 3 18 9
23 8 4 12 24
24 8 29 35
25 7 1 26 20
26 5 3 19 27
27 8 4 43 11
28 6 3 23 10
29 3 2 25 13
30 3 17 32
31 9 8
Ventas correspondientes año 2016
125
En el cálculo del primer cuartil Q1 se tiene p = 25 y n = 116 reemplazando en la
formula se tiene
𝑟 =25(116 + 1)
100= 29,25
Como r no es un numero entero, buscamos k tal que k < r < (k+1), se tiene k =
29 y k =30, los datos que se encuentran en estas posiciones son 5 y 5
respectivamente, por lo tanto, el valor del Q1 será el promedio de los dos valores
esto es Q1=5.
1 6 15 24
1 6 15 25
1 6 16 25
1 6 16 25
2 7 16 26
2 7 16 27
2 7 17 27
2 7 17 28
2 7 17 28
2 7 17 28
3 8 18 28
3 8 18 29
3 8 18 32
3 8 18 32
3 9 19 33
3 9 19 35
3 9 19 36
3 9 19 37
3 9 19 40
3 10 20 43
4 10 20 43
4 11 20 44
4 11 20 45
4 11 21
5 11 21
5 12 21
5 12 23
5 13 23
5 14 23
5 14 23
6 14 24
Datos ordenados
126
En el cálculo del segundo cuartil Q2 se tiene p = 50 y n = 116 reemplazando en
la formula se tiene
𝑟 =50(116 + 1)
100= 58,5
Como r no es un numero entero, buscamos k tal que k < r < (k+1), se tiene k =
58 y k =59, los datos que se encuentran en estas posiciones son 12 y 13
respectivamente, por lo tanto, el valor del Q2 será el promedio de los dos valores
esto es Q1=12.
En el cálculo del segundo cuartil Q3 se tiene p = 75 y n = 116 reemplazando en
la formula se tiene
𝑟 =75(116 + 1)
100= 87,75
Como r no es un numero entero, buscamos k tal que k < r < (k+1), se tiene k =
87 y k =88, los datos que se encuentran en estas posiciones son 21 y 21
respectivamente, por lo tanto, el valor del Q3 será el promedio de los dos valores
esto es Q1=21.
128
ANEXO 3
ANÁLISIS DE LA ENCUESTA UTILIZANDO EL SOFTWARE
ROTATORSURVEY
Definición de la población y la muestra
Diseño de las preguntas
131
ANEXO 4
PRUEBAS DE LA ENCUESTA REALIZADA
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMATICAS Y FISICAS CARRERA DE INGENIERIA EN SISTEMAS
Nombre del proyecto:
ESTUDIO DE LOS FACTORES QUE INCIDEN SOBRE LA GESTIÓN DE INVENTARIOS EN LAS PYMES MEDIANTE EL USO DE LÓGICA DIFUSA Y SIMULACIÓN MONTECARLO
Dirigido: Personal afectado por el reabastecimiento de inventario
Objetivo: El objetivo es poder conocer los principales problemas de reabastecimiento que afectan a las Pymes dedicadas a la actividad comercial.
Instrucciones:
• Marcar solo una respuesta
• Realizar la encuesta con bolígrafo azul o negro.
• Respuestas con tachones no se harán valer
• Sea lo más sincero posible, al momento de responder
Fecha:
N° Encuesta
Preguntas
Indicar el cargo que ocupa dentro de la empresa
Administrador local
Comprador
Encargado de bodega
Secretaria local
Personal de bodega
132
¿Cómo usted considera las acciones que toma la empresa para el
reaprovisionamiento de inventario?
Excelente trabajo
Buen trabajo
Regular trabajo
Trabajo inconcluso
Pésimo trabajo
¿Esta usted de acuerdo que la falta de conocimiento de la cantidad con que se
inicia el inventario genera un incorrecto reaprovisionamiento de inventario?
Totalmente de acuerdo
Parcialmente de acuerdo
Indiferente
No sabe
No contesta
¿Cree usted que es necesario la definición de un Valor Mínimo para la
generación de pedidos suficientes dentro de la empresa?
Totalmente de acuerdo
Parcialmente de acuerdo
Indiferente
No sabe
No contesta
133
¿Considera usted necesario establecer un Stock de seguridad para controlar el
desbalance por cambios impredecibles de la demanda?
Totalmente de acuerdo
Parcialmente de acuerdo
Indiferente
Parcialmente en desacuerdo
Totalmente en desacuerdo
6.- ¿Cree usted necesario una gestión de inventarios dentro de la empresa para
el correcto reaprovisionamiento de mercadería?
Totalmente de acuerdo
Parcialmente de acuerdo
Indiferente
Parcialmente en desacuerdo
Totalmente en desacuerdo
67- ¿Considera usted que el desbalance de inventario influye en un desequilibrio
en la generación de las órdenes de compra?
Totalmente de acuerdo
Parcialmente de acuerdo
Indiferente
Parcialmente en desacuerdo
Totalmente en desacuerdo
136
ANEXO 5
PASOS PARA EL ESTUDIO DE VARIABLES DIFUSAS UTILIZANDO
EL SOFTWARE MATLAB
1. Abrir Matlab
2. Digitar fuzzy en el consola de mathlab, luego dar enter
3. En la siguiente ventana, se añadirán las variables de entrada y salida que
se usaran. Para este ejemplo:
Entrada
Demanda
Ordenes al proveedor
Stock inicial
137
Salida
Respuesta del inventario
4. Se agregan siguiendo los siguientes pasos: Edit / Add Variable / Input
5. Para seleccionar y modificar cada variable, seleccionamos cada variable
(se resaltan de color rojo) y se presenta la siguiente pantalla
138
6. En esta variable definiremos el rango hasta 45, ya que este fue el valor
máximo del histórico con el que se trabajara.
7. En la variable OrdenesProveedor se define un rango hasta 90 ya que,
tomando en cuenta el histórico de ventas, es lo máximo que se debería
comprar.
139
8. Para la variable StockInicial se define como valor máximo 108, por el
motivo que más de esto la empresa considera como exceso ya que
excedió el máximo establecido.
Para la variable de salida los límites del rango van desde -72 hasta 72 (para una
mejor visualización se deja grabado como -80 y 80).
Estos límites de escogen como resultado del estudio.
MODIFICACION DE LAS FUNCIONES DE PERTENENCIA
140
Las funciones de pertenencia para cada variable lingüística se detallan en el
siguiente cuadro
Para modificar cada función de pertenencia bien podemos seleccionar cada una
(dar click en la línea se sombreará de color rojo) o se pueden eliminar todas y
crear nuevas.
Para eliminar seguimos estos pasos: Seleccionar / Edit / Remove Select MF
Luego se definirán el nombre, el tipo y los valores de la función.
141
Luego de definir los valores para cada función de pertenencia se obtiene los
siguientes
FUNCIONES ENTRADA
143
FUNCION SALIDA
Para escribir las reglas inferenciales, se siguen los siguientes pasos: Edit / Rules
Se mostrará la siguiente pantalla donde se deberán detallas las reglas
inferenciales que hemos encontrado. La parte resaltada con el cuadro es donde
debemos seleccionar las reglas
144
Una vez digitadas todas las reglas podemos ver las siguientes
En la opción: View / Rules
Podemos observar el resultado de la aplicación de estas reglas, en total se
aplican 19 reglas
146
ANALISIS DEL RESULTADO
Demanda Ordenes al proveedor Stock Inicial
Respuesta inventario
Decrece No pide Baja RG
Esto quiere decir:
Si la demanda está en 4.07 (decrece), las ordenes al proveedor en 5.96 (no
pide) y el stock inicial en 15 (bajo); entonces la respuesta del inventario es
realizar un reaprovisionamiento grande (90)
Demanda Ordenes al proveedor Stock Inicial
Respuesta inventario
Decrece No pide Adecuada RM
147
Esto quiere decir:
Si la demanda está en 4.07 (decrece), las ordenes al proveedor en 5.96(no pide)
y el stock inicial en 38.4 (adecuado); entonces la respuesta del inventario es
realizar un reaprovisionamiento mediano (55.7)
Demanda Ordenes al proveedor Stock Inicial
Respuesta inventario
Decrece Pedido normal
Baja RG
Esto quiere decir:
Si la demanda está en 4.07 (decrece), las ordenes al proveedor en 40.7 (pedido
normal) y el stock inicial en 9.76 (bajo); entonces la respuesta del inventario es
realizar un reaprovisionamiento grande (90).
148
Demanda Ordenes al proveedor Stock Inicial
Respuesta inventario
Decrece Pedido normal
Adecuada RM
Esto quiere decir:
Si la demanda está en 4.07 (decrece), las ordenes al proveedor en 36.8 (pedido
normal) y el stock inicial en 38 (adecuado); entonces la respuesta del inventario
es realizar un reaprovisionamiento mediano (55.8).
Demanda Ordenes al
Stock Inicial Respuesta
149
proveedor inventario
Decrece Pide mucho Baja RP
Esto quiere decir:
Si la demanda está en 4.07 (decrece), las ordenes al proveedor en 77.5 (pide
mucho) y el stock inicial en 7.16 (bajo); entonces la respuesta del inventario es
realizar un reaprovisionamiento pequeño (18).
Demanda Ordenes al proveedor Stock Inicial
Respuesta inventario
Decrece Pide mucho Adecuada RP
150
Esto quiere decir:
Si la demanda está en 4.07 (decrece), las ordenes al proveedor en 71 (pide
mucho) y el stock inicial en 38.4 (adecuado); entonces la respuesta del inventario
es realizar un reaprovisionamiento pequeño (24.4).
Demanda Ordenes al proveedor Stock Inicial
Respuesta inventario
Se Mantiene No pide Baja RM
Esto quiere decir:
Si la demanda está en 13.8 (se mantiene), las ordenes al proveedor en 7.05 (no
pide) y el stock inicial en 8.46 (bajo); entonces la respuesta del inventario es
realizar un reaprovisionamiento mediano (63.9).
151
Demanda Ordenes al proveedor Stock Inicial
Respuesta inventario
Se Mantiene No pide Adecuada RP
Esto quiere decir:
Si la demanda está en 13.8 (se mantiene), las ordenes al proveedor en 7.05 (no
pide) y el stock inicial en 35.8 (adecuado); entonces la respuesta del inventario
es realizar un reaprovisionamiento pequeño (39.2).
Demanda Ordenes al proveedor Stock Inicial
Respuesta inventario
Se Mantiene Pedido normal
Baja RM
152
Esto quiere decir:
Si la demanda está en 13.8 (se mantiene), las ordenes al proveedor en 36.3
(normal) y el stock inicial en 11.1 (bajo); entonces la respuesta del inventario es
realizar un reaprovisionamiento mediano (52.1).
Demanda Ordenes al proveedor Stock Inicial
Respuesta inventario
Se Mantiene Pedido normal
Adecuada RP
Esto quiere decir:
Si la demanda está en 13.8 (se mantiene), las ordenes al proveedor en 36.3
(normal) y el stock inicial en 38.4 (adecuado); entonces la respuesta del
inventario es realizar un reaprovisionamiento pequeño (30.4).
153
Demanda Ordenes al proveedor Stock Inicial
Respuesta inventario
Aumenta No pide Baja RG
Esto quiere decir:
Si la demanda está en 39.2 (aumenta), las ordenes al proveedor en 8.23 (no
pide) y el stock inicial en 9.88 (bajo); entonces la respuesta del inventario es
realizar un reaprovisionamiento grande (90).
Demanda Ordenes al proveedor Stock Inicial
Respuesta inventario
Aumenta No pide Adecuada RM
154
Esto quiere decir:
Si la demanda está en 39.2 (aumenta), las ordenes al proveedor en 8.23 (no
pide) y el stock inicial en 36.29 (adecuado); entonces la respuesta del inventario
es realizar un reaprovisionamiento mediano (61.4).
Demanda Ordenes al proveedor Stock Inicial
Respuesta inventario
Aumenta No pide Elevada RP
Esto quiere decir:
Si la demanda está en 39.2 (aumenta), las ordenes al proveedor en 8.23 (no
pide) y el stock inicial en 95.5 (elevado); entonces la respuesta del inventario es
realizar un reaprovisionamiento pequeño (18).
155
Demanda Ordenes al proveedor Stock Inicial
Respuesta inventario
Aumenta Pedido normal
Baja RG
Esto quiere decir:
Si la demanda está en 39.2 (aumenta), las ordenes al proveedor en 37.9
(normal) y el stock inicial en 12.5 (bajo); entonces la respuesta del inventario es
realizar un reaprovisionamiento grande (90).
156
Demanda Ordenes al proveedor Stock Inicial
Respuesta inventario
Aumenta Pedido normal
Adecuada RM
Esto quiere decir:
Si la demanda está en 39.2 (aumenta), las ordenes al proveedor en 37.9
(normal) y el stock inicial en 49.8 (adecuado); entonces la respuesta del
inventario es realizar un reaprovisionamiento mediano (40.4).
157
Demanda Ordenes al proveedor Stock Inicial
Respuesta inventario
Aumenta Pedido normal
Elevada RP
Esto quiere decir:
Si la demanda está en 39.2 (aumenta), las ordenes al proveedor en 37.9
(normal) y el stock inicial en 103 (elevado); entonces la respuesta del inventario
es realizar un reaprovisionamiento pequeño (18).
158
Demanda Ordenes al proveedor Stock Inicial
Respuesta inventario
Aumenta Pide mucho Baja RG
Esto quiere decir:
Si la demanda está en 39.2 (aumenta), las ordenes al proveedor en 81.8
(mucho) y el stock inicial en 12.5 (bajo); entonces la respuesta del inventario es
realizar un reaprovisionamiento grande (90).
Demanda Ordenes al proveedor Stock Inicial
Respuesta inventario
Aumenta Pide mucho Adecuada RM
159
Esto quiere decir:
Si la demanda está en 39.2 (aumenta), las ordenes al proveedor en 81.8
(mucho) y el stock inicial en 44.1 (alto); entonces la respuesta del inventario es
realizar un reaprovisionamiento mediano (46.7).
Demanda Ordenes al proveedor Stock Inicial
Respuesta inventario
Aumenta Pide mucho Elevada RP
Esto quiere decir:
Si la demanda está en 39.2 (aumenta), las ordenes al proveedor en 81.8
(mucho) y el stock inicial en 102 (elevado); entonces la respuesta del inventario
es realizar un reaprovisionamiento pequeño (18).
CODIFICACION GENERAL
Proyecto Tesis.fis
[System] Name='Projecto Tesis' Type='mamdani' Version=2.0 NumInputs=3 NumOutputs=1 NumRules=19 AndMethod='min' OrMethod='max' ImpMethod='min' AggMethod='max'
160
DefuzzMethod='centroid'
[Input1] Name='Demanda' Range=[0 45] NumMFs=3 MF1='DAD':'trapmf',[0 0 5 12] MF2='DAM':'trimf',[5 12 21] MF3='DAI':'trapmf',[12 21 45 45]
[Input2] Name='OrdenesProveedor' Range=[0 90] NumMFs=3 MF1='OPP':'trapmf',[0 0 30 54] MF2='OPN':'trimf',[30 54 72] MF3='OPM':'trapmf',[54 72 90 90]
[Input3] Name='StcokInicial' Range=[0 108] NumMFs=3 MF1='IIB':'trapmf',[0 0 19.44 38.88] MF2='IIA':'trimf',[19.44 38.88 77.76] MF3='IIE':'trapmf',[38.88 77.76 108 108]
[Output1] Name='RespuestaInventario' Range=[0 126] NumMFs=3 MF1='RP':'trimf',[0 18 36] MF2='RM':'trimf',[36 54 72] MF3='RG':'trimf',[72 90 108]
[Rules] 1 1 1, 3 (1) : 1 1 1 2, 2 (1) : 1 1 2 1, 3 (1) : 1 1 2 2, 2 (1) : 1 1 3 1, 1 (1) : 1 1 3 2, 1 (1) : 1 2 1 1, 2 (1) : 1 2 1 2, 1 (1) : 1 2 2 1, 2 (1) : 1 2 2 1, 1 (1) : 1 3 1 1, 3 (1) : 1 3 1 2, 2 (1) : 1 3 1 3, 1 (1) : 1 3 2 1, 3 (1) : 1 3 2 2, 2 (1) : 1 3 2 2, 1 (1) : 1 3 3 1, 3 (1) : 1 3 3 2, 2 (1) : 1 3 3 3, 1 (1) : 1
161
ANEXO 6
PASOS PARA EL DESARROLLO DE LA SIMULACIÓN CON LA HERRAMIENTA XLSTAT
1. Primero se deben escoger los datos que servirán de modelo para la
simulación, para esta investigación fueron las ventas del año 2016. Los
datos ya ordenados quedan de la siguiente manera:
Ventas (demanda aleatoria)
36 2 22 32 31 20 3 28 16 10 14
1 5 8 14 8 24 6 28 27 19 29
16 8 20 45 31 20 27 30 27 45 14
11 49 13 25 6 11 9 9 14 19 32
25 8 12 18 21 2 23 15 21 46 29
28 34 1 19 7 11 21 28 6 20 33
44 17 22 4 7 18 12 11 25 15 29
32 23 17 17 7 27 34 21 17 22 19
43 31 16 22 11 25 43 25 13 37 24
25 27 42 17 21 13 23 10 21 21 21
15 41 11 9 11 16 14 32 37 50 49
15 40 20 22 35 14 10 15 27 21 31
7 11 53 5 20 24 36 22 27 25 53
12 20 3 3 6 27 18 5 32 25 8
18 24 21 25 15 14 12 24 24 14 17
24 23 3 26 18 19 13 43 12 17 15
10 18 10 7 19 30 17 12 25 32 43
13 3 32 3 5 4 18 21 23 6 16
19 18 16 9 64 8 11 9 27 8 24
18 16 17 16 3 21 1 13 16 28 23
17 20 15 8 2 11 12 35 38 15 15
12 13 8 23 18 14 27 39 41 22 18
20 12 28 14 45 12 46 18 28 2 28
23 25 11 2 27 9 15 24 19 22 17
11 35 26 28 22 20 18 24 14 13 16
26 17 29 27 22 21 29 28 19 9 21
44 2 3 29 24 21 29 27 3 23 9
11 28 63 26 15 18 34 16 4 56 7
7 12 50 28 15 10 19 64 31 51 23
14 11 14 14 37 20 32 4 27 28 27
39 23 7 27 5 5 6 28 26 7 19
26 26 54 16 17 15 37 7 33 16 15
15 28 25 31 3 14 3 30
162
2. Luego de ordenar estos valores de manera vertical, se abre un archivo de
XLSTAT (Será una pantalla muy similar a Excel, ya que este programa es un
complemento de Excel). Ya en esta pantalla se escoge la opción: Preparing
data / Data sampling
3. En la opción de Data se escoge todos los valores de ventas antes buscados,
en Sampling, se escoge Random with replacement (al azar y reemplazar)
luego damos OK
163
4. Se mostrara el siguiente mensaje, marcar el check y damos click en
Continue.
5. Aquí ya se generan los datos, junto al siguiente mensaje
6. Estos datos son escogidos para simular la demanda en el método
Montecarlo.
164
ANEXO 7
APLICACIÓN DE LÓGICA DIFUSA AL MODELO MONTECARLO
Como conclusión en la aplicación de las reglas inferenciales, se detallan a
continuación:
Demanda Ordenes al proveedor Stock Inicial
Respuesta inventario
Decrece No pide Baja RG
Decrece No pide Adecuada RM
Decrece Pedido normal
Baja RG
Decrece Pedido normal
Adecuada RM
Decrece Pide mucho Baja RP
Decrece Pide mucho Adecuada RP
Se Mantiene No pide Baja RM
Se Mantiene No pide Adecuada RP
Se Mantiene Pedido normal
Baja RM
Se Mantiene Pedido normal
Adecuada RP
Aumenta No pide Baja RG
Aumenta No pide Adecuada RM
Aumenta No pide Elevada RP
Aumenta Pedido normal
Baja RG
Aumenta Pedido normal
Adecuada RM
Aumenta Pedido normal
Elevada RP
Aumenta Pide mucho Baja RG
Aumenta Pide mucho Adecuada RM
Aumenta Pide mucho Elevada RP
Los gráficos están detallados según el orden anterior
175
BIBLIOGRAFÍA
(s.f.).
Anzil, F. (17 de Enero de 2017). La ciencia y el método hipótetico
deductivo. Obtenido de Econlink:
https://www.econlink.com.ar/ciencia/metodo-hipotetico-deductivo
Arias, F. (2012). El proyecto de investigación. Introducción a la
metodología científica 5ta Edición. Caracas: Editorial Episteme.
Arzac, C., Alves, J., Vera , E., Bohdan, C., Nichio, N., & Santori, G. (2011).
Simulación aplicada a la gestión dd stock. TECPRO, 1-8.
Banco Mundial. (20 de Junio de 2016). Los emprendedores y las
pequeñas empresas impulsan el crecimiento económico y crean
empleos. Obtenido de Grupo Banco Mundial:
http://www.bancomundial.org/es/news/feature/2016/06/20/entrepre
neurs-and-small-businesses-spur-economic-growth-and-create-jobs
Bernal, J. (15 de octubre de 2013). Gestión de stocks: como controlar en
inventario de un producto para evitar roturas de stock y minimizar
los gastos. Obtenido de pdcahome:
http://www.pdcahome.com/5613/gestion-de-stocks-como-calcular-
el-nivel-de-stock-de-un-producto-para-minimizar-los-gastos/
Brenes, P. (2015). Técnicas de almacén. España: Editex.
Cano, P., Orue, F., Mayett, Y., Martínez, J., & López, G. (2014). Modelo
de gestion logistica para pequeñas y medianas empresas en
Mexico. ScienceDirect, 181 - 203.
Castellanos Ramirez, A. (2015). Logística comercial internacional.
Barranquilla: Editorial Universidad del Norte.
Cauas, D. (01 de Enero de 2015). Definicion de las variables, enfoque y
tipo de investigación. Obtenido de Bogotá: biblioteca electrónica de
la universidad Nacional de Colombia:
https://s3.amazonaws.com/academia.edu.documents/36805674/l-
Variables.pdf?AWSAccessKeyId=AKIAIWOWYYGZ2Y53UL3A&Ex
pires=1503235441&Signature=euzwiXjAZdNSkEl9fYJZsHhSEV8%
3D&response-content-
disposition=inline%3B%20filename%3Dvariables_de_Daniel_Caua
s.pdf
176
Chacón, N. (16 de mayo de 2015). ¿Cómo calculo el inventario incial y
final? Obtenido de Gerencia retail:
https://www.gerenciaretail.com/2015/05/16/como-calculo-el-
inventario-inicial-y-final/
Cortes, J. (2014). Fundamentos de la Gestión de Inventarios. Medellín:
Centro Editorial Esumer.
Díaz, C., Aguilera, A., & Guillen, N. (2014). Logica difusa vs. modelo de
regresion multiple para la seleccion de personal. Scielo, 547-559.
Escobar, J., Linfati, R., & Jaimes, W. (2017). Gestion de inventarios para
distribuidores de productos perecederos. Ingenieria y desarrollo
Universidad del Norte, 219 - 239.
García, T., Galo, H., Villafuerte, O., & Marcelo, F. (2015). Las restricciones
al financiamiento de las Pymes del Ecuador y si incidencia en la
politica de inversiones. Redalyc, 49 - 73.
Grande Esteban, I., & Abascal Férnadez, E. (2017). Fundamentos y
técnicas de investigación comercial. Madrid: ESIC Editorial.
Iglesias López, A. (06 de marzo de 2014). Demanda
independiente/Demanda dependiente. Obtenido de Logispyme:
https://logispyme.wordpress.com/2014/03/06/demanda-
independiente-demanda-dependiente/
Lagos, E. (1 de Agosto de 2005). Stocks y manejo de inventarios.
Obtenido de Gestiopolis: https://www.gestiopolis.com/stocks-
manejo-inventarios/
Lemes, A., & Machado , T. (2007). Las Pymes y su espacio en la
economia latinoamericana. Las medianas pequeñas y
microempresas del siglo XXI (pág. 20). España: Eumed.net.
Lopes, M. I., Gómez, M. I., & Acevedo, J. A. (2012). Situación de la
gestión de inventarios en Cuba. Scielo, 317-330.
López, P. (2014). Población muestra y muestreo. Scielo, 69-74.
Maddah, S., & Muñoz, A. (2014). Algoritmo Monte Cralo multicapas
modificado para la simulación de la luz difusa en la atmósfera.
Redalyc, 7-15.
177
Mariategui, U. J. (20 de Junio de 2016). Biblioteca Virtual Universidad
José Carlos Mariategui. Obtenido de El Control y Planificación de
los Inventarios:
http://bv.ujcm.edu.pe/links/cur_comercial/LogisticaEmpresarial-
11.pdf
Mas Ruíz, F. (2012). Temas de investigación comercial 6ta edición.
España: Club Universitario.
Mauleón Torres, M. (2012). Logistica y Costos. Madrid: Ediciones Dias de
Santos.
Olmo, M. Á. (01 de Septiembre de 2008). Tutorial de Introducción de
Lógica Borrosa. Obtenido de Departamento de Matemática
Aplicada:
http://www.dma.fi.upm.es/recursos/aplicaciones/logica_borrosa/web
/tutorial_fuzzy/contenido3.html
Palacio, C. (01 de Septiembre de 2015). Metodo Montecarlo. Obtenido de
Universidad Autónoma de Madrid:
https://www.uam.es/personal_pdi/ciencias/carlosp/html/pid/monteca
rlo.html
Peiro Ucha, A. (01 de Septiembre de 2017). La demanda. Obtenido de
Economipedia, haciendo fácil la economía:
http://economipedia.com/definiciones/demanda.html
Perez Vergara , I., Cifuentes Laguna, A., Vasquez Garcia, C., & Ocampo,
D. (2013). Un modelo de gestion de inventarios para una empresa
de productos alimenticios. Scielo, 227-236.
Pérez, G. (6 de Abril de 1996). Método de modelación. Obtenido de
EcuRed:
https://www.ecured.cu/M%C3%A9todo_de_modelaci%C3%B3n
Pita Férnandez, S., & Pértega Díaz, S. (06 de Marzo de 2001). Estadística
descriptiva para datos. Obtenido de Fisterra.com:
http://www.fisterra.com/mbe/investiga/10descriptiva/10descriptiva.a
sp
Pozzi, S. (15 de Enero de 2016). El País. Amazon gestiona cargueros
desde China para ahorrar costes, pág. Economía.
178
PRICING SPA. (01 de Abril de 2015). Aplicaciones de la series de tiempo.
Obtenido de Pricing Renueve Management:
https://www.pricing.cl/contenido/ED/seriesdetiempo.html#
Rios, F., Martinez, A., Palomo, T., Caceres, S., & Diaz, M. (2008).
Inventarios probabilísticos con demanda independiente de revisión
continua. Scielo, 251-258.
Rodriguez Ojeda, L. (2014). Probabilidad y estadística básica para
ingenieros. Obtenido de Repositorio de la Escuela Superior
Politecnica del Litoral:
https://www.dspace.espol.edu.ec/bitstream/123456789/25020/1/PR
OBABILIDAD%20Y%20ESTADISTICA%20BASICA%20PARA%20I
NGENIEROS.pdf
Rodriguez, B., Hernandez, D., & Jimenez, M. (01 de Junio de 2013).
Departamento de Analisi Matematico. Obtenido de Universidad La
Laguna:
https://campusvirtual.ull.es/ocw/pluginfile.php/6115/mod_resource/c
ontent/1/tema9/ME9-muestreo.pdf
RotatorSurvey. (02 de junio de 2013). RotatorSurvey Encuestas
profesionales. Obtenido de RotatorSurvey Encuestas
profesionales: http://rotatorsurvey.com/index.html
Sabriá, F. (03 de Abril de 2003). El Caso Hewlett Packard: Reinventando
la Cadena de Suministro. Obtenido de Aragón Empresa:
https://www.aragonempresa.com/paginas/congresos-foro-pilot-
2003-hp-iese-sabria
SIMERGIA. (01 de Junio de 2017). ¿Que es la simulacion de procesos?
Obtenido de SIMERGIA: http://simergia.com/simulacion-de-
procesos/
SRI. (01 de enero de 2017). Importancia de las Pymes. Obtenido de SRI:
http://www.sri.gob.ec/de/32
Torres, M., & Salazar, F. (2006). Tamaño de una muestra para una
investigación de mercado. Facultad de Ingeniería-Universidad
Rafael Landívar, 1-13.
Vermorel, J. (01 de Noviemvre de 2014). Demanda de tiempo de entrega:
Definición. Obtenido de Lokad:
179
https://www.lokad.com/es/definicion-demanda-de-tiempo-de-
entrega
XLSTAT. (2 de Enero de 2017). XLSTAT Software Estadistico para Excel.
Obtenido de XLSTAT Software Estadistico para Excel:
https://www.xlstat.com/es/
Zadeh, L. (1965). Conjuntos difusos. California: Departamento de
ingenieria electrica Univerisdad de California.