Vol.

14 N 27

Muoz Negrn y Muoz Medina: Pronsticos bayesianos para repuestos de automviles

PRONSTICOS BAYESIANOS PARA REPuestoS DE

AUTOMVILES USANDO SIMULACIN ESTOCSTICA

BAYESIAN FORECASTINGS FOR automobile parts

USING STOCHASTIC SIMULATION
David F. Muoz Negrn1 y Diego F. Muoz Medina2

Resumen
Este artculo presenta el desarrollo y la aplicacin de un modelo de simulacin que fue utilizado para pronosticar la demanda
de repuestos de automviles a partir de informacin obtenida de un distribuidor de automviles y repuestos en Mxico, D. F.
En particular, este trabajo ilustra, con un modelo sencillo, cmo se pueden combinar la simulacin estocstica y la estadstica
bayesiana para modelar y resolver problemas complejos de pronstico. El marco propuesto es suficientemente general para
aplicarse a modelos muy detallados del fenmeno en estudio. Los resultados obtenidos demuestran cmo se puede incorporar
la incertidumbre en los parmetros del modelo, y su aplicacin usando datos reales, revela cmo la amplitud de la muestra
produce una distribucin posterior con poca influencia sobre la distribucin a priori.
Palabras claves: pronsticos, pronstico de repuestos, estimacin bayesiana, puntos de reorden, nivel de servicio.
Abstract
This article presents the development and application of a simulation model that was used to forecast the demand of automobile parts using information from a car dealer in Mexico, D. F. In particular, this work illustrates, using a simple model, how
stochastic simulation and Bayesian statistics can be combined to model and solve complex forecasting problems. The proposed
framework is general enough to be applied to very detailed models of the system under study. The results obtained demonstrate how uncertainty on the parameters of the model can be incorporated, and the application using real data shows how a
large sample size produces a posterior distribution that has little influence from the prior distribution.
Keywords: Forecasts, repair forecasts, Bayesian inferences, reorder points, level of service.

1. Instituto Tecnolgico Autnomo de Mxico. Ph. D. en Investigacin de Operaciones de Stanford University, California. <davidm@itam.mx>.
2. Estudiante del Master of Science en Management Science and Engineering, Stanford University. Ingeniero industrial, Instituto Tecnolgico Autnomo de Mxico (Mxico). <dkedmun@stanford.edu>.

Journal of Economics, Finance and Administrative Science

Introduccin
El pronstico de la demanda juega un papel fundamental en la estrategia de numerosas organizaciones
de manufactura o servicios. La elaboracin de pronsticos es de gran ayuda en la programacin de la mano
de obra, la obtencin de niveles de servicio adecuados
y la determinacin de los requerimientos de recursos,
entre otras aplicaciones (Makridakis et l., 1998). La capacidad para elaborar pronsticos con un alto grado
de precisin es un objetivo que adquiere creciente importancia en un gran nmero de empresas y, en particular, juega un papel fundamental para pronosticar
demandas que tienen un patrn espordico.
Diversos autores como Wacker y Sprague (1998), y
Zotteri y Kalchschmidt (2007) consideran que la precisin de un pronstico depende, sensiblemente, de
la tcnica cuantitativa que se emplea para elaborarlo. Por lo tanto, este artculo ha sido motivado por la
necesidad de formular y aplicar nuevas herramientas
para la elaboracin de pronsticos de la demanda y,
en particular, para los casos en los que la demanda es
espordica. De acuerdo con el trabajo de Caniato et l.
(2005) y Kalchschmidt et l. (2006), es indispensable
proponer tcnicas de pronsticos que no solo tomen
en cuenta la serie de tiempo, sino tambin la estructura del proceso que genera la demanda (variabilidad no
sistemtica). Por esta razn, el presente artculo mostrar cmo se puede aplicar tcnicas de simulacin y
estadstica bayesiana en un modelo que toma en cuenta las caractersticas especficas del sistema que se pretende estudiar.
En la prctica, un modelo de pronstico puede llegar a ser complejo, en el sentido que no es posible obtener expresiones analticas para los estimadores puntuales y de variabilidad requeridos para el pronstico.
A manera de ejemplo, puede mencionarse el modelo
de Croston (1972) propuesto para pronosticar demanda intermitente, cuyos resultados fueron corregidos
por Rao (1973) y, ms adelante, por Syntetos y Boylan
(2001). Por esta razn es relevante proponer metodologas que permitan incorporar un modelo complejo
de pronstico utilizando la simulacin para estimar
los parmetros necesarios para construir el pronstico. Curiosamente, hasta el da de hoy se haba estado

December 2009

utilizando simulacin para comparar el desempeo de

diferentes tcnicas de pronsticos (vase Bartezzaghi
et l., 1999; Zotteri & Kalchschmidt, 2007a y b). Sin embargo, la literatura sobre el uso de la simulacin como
herramienta para construir pronsticos todava es escasa. Una de estas pocas referencias es Willemain et l.
(2004), donde se utiliza un modelo de simulacin para
pronosticar demandas con patrones intermitentes y se
obtiene mejores resultados que con los mtodos de
Croston y de suavizamiento exponencial, aunque en
este trabajo no se incorpor la incertidumbre paramtrica en el pronstico.
Es conveniente remarcar las ventajas que presenta
el enfoque bayesiano usado en este artculo, en comparacin con las alternativas tradicionales (frecuentistas), cuando se utiliza un modelo complejo para construir pronsticos. En primer lugar, en las aplicaciones
tradicionales donde se utiliza la simulacin estocstica
como herramienta de anlisis se suele fijar el valor de
los parmetros de las distribuciones de probabilidad
(reemplazndolos, por ejemplo, por estimadores de
mxima verosimilitud); en este caso, el mtodo tradicional no es capaz de incorporar la incertidumbre
paramtrica en el pronstico y puede subestimar el
riesgo del mismo. Por otro lado, si bien existen mtodos tradicionales que consideran la incertidumbre
paramtrica, en algn momento se ven forzados a
sustituir el valor del parmetro por un estimador puntual; por ejemplo, Cheng y Holland (2004) proponen
que al utilizar simulacin estocstica, la incertidumbre
paramtrica puede incorporarse utilizando bootstrap
paramtrico, que consiste en remuestrear (a travs de
simulacin) los estimadores de mxima verosimilitud
de la distribucin de probabilidades que se obtiene al
reemplazar el valor de los parmetros por el estimador mximo verosmil que se calcul a partir de una
muestra de observaciones (reales). En cambio, como se
ilustra en este artculo, un enfoque bayesiano permite
incorporar la incertidumbre paramtrica de manera
natural, sin necesidad de asumir algn valor particular
para los parmetros.
Debido a las consideraciones mencionadas, la construccin de pronsticos bajo un enfoque bayesiano es
aconsejable cuando el investigador est interesado en
cuantificar la incertidumbre paramtrica (por ejemplo,

Vol. 14 N 27

Muoz Negrn y Muoz Medina: Pronsticos bayesianos para repuestos de automviles

porque los datos provienen de muestras de un pequeo tamao), como se ilustra en Alba y Mendoza (2007),
donde los autores presentan la aplicacin de un mtodo
bayesiano para datos estacionales y muestran que este
mtodo se desempea mejor que los de series de tiempo tradicionales cuando la serie de tiempo es corta.
Este artculo presenta el desarrollo y la aplicacin de
un modelo de simulacin que fue utilizado para pronosticar la demanda de repuestos de automviles que
experimenta un concesionario en Mxico, D. F. Asimismo, se ilustra el potencial de la simulacin como una
poderosa herramienta para elaborar pronsticos utilizando un modelo complejo del sistema en estudio. La
metodologa utilizada puede ser vista como un ejemplo de cmo es posible atacar problemas de pronstico
cuando la complejidad del modelo no permite obtener
expresiones analticas para los estimadores de pronstico puntual y de la incertidumbre en el pronstico.
El artculo se compone de cuatro secciones. En la
primera seccin se presenta un marco terico general para la aplicacin de la simulacin y la estadstica
bayesiana para construir pronsticos y se revisan las
tcnicas disponibles para producir los estimadores de
los parmetros requeridos para pronosticar. En la segunda seccin se presentan dos modelos simples que
pueden ser utilizados para producir pronsticos de
repuestos que siguen un patrn de demanda espordica. En la tercera seccin se utilizan datos reales de la
demanda de embragues, obtenidos de un distribuidor
de automviles y repuestos en Mxico, D. F., para implementar uno de los modelos descritos en la segunda seccin con las tcnicas de simulacin presentadas
en la primera seccin. En particular, se ilustra cmo se
estiman la demanda esperada y el punto de reorden
para la demanda de embragues durante el tiempo de
demora de una orden de suministro. Finalmente, en la
cuarta seccin se presentan las principales conclusiones de este trabajo y se discuten direcciones para futuras investigaciones.

Definicin del problema

En esta seccin se hace una pequea revisin del marco y de las tcnicas presentadas en Muoz (2009), que

sern aplicadas en este artculo. En dicho artculo se

proponen dos pasos esenciales para la construccin
de pronsticos utilizando simulacin. El primer paso
consiste en la evaluacin de la incertidumbre sobre los
parmetros del modelo utilizando la informacin disponible (x) y una densidad a priori p(). En el segundo
paso se utilizan el modelo de simulacin y la densidad
posterior para estimar los parmetros requeridos para
hacer pronsticos sobre la variable de respuesta.
La densidad a priori p() refleja la incertidumbre
inicial sobre el vector de parmetros , y existen fundamentalmente dos puntos de vista para proponer
p(). El primero consiste en usar una densidad a priori
no informativa, la cual es apropiada cuando se desea
que no se favorezca ningn valor posible de sobre otro, y este constituye un punto de vista objetivo
(una reciente discusin sobre este tema puede verse
en Berger et l., 2009). Las densidades a priori no informativas han sido muy estudiadas, y varios libros sobre
estadstica bayesiana (por ejemplo, Bernardo & Smith,
2000) publican la correspondiente densidad a priori
no informativa (de referencia) para las distribuciones
ms usadas. El segundo enfoque es un punto de vista
subjetivo y consiste en establecer la densidad a priori
con base en opiniones de expertos, vase por ejemplo, Kraan y Bedford (2005) para una discusin sobre
la construccin de una densidad a priori con base en
pronsticos de expertos.
Luego de identificar la densidad a priori p(), la incertidumbre paramtrica se cuantifica por medio de la
densidad posterior p(|x):

p(|x) =

p()L(x|)

Pp()L(x|) d

(1)

para x y P, donde L(x | ) es la funcin

de verosimilitud, que para el caso particular en que
x=(x1,x2,,xn) es un conjunto de observaciones de
una muestra aleatoria X=(X1,X2,,Xn) de una funcin de densidad f(y| ), la funcin de verosimilitud
toma la forma:

L(x| )=f(x1| )f(x2| )f(xn| )

(2)

10

Journal of Economics, Finance and Administrative Science

En general, un pronstico para la variable de respuesta W queda definido por su funcin de distribucin acumulada (f.d.a.) F(w|x)=P[W w|X=x].
Sin embargo, desde un punto de vista prctico, un
pronstico se expresa en trminos de un pronstico
puntual y una medida de la incertidumbre de dicha
estimacin. El pronstico puntual ms usado en estadstica bayesiana es la esperanza:

r(x)=E[W|X=x]

(3)

Otra medida de desempeo de importancia prctica es el -cuantil definido por:

q (x)=inf{w:F(w|x)}

menta el nmero de repeticiones m. Sin embargo, cabe

mencionar que el nmero de repeticiones necesarias
para alcanzar un nivel de precisin predeterminado
depende en gran medida del problema. Por lo tanto,
es una buena prctica calcular una medida de precisin del estimador puntual e incrementar las rplicas
del experimento hasta obtener la precisin deseada.
El procedimiento ms difundido para evaluar la precisin de un estimador puntual obtenido por medio de
simulacin consiste en calcular el ancho medio de un
intervalo de confianza (IC) asinttico. El ancho medio
de un IC de 100(1)% de confianza apropiado para
el estimador r (x) obtenido por MP est dado por:

(4)

H [ r (x)]= z1/2 S(x)

m

para 0<<1. Los -cuantiles son tiles para evaluar

la incertidumbre del pronstico puntual r(x), ya que

permiten construir un intervalo de prediccin del

(1)100% (donde 0<<1), que toma la forma
de [q/2 (x) , q1/2 (x)]. Dicho intervalo es llamado
un intervalo de prediccin del (1 )100% porque
P[q/2(x)Wq1/2(x)|X=x]=1, siempre y
cuando F(w|x) sea continua en q/2(x)y q1/2(x).
Los cuantiles tambin son tiles para calcular puntos de reorden para la administracin de inventarios.
En este caso, cuandoWes la demanda durante el tiempo de demora del suministro, el cuantil q(x) puede
ser interpretado como el punto de reorden para alcanzar un nivel de servicio (tipo-I) del 100% (vase, por
ejemplo, Chopra & Meindl, 2004).

Cuando las expresiones analticas para los parmetros del pronstico definidas en las ecuaciones (3)
y (4) no pueden ser obtenidas (o es muy complicado
hacerlo), se puede hacer una estimacin de estos parmetros utilizando simulacin. En el grfico 2 de Muoz
(2009, p. 15) se presenta un primer algoritmo, que ser
llamado muestreo posterior (MP), debido a que se generan valores del parmetro a partir de la densidad
posterior p (|x) para luego obtener observaciones independientes e idnticamente distribuidas de la variable de respuesta W que permiten estimar el pronstico
puntual r (x) y el cuantil q(x). Como es bien sabido,
dichos estimadores son consistentes, lo cual implica
que se aproximan al parmetro a medida que se incre-

December 2009

(5)

2 y z

donde S(x)=m1/2 [ Wi r(x)]

1/2 denota
el (1/2)cuantil de una distribucin normal estndar. Una interpretacin simple de un ancho medio es
que el parmetro r (x) se halla entre r (x)H[r (x)]
con una confianza del 100(1)%. Por ello, un ancho
medio resulta muy til para evaluar la precisin de un
estimador puntual. Anlogamente, un ancho medio
del 100(1)% de confianza para el estimador q(x)
obtenido a travs del MP est dado por:

H [q(x)]= (Yn1+Yn2) /2

(6)

donde Y1 Y2 Yn resultan de ordenar

las Wi , n1 = m z1/2 [m (1 )] 1/2 , y
n2 = m + z1/2 [m (1 )]1/2 . Una prueba de
la validez asinttica de este ancho medio se puede
hallar en Serfling (1980).
La tcnica clsica para analizar experimentos por simulacin transitoria adopta un algoritmo muy similar
al algoritmo MP, con la diferencia de que el valor de
es fijo y, por ello, no se requiere el muestreo de p (|x).
Por lo tanto, la varianza de la variable de respuesta bajo
un enfoque clsico toma la forma:

2()=E[W2|X=x,=]

(E[W|X=x,=]) 2

(7)

Vol. 14 N 27

11

Muoz Negrn y Muoz Medina: Pronsticos bayesianos para repuestos de automviles

donde P es el valor que se ha fijado para . Por

otro lado, bajo el enfoque bayesiano, la varianza de la
variable de respuesta es:

W2 = E[W2|X=x](E[W|X=x]) 2 ,

(8)

de manera que sumando y restando el trmino

E[r12()|X=x] en (8), se puede verificar que:

W2 = p2 + 2s

Habiendo escogido un nmero b de grupos entre

5 y 20 (como sugiere Schmeiser, 1982), los siguientes
anchos medios del 100(1)% de confianza son asintticamente vlidos (a medida que m) para r (x)
y q (x), respectivamente:

H [rMC (x)] = t(b1,1/2)

SMC(x)
b

(10)

(11)

(9)

donde p2 =E[r12()|X=x](E[r1()|X=x])2,
r1()=E[W|X=x,=] , 2s =E[2()|X=x],
y 2()est definido en (7). Ntese que p2=0 y 2s
=2()bajo un enfoque tradicional, razn por la cual

p2 es llamada la varianza paramtrica y s2 es llamada

la varianza estocstica.

Para implementar el algoritmo MP, se requiere de

un mtodo para generar muestras de la densidad posterior p(|x), el cual puede estar disponible si se ha
identificado la familia de distribuciones correspondiente a p(|x). Sin embargo, en muchas situaciones puede
ser difcil obtener una expresin analtica que permita
identificar esta familia de distribuciones. En este caso,
se puede aplicar una tcnica conocida como la cadena
de Markov Monte Carlo (CMMC), la cual no requiere de
un algoritmo que genere muestras de p(|x).
En este artculo se aplicar el algoritmo del grfico
4 de Muoz (2009, p. 19), que es una implementacin
de la CMMC conocida como el muestreador independiente, pues deben generarse muestras de una densidad auxiliar q() (donde q()>0 cuando p()>0).
Diversos autores (por ejemplo, Asmussen & Glynn,
2007) concuerdan en que este algoritmo se desempea mejor cuando q() es parecida a la densidad posterior p(|x).
Ntese que, a pesar de que no es necesario para
calcular los estimadores puntuales, el algoritmo CMMC
por utilizar divide el nmero de rplicas m en b grupos
de longitud mb . Esto porque se propone el uso del mtodo de promedios por grupos para producir intervalos de confianza asintticos para los estimadores puntuales, como se explica a continuacin.

S MC(x)
MC
H [q (x)] = t(b1,1/2)
b

donde t(b1,1/2) denota el (1/2)cuantil de una

distribucin t-Student con (b1) grados de libertad,
rMC (x), q MC(x) son los estimadores puntuales del algoritmo CMMC, y:
b

SMC (x) =

ri rMC(x)

i =1

S (x) =

b1
b

MC

qi q

i =1

b1

donde ri y q i son los estimadores por grupos definib

dos en el algoritmo CMMC, y q=b1 qi . Para una

i=1

discusin sobre la validez de los intervalos de confianza presentados en las ecuaciones (10) y (11), se puede
consultar Muoz (2009, p. 20).
Como ya se mencion, el muestreador independiente presenta un mejor desempeo cuando q() es
cercana a la densidad posterior p(|x). Por ello, puede
proponerse un procedimiento para seleccionar la densidad q() tomando en cuenta que, bajo condiciones
de regularidad, una densidad posterior satisface un
teorema de lmite central (a medida que el tamao de
muestra n), donde la distribucin lmite es una
normal (multivariada). Por lo tanto, una propuesta razonable para q() es una densidad correspondiente
a una distribucin normal multivariada con un vector

12

Journal of Economics, Finance and Administrative Science

de medias n y una matriz varianza-covarianza Vn,

donde los parmetros n y Vn pueden determinarse de acuerdo con las caractersticas particulares de
p(|x).
Los siguientes pasos para seleccionar los parmetros n y Vn estn basados en el teorema 5.14 de
Bernardo y Smith (2000), y pueden ser implementados
cuando la funcin de verosimilitud tiene la forma que
se presenta en la ecuacin (2).
1. Hacer n igual al vector que minimiza

Ln() def
= log[p(x | )], resolviendo
= Ln()|= =0.

December 2009

i=1,2,,k, Ni={Ni(t):t0;} denota el proceso de fallas para el componente i, los que se asumen
condicionalmente independientes dado (vase la
definicin, por ejemplo, en Chung, 1974), y:
P [Ni(t+s)Ni(t)=
j| , Ni(u), 0 u t ]=

es(s)j
j!

para j = 0, 1,, t, s 0, i = 1, 2,, k, es decir,

los procesos de fallas son procesos de Poisson con la
misma tasa .

2. Hacer Vn =[Ln(n)]1, donde

def

2Ln()

Ln(n) =
| = n
ij

es la matriz Hessiana, la cual tiene que ser positiva definida para que este procedimiento sea
vlido.

En la tercera seccin se presenta un ejemplo sencillo de la implementacin de este procedimiento para

proponer una distribucin de muestreo q () para el
muestreador independiente.

Modelos de pronstico para demanda

de repuestos

Un modelo con datos de tiempos entre fallas

sucesivas
En este modelo, la informacin disponible corresponde a los tiempos entre fallas sucesivas de cada parte.
En consecuencia, las observaciones provienen de una
muestra aleatoria X=(X1,X2,,Xn) de la distribucin exponencial con densidad:

ey,
f(y|)=

0,

y de (2) sigue que la funcin de verosimilitud est dada

por:
n

En esta seccin se presentan dos modelos sencillos

que pueden usarse para pronosticar la demanda de
repuestos, y sern tiles para ilustrar cmo se pueden
aplicar las tcnicas mencionadas en la seccin anterior.
En ambos modelos se asume que las fallas ocurren
aleatoriamente, y la nica diferencia radica en la forma
en que estn disponibles los datos, como se explica a
continuacin.
En ambos modelos se tienen k mquinas durante
el periodo de pronstico, y las fallas ocurren independientemente con la misma tasa P=(0,) para
cada mquina. Existe incertidumbre en la tasa de fallas , reflejada en la densidad a priori p(), y para

y > 0,
de otra forma

xi
L(x| )= e i=1

(12)

Se sabe que la distribucin no informativa para una

densidad a priori exponencial (vase, por ejemplo, Bernardo & Smith, 2000) es p() =1, por lo que sigue de
(1) y (12) que:
n

n
n n1 x

xi e i=1 i
p(|x) = i=1
,
(13)

(n1)!

expresin que corresponde a una distribucin Gama

n
n , xi, donde para 1,2>0, Gama (1,2) denota
i=1

la distribucin gama con esperanza 121.

W= Ni(t0 )
i=1

(14)

dado [X=x].
Con la finalidad de obtener una expresin analtica
para r (x), se puede aplicar la Proposicin 1 de Muoz
(2009, p. 11), teniendo en cuenta que r1()=E[W|
=]=kt0, se obtiene:

r(x)=0r1()p(|x) d =kt0n xi 1 . (15)

i=1

Para el caso en que t0 corresponde al tiempo de

demora de una orden, el punto de reorden para un nivel de servicio tipo-I del 100% es q(x), definido en
la ecuacin (4). Debido a que no se dispone de una expresin analtica sencilla para este parmetro, el uso
del algoritmo MP puede ser apropiado para estimar
q(x) usando simulacin.
Supngase ahora que se tienen Q unidades del repuesto en inventario al inicio de un periodo de longitud t0 . En este caso, dos medidas de desempeo de
importancia para la administracin de inventarios son
el nivel de servicio tipo-I (1001%), y el nivel de servicio tipo-II (1002%), donde:

1 =P[WQ |X=x] y
2 =E[min{1, Q/W}|X=x]

periodo de tiempo i=1,2,,p, se ha registrado el

nmero ki de mquinas en operacin durante el periodo i, y el nmero de fallas por mquina durante
el periodo i. En este caso, los datos toman la forma
de x=(x11,,x1k ,,xp1,, xpk ), donde xij es
1
p
el nmero de fallas de la j sima mquina durante
el periodo i, j=1,2,,ki; i=1,2,,p (en este
p
caso n = ki).
i=1

Para simplificar la notacin, se asume que cada periodo tiene la longitud de una unidad de tiempo, lo que
se logra expresando la tasa de fallas en la escala apropiada (fallas por unidad de tiempo). Como los procesos
de fallas se asumen condicionalmente independientes
dado , el vector de datos x puede considerarse como
el conjunto de observaciones de una muestra aleatoria
X=(X1,X2,,Xn) de una distribucin de Poisson, de
acuerdo con una funcin de probabilidades (discreta):

f(y|)=

ey
y!

,
y=0,1,,

y sigue de (2) que la funcin de verosimilitud resulta:
p

ki

i=1

L(x| )=

ki

xij

i=1 j=1

p ki

Se desea pronosticar el nmero de componentes

que fallarn durante un periodo de tiempo de longitud
t0, por lo que la variable de respuesta a pronosticar es:

13

Muoz Negrn y Muoz Medina: Pronsticos bayesianos para repuestos de automviles

Vol. 14 N 27

(17)

xij!

i=1 j=1

Como se sabe (vase, por ejemplo, Bernardo & Smith, 2000), la densidad a priori objetiva para la distribucin de Poisson es p() = 1/2, por lo que sigue de (1)
y (17) que;

(16)

Como puede apreciarse de estas ecuaciones, ambas medidas de desempeo tienen la misma forma de
la esperanza r (x), para una variable de respuesta apropiadamente definida. Nuevamente, obtener expresiones analticas para estas medidas de desempeo no es
una tarea fcil, por lo que se justifica la aplicacin del
algoritmo MP para estimar 1 y 2 .
Un modelo con datos de censo
Supngase que no se tienen registros de los tiempos entre fallas sucesivas, pero en cambio, para cada

p ki

p ki

j=1
xij+1/2
xij1/2en
n i=1
i=1 j=1

p(|x)=

p ki

xij+1/2

(18)

i=1 j=1

que corresponde a la distribucin Gama

p ki

(i=1 j=1 xij +1/2 , n) .

Como en el modelo anterior, aqu se desea pronosticar el nmero de componentes que fallan durante un
periodo de tiempo de longitud t0, por lo que la variable de
respuesta obedece a la ecuacin (14). Teniendo en cuenta que ahora la densidad posterior p(|x) est definida

14

Journal of Economics, Finance and Administrative Science

en (18), se puede proceder como en la ecuacin (15)

para obtener una expresin analtica para r(x):

r(x)=0r1()p(|x) d =
p ki

n1kt0 ( xij+1/2)
i=1 j=1

(19)

En este caso tambin el algoritmo MP puede ser

utilizado para estimar el punto de reorden q (x), o el
nivel de servicio definido en (16).
Ntese que en los dos modelos presentados no se
ha requerido utilizar el algoritmo CMMC, debido a que
se ha podido reconocer la familia de distribuciones a
la que pertenece la densidad posterior (en ambos casos es gama). Sin embargo, si no se usara la densidad
a priori objetiva en estos modelos, pudiera ocurrir que
la familia de distribuciones a la que pertenece la densidad posterior p(|x) no fuera fcil de reconocer, y en
este caso el algoritmo CMMC sera de utilidad, como
se ilustra ms adelante en el segundo acpite de la siguiente seccin.

Pruebas experimentales
En esta seccin se aplica el modelo que considera datos
de censo para pronosticar la demanda de embragues
(de un modelo particular) que experimenta un distribuidor de autos. Se ilustra la aplicacin de los mtodos
descritos en secciones previas utilizando datos de la
demanda de embragues de un distribuidor de autos y
repuestos en Mxico, D. F.
Aplicacin de la tcnica muestreo posterior (MP)
para calcular puntos de reorden y niveles de servicio
El modelo de autos A es el modelo de una lnea que ha
tenido mucha acogida, y que se contina produciendo
y vendiendo actualmente. En el Cuadro 1 se presentan
datos disponibles sobre la demanda de este modelo,
que incluyen la demanda de autos y de embragues
para cada mes del ao 2008. Con la finalidad de aplicar
el modelo con datos de censo, se asume que los clientes que compran su auto en un distribuidor particular
son los mismos clientes que compran los repuestos de

December 2009

embrague en dicho distribuidor. En consecuencia, el

nmero ki de autos en operacin al final del periodo i
es igual a la cantidad de autos del modelo A vendidos
por el distribuidor hasta dicho periodo, de manera que
ki=ki1+Si , donde Si es la cantidad de autos vendidos en el periodo i. Como puede observarse de los
datos del Cuadro 1, el ao 2008 empez con 337 autos
en operacin del modelo A (de acuerdo con las ventas
de los aos anteriores).
Cuadro 1. Demanda de autos y embragues para
el modelo A en 2008
Mes

(i)

Ventas de
autos

Autos en
operacin

Demanda de
embragues

(Si)

(ki)

(
x)
j=1 ij

ki

Enero (1)

341

Febrero (2)

342

Marzo (3)

348

Abril (4)

357

Mayo (5)

363

Junio (6)

15

378

Julio (7)

385

Agosto (8)

387

Septiembre (9)

395

Octubre (10)

16

411

Noviembre (11)

20

431

Diciembre (12)

15

446

109

4,584

32

Total

Fuente: Datos proporcionados por un concesionario de autos en Mxico, D. F.

Se desea pronosticar la demanda W , de acuerdo

con la ecuacin (14), cuando t0=0.5 y k=500, ya que
se asume que la demora de una orden de embragues
es de aproximadamente 15 das y existen 500 autos en
operacin durante el periodo de pronstico.
Usando (19) se calcul el pronstico puntual de la
demanda de embragues durante la demora del pedido
y se obtuvo r(x)=1.82702. Posteriormente, se aplic el
algoritmo MP para estimar q0.9 (x), el punto de reorden
para un nivel de servicio de 90%. Los resultados para
la estimacin de r(x) y q0.9 (x) usando m = 106 repeticiones se resumen en el Cuadro 2. El ancho medio

para r(x) indica que el error en la estimacin de r(x)

es menor que 0.00228, aunque ya sabemos que la di tiene menos de 4 decimales
ferencia entre r(x) y r(x)
significativos.

Vol. 14 N 27

Muoz Negrn y Muoz Medina: Pronsticos bayesianos para repuestos de automviles

Cuadro 2. Estimacin de parmetros usando MP con

m=106 repeticiones
Parmetro
r (x)
q0.9 (x)

Estimacin por simulacin

r(x)=1.82695

q0.9 (x)=4

Ancho medio
0.00228
0.0

En el caso de la estimacin de q0.9 (x), se puede

apreciar del cuadro 2 que el ancho medio es de 0, lo
cual no es sorprendente si se toma en cuenta que la variable de respuesta W es discreta, y su funcin de distribucin acumulada es constante por tramos. Ntese
tambin que P[Wq(x)|X=x] no necesariamente
es igual a (como lo es cuando W es una variable
aleatoria continua), por lo que es interesante estimar el
verdadero nivel de servicio correspondiente a q0.9 (x).
En el Cuadro 3 se reportan las estimaciones de los
niveles de servicio tipo-I (probabilidad acumulada)
para diferentes valores de Q, obtenidos luego de aplicar el algoritmo MP con m = 106 repeticiones. A partir
de los datos del cuadro se puede apreciar que el nivel
de servicio correspondiente a q0.9 (x)=4 es aproximadamente 95.74%
Cuadro 3. Niveles de servicio estimados para diferentes
valores de Q usando MP con m=106
Nivel de servicio tipo-I

estimado (1)

Ancho medio

0.460923

4.09E-04

0.722068

3.30E-04

0.881953

1.71E-04

0.957420

6.71E-05

0.986648

2.17E-05

0.996307

6.05E-06

0.999127

1.43E-06

0.999789

3.47E-07

Inventario
inicial (Q)

0.999956

7.24E-08

10

0.999989

1.81E-08

11

0.999999

1.64E-09

12

1.000000

0.00E+00

Como puede apreciarse de los Cuadros 2 y 3, el nmero de repeticiones m =106 fue lo suficientemente

15

grande para obtener errores de estimacin pequeos para cada uno de los parmetros, lo cual podra
no ocurrir para un nmero pequeo de repeticiones.
Para ilustrar cmo este nmero afecta el cubrimiento
y el ancho medio, se repiti el experimento de estimacin M=1,000 veces para diferentes valores de m, y
se calcularon el cubrimiento emprico, el promedio y
la desviacin estndar de los anchos medios, el error
cuadrtico promedio y el sesgo para cada conjunto de
experimentos. Para calcular estas medidas, se requiere
de los valores tericos (verdaderos) para los parmetros r(x) y q0.9 (x), por lo que se tomaron los valores
r(x) =1.82702 y q0.9 (x) =4 obtenidos anteriormente.
Los resultados se presentan en el Cuadro 4.
Como puede apreciarse de los datos del Cuadro 4, el
cubrimiento emprico se aproxima al nominal de 90% a
medida que el nmero de repeticiones crece, y para m
= 1,600 ya se obtiene un cubrimiento aceptable. Ntese
tambin que para m=1,600 se obtiene un sobre cubrimiento en la estimacin de q0.9 (x), lo que se explica por
el hecho de que la variable de respuesta W es discreta.
Es conveniente notar que al incrementarse el tamao
de la muestra se aprecia una reduccin del error de
estimacin, reducindose consistentemente el ancho
medio, el error cuadrtico promedio y el sesgo.
Aplicacin de la CMMC para incorporar una densidad
a priori subjetiva
Como se indic en el segundo acpite de la segunda
seccin, cuando se usa la densidad a priori no informativa (gama) para el modelo con datos de censo, se
pudo identificar que la distribucin posterior es tambin gama, por lo que se pudo aplicar el algoritmo MP
para la estimacin de r(x) y q(x). En esta seccin se
ilustra cmo se aplica la CMMC cuando se usa una densidad a priori subjetiva, para la cual no se ha podido
identificar la familia de distribuciones a la que pertenece la distribucin posterior.
Se consider una densidad a priori uniforme en
[a, b], donde los valores de ay b son proporcionados
por el usuario. La identificacin de la distribucin posterior con esta densidad a priori no es tarea fcil, por lo
que se justifica el uso del algoritmo CMMC en este caso.
Para la implementacin del algoritmo, se consider la

16

Journal of Economics, Finance and Administrative Science

December 2009

Cuadro 4. Desempeo de MP con base en M = 1,000 experimentos para diferentes valores de m

Nmero de
repeticiones

Parmetro
estimado

Cubrimiento
emprico

r (x)

m = 100
m = 400
m = 1,600

Ancho medio
Desviacin
estndar

0.878

0.2269

0.0187

0.0211

0.0064

q0.9 (x)

0.679

0.5585

0.2467

0.3400

0.3340

r (x)

0.898

0.1139

0.0045

0.0047

0.0022

q0.9 (x)

0.869

0.3360

0.2348

0.1310

0.1310

r (x)

0.904

0.0570

0.0011

0.0012

0.0003

q0.9 (x)

0.987

0.1295

0.2191

0.0130

0.0130

Como p()=1, para a< < b, sigue de (1) y (17)

que:

Ln()=log[p(|x)]=
p ki

i=1 j=1

i=1

ki

i=1 j=1

p ki

n=

xij

i=1 j=1

p
.

ki
i=1

Por otro lado, como Ln()=

tiene la varianza:
n(n

)] 1

(20)

p ki

xij , se obi=1 j=1

n2
p ki

xij
i=1

priori se fijaron en a=0 y b=0.02 para t0=0.5

y k=500. Los resultados de la estimacin de r(x) y
q0.9 (x) usando m=106 repeticiones se resumen en
el Cuadro 5.
Cuadro 5. Estimaciones obtenidas usando la CMMC con
m=10 6 repeticiones
Parmetro

xijlog()kilog xij!

2=[L

Sesgo

Promedio

distribucin de muestreo q() que resulta de aplicar el

procedimiento sugerido al final de la primera seccin,
como se explica a continuacin.

por lo que

Error
cuadrtico
promedio

. (21)

j=1

Finalmente, considerando que p( | x) es cero

cuando <a o >b, se tom q() igual a la densidad correspondiente a la distribucin N( n, 2)
truncada en [a, b], donde n y 2 estn definidas
en (20) y (21), respectivamente.
Usando la densidad q() as definida, se implement el algoritmo CMMC para pronosticar la demanda
W definida en (14). Los parmetros de la densidad a

Estimacin por simulacin

r (x)

rMC(x)=1.86013

q0.9 (x)

MC
(x)=4
q 0.9

Ancho medio

0.00254
0.0

Como se aprecia de los Cuadros 2 y 5, los estimadores obtenidos con la densidad a priori subjetiva (uniforme) y con la densidad a priori objetiva (no informativa) son muy parecidas (diferencia menor de dos cifras
decimales en el caso de r(x) y exactamente iguales en
el caso de q0.9(x)). Este resultado no es sorprendente
si se toma en cuenta (del cuadro 1) que el tamao de
p
muestra ( ki = 4,584 ) es grande, y en este caso la
i=1
distribucin posterior tiene poca influencia de la distribucin a priori.
Otra interesante consecuencia de disponer de un
tamao de muestra grande es que se reduce la incertidumbre paramtrica, y la varianza W2, definida
en (9), est dominada por la varianza estocstica
2s . Para ilustrar esta propiedad, ntese que en este
modelo se tiene que r1() = 2 () = k t0 , por
lo que, bajo la densidad a priori objetiva (gama) se

Vol. 14 N 27

puede verificar fcilmente que p2 = (kt0 )2122 , y

p k

i=1 j=1

i=1

i
2s= kt0121 , donde 1= x
ij y 2= ki . Es-

tos resultados permiten verificar que, para los datos

del cuadro 1, la varianza estocstica 2 representa el
94.82% de la varianza total w2 .

Cuadro 6. Datos simulados para 10 mquinas y tasa

de fallas =1
Mquinas en
operacin (ki )

ki

( j=1 )

Fallas xij

Enero (1)

10

Febrero (2)

10

13

Marzo (3)

10

13

Abril (4)

10

14

Mayo (5)

10

Junio (6)

10

14

Julio (7)

10

12

Agosto (8)

10

Septiembre (9)

10

11

Octubre (10)

10

13

Noviembre (11)

10

13

Diciembre (12)
Total

Cuadro 7. Estimacin de parmetros usando MP y CMMC

con m=106 repeticiones
Mtodo
Muestreo
posterior

Para proporcionar un ejemplo de cmo estos mtodos bayesianos pueden desempearse de otra forma, dependiendo del conjunto de datos disponible, se
simul un conjunto diferente de datos para el mismo
problema de estimacin. El nuevo conjunto de datos
se presenta en el cuadro 6, y fue obtenido considerando un nmero fijo de mquinas en operacin ki=10,
i=1,2,,12, y fallas distribuidas segn una distribucin de Poisson con tasa de fallas de =1por mes.

Mes (i)

17

Muoz Negrn y Muoz Medina: Pronsticos bayesianos para repuestos de automviles

10

16

120

144

Las estimaciones de r(x) y q0.9 (x) usando m =106

repeticiones, k =10 y t0 =1 se resumen en el cuadro 7 para los mtodos MP y CMMC. Para el algoritmo
MP se consider la densidad a priori objetiva (gama),
y para el algoritmo CMMC se consider la densidad a
priori uniforme en [0.8,1.2].

Cadena de
Markov
Monte Carlo

Estimacin por
simulacin

Ancho
medio

r (x)=12.0449

0.00594

q0.9 (x)=17
rMC(x)=11.2499
q 0.9 (x)=16
MC

0.0
0.00529
0.0

En el cuadro 7 se resumen los resultados de las estimaciones de r(x) y q0.9(x) usando densidades a priori
diferentes. En el caso de MP, la densidad a priori no informativa asume poco conocimiento a priori sobre el
valor del parmetro . Por otro lado, para el caso de
la CMMC, la densidad a priori uniforme en [0.8,1.2]
proporciona mayor informacin sobre . Como puede observarse en el cuadro mencionado, la influencia
de la densidad a priori en el valor de los parmetros es
mucho ms grande que la observada con los datos del
cuadro 1. En la figura 1 se presentan las grficas de
la funcin de distribucin acumulada de W obtenidas
bajo las dos diferentes densidades a priori, donde se
puede apreciar con mayor claridad la diferencia. Ntese que la distribucin de W bajo la densidad a priori
no informativa tiene una varianza ms grande, lo que
refleja una mayor incertidumbre en el pronstico.

Conclusiones y direcciones para

investigaciones futurAS
Este artculo ilustra cmo se puede combinar un modelo de simulacin con tcnicas de estimacin bayesiana para estimar parmetros de pronstico en problemas de administracin de inventarios de repuestos.
La ventaja de usar la simulacin como una tcnica de
pronstico radica en el hecho de que se pueden utilizar modelos muy complejos, que incorporan informacin detallada del sistema, con la finalidad de producir
pronsticos ms confiables.

18

Journal of Economics, Finance and Administrative Science

1.0
0.9

Cumulative Probability

0.8

December 2009

Distribucin acumulada obtenida

por muestreo posterior
Distribucin acumulada obtenida
por CMMC

0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0

2 4 6 8

10

12
Values

14

16

18

20

Figura 1. Distribucin acumulada de la variable de respuesta usando datos

de fallas simulados

Se han ilustrado las aplicaciones potenciales de

los mtodos de muestreo posterior y de la cadena de
Markov Monte Carlo como tcnicas para construir pronsticos utilizando simulacin estocstica. El mtodo
de muestreo posterior (MP) requiere de un algoritmo
para generar muestras de la funcin de densidad posterior p( | x), mientras que el mtodo de la cadena
de Markov Monte Carlo (CMMC) puede ser aplicado
aun cuando no se haya identificado la familia de distribuciones a la que pertenece p(|x). La aplicacin
de estos mtodos se ilustr proponiendo dos modelos sencillos para el pronstico de fallas de repuestos;
el primer modelo considera la existencia de datos de
tiempos entre fallas sucesivas, mientras que el segundo
considera datos de censo, y en ambos casos se utiliz
un marco bayesiano para el pronstico de la demanda
de repuestos.
Se aplic el modelo con datos de censo, utilizando
datos reales de un distribuidor de autos y repuestos
de Mxico, D. F., y ambas metodologas, MP y CMMC,
cuando fueron necesarias. Para aplicar MP se consider
la distribucin de referencia (no informativa), mientras
que para la CMMC se consider una distribucin uniforme (subjetiva). Los resultados de la aplicacin de

estos mtodos han permitido establecer las siguientes

conclusiones.
En primer lugar, el error de estimacin (medido por
el ancho medio), as como el sesgo y el error cuadrtico
promedio disminuyen a medida que crece el nmero
de repeticiones m del experimento de estimacin por
simulacin. En consecuencia, desde el punto de vista
de la aplicacin, es importante establecer el nmero
de repeticiones m que posibilita obtener el grado de
error permitido, y el clculo del correspondiente ancho
medio es importante para medir la magnitud del error
de estimacin de la simulacin.
En segundo lugar, los resultados obtenidos usando datos reales ilustran cmo un tamao grande de
la muestra permite que la distribucin posterior tenga
poca influencia de la distribucin a priori. El pronstico obtenido con la densidad a priori objetiva result
muy similar al que se obtiene con una distribucin ms
informativa, debido a que, en este caso, la densidad a
priori tiene poca influencia en la distribucin posterior.
Para ilustrar esta propiedad, se simul otro conjunto de
datos con un tamao de muestra ms pequeo y una
tasa de fallas ms grande. En este caso, la influencia de

Vol. 14 N 27

Muoz Negrn y Muoz Medina: Pronsticos bayesianos para repuestos de automviles

la densidad a priori se hizo ms evidente, obtenindose pronsticos considerablemente diferentes.

Finalmente, la relevancia de las metodologas ilustradas en este artculo depende de la habilidad del
modelo propuesto para imitar el sistema real, la que
est relacionada con una adecuada seleccin de los
parmetros para los cuales existe informacin muestral, as como de las relaciones entre los componentes
aleatorios que generan la incertidumbre estocstica.
En esta direccin, los modelos propuestos en la segunda seccin pueden modificarse para reflejar mejor el
sistema en estudio, por ejemplo, asumiendo una fami-

19

lia diferente de distribuciones para los tiempos entre

fallas del repuesto. Similarmente, estos mtodos que
combinan la simulacin con un enfoque bayesiano de
pronstico podran ser apropiados para resolver problemas de pronstico en cadenas de suministro (vase, por ejemplo, Kalchschmidt et l., 2006).
Es conveniente remarcar que, si bien en este artculo se utilizaron modelos relativamente sencillos, el
mayor potencial de las metodologas ilustradas radica
en su posible aplicacin con modelos de simulacin
que incluyen informacin detallada sobre el proceso
de generacin de la demanda.

Referencias
Alba, E. de, & Mendoza, M. (2007). Bayesian forecasting
methods for short time series. Foresight, 8, 41-44.
Asmussen, S., & Glynn, P. W. (2007). Stochastic simulation
algorithms and analysis. New York: Springer.
Bartezzaghi, E., Verganti, R., & Zotteri, G. (1999). A simulation
framework for forecasting uncertain lumpy demand.
International. Journal of Production Economics, 59,
499-510.
Berger, J. O., Bernardo, J. M., & Sun, D. (2009). The formal
definition of reference priors. Annals of Statistics,
37(2), 905-938.
Bernardo, J. M., & Smith, A. F. M. (2000). Bayesian theory.
Chichester: John Wiley.
Caniato, F., Kalchschmidt, M., Ronchi, E., Veganti, R., & Zotteri,
G. (2005). Clustering customers to forecast demand.
Production Planning & Control, 16, 32-43.

Kalchschmidt, M., Verganti, R., & Zotteri, G. (2006). Forecasting demand from heterogeneous customers. International Journal of Operations & Production Management, 26(6), 619-638.
Makridakis, S., Wheelwright, S. C., & Hyndman, R. J. (1998).
Forecasting: Methods and applications. (3. ed.). New
York: John Wiley.
Muoz, D. F. (2009). Pronsticos bayesianos usando simulacin
estocstica. Cuadernos de Difusin. 14(26), 7-26.
Rao, A. V. (1973). A comment on forecasting and stock control for intermediate demands. Operational Research
Quarterly, 24, 639-640.
Schmeiser, B. (1982). Batch size effects in the analysis of
simulation output. Operations Research, 30(3), 556-568.
Serfling, R. J. (1980). Approximation theorems of mathematical
statistics. New York: John Wiley.

Cheng, R. C. H., & Holland, W. (2004). Calculation of confidence

intervals for simulation output. ACM Transactions on
Modeling and Computer Simulation, 14(4), 344-362.

Syntetos, A. A., & Boylan, J. E. (2001). On the bias of intermittent demand estimates. International. Journal of Production Economics, 71, 457-466.

Chopra, S., & Meindl, P. (2004). Supply chain management.

(2. ed.). New Jersey: Prentice Hall.

Wacker, J. G., & Sprague, L. G. (1998). Forecasting accuracy:

comparing the relative effectiveness of practices between seven developed countries. Journal of Operations Management, 16, 271-290.

Chung, K. L. (1974). A course in probability theory. (2. ed.).

San Diego: Academic Press.
Croston, J. D. (1972). Forecasting and stock control for intermediate demands. Operational Research Quarterly,
23, 289-303.

Willemain, T. R., Smart, C. N., & Schwarz, H. F. (2004). A new

approach to forecasting intermittent demand for
service parts inventories. International Journal of Forecasting, 20, 375-387.

20

Journal of Economics, Finance and Administrative Science

Zotteri, G., & Kalchschmidt, M. (2007a). Forecasting practices:

Empirical evidence and a framework for research.
International. Journal of Production Economics, 108,
84-99.

December 2009

Zotteri, G., & Kalchschmidt, M. (2007b). A model for selecting

the appropriate level of aggregation in forecasting
processes. International Journal of Production Economics, 108, 74-83.