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

December 2009

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

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.

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)

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

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

December 2009

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:

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 (x) obtenido por MP est dado por: el estimador r

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)}

(4)

para 0<<1. Los -cuantiles son tiles para evaluar la incertidumbre del pronstico puntual r(x), ya que

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

(5)

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).

(x)]2 y z1/2 denota donde S(x)= m1/2 [ Wi r el (1 /2)cuantil de una distribucin normal estndar. Una interpretacin simple de un ancho medio es (x) H[ r que el parmetro r (x) se halla entre 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 (x) del 100(1 )% de confianza para el estimador q obtenido a travs del MP est dado por: (x)]= (Yn1+Yn2) /2 H [q
,
(6)

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-

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

Muoz Negrn y Muoz Medina: Pronsticos Bayesianos para Repuestos de Automviles

11

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

(8)

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:

de manera que sumando y restando el trmino E[r12()|X=x] en (8), se puede verificar que:
2 = 2 + 2 W p s

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

SMC(x) b

(10)

(9)

2 =E[r 2()|X=x](E[r ()|X=x])2, donde p 1 1 2 r1()=E [W| X=x,=] , 2 s = E [ ()| X= x], 2 2=0 y 2 y ()est definido en (7). Ntese que p s =2()bajo un enfoque tradicional, razn por la cual 2 es llamada la varianza paramtrica y 2 es llamada p s

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

(11)

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.

donde t(b1, 1/2) denota el (1 /2)cuantil de una distribucin t-Student con (b1) grados de libertad, MC (x), q MC(x) son los estimadores puntuales del alr goritmo CMMC, y:

SMC (x) =

i =1

r MC(x) i r
b1

S (x) =

MC

i =1

i q q

b1

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

i=1

i y q i son los estimadores por grupos definidonde r

b

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

December 2009

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

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!

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

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

Ln(n) = | = n ij es la matriz Hessiana, la cual tiene que ser positiva definida para que este procedimiento sea vlido.

def

2Ln()

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:

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.

ey, f(y|)= 0,

y > 0, de otra forma

ModEloS dE proNSTiCo para dEMaNda dE rEpUESToS 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 de (2) sigue que la funcin de verosimilitud est dada por:

xi L(x| )= e i =1 n
n

(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 n1 x xi e i=1 i p(|x) = i=1 , (13)
n

(n1)!

expresin que corresponde a una distribucin Gama n n , xi, donde para 1,2>0, Gama (1,2) denota la distribucin gama con esperanza 121.
i=1

Vol. 14 N 27

Muoz Negrn y Muoz Medina: Pronsticos Bayesianos para Repuestos de Automviles

13

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:

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:

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

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:

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):

, y=0,1,, y sigue de (2) que la funcin de verosimilitud resulta: e

ki
i=1 p

f(y|)=

ey y!

L(x| )=

i=1 j=1

xij . (17)

ki

p ki

i=1 j=1

xij!

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

(16)

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;

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

xij+1/2 xij1/2en n i i=1 j=1 =1 j=1 p(|x)=

p ki

p ki

xij+1/2
i=1 j=1

p ki

(18)

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

que corresponde a la distribucin Gama

p ki

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

December 2009

en (18), se puede proceder como en la ecuacin (15) para obtener una expresin analtica para r(x):

r(x)=0r1()p(|x) d = n1kt0 ( xij+1/2)

i=1 j=1 p ki

(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.

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)
4 1 6 9 6 15 7 2 8 16 20 15 109

(ki)
341 342 348 357 363 378 385 387 395 411 431 446 4,584

( x) j=1 ij
3 3 2 3 3 3 3 1 4 3 3 2 32

ki

Enero (1) Febrero (2) Marzo (3) Abril (4) Mayo (5) Junio (6) Julio (7) Agosto (8) Septiembre (9) Octubre (10) Noviembre (11) Diciembre (12) Total

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

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

Vol. 14 N 27

Muoz Negrn y Muoz Medina: Pronsticos Bayesianos para Repuestos de Automviles

15

Cuadro 2. Estimacin de parmetros Usando MP con m=106 Repeticiones

Parmetro r (x) q0.9 (x) Estimacin por simulacin r (x)=1.82695 q 0.9 (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
Inventario inicial (Q) 1 2 3 4 5 6 7 8 9 10 11 12 Nivel de servicio tipo-I estimado (1) 0.460923 0.722068 0.881953 0.957420 0.986648 0.996307 0.999127 0.999789 0.999956 0.999989 0.999999 1.000000 Ancho medio 4.09E-04 3.30E-04 1.71E-04 6.71E-05 2.17E-05 6.05E-06 1.43E-06 3.47E-07 7.24E-08 1.81E-08 1.64E-09 0.00E+00

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

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

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 0.878 0.679 0.898 0.869 0.904 0.987 Ancho medio Promedio 0.2269 0.5585 0.1139 0.3360 0.0570 0.1295 Desviacin estndar 0.0187 0.2467 0.0045 0.2348 0.0011 0.2191 Error cuadrtico promedio 0.0211 0.3400 0.0047 0.1310 0.0012 0.0130 Sesgo 0.0064 0.3340 0.0022 0.1310 0.0003 0.0130

m = 100 m = 400 m = 1,600

r (x) q0.9 (x) r (x) q0.9 (x) r (x) q0.9 (x)

distribucin de muestreo q() que resulta de aplicar el procedimiento sugerido al final de la primera seccin, como se explica a continuacin. Como p()=1, para a< < b, sigue de (1) y (17) que:

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 Estimacin por simulacin Ancho medio

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

xijlog()kilog xij!
i=1 j=1 i=1 i=1 j=1

por lo que

p . ki i =1

n=

i=1 j=1

xij

p ki

Por otro lado, como Ln()= tiene la varianza:

2=[L

n(n

)] 1

n2

xij i=1
j=1

p ki

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

p ki

ki

r (x) q0.9 (x)

r MC(x)=1.86013
MC (x)=4 q 0.9

0.00254 0.0

(20)

xij , se obi=1 j=1

. (21)

p ki

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 in2, definida certidumbre paramtrica, y la varianza W en (9), est dominada por la varianza estocstica . Para ilustrar esta propiedad, ntese que en este 2 s modelo se tiene que r1() = 2 () = k t0 , por lo que, bajo la densidad a priori objetiva (gama) se

Vol. 14 N 27

Muoz Negrn y Muoz Medina: Pronsticos Bayesianos para Repuestos de Automviles

17

2 = ( kt )2 2 , y puede verificar fcilmente que p 0 1 2

p k p i=1 j=1 i=1

i 1 2 s = kt0 1 2 , donde 1= xij y 2= ki . Es-

Cuadro 7. Estimacin de parmetros Usando MP y CMMC con m=106 Repeticiones

Mtodo Muestreo posterior Estimacin por simulacin r (x)=12.0449 q 0.9 (x)=17 r MC(x)=11.2499 q 0.9 (x)=16
MC

tos resultados permiten verificar que, para los datos del cuadro 1, la varianza estocstica 2 representa el
2 . 94.82% de la varianza total w

Ancho medio 0.00594 0.0

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.
Cuadro 6. Datos simulados para 10 Mquinas y Tasa de fallas =1
Mes (i) Enero (1) Febrero (2) Marzo (3) Abril (4) Mayo (5) Junio (6) Julio (7) Agosto (8) Septiembre (9) Octubre (10) Noviembre (11) Diciembre (12) Total Mquinas en operacin (ki ) 10 10 10 10 10 10 10 10 10 10 10 10 120 Fallas xij 8 13 13 14 9 14 12 8 11 13 13 16 144

Cadena de Markov Monte Carlo

0.00529 0.0

( j=1 )

ki

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.

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].

18

Journal of Economics, Finance and Administrative Science

December 2009

1.0 0.9 0.8 Cumulative Probability 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.0

Distribucin acumulada obtenida por muestreo posterior Distribucin acumulada obtenida por CMMC

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 uni-

forme (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

Vol. 14 N 27

Muoz Negrn y Muoz Medina: Pronsticos Bayesianos para Repuestos de Automviles

19

tasa de fallas ms grande. En este caso, la influencia de 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 familia 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. 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. Chopra, S., & Meindl, P. (2004). Supply chain management . (2. ed.). New Jersey: Prentice Hall. 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. 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. Syntetos, A. A., & Boylan, J. E. (2001). On the bias of intermittent demand estimates. International. Journal of Production Economics, 71, 457-466. 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. 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

December 2009

Zotteri, G., & Kalchschmidt, M. (2007a). Forecasting practices: Empirical evidence and a framework for research. International. Journal of Production Economics, 108, 84-99.

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.

Copyright of Journal of Economics, Finance & Administrative Science is the property of Universidad ESAN (Escuela de Administracion de Negocios para Graduados) and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use.