Artículo de Investigación

Modelo de Optimización para medir el costo por perdida de producto no vendido mediante Simulación Montecarlo y Algoritmo Metaheurístico Tabú

Optimization model to measure the cost of lost product not sold through Monte Carlo Simulation and Tabu Metaheuristic Algorithm

Luis Ramos Moncayo
Universidad de Guayaquil, Ecuador. , Ecuador
Martha Marcillo Troncozo
Universidad de Guayaquil, Ecuador., Ecuador
Dantee Astudillo Sanche
Universidad de Guayaquil, Ecuador. , Ecuador
Lorenzo Cevallos-Torres
Universidad de Guayaquil, Ecuador. , Ecuador

Ecuadorian Science Journal

GDEON, Ecuador

ISSN-e: 2602-8077

Periodicidad: Semestral

vol. 3, núm. 2, 2019

esj@gdeon.org

Recepción: 20 Mayo 2019

Aprobación: 05 Septiembre 2019



DOI: https://doi.org/10.26911/issn.2602-8077vol3iss2.2019pp8-14p.

Como citar: : Ramos Moncayo, L., Marcillo Troncozo, M., Astudillo Sanchez, D., & Cevallos-Torres, L. (2019). Modelo de Optimización para medir el costo por perdida de producto no vendido mediante Simulación Montecarlo y Algoritmo Metaheurístico Tabú. Ecuadorian Science, 3(2), 8-14. DOI: https://doi.org/10.26911/issn.2602-8077vol3iss2.2019pp8-14p.

Resumen: En este estudio se propone la mejora de un sistema de inventarios, con el objetivo de reducir el costo y maximizar las ventas en la farmacia "La Voluntad de Dios", debido a que existe manejo empírico del inventario por parte de los bodegueros, a consecuencia de esto, no se logra satisfacer correctamente a los clientes y en ocasiones se generan pérdidas por falta de espacio en la bodega o expiración de productos. Por este motivo se decidió optimizar la gestión inventario aplicando el algoritmo de búsqueda tabú obteniendo una función objetivo basada en distribuciones de probabilidad normal de 3 productos, para esto se toma muestra del histórico de inventario del año 2017 al 2019, se realizó una proyección de ventas para el año 2020; el dando como resultado un 14% más de ganancia con respecto al año 2019 y un sistema de inventario que proyecta el uso aproximado del 95% de los productos en stock, obteniendo valores óptimos para satisfacer la alta demanda y mantener control del inventario.

Palabras clave: Distribución Normal, VBA, Simulación, Inventario, Búsqueda Tabú.

Abstract: This study proposes the improvement of an inventory system, with the objective of reducing the cost and maximizing sales in the pharmacy "The Will of God", because there is empirical management of the inventory by the winemakers, as a result of this, it is not possible to satisfy the customers correctly and sometimes losses are generated due to lack of space in the warehouse or expiration of products. For this reason it was decided to optimize the inventory management by applying the taboo search algorithm obtaining an objective function based on normal probability distributions of 3 products, for this sample of the inventory history from 2017 to 2019 is taken, a sales projection was made for the year 2020; The result is a 14% more profit compared to the year 2019 and an inventory system that projects the approximate use of 95% of the products in stock, obtaining optimal values ​to meet high demand and maintain inventory control​.

Keywords:  Normal Distribution, VBA, Simulation, Inventory, Taboo Search.

Introducción

En este proyecto se plantea como importancia la necesidad de solucionar la gestión y control de inventarios de la farmacia "La Voluntad de Dios", para que obtengan mayores beneficios y menores costos. El problema que afecta a la gestión y control del inventario se da por la forma empírica de manejo del inventario por parte del personal encargado de bodega, esto conlleva a que la farmacia tenga pérdidas económicas por no saber el momento y la cantidad justa de reabastecer su inventario.

Para gestionar y controlar los inventarios de algunas empresas, se han propuesto diferentes proyectos como el de Romero [1] que propone un algoritmo heurístico basado en listas tabú para optimizar la planificación del inventario en sistemas multinivel; el autor toma como variables relevantes: la capacidad, listas de materiales alternativas y entornos de coproducción, dando como resultado un 10% a 17% más de rotación con respecto a las soluciones óptimas de mayor tamaño, sin embargo, presenta inconvenientes de tiempo en las soluciones de problemas que eran relativamente pequeños tales como el pronóstico de ventas, lo que se optimiza en este proyecto al obtener una proyección más amplia y precisa de las ventas combinando la resolución del algoritmo metaheurístico Tabú y la distribución de probabilidad realizada en base a un historial de ventas.

En el estudio de Rodríguez en [2] y el trabajo [3], se presentan modelos de Cantidad Económica de Pedido (EOQ) con objeto de sistematizar el abastecimiento periódico de los productos en stock aplicando un proceso basado en el método ABC, dando como resultado el establecimiento de cantidades óptimas de pedidos y los días en los cuales se debe abastecer; y la aplicación de un modelo determinístico de demanda continua con la finalidad de lograr una minimización de costos de mantenimiento de inventario para la empresa DEPRATI. No obstante, este modelo prueba que los bajos costos serán visibles a un largo plazo además del uso complejo de algoritmos cuyo entendimiento requiere más preparación, en cambio, este estudio propone un enfoque a modelos heurísticos conocidos, en estos se visualiza una reducción de costos en un corto a mediano plazo, y valores más precisos.

En el estudio de Arango, et al. en [4] plantea un modelo probabilístico de inventarios por demanda, a partir de pronósticos de ventas obtenidos por el método Holt-Winters que incluye modulación exponencial, tendencia y estacionalidad, con el fin de minimizar el capital invertido en inventarios tomando como limitación principal el cumplimiento de niveles de servicio establecidos por política de la empresa, obteniendo como resultado un valor aproximado de la demanda, evitando la realización de pedidos de inventarios innecesarios. En el método Holt-Winters determina la demanda de un producto en un periodo dado de forma empírica, en el cual los resultados tienden a dar error, a diferencia de la metodología que se presenta en este estudio, donde se utiliza distribuciones probabilísticas que permiten observar datos a futuros ayudando a prevenir inconveniente a largo plazo y además obtener resultados óptimos a las personas encargadas de llevar la administración de la empresa.

En el estudio de Perales en [5] Propone una modificación para mejorar el desempeño de un modelo lineal dinámico para pronósticos y un modelo de inventarios, aplicando una técnica de optimización multiperíodo vía simulación, a partir del diseño de una variación a la metaheurística búsqueda tabú, es una heurística que realiza una búsqueda de lo óptimo de una función objetivo en un modelo de programación lineal o no lineal, obteniendo como resultado la minimización de costos y su alta eficiencia para la mejora del manejo de los inventarios, sin embargo, el estudio está ambientado a un punto de vista de control de calidad, más no a un lugar en específico por lo cual se mejorará su uso en la vida real.

En el artículo de Delgado en [6] se observó que las decisiones descentralizadas de inventario eran inadecuadas provocando baja rotación y aumento de costo por producto no vendido, por lo que se desarrolló una simulación de políticas de inventarios mediante el método de Montecarlo tomando como variables relevantes: producto, cliente y costo de abastecimiento; presentando como resultado, ahorros del 20% al 75% frente a las estrategias anteriores. Sin embargo, los tiempos de respuestas son altos y falta de precisión, en contraste con este estudio que presenta una proyección mediante el uso de algoritmo metaheurístico Tabú basado en una distribución de probabilidad lo que permite disminuir el tiempo de respuesta y obtener una simulación de inventario altamente precisa como óptima.

La estructura del presente trabajo es la siguiente: sección 2: Metodología, muestra los materiales, métodos y fórmulas utilizadas para realizar la simulación y obtención de la base de datos a utilizar; sección 3: Análisis de Datos y Resultados, en el cual se describe, analiza y exterioriza los resultados obtenidos de la simulación mediante el procedimiento especial de la Distribución Normal; por último, se presenta la sección 4: Conclusión, en la cual se encuentra la conclusión del estudio realizado.

Metodología

En el presente estudio se toman los productos Enalpril, Altace y Losartán, los cuales presentan alta demanda, en consecuencia, existen días que no se venden dichos productos por falta stock, cuya solución al problema permite a la empresa obtener un sistema de inventarios optimo y automatizado, y para alcanzar este objetivo, se realiza mediante:

Inventarios

Son procesos que tienen el objetivo de mantener un control sobre la mercancía en el curso, que mediante una gestión de inventarios se logra la reducción de costos manteniendo los ingresos. Conociendo que la farmacia maneja un inventario de manera empírica, este presenta problemas de stock por la alta demanda de sus productos, por lo cual la empresa brinda los movimientos de inventarios del año 2017 al 2019, permitiendo así tener un histórico amplio poder realizar procesos probabilísticos con menor margen de error [7] [8].

Como se observa en la Tabla 1, se presenta el histórico del producto enalapril este histórico permite la obtención de la distribución de probabilidad que presenta la demanda de este producto.

En la Tabla No. 2 se puede observar el movimiento de inventario del producto Altace en el cual mediante el histórico de esos años se podrá obtener la distribución de probabilidad que tiene el producto en su demanda para su proyección mediante el algoritmo metaheurístico.

Y en la Tabla No. 3 se presenta el último producto a verificar su distribución de probabilidad para así tener los datos necesarios para poder generar una proyección lo más a la realidad y de esta manera lograr optimizar la rotación de inventario.

Método de Montecarlo por Distribución Normal Probabilística

Se utiliza como herramienta de simulación el método de Monte Carlo, que permite la simulación de un sistema cuando presenta elementos de naturaleza aleatoria en su comportamiento, esta facultad facilita la proyección de las ventas, no obstante, la precisión se pierde al por ser completamente aleatorio por lo cual se propone utilizar la distribución normal probabilística, herramienta que lograr obtener cálculos probabilísticos precisos, en conjunto con el método Montecarlo dando como resultado una proyección con menor margen de error [9] [10] [11].

Se adapta la siguiente fórmula de la Distribución Normal que se aplicado en el algoritmo Búsqueda Tabú, según Cevallos en [12]:

Esta distribución permite obtener la demanda de un día de venta por lo cual hay que despejar la x y tomarla entorno a n por lo cual se muestra lo siguiente formulas:

Tabla 1.
Movimiento de Inventario del 2017-2019 del Enalapril
Enalapril
Mes 2017 2018 2019
Inv_Ini Demanda Inv_Fin Inv_Ini Demanda Inv_Fin Inv_Ini Demanda Inv_Fin
Enero 400 324 76 388 321 67 464 413 51
Febrero 396 322 74 467 418 49 371 274 97
Marzo 474 432 42 449 379 70 417 348 69
Abril 442 435 7 470 416 54 389 354 35
Mayo 487 421 66 454 401 53 435 385 50
Junio 466 383 83 533 464 69 610 534 76
Julio 403 319 84 469 421 48 396 326 70
Agosto 404 323 81 448 377 71 470 401 69
Septiembre 401 370 31 391 364 27 469 448 21
Octubre 511 491 20 427 365 62 421 388 33
Noviembre 420 400 20 382 305 77 513 420 93
Diciembre 500 432 68 557 493 64 333 310 23
Total 5304 4652 652 5435 4724 711 5288 4601 687

Tabla 2.
Movimiento de Inventario del 2017-2019 del Altace
Altace
Mes 2017 2018 2019
Inv_Ini Demanda Inv_Fin Inv_Ini Demanda Inv_Fin Inv_Ini Demanda Inv_Fin
Enero 352 310 42 331 290 41 319 329 -10
Febrero 350 300 60 349 288 61 342 319 23
Marzo 358 301 58 325 278 47 331 293 38
Abril 321 301 20 355 301 54 346 271 75
Mayo 328 306 27 318 297 21 339 290 49
Junio 330 282 72 329 288 41 357 267 90
Julio 356 301 74 349 303 46 354 259 95
Agosto 319 299 22 354 287 67 359 275 84
Septiembre 328 303 29 331 310 21 348 314 34
Octubre 333 308 30 329 315 14 342 296 46
Noviembre 333 304 33 322 286 36 354 281 73
Diciembre 337 314 33 344 289 55 337 320 17
Total 4045 3629 416 4036 3532 504 4128 3514 614

Tabla 3.
Movimiento de Inventario del 2017-2019 del Losartán
Losartán
Mes 2017 2018 2019
Inv_Ini Demanda Inv_Fin Inv_Ini Demanda Inv_Fin Inv_Ini Demanda Inv_Fin
Enero 425 406 19 494 404 90 435 394 41
Febrero 529 430 99 430 340 90 466 390 76
Marzo 439 371 68 430 375 55 416 390 26
Abril 408 364 44 480 409 71 451 385 66
Mayo 469 390 79 411 388 23 406 386 20
Junio 504 418 86 448 423 25 445 383 62
Julio 511 440 71 450 375 75 402 383 19
Agosto 411 367 44 415 379 36 444 397 47
Septiembre 469 419 50 461 383 78 472 419 53
Octubre 475 405 70 503 415 88 478 423 55
Noviembre 495 422 73 428 390 38 395 359 36
Diciembre 498 429 69 463 368 95 461 388 73
Total 5633 4861 772 5413 4649 764 5271 4697 574

La media y la desviación estándar tiene la formula dedicada para varios valores así mismo el cálculo de los números aleatorios, por lo tanto, el valor de x queda de la siguiente forma:

Donde:

x = dominio (0, ∞)

μ = media

σ = desviación estándar.

Z = valores pseudo aleatorios.

n = cantidad de datos aleatorios.

Para aplicar el algoritmo de Montecarlo se debe conocer la fórmula de la distribución normal como se muestra en fórmulas (1-5), como un ejemplo práctico se toma la media de cada producto en este caso el Enalapril, cuyo valor es igual a 10.8 por cuestiones de ser un producto se la redondea a 11, y la desviación estándar de 5.2, con estos datos serán la base para realizar los cálculos de la distribución normal probabilística y mediante la sumatoria de 12 números aleatorios, se puede obtener la demanda por día de los productos dentro de un mes, con ello se lo ingresa en un ciclo for y se simula el movimiento de ventas de todo un año [19] (ver Algoritmo 1).


Búsqueda Tabú

Para la proyección de ventas del año 2020 se utiliza la búsqueda tabú por motivos que acoge una estrategia específica que permite escapar de un mínimo local y seguir con la búsqueda por otras soluciones probabilísticamente mejores. Por lo que mediante la solución objetivo (formula 6) se puede realizar una proyección de las demandas, cual es la primera variable de cada suma, para la obtención de esas variables se aplica el algoritmo de Montecarlo (Algoritmo 1), las restricciones que presentan son los movimientos de inventario de cada producto, es decir que cuando llegue a un valor en stock se pide abastecimiento y mediante la memoria adaptativa que presenta la búsqueda tabú se contrasta con las ganancias obtenidas en los años anteriores. La ventaja de utilizar este algoritmo es que permite una alta adaptación y optimización de la solución objetivo [11] [12].


Modelo de Optimización de Inventario

Herramienta Solver

Es una herramienta que se encuentra presente en las hojas de cálculo, como son Excel y OpenOffice.org. Permite que los modelos sometidos a restricciones obtener soluciones óptimas, por lo que en el presente estudio se lo utiliza para tener un contraste y/o comprobación de la optimización generada por el algoritmo realizado en Excel [15].

Programación Lineal

En la programación lineal su objetivo es optimizar funciones lineales en distintas variables reales con restricciones lineales, para plantear un caso de estudio aplicado a la programación lineal es importante conocer los componentes básicos, los cuales son: variables de decisión, función objetivo y restricciones. La programación lineal asigna recursos entre actividades competidoras elaborando un proceso de toma de decisiones para encontrar una posible solución relacionando requerimientos y disponibilidad de recursos [16].

Función Objetivo

Como se observa en el estudio de Cevallos, et al. en [17] presenta la fórmula para obtener la función objetivo son las siguientes:

Donde:

Es decir:

Por lo cual se en este estudio se necesita maximizar beneficios y minimizar costos se estará utilizando ambos formulas para aplicarlas y comparar como optimiza el algoritmo en contraste a otros años [18].

Restricciones

Donde:

A = valor conocido a ser respetado estrictamente

B = valor conocido que debe ser respetado o puede ser superado;

C = valor conocido que no debe ser superado

j = número de la ecuación, variable de 1 a M (no. Total de restricciones)

Caso de Estudio

La empresa “Voluntad de Dios” ha llevado años teniendo un manejo empírico de su inventario, el cual presenta una cantidad variable de productos en stock, a consecuencia de esto, no se logra satisfacer correctamente a los clientes y en ocasiones se generan pérdidas por falta de espacio en la bodega o expiración de productos, por lo cual desea optimizar el modelo de inventario que lleva actualmente de los productos: Enalapril, Losartán y Altace.

Para el análisis del sistema de inventario que lleva actualmente la farmacia, se toman como variables relevantes: la cantidad de productos pedidos anualmente, la demanda y la cantidad sobrante de producto que no se ha vendido dentro del año 2017 al 2019. Y se puede observar que presenta menos del 1% de producto sobrantes cada año dando como resultado lo ajustado en que el inventario está en frente a la demanda (ver Tabla No. 1, 2, 3).

Tabla 4.
Resumen del Histórico de ventas del producto Enalapril
Resumen del Histórico de ventas del producto Enalapril

Se observa que el producto enalapril tiene un 0,1% de sobrante de su stock, es decir que ese fue producto no vendido, el mismo que se desea optimizar.

Tabla 5.
Resumen del Histórico del producto Altace
Resumen del Histórico del producto Altace

Se observa en la Tabla No.5 el movimiento de inventario y demanda del Altace que presenta el mismo sobrante que el observado en la Tabla No.1.

Tabla 6.
Resumen del Histórico del producto Losartán
Resumen del Histórico del producto Losartán

En la Tabla No. 6 se aprecia el movimiento de inventario y demanda del producto Losartán, el mismo que presenta el mismo problema que los productos anteriores por lo que se toman estos 3 productos para su evaluación de problema y su futura optimización.

Resultados

Aplicación del modelo de inventario en base al Algoritmo Tabú

Con la información obtenida por los históricos del año 2017 al 2019, es posible realizar una proyección de ventas para el año 2020. En la tabla presenta el precio de ventas, costos y beneficios de cada producto por mes de forma que se pueda observar de manera global los ingresos por ventas proyectadas, con ello tener un método de optimización de inventario conociendo las demandas del siguiente año (ver tabla No.7, 8, 9).

Tabla 7.
Proyección de Ventas del Producto Enalapril para el año 2020
 Proyección de Ventas del Producto Enalapril para el año 2020

Tabla 8.
Proyección de Ventas del Producto Losartán para el año 2020
Proyección de Ventas del Producto Losartán para el año 2020

Tabla 9.
Proyección de Ventas del Producto Altace para el año 2020
Altace
Mes Demanda Precio Venta Costo Beneficio
ENERO 372 2142,72 1934,4 208,32
FEBRERO 368 2119,68 1913,6 206,08
MARZO 363 2090,88 1887,6 203,28
ABRIL 403 2321,28 2095,6 225,68
MAYO 353 2033,28 1835,6 197,68
JUNIO 330 1900,8 1716 184,8
JULIO 338 1946,88 1757,6 189,28
AGOSTO 345 1987,2 1794 193,2
SEPTIEMBRE 311 1791,36 1617,2 174,16
OCTUBRE 311 1791,36 1617,2 174,16
NOVIEMBRE 328 1889,28 1705,6 183,68
DICIEMBRE 346 1992,96 1799,2 193,76
Total 4168 24007,68 21673,6 2334,08

Función Objetivo Aplicada con su respectiva restricción

Las variables usadas para la optimización de la función objetivo, la cual minimizara costos son:

Donde:

  1. W = Costos del producto Enalapril.

  2. X = Costos del producto Losartán.

  3. Y = Costos del producto Altace.

  4. Z = funcion Objetivo a minimizar

Tabla 10.
Variables antes de la aplicación de Solver
VARIABLES ANTES
W 4,5
X 3,5
Y 5,2
Z 5227,4

En la Tabla No.10 se observa los valores de las variables W, X, Y, cuáles son los valores de los costos de los productos, en adición y el valor de Z (función objetivo a minimizar).

Restricciones

En esta se sección se define las restricciones que la función objetivo debe que cumplir para lograr la minimización de costos (ver tabla11).

Tabla 11.
Restricciones para la aplicación de Solver
RESTRICCIONES
1 W < 4
2 X < 3
3 Y < 5
4 W , X, Y > 0

En la Tabla No. 11 Se presenta 4 restricciones que la función objetivo debe respetar, las 3 primeras plantea que costos no supere lo que el proveedor esté dispuesto a negociar, y la última es la restricción de no negatividad.

Resultados obtenidos aplicando la herramienta Solver

Se aplicó la herramienta Solver con los datos presentados en la Tabla No.10 y No.11 mostrando los siguientes resultados:

Tabla 12.
. Resultados Obtenidos con la aplicación de Solver
Solver
W 4
X 3
Y 5
Z 4727

Mediante la utilización de Solver se logra obtener un 9,15% de minimización de costo aplicando las variables como se presenta en la TablaNo.12, con ello se puede observa que la herramienta Solver permite también obtener variables que permita minimizar los costos a través de la especificación de restricciones.

Resultados en Maximización de Beneficios mediante la proyección por Búsqueda Tabú

Las ganancias totales por los 3 producto se logran obtener mediante la fórmula 6 que permite contrastar las ventas de cada año y analizar como la proyección del 2020 muestra una relevante mejora en los beneficios (ver Tabla No.7).

Tabla 13
Beneficios por año
Beneficios por año
Año Ganancia
2017 7760,94
2018 7594,22
2019 7556,24
2020 8784,98

Como se puede observar en la Tabla No. 13, la proyección de ventas presenta un 14% más de ganancia con respecto a los 3 años las ganancias cuales mantienen un rango similar, por lo que se puede determinar que se ha maximizado beneficios.

Conclusiones

En el estudio se concluye con la efectividad del algoritmo metaheurístico Tabú para la proyección precisa de movimientos de ventas permitiendo la optimización en la gestión de inventario, obteniendo como resultado un 14% más de ganancia neta con respecto a al año 2019, estableciendo un sistema de inventario que proyecta el uso aproximado del 95% de los productos en stock, a través de la herramienta Solver de Excel se logró minimizar costos en un 9,15% de los productos ofrecidos.

En futuros estudios con relación esta temática, se recomiendan estudios de proyección de ventas para más de un año y con otras herramientas de programación como Python, modelo de un inventario completo, gestión de inventarios con demanda variable conocida y modelos de programación lineal basado en proyección de ventas, con el objetivo de tener varias herramientas que le permita a la farmacia optimizar en mayor medida el tiempo de pedido y la cantidad que pedir.

Referencias Bibliográficas

[1] Ing. Alfonso, R. Romero, U. D. E. La, C. Cuc, I. N. G. Alfonso, and R. Romero, “ALGORITMO HEURÍSTICO BASADO EN LISTAS TABÚ PARA LA PLANIFICACIÓN DE LA PRODUCCIÓN EN SISTEMAS MULTINIVEL CON LISTAS DE MATERIALES ALTERNATIVAS Y ENTORNOS DE COPRODUCCIÓN,” CUC, p. 141, 2018.

[2] E. Causado Rodríguez, “Modelo de inventarios para control económico de pedidos en empresa comercializadora de alimentos,” Rev. Ing. Univ. Medellín, vol. 14, no. 27, pp. 163–178, 2015.

[3] H. H. Toro and J. J. Bravo, “Enfoque Práctico Para La Determinación De Políticas De Inventario Centralizadas En Un Sistema 1-Bodega / N-Minoristas a Través De Simulación / Optimización a Practical Approach To Develop Centralized Inventory Policies for 1-Warehouse / N-Retailers System,” EIA, pp. 31–41, 2018.

[4] J. Arango, J. Giraldo, and O. Castrillón, “Gestión de compras e inventarios a partir de pronósticos Holt-Winters y diferenciación del nivel de servicio por clasificación ABC,” Sci. Tech., vol. 18, no. 4, pp. 743–747, 2013.

[5] P. Luis, E. Blanco, R. Ingeniero, and E. R. Motta, “Simulación Del Mrpii En El Sector Farmacéutico Colombiano,” no. 001, pp. 8–10, 2005.

[6] C. G. L. Alexander, “Unidad académica de ciencias empresariales carrera de contabilidad y auditoría,” Utmach, vol. 4, pp. 1194–1215, 2018.

[7] J. A. Fuertes, “Métodos, técnicas y sistemas de valuación de inventarios. Un enfoque global,” pp. 48–65, 2019.

[8] O. Peña and R. Da Silva Oliveira, “Factores incidentes sobre la gestión de sistemas de inventario en organizaciones venezolanas,” Telos Rev. Estud. Interdiscip. en Ciencias Soc., vol. 18, no. 2, pp. 187–207, 2016.

[9] J. L. Chamorro Corea, J. E. Díaz Camejo, O. D. Fuentes Espinoza, and H. Y. Lovo Gutiérrez, “Política de inventarios máximos y mínimos en cadenas de suministro multinivel. Caso de estudio: una empresa de distribución farmacéutica (Artículo Profesional),” Nexo Rev. Científica, vol. 31, no. 2, pp. 144–156, 2018.

[10] F. L. Sánchez Ibarbo, “Aproximación al Origen de la Distribución Normal vía Probabilidad,” vol. 5.

[11] Cevallos-Torres, Lorenzo & Miguel Botto-Tobar Studies in Computational Intelligence 824 Problem-Based Learning : A Didactic Strategy in the Teaching of System Simulation. Rev. Didasc@lia Didáctica y Educ. ISSN 2224-2643, vol. 7, no. 1, pp. 29–40, 2016.

[12] Cevallos-Torres, Lorenzo & Guijarro-Rodríguez, Alfonso, Pedro Manuel García Arias1, Pierre Chávez1 and R. S. Jessica Rebutti1, Aplicación del Método Montecarlo y Análisis por Teoría de Colas para Reducir el Tiempo de Espera en una Farmacia, no. Cinesi. 2017.

[13] E. P. D. E. Estadística, B. Illtner, and K. Chavez, “Una Búsqueda Tabú para el problema de entrega de productos de la empresa Almapo en la ciudad de Trujillo,” 2017.

[14] E. Coletti Romero and A. C. Riojas Cañari, “Balance de línea de producción en una empresa de calzado mediante la metaheurística búsqueda tabú,” Rev. Peru. Comput. y Sist., vol. 1, no. 1, p. 9, 2018.

[15] L. C. Sanchez and J. Herrera, “Solution to the multiple products transportation problem: Linear programming optimization with Excel Solver,” IEEE Lat. Am. Trans., vol. 14, no. 2, pp. 1018–1023, 2016.

[16] E. Castillo, A. J. Conejo, P. Pedregal, R. García, and N. Alguacil, “Formulación y Resolución de Modelos de Programación Matematica en Ingeniería y Ciencias,” p. 553, 2002.

[17] Cevallos-Torres, Lorenzo & Torres, C, “Relación Teoría-Práctica Para La Investigación De Operaciones: Caso Práctico En Modelos De Programación Lineal,” Rev. Didasc@lia Didáctica y Educ. ISSN 2224-2643, vol. 7, no. 1, pp. 29–40, 2016.

[18] Cevallos-Torres, Lorenzo, & Miguel Botto-Tobar. "Pseudo-random numbers and congruential methods." Problem-Based Learning: A Didactic Strategy in the Teaching of System Simulation. Springer, Cham, 2019. 33-58.

[19] Cevallos-Torres, Lorenzo, and Miguel Botto-Tobar. Problem-Based Learning: A Didactic Strategy in the Teaching of System Simulation. Vol. 824. Springer, 2019.

Notas

1 Estudiante de Ingeniería en Sistemas Computacionales. Universidad de Guayaquil, Ecuador. E-mail: luis.ramosm@ug.edu.ec
2 Estudiante de Ingeniería en Sistemas Computacionales. Universidad de Guayaquil, Ecuador. E-mail: martha.marcillot@ug.edu.ec
3 Estudiante de Ingeniería en Sistemas Computacionales. Universidad de Guayaquil, Ecuador. E-mail: dantee.astudillos@ug.edu.ec
4 Ing. en Estadística Informática, MSc. en Modelado Computacional en Ingeniería. Universidad de Guayaquil, Ecuador. E-mail: lorenzo.cevallost@ug.edu.ec

Información adicional

Como citar: : Ramos Moncayo, L., Marcillo Troncozo, M., Astudillo Sanchez, D., & Cevallos-Torres, L. (2019). Modelo de Optimización para medir el costo por perdida de producto no vendido mediante Simulación Montecarlo y Algoritmo Metaheurístico Tabú. Ecuadorian Science, 3(2), 8-14. DOI: https://doi.org/10.26911/issn.2602-8077vol3iss2.2019pp8-14p.

Modelo de publicación sin fines de lucro para conservar la naturaleza académica y abierta de la comunicación científica
HTML generado a partir de XML-JATS4R