You are on page 1of 18

versão impressa ISSN 0101-7438 / versão online ISSN 1678-5142

CÁLCULO DO PONTO DE PEDIDO BASEADO EM PREVISÕES DE UMA POLÍTICA <Q, r> DE GESTÃO DE ESTOQUES Eduardo Saggioro Garcia Visagio Consultoria Assessoria e Desenvolvimento Ltda Rio de Janeiro – RJ eduardo.saggioro@visagio.com.br Virgílio José Martins Ferreira Filho* Engenharia de Produção Universidade Federal do Rio de Janeiro (UFRJ) Rio de Janeiro – RJ virgilio@ufrj.br
* Corresponding author / autor para quem as correspondências devem ser encaminhadas

Recebido em 07/2005; aceito em 04/2007 após 1 revisão Received July 2005; accepted April 2007 after one revision

Resumo
Um das políticas de gestão de estoques mais conhecidas e utilizadas é o sistema de lote econômico com ponto de pedido, também conhecido como sistema <Q, r>. O objetivo deste artigo é apresentar uma nova abordagem para o cálculo do ponto de pedido, baseada na previsão da demanda para cada período durante o tempo de ressuprimento. Erros de previsão e tempos de ressuprimento são as variáveis aleatórias consideradas sendo o ponto de pedido calculado com base na distribuição composta desses parâmetros. Simulações são realizadas para avaliar a adequação do modelo proposto, sob condições tais como: diferentes distribuições do lead-time, da demanda e diferentes magnitudes do erro de previsão. A experimentação conduzida procura avaliar tanto a validade do modelo teórico proposto quanto os possíveis desvios das premissas consideradas, principalmente a da demanda ser considerada normalmente distribuída no lead-time.

Palavras-chave: estoques; ponto de pedido; previsão; simulação. Abstract
One of the most known policy of inventory management is the order quantity and reorder point, or <Q, r> policy. The purpose of this paper is to present a new analytical approach for evaluating reorder points in inventory management policies. This approach considers the reorder point as a function of forecasted demands in the planning horizon, which can vary through time. Lead-times and forecast errors are the uncertainties present in the model. The composed distribution of these parameters is used to obtain an analytical expression for the proposed forecast based reorder point. Simulation experiments are performed in order to validate and test the accuracy of the proposed model. The experiments consider different lead-time and demand distributions and also different magnitude of forecast errors. Beyond the accuracy of the analytical model the simulations seeks to evaluate the premises adopted, mainly the one of normally distributed lead-time demand.

Keywords: inventory; reorder point; forecast; simulation.

Pesquisa Operacional, v.29, n.3, p.605-622, Setembro a Dezembro de 2009

605

sejam em grandes cadeias. como disponibilidade de produto (fill rate). Na sequência do artigo é apresentada uma breve revisão bibliográfica discutindo as premissas da formulação clássica. Na seção 4 é apresentada a 606 Pesquisa Operacional. Mais recentemente. também conhecida como demanda no lead-time. v. Alternativamente. baseada na previsão da demanda para cada período durante o tempo de ressuprimento. Com base no nível de serviço desejado. Um das políticas de gestão de estoques mais conhecidas e utilizadas é o sistema de lote econômico com ponto de pedido. uma quantidade Q é ordenada assim que o estoque disponível atinge o patamar de r unidades. A experimentação conduzida procura avaliar tanto a validade do modelo teórico proposto.29. Introdução O gerenciamento dos estoques.3. também conhecido como sistema <Q. Embora existam muitas maneiras de se definir nível de serviço. sob condições tais como: diferentes distribuições do lead-time. Setembro a Dezembro de 2009 . que é uma distribuição composta definida pela convolução de um número aleatório de períodos. as quais são apresentadas e analisadas como fundamentos para o desenvolvimento do modelo proposto na seção 3. chamado de ponto de pedido ou nível de reposição. como pode ser visto em livros clássicos de gestão de estoques como Hadley & Within (1963) e Brown (1967). continuam sendo quando e quanto repor levando em conta as possíveis variabilidades tanto no suprimento quanto na demanda. cada qual apresentando uma demanda aleatória. O objetivo deste artigo é apresentar uma nova abordagem para o cálculo do ponto de pedido. juntamente com os respectivos erros de previsão. tendo em consideração a variabilidade estocástica da demanda total durante o tempo de ressuprimento. p. quanto os possíveis desvios das premissas consideradas. Erros de previsão e tempos de ressuprimento são as variáveis aleatórias consideradas sendo o ponto de pedido calculado com base na distribuição composta desses parâmetros. uma das questões mais antigas da administração. r>. sistemas mais complexos envolvendo cadeias de suprimento mais longas e portanto sujeitas a maior variabilidade vem requerendo modelos analíticos que permitam tratar a questão dos estoques ao longo da cadeia. ou em livros mais recentes como Silver. r é em geral calculado como a demanda média no lead-time mais um estoque de segurança.Garcia & Ferreira Filho – Cálculo do ponto de pedido baseado em previsões de uma política <Q. principalmente a da demanda ser considerada normalmente distribuída no lead-time. Rycke & Peterson (1998). A quantidade Q é usualmente determinada pela expressão do Lote Econômico de Ressuprimento ou por algum outro modelo de otimização. As questões principais no gerenciamento de estoques. Já o ponto de pedido r se baseia em atingir algum padrão de nível de serviço. Neste modelo.605-622. n. Simulações são realizadas para avaliar a adequação do modelo proposto. outro método usual de calcular o estoque de segurança é utilizando a previsão da demanda no lead-time. r> de gestão de estoques 1. da demanda e diferentes níveis de erro de previsão. sejam em uma organização isolada. Para o cálculo apropriado deste estoque de segurança deve-se conhecer a distribuição de probabilidades da demanda no lead-time. ainda desperta muito interesse. Depois de um período em que foram desenvolvidos vários modelos analíticos para abordar a questão dos estoques seguiu-se uma época em que estes modelos foram relegados a segundo plano prevalecendo abordagens de gestão da produção que preconizavam sistemas sincronizados com minimização/eliminação dos estoques. uma abordagem comum é considerá-lo como a probabilidade de não ocorrência de uma ruptura de estoques (stockout) durante o tempo de ressuprimento. seja no dia a dia das organizações seja no meio acadêmico.

a distribuição composta não segue uma distribuição normal. apresenta um método para calcular níveis de serviço e os correspondentes pontos de pedido com base nos quatro primeiros momentos (média. mesmo que o tempo de ressuprimento e as demandas em cada período sejam normalmente distribuídos. resultando em maiores custos de carregar estoques. Desta maneira. durante o tempo de ressuprimento. apontadas por exemplo em Silver (1981) ou em Mentzer & Krishnan (1988) são: (i) a distribuição da demanda no tempo de serviço tem uma forma determinada (na maioria das vezes é assumida a distribuição normal) (ii) os parâmetros. Destes momentos. A quarta categoria de premissas consiste em considerar que. r> de gestão de estoques metodologia de simulação desenvolvida para validar o modelo. se é possível prever variabilidades na demanda ao longo do tempo. muitas vezes de modo implícito.605-622. Lau (1989). Zipkin (2001) e Wanke & Saliby (2005). 2.29. é de extrema relevância no cálculo do ponto de pedido. principalmente média e desvio-padrão. p. Porém. Diversos artigos presentes na literatura discutem os efeitos destas premissas. A seção 5 conclui o trabalho. bem como o processo de experimentação conduzido. além de analisar o efeito da consideração da distribuição normal. para um dado nível de serviço. a variância. basta estimar a média e o desvio-padrão da demanda no lead-time para se determinar r. diversas são as premissas assumidas. Na ausência destes. Os últimos desenvolvem um modelo que considera uma distribuição uniforme para a demanda e para o lead-time. entretanto. (iii) a distribuição da demanda no lead-time é uma composição de uma distribuição contínua para a demanda com uma distribuição discreta do lead-time e além disto que a demanda é independente do lead-time. isto é. variância. são variáveis aleatórias com a mesma média e o mesmo desvio-padrão. Krupp (1997) tenta resolver parte deste problema formulando um modelo para o cálculo do estoque de segurança baseado nos erros percentuais de previsão. são alguns dos autores que se preocupam com a terceira categoria de premissas. Desta forma. A segunda categoria de premissas é via de regra suportada pela existência de dados históricos. Setembro a Dezembro de 2009 607 . assimetria e curtose não são fáceis de avaliar intuitivamente. segundo Tyworth (1992). mesmo nos modelos mais simplificados. se uma parte da variabilidade da demanda pode ser prevista. n.3. assimetria e curtose) de uma dada distribuição de demanda no lead-time. Análise e premissas da formulação clássica do modelo de ponto de pedido Nos modelos de estoques existentes na literatura e usados nas organizações. as demandas em cada período seguem distribuições de probabilidade idênticas. a expressão clássica do estoque de segurança tende a dar valores superestimados. o pressuposto de normalidade é vastamente usado como simplificação do problema. Algumas destas suposições. como visto em vários livros de logística e gestão de materiais como Bowersox & Closs (1996) e Ballou (2001). Estas premissas têm efeitos tanto nos custos quanto no nível de serviço. v. outros momentos como variância. 1988). A simplificação mais comum é considerar que a demanda no lead-time segue uma distribuição normal (veja por exemplo Eppen & Martin. como argumentam Lariviere & Porteus (1999). Pesquisa Operacional. Com esta suposição.Garcia & Ferreira Filho – Cálculo do ponto de pedido baseado em previsões de uma política <Q. estimativas podem ser feitas principalmente para as médias da demanda e do lead-time. da distribuição são conhecidos. Apesar disso. (iv) a cada demanda diária apresenta a mesma média e o mesmo desvio-padrão e ainda é admitido que não existe autocorrelação entre as demandas diárias. apresentando também possíveis formas de utilização da modelagem proposta.

considerando as premissas apresentadas no início da seção. isto é: DL = ∑ d t t =1 L (3) Para se poder calcular o ponto de pedido é necessário obter a média e o desvio-padrão da demanda no lead-time. A seguir é apresentada a formulação clássica da política <Q. tendências e sazonalidades. Uma possibilidade é coletar dados históricos e calcular diretamente as estatísticas necessárias. Outra premissa dentro desta categoria é a suposição de que não existe autocorrelação entre as demandas diárias. Esta é a soma de cada demanda por unidade de tempo. µX σ X – desvio-padrão da variável aleatória X. Este modelo entretanto não contempla aleatoriedade nos tempos de ressuprimento. Setembro a Dezembro de 2009 . mostrando como este fato pode afetar os níveis de serviço projetados. é dado por: r = µDL + SS SS = kσ DL (1) (2) No que se refere a r. Zinn. – média da variável aleatória X (por exemplo. O ponto de pedido.605-622. r> de gestão de estoques como padrões cíclicos. os estoques de segurança são determinados de forma mais eficiente. X = DL). n. ponto de pedido. v. p. com base na seguinte notação. variável aleatória – demanda no lead-time. com base na distribuição normal unitária.Garcia & Ferreira Filho – Cálculo do ponto de pedido baseado em previsões de uma política <Q. fator de segurança para se atingir o nível de serviço desejado. dt. Marmorstein & Charnes (1992) analisam o efeito de demandas autocorrelacionadas.3. sendo portanto pouco aplicável a muitas situações reais. Então as estatísticas de DL são dadas por: µDL = L ⎛ ⎞ ⎜ pt ( L )∑ µdt ⎟ ⎠ L = L min ⎝ t =1 L max ∑ (4) 2 σ DL = 2 L ⎡⎛ L ⎞ ⎛ ⎞ ⎤ pt ( L) ⎢⎜ ∑ σdt 2 ⎟ + ⎜ µDL − ∑ µdt ⎟ ⎥ ∑ ⎠ ⎝ ⎠ ⎥ ⎢⎝ t =1 L = L min t =1 ⎣ ⎦ L max (5) 608 Pesquisa Operacional. valor mínimo que o lead-time pode assumir. DL. variável aleatória – tempo de ressuprimento (lead-time). valor máximo que o lead-time pode assumir. Sejam: Q– r– dt – L– Lmin – Lmax – DL – SS – k– tamanho do pedido.29. variável aleatória – demanda no período t. durante o lead-time de ressuprimento L. estoque de segurança. r>. deve-se primeiramente perceber que este depende dos possíveis valores que pode assumir a demanda no lead-time. pt(L) – probabilidade que o lead-time t assuma um valor igual a L.

o produto de variâncias dividido pela média do lead-time é geralmente pequeno quando comparado com os demais termos. v. Estes autores enfatizam que na expressão clássica do ponto de pedido está implícito que as previsões para cada período são a demanda média. O resultado expresso em (7) é derivado diretamente da teoria das probabilidades (veja. r> de gestão de estoques Entretanto. 3. como por exemplo Bowersox et al. assim este termo é muitas vezes negligenciado na maioria dos livros de gestão de materiais. 2 σ DL = Lσ d 2 (8) Ela pode também ser generalizada para considerar distribuições contínuas do lead-time. até mesmo para o modelo clássico.Garcia & Ferreira Filho – Cálculo do ponto de pedido baseado em previsões de uma política <Q. et = dt ft (10) (11) dt = et ft Pesquisa Operacional. Lau (1989). Garcia. p. por exemplo. Setembro a Dezembro de 2009 609 . 2 σ DL = µL σd 2 + µd 2 σL 2 + σ d 2 σL 2 µL (9) No ultimo termo da expressão (9).605-622. Desenvolvimento de um ponto de pedido baseado em previsões Em Zinn & Marmorstein (1990) é demonstrado que. (2006). Primeiramente deve-se estabelecer uma forma de mensurar as diferenças entre as demandas e suas respectivas previsões. Ballou (2001). Veja. A expressão (7) pode ser simplificada se é assumido que o lead-time L é determinístico. se erros de previsão são considerados ao invés da variabilidade da demanda os estoques de segurança podem ser reduzidos sem reduzir os níveis de serviço ao cliente. é a soma de dois termos: o primeiro é devido a aleatoriedade da demanda diária di enquanto o segundo é devido a aleatoriedade do leadtime. Sob a hipótese de que a demanda no lead-time siga uma distribuição normal e ainda que cada demanda dt tenha a mesma média e desvio-padrão.29. Agora. o modo mais usual de se obter a média e os desvio-padrão da demanda no leadtime DL é usando as estatísticas da demanda por unidade de tempo e do lead-time. (1996). Wanke & Saliby (1995). A variável et é então definida como a razão entre a demanda para o período t e sua previsão ft. baseado nas equações apresentadas na seção anterior será desenvolvido um modelo para o cálculo do ponto de pedido baseado em previsões. por exemplo Meyer (1965). o que pode não ser uma suposição válida em muitas situações reais.3. µDL = µd µL 2 2 σ DL = µL σd 2 + µd σL 2 (6) (7) Uma vez definido o modelo clássico pode-se analisar o significado dos seus termos. A 2 variância da demanda no lead-time σ DL . Reis et al. n.

Embora o pressuposto de normalidade da demanda no lead-time tenha sido mantido. Se as previsões estiverem sistematicamente acima das demandas µet assumirá valores menores que 1. Setembro a Dezembro de 2009 . possibilidade da magnitude dos erros de previsão variar no tempo e consideração do efeito de viés nas previsões. Tendo em vista que as previsões ft são parâmetros determinísticos e as demandas dt variáveis aleatórias. rf = µDL + kσ DL (17) Mais uma vez. as expressões (14)-(15) se reduzem a: µDL = ∑ ft µet t =1 L 2 2 σ DL = ∑ ft 2 σet t =1 L (15) (16) O ponto de pedido baseado em previsões. e se as previsões estiverem sistematicamente abaixo das demandas µet assumirá valores maiores que 1. (5) e (12) a média e o desvio-padrão da demanda no lead-time podem ser calculados respectivamente por: µDL = L ⎛ ⎞ ⎜ pt ( L)∑ ft µet ⎟ ⎠ L = L min ⎝ t =1 L max ∑ (13) σ 2 DL 2 L ⎡⎛ L 2 2 ⎞ ⎛ ⎞ ⎤ = ∑ pt ( L) ⎢⎜ ∑ ft σet ⎟ + ⎜ µDL − ∑ ft µet ⎟ ⎥ ⎠ ⎝ ⎠ ⎥ ⎢⎝ t =1 L = L min t =1 ⎣ ⎦ L max (14) Se o lead-time L é determinístico. p. µet será igual a 1. Como exemplos de vantagens estão: consideração de variações não aleatórias da demanda. para determinar o ponto de pedido r é necessário calcular a média e o desvio-padrão de DL. baseada na distribuição normal unitária. Seja µet e σet respectivamente a média e o desvio-padrão de cada variável aleatória et. chamado aqui de rf.Garcia & Ferreira Filho – Cálculo do ponto de pedido baseado em previsões de uma política <Q. A demanda no Lead. n. Combinando as expressões (4). cada et é também uma variável aleatória. como o seu equivalente clássico r. r> de gestão de estoques A variável et é uma forma de se mediar a acurácia da previsão. o modelo baseado em previsões apresenta uma série de vantagens quando comparado ao modelo clássico.29. v. é o fator de segurança para se atingir um certo nível de serviço. 610 Pesquisa Operacional.3.time pode ser agora escrita como: DL = ∑ ft ⋅ et t =1 L (12) Como apresentado na expressão (1).605-622. pode ser escrito como função da média e do desvio-padrão da demanda no leadtime DL. a constante k. É interessante notar que caso não haja viés nas previsões.

Os passos da simulação realizada em MS-Excel foram. é assumido nos experimentos que o horizonte de planejamento não é amplo o suficiente para gerar diferenças consideráveis na previsibilidade das demandas. uma distribuição uniforme e uma distribuição com probabilidades máximas nos extremos. utilizando amostragem por Hipercubo Latino (Banks. cada qual com 5000 iterações. se demanda no lead-time de suprimento <= r. 2 e 2. com média igual à previsão e desvio igual ao desvio de previsão. Cálculo das estatísticas de DL (média e desvio-padrão). 5.3 e 0.1. de forma esquemática. 6. v. o valor médio de L é de 6 períodos os desvios-padrão são de respectivamente 1. Determinação da demanda no lead-time. Além disso. ou seja. os seguintes: 1. Geração aleatória de 5x5. três diferentes magnitudes de erro de previsão ( σet = 0. Pesquisa Operacional. foi considerado que o erro percentual de previsão é constante ao longo do tempo (valores absolutos dos erros entretanto variam no tempo. Entretanto. Uso de simulação para validação do modelo Garcia. houve falta. n. Setembro a Dezembro de 2009 611 .000 lead-time com distribuição discreta (dada pela Tabela 1). 0. Desta forma. r> de gestão de estoques 4.5 respectivamente) e três conjuntos de previsão. 1999). e para avaliar a aderência da premissa de DL normalmente distribuída. Para cada dia do lead-time gerar uma demanda diária normalmente distribuída. Silva & Saliby (2002) mostram que modelos de simulação estocástica são muito úteis para validar e testar a adequação de expressões analíticas para o cálculo de estoques de segurança.588. através da soma dos resultados obtidos na etapa (2). Como pode ser visto na Tabela 1 e na Figura 1 três distribuições para o lead-time foram testadas uma primeira que se assemelha à distribuição normal. de acordo com a variabilidade das previsões). Em todos os experimentos foi considerado previsão sem viés. O projeto de experimentos De forma a avaliar a metodologia proposta sob diferentes condições foram considerados três diferentes distribuições para o lead-time (apresentadas na Tabela 1). No presente artigo. Valores simulados da demanda no lead-time DL foram coletadas para o cálculo de suas estatísticas. Outro pressuposto considerado é que os et são normalmente distribuídos. 4. Em todos os casos o lead-time mínimo Lmin é de 3 períodos. experimentos foram realizados. o máximo Lmax é de 9 períodos. ou seja.605-622. p.428. com características distintas (apresentadas na Tabela 2). simulações são feitas para testar as equações propostas para µDL e σDL. 3. caso contrário. 2. Determinação da condição de stockout em cada um dos suprimentos. não houve falta. Comparação dos resultados obtidos nas etapas (4) e (5) com as fórmulas (13) e (14) apresentadas na seção 3. Em algumas situações é interessante considerar que os erros percentuais de previsão crescem à medida que o horizonte temporal se distancia. Em todos eles foram feitas 5 rodadas de simulação.3.29.Garcia & Ferreira Filho – Cálculo do ponto de pedido baseado em previsões de uma política <Q. µet é igual a 1 para todos os t períodos.

A primeira corresponde a uma situação onde a previsão é constante para todos os períodos de tempo. Tabela 2 – Previsões para a Demanda ao Longo do Horizonte de Planejamento. n. foram simuladas três situações apresentadas na Tabela 2. No que diz respeito à previsão de demanda. Setembro a Dezembro de 2009 . Lead-time S-Normal pt(L) 4% 11% 22% 26% 22% 11% 4% 6 1. v.3.428 Lead-time Uniforme pt(L) 14% 14% 14% 14% 14% 14% 14% 6 2 Lead-time 2-Extremos pt(L) 30% 15% 5% 0% 5% 15% 30% 6 2.29. r> de gestão de estoques Tabela 1 – Distribuições de Probabilidade para o Lead-time L. Previsão sem sazonalidade ft 100 100 100 100 100 100 100 100 100 Previsão com baixa sazonalidade ft 100 125 75 130 105 70 115 80 100 Previsão com alta sazonalidade ft 100 130 75 160 40 120 135 55 85 Período t 1 2 3 4 5 6 7 8 9 612 Pesquisa Operacional.605-622.Garcia & Ferreira Filho – Cálculo do ponto de pedido baseado em previsões de uma política <Q.588 L 3 4 5 6 7 8 9 µL σL 30% 25% Fre qu e n cie s 20% 15% 10% 5% 0% 3 4 5 6 7 8 9 Possible lead time values Frequencies 16% 14% 10% 8% 6% 4% 2% 0% 3 4 5 6 7 8 9 Possible lead time values Frequencies 12% 35% 30% 25% 20% 15% 10% 5% 0% 3 4 5 6 7 8 9 Possible lead time values Figura 1 – Histograma das Distribuições de Probabilidade para o Lead-time L. p. O propósito destes experimentos é testar se grandes variações na previsão têm impactos significativos no nível de serviço aos clientes. Para as demais situações considerou-se a ocorrência de sazonalidade baixa e alta.

3. 97.13%. Estes percentis são relevantes para que seja feita a comparação entre os resultados obtidos por simulação e os valores teóricos baseados na distribuição normal. seu Pesquisa Operacional. σ d = 30 . σ DL = ∑ pt ( L) ⎡ L × 1002 × 0.428 Usando as equações (6) e (7) obtemos: 2 µDL = 6 × 100 = 600. p. bem como de compará-lo com o modelo clássico de ponto de pedido. L pt(L) ft(L) 3 4% 100 4 11% 100 5 22% 100 6 26% 100 7 22% 100 8 11% 100 9 4% 100 Assumindo ainda um erro de percentual de previsão constante ao longo do tempo com 2 σet = 0. mais especificamente os percentis 50%.72% e 99. além disto calculando as estatísticas diretamente da tabela µL = 6 σL = 1.87%. v. Setembro a Dezembro de 2009 613 . isto é: µd = 100.13% equivale a k igual a 1. a média da demanda no lead-time µ DL apresentada na equação (13) e a variância da demanda no 2 lead-time σ DL apresentada na equação (14) devem dar resultados iguais aos seus equivalentes no modelo clássico. 04 = 25800 ⇒ σ DL = 160.3 . ⎣ ⎦ t =3 L =3 9 9 Para validar as equações propostas. Como as previsões não variam no tempo. 84. primeiro serão apresentados os resultados para a situação onde todas as previsões têm o mesmo valor. r> de gestão de estoques Resultados experimentais e discussão Com o objetivo de ilustrar a aplicação do modelo proposto.29. Um exemplo ilustrativo Sejam os dados. seu percentil 50% equivale a k igual a zero. a média e o desvio-padrão de DL foram calculados para cada rodada de simulação. retirados das Tabelas 1 e 2 resumidos na Tabela 3 a seguir: Tabela 3 – Resumo dos dados para o exemplo ilustrativo.605-622.Garcia & Ferreira Filho – Cálculo do ponto de pedido baseado em previsões de uma política <Q. σ DL = 6 × 302 + 1002 × 2. seu percentil 84. Se DL é normalmente distribuído. n. Alguns percentis de DL também foram obtidos. os pressupostos considerados neste primeiro experimento são exatamente os mesmos pressupostos da formulação do modelo clássico de ponto de pedido. Dessa maneira. 6238 ou usando as equações (13) e (14) 2 2 µDL = ∑100 × 1 = 600. Então teremos uma demanda diária com média 100 e desvio-padrão de 30 unidades de produto.32 + ( 600 − L × 100 ) ⎤ = 25800.

2 160.5 12.5 P84.25% Pode-se ver pela tabela 5 que os valores teóricos são bem aderentes aos resultados da simulação.87% equivale a k igual a 3. as comparações mostram que a consideração de DL normalmente distribuído é um pressuposto válido para o caso analisado.72DL 921. Setembro a Dezembro de 2009 .0 2.8 600. p. Tabela 4 – Resultados da simulação (1° experimento).72% equivale a k igual a 2 e seu percentil 99.4 764.6 160.Garcia & Ferreira Filho – Cálculo do ponto de pedido baseado em previsões de uma política <Q.7 1043.1 1073.5 161. Os resultados da simulação são mostrados na Tabela 4.8 919. A tabela 5 apresenta estas comparações.4 1. o número de vezes em que o valor simulado de DL foi menor que o ponto de pedido baseado em previsões.0 -0.62% P99.0 596.0 764. Corrida de simulação 1 2 3 4 5 Média das Corridas Desvio das Corridas µDL 600.7 P97.13DL 763. De forma equivalente à comparação dos percentis.3 160.7 1051.1 765. Tabela 5 – Comparação entre resultados da simulação e valores teóricos (1° experimento).2 927. Os valores de diferenças percentuais são calculados pela expressão Dif. r> de gestão de estoques percentil 97.1 P50DL 594. uma outra maneira de visualizar a aderência do pressuposto de normalidade é analisar o percentual de vezes em que não ocorre um stockout.72DL 934.1 159.02% σDL 160.9 595.87DL 1065. v.0 Os resultados da simulação devem ser comparados aos valores teóricos (considerando as equações (13) e (14) e DL normalmente distribuído).29.605-622.6 1.6 928.2 927.% = (valor simulado – valor teórico) / valor teórico.0 6.44% P97.9 597.56% P84.5 600. 614 Pesquisa Operacional. n.6 0.3 σDL 161.1 599. sendo os percentis teóricos calculados como µ DL mais k vezes σ DL .0 -0.1 598.5 921.5 2.5 1053.0 767. isto é.2 600.5 P99.15% P50DL 600 596.9 1057.1 0.4 0.7 1057.3 760.87DL 1081.6 764.13DL 760.3. µDL Valor teórico Média das corridas Diferença percentual 600 600. Além de validar as equações (13) e (14).7 159.0 600.8 930.1 -0. os percentuais de não stockouts obtidos por simulação e a comparação destes com os valores teóricos esperados para diferentes valores de k são apresentados na tabela 6. Calculando rf pela equação (17).3 597.

05% A tabela 6 corrobora a conclusão baseada na tabela 5 para o caso do primeiro experimento. Setembro a Dezembro de 2009 615 . já que não há diferenças significativas entre valores teóricos e obtidos por simulação.92% 0.26% 83. respectivamente. (iii) A presença da sazonalidade na previsão não tem impacto significativo. bem como da análise dos gráficos apresentados na figura 2.605-622.23% 97.13.88% 99.15% e 0.70% 84.40% 83.34% 97. P97.92% 99.52% k=2 97. v. P84.44% 50.3.72.44% 97.94% 99. isto é.32% 50.24% 97. A extensão para os outros casos simulados pode ser conduzida a partir das tabelas 7 a 10.42% 84.1% 50. enquanto o erro percentual de previsão tem impacto favorável.22% k=3 99. Validação das estatísticas de DL A análise das Tabelas 7 e 9 mostra que os resultados teóricos derivados das soluções analíticas obtidas na seção 3 são perfeitamente aderentes aos resultados empíricos obtidos por simulação.96% 99.04% 99. um maior erro implica em menores Dif%. isto é para o percentil P99.29.81% 0.76% 97.00% -0. (a) Análise da diferença percentual entre resultados teóricos e simulados: (i) Com relação à média e ao desvio-padrão da demanda no lead-time as diferenças máximas entre os resultados obtidos foram de 0.50% 0.62% 51.72% 50. Pesquisa Operacional.60% 83. p. (ii) Com relação aos percentis P50.81 se observa que as diferenças entre os resultados crescem à medida que se passa do lead-time S-normal para o lead-time Uniforme e ainda mais quando se passa para o lead-time 2-Extremos. (iv) As maiores diferenças ocorrem na cauda da distribuição.42%. ou seja. n. o modelo analítico proposto é aderente aos pressupostos considerados em sua formulação. Corrida de simulação 1 2 3 4 5 Média das corridas Desvio das corridas Valor teórico Diferença absoluta k=0 51.16% 50.Garcia & Ferreira Filho – Cálculo do ponto de pedido baseado em previsões de uma política <Q.72% 97.87% -0.72 e P99. r> de gestão de estoques Tabela 6 – Comparação entre percentuais de não stockouts simulados e teóricos (1° experimento).88% 99.72% 0.12% 83.13% 0.62% 0.81% k=1 83. Para facilitar a interpretação dos resultados eles são a seguir agrupados por objetivos pretendidos.

13 %) existe uma subestimação do número de faltas que é tanto maior quanto mais a distribuição do lead-time se afasta da distribuição normal. indiferentemente à distribuição do lead-time.6.13. (ii) para k=1 (84. Esta análise é feita observando as diferenças entre os valores obtidos por simulação para os diferentes cenários simulados e os valores teóricos obtidos para a ocorrência de falhas de suprimento (faltas) durante o lead-time.Garcia & Ferreira Filho – Cálculo do ponto de pedido baseado em previsões de uma política <Q. a percentagem de vezes em que o valor de DL simulado é menor do que o ponto de pedido rf. Análise da suposição de DL ser normalmente distribuída. v. para níveis de serviço muito exigentes ainda que para propósitos práticas ela possa ser assumida como válida ocorre uma ligeira superestimação das faltas. isto é. n. Uma forma de avaliar a adequação da suposição de normalidade é computando o número de vezes que não ocorrem faltas na simulação. P97. da ocorrência de sazonalidade e dos erros de previsão.72 e P99. são apresentados na Tabela 10 e nos Gráficos 2a e 2b. Do conjunto de análises pode-se concluir que suposição de distribuição normal é perfeitamente adequada. O desvio-padrão entre as corridas de simulação é muito pequeno. (i) para k=0 (50%) as diferenças são muito pequenas. para os diferentes cenários.3 e 2.72 e 99. calculados pela expressão (17). (iii) para k=2 e k=3 (97. Os resultados dos valores obtidos da simulação.29. p. inferior a 0. 616 Pesquisa Operacional.81 os desvios crescem à medida que se passa do lead-time S-normal para o lead-time uniforme e ainda mais quando se passa para o lead-time 2-Extremos.605-622.81%) existe uma superestimação do número de faltas que é tanto maior quanto mais a distribuição do lead-time se afasta da distribuição normal. Setembro a Dezembro de 2009 . Novamente a ocorrência de sazonalidade e de erros de previsão parece não afetar a ocorrência de faltas. (ii) Da mesma maneira que ocorre com Dif%. P84. A ocorrência de sazonalidade e de erros de previsão parece não afetar a ocorrência de faltas.2 respectivamente). sendo esta suposição mais realista para níveis baixos de serviço.3. se observa que para os percentis P50. r> de gestão de estoques (b) Análise da variância entre as corridas de simulação: (i) O desvio-padrão das corridas é muito pequeno para a média e o desvio-padrão da demanda no lead-time (máximo de 1. (iii) Os desvios são menores nas situações com baixa sazonalidade e crescem com o erro de previsão.

7 1079.1 894.6 790.3 610.1 616.0 561.3 M.2 1.1 1074.6 2.1 M.8 1006.8 629.8 196.9 606.3 930.87 DL µ DL P50DL P84.0 600.7 0.3 26.4 286.1 600.7 612.1 1124.9 796.1 1130.8 600.4 894.1 1127.8 616.0 600.8 256.2 864.0 600.9 10.0 822.72 DL P99.4 1.1 287.5 5.8 8.4 1038.4 600.5 1.0 600.7 1.1 M.3 4.1 σet =0.2 997.2 607.8 616.8 607.7 209.7 1069.1 846.2 600.5 2.6 232.4 0.6 156.4 1.1 857.0 963.3 824.1 1.2 1.7 138.1 3.9 600.8 10.4 788.8 5.2 600.87DL P50DL P84.3 9.0 4.0 617. 617 .0 599.8 2.4 607.4 3.8 791.8 0.6 1138. Cor.3 3.72 DL P99.5 0.1 894. σet =0.8 1177.0 266.3 M.0 595.87 DL µDL P50DL Lead-time Uniforme σDL P84.0 1033.6 843.7 616.2 1023.3 606.0 1326.Lead-time S-Normal σDL P50DL P84.2 5.3 11.9 17.3 233.0 266.2 1239.9 1126.4 0.1 777.0 0.0 600.8 1.5 4.1 0.0 1.6 188.1 607.9 612. Teórico Previsão com alta sazonalidade Pesquisa Operacional.5 1380.5 840.7 138.9 1.3 0.1 0.8 616.72DL P99.0 905.5 Tabela 7 – Estatísticas da Demanda no Lead -time – Resultados Simulados e Teóricos .9 607.3 σet =0.0 1103.4 895.5 187.0 269.5 779.3 4.9 0.7 209.1 0.4 1.7 616.4 2.8 622.4 2.8 259.2 12.6 829.7 612.5 0.3 σet =0.9 4.7 1204.5 3.0 7.9 1076.3 569.0 616.9 160.3 954.0 2.1 1032.8 621.87DL µDL σDL σet =0.8 0.3 8.72 DL P99.5 903. r> de gestão de estoques σet =0.8 1.8 3.8 196.1 5.1 2.0 596.1 629.0 991.6 23.2 10.5 2.3 1172.1 1407.3 897.2 1.4 160.5 629.3 616.7 600.9 925.9 0.4 196.0 567.6 1. Cor.8 2.4 625.0 600.8 886.1 832.5 1303.0 622.0 269.1 1113.8 0.4 980.9 600.9 1265.8 925.9 14.0 758. Teórico σet =0. Teórico σet =0.9 4.5 1317.5 0.5 M.3.3 0.8 11.9 1.9 1208.3 984.8 616.13 DL P97.7 19.7 929.4 209.2 607.5 937.5 187.2 625.2 600.3 616. Cor.5 M.2 1291.8 1459.3 1.9 612.3 1.2 1.2 1120.4 1039.4 284.1 1.3 625.0 1.7 201.1 616.9 764.2 1222.9 625.72 DL P99.4 5.1 0.0 801.1 4.0 1026.6 2.5 930. Teórico σet =0.3 Garcia & Ferreira Filho – Cálculo do ponto de pedido baseado em previsões de uma política <Q.8 615.9 1189.1 σet =0.8 616.8 0.2 3.3 1140.0 3.72DL P99.2 0.5 B/Saz.13DL P97. Cor.0 600.7 927.9 612.9 943.1 1228.7 285.1 138.1 1212.7 15.0 0.5 834. Teórico 600.8 607.6 0.7 1254.5 0. Cor.7 9.7 233.9 616.7 1377.1 M.4 1321.7 605.5 0.0 860.5 612.5 213.4 0.2 0.2 1264.1 S/Saz.8 1086.6 616. Cor.8 1.8 156.1 2.13DL P97.3 600.7 187.6 612.2 625.2 0.0 591.6 755.0 773.2 256.5 196.5 612.6 913.0 1381.1 0.9 1187.7 1406.4 2.8 975.7 629.6 1241.1 892.5 1414.1 804.6 266.0 213.0 145. Cor. σet =0.0 1028.4 806.7 629.13DL P97.8 256.0 0.2 968.6 760.5 0.13 DL P97.2 889.7 1095.2 833.3 1119.0 144.1 600.3 589.9 4.2 607.87 DL µDL Lead-time Uniforme σDL σDL Lead-time 2-Extremos µDL σet =0.0 600.5 0.5 600.0 201.7 953.1 6.9 3. Cor. Cor.0 0.2 1003.1 1071.7 285.7 882.8 616.4 4.3 2.2 1.7 629.8 604.6 266.5 1462.8 156.3 1.5 M.87DL µ DL Lead-time 2-Extremos σDL P50DL P84.5 838.0 625.6 846.2 629.1 1004.3 1.0 1179.9 1.9 14.1 11.8 616.4 970.0 188.0 600.6 921.6 600.4 284. p. Teórico σet =0.2 Tabela 8 – Desvio Padrão das Corridas de Simulação .9 625.7 187.0 1081.4 883.0 1.3 18.9 15.0 4.4 992.2 1003.8 3.6 13.5 0.6 1120.5 1.2 1079.6 3.2 616.4 0.8 612.0 599.0 1.0 943.0 586.1 859.0 585.6 0.0 742.0 605.7 871.0 600.0 994.3 M.7 608.2 5. v.1 629.6 616.7 955.3 1203.6 1.4 809.9 1343.0 625.6 612.8 10.6 869.1 1075.0 976.13 DL P97.0 1028.7 2.9 3.4 0.3 2.1 0. σet =0.9 863.3 2.5 0.3 1.1 235. Teórico Previsão sem sazonalidade σet =0.1 0.2 256.29.9 813.5 858.5 976.5 0.8 612.0 2.2 234.5 1110.6 837.1 873.3 1137.9 1051.3 928.5 808.0 625.0 624.9 1.3 2.7 1.2 1. n.9 1.1 1271. Lead-time S-Normal P50DL P84.4 744.3 2.0 1034.7 600. Teórico σet =0.4 1164.5 1031.1 927.9 2.8 0.4 1.0 0.0 1129.9 625.4 1.5 953. Teórico Previsão com baixa sazonalidade σet =0.5 898.3 607.3 932. Setembro a Dezembro de 2009 600.6 1.7 1.3 0.9 6.0 599.6 156.2 1.7 5.5 0.3 897.9 260.2 1146.9 2.0 1136.9 906.5 138.5 A/Saz.605-622.4 209.2 1148.3 1475.5 0.9 σet =0.2 954.2 0.8 629.1 0.1 0.2 2.8 1.2 1069.

00 99.86 83.87 DL P50DL P84.79 σet =0.28% 0.00 100.02% 0.07% 0.03% 0.39% 1.97 99.06% 0.15% 0.00 100.08% 20.65 50.00 99.55% 0.05% 0.85 75.61% -0.35 50.32 50.78% 19.23 98.52 83.96 50.29% -0.04% -0.00% 0.00% -0.30% 0.67 σet =0.13 72.00 100.00% -0.85 100.3 σet =0.00 99.48% 3.72 97.05% 0.08% -4.13 78.24% -1.00 100.62% 0.69% -2.14% 0.1 B/Saz.49% -1.51 97.38% 8.92% 10.87 80.38% -0.91 99.00% 7.00 100.33% 0.00% 6.5 σet =0.10% 0.30% 2.52% 10. v.1 49.20% -4.13% 15.58% 1.87 98.00 50.87 80.54 79.17% -1.1 54.67 81.02% 0.14% Tabela 9 – Diferença percentual entre os resultados teóricos e a média das corridas de si mulação.12 82.09 97.93 100.00% 0.00 50.87DL µDL σDL σDL σDL σet =0.05% 0.99 49.13 84.26% 3.87 100.41% 3.02% -0.94 100.3 σet =0.63 84.54% 4.24 82.87 100.10% 0.77 80.66 79.72 100. Setembro a Dezembro de 2009 Tabel a 10 – Ocorrência percentual de faltas no Lead -time – Resultados Simulados e Teóricos .02% 0.98% -0.96 84.00 99.02 49.41 81.03% 0.5 51.01 97.72 100.59% 4.00 50.83% -0.66 σet =0.83 80.89 S/Saz.11% 0.46 σet =0.10% 0. σet =0.24% 3.5 51.39 99.20% 0.3 51.00 99.00 100.42% 0.02% 0.23% 9.24 83.88% 0.99% -3.11% -2.05% -0.87 100.42% -2.34% -0.72 97.35% -0.99 Garcia & Ferreira Filho – Cálculo do ponto de pedido baseado em previsões de uma política <Q.77 97.48% -2. p.05% -0.98% 7.86 80.41% 10.05% -0. Lead-time S-Normal k=0 k=1 k=2 k=3 k=0 k=1 k=2 k=3 k=0 k=1 Lead-time Uniforme 50.77 100.11% -0.92 99.91 51.5 σet =0.00 99.08 97.5 51.87DL µDL P50DL P84.40% 5.13% -0. r> de gestão de estoques Pesquisa Operacional.48% -2.96 82.66% 1.00 100.02% 0.02% 0.00 99.3.07 51.54% -3.27 83.70 100.02 50.00 100.20% 15.62 B/Saz.44% 11.46 97.34% 29.56% 1.00% 0.605-622.90 51.89% 4.02% 0.75% 9.13DL P97.84 A/Saz.05% 1.62% 4.1 A/Saz.91 Lead-time 2-Extremos k=2 k=3 Teórico 50.00% 0.08% 0.10 97.82% 9.15% 0.86 98.32% 5.24% 2.52% -2.69% 4.53% -0.31% 19.81 100.5 0.79% 19.01% 19.40 99.76% -2.1 51.94% -2.00 99.72DL P99.21% 7.68 51.90% 1.45% -0.42% -4.13% 1.72DL P99.77 49.18 97.45% 1.81% -3.05% 0.12% 0.00 100.72% -0.17 σet =0.02% -0.27% -0.00 99. σet =0.71% -3.02% 0.02% -0.04% 0.75% -1.13% 11.94 99. σet =0.12% 0.04% -0.00 99.61% 3.41% -0.03% 0.11 97.07% 0.47% 2.88 50.03% 0.11 97.56 83.07% -0. σet =0.78% 1.3 51. .76% 11.72 DL Lead-time Uniforme µDL Lead-time 2-Extremos P99.01 50.67% -3.21% 1.03 80.02% 0.618 Lead-time S-Normal P50DL P84.29.82 99.00 σet =0.21% 0.23% -3.06% 0.16 78. n.3 σet =0.88 84.02% -0. σet =0.78 100.00 50.00 99.85 100. σet =0.17% 7.13DL P97.27% 0.07% −0.00% -0.81% 15.00 99.73 97.90% -2.00 100.88% 0.00% 0.19% -1.18% 9.82 77.00 98.76% 18.03% -0.40 51.00% -0.44 83.48% 5.94% -3.24 78.75% 1.05% 0.37% 0.90 99.47% 28.90% 28.13DL P97.38 73.1 S/Saz.3 50.98% 7.54% -1.

set=0. Garcia & Ferreira Filho – Cálculo do ponto de pedido baseado em previsões de uma política <Q.3 20.00 60. set=0. set=0.00% 30.3 set=0. % Valores Dist. Normal e Casos Simulados % 70.72D L P99.3 B/Saz. set=0.00% -10.00% S/Saz.00% 0. p. set=0. set=0.0 20.00 65. set=0.00% 5. set=0.5 S/Saz.1 B/Saz. set=0. 72DL P99 .00% k=0 k=1 k=2 Lt S-N k=3 k=0 k=1 k=2 Lt U k=3 k=0 k=1 k=2 Lt 2-E k=3 Lt S-N k=1 Lt S-N k=2 Lt S-N k=3 Lt U k=0 Lt U k=1 Lt U k=2 Lt U k=3 S/Saz.29.00 set=0.0 sDL s DL mD L mDL mDL sDL P 50DL P 50DL P 50D L P84. set=0.5 B/Saz.1 B/Saz.5 A/Saz.00% 5.Diferenças % .Simulado X Teórico Desvio Padrão nas Corridas de Simulação S/Saz.87DL A/Saz.3 A/Saz. n.3 B/Saz.1 set=0.00% 0. set=0.13 DL P97.1 S/Saz.0 5. set=0. set=0. 13DL P 97.0 ⎠ 10. set=0.1 set=0.5 A/Saz.00 50.7 2DL P99.5 set=0.00 75.00 80. (d) 619 .5 B/Saz.72D L P 84.5 Lead-time S-Normal Lead-time Uniforme Lead-time 2-Extremos Lead-time S-Normal Lead-time Uniforme Lead-time 2-Extremos (a) (b) Dif.5 S/Saz.00 90. % 15.3.0 25.1 S/Saz.00% -15.87D L P50 DL P84.00% -5. set=0. set=0.87DL P 99.8 7DL A/Saz. Setembro a Dezembro de 2009 Lt S-N k=0 15.3 set=0. de Ocorrência de Faltas no LT 100. v.3 A/Saz.87DL P 99. set=0.00 95.00 85.00 55.3 S/Saz. r> de gestão de estoques (c) Figura 2 – Gráficos de Resultados dos Experimentos.1 set=0. set=0.3 S/Saz.5 set=0.0 0. set=0.00 Lt 2-E k=0 Lt 2-E k=1 Lt 2-E k=2 Lt 2-E k=3 LT Normal k=0 LT Normal k=1 LT Normal k=2 LT Normal k=3 5 DIF Pesquisa Operacional.87DL 15. set=0.1 s DL m DL sDL P50DL P8 4. Prob. set=0. set=0. set=0. set=0.00% 10.00% 25.605-622.5 B/Saz.1 35.1 3DL P97. set=0.13DL P 97. set=0.00% -5.72DL P99.00% mDL sD L mD L P5 0DL P84.13D L P 97.3 B/Saz. set=0.3 set=0.5 A/Saz. A/Saz.72DL P 84.00% Dif.1 30.13DL P97.1 B/Saz.5 B/Saz.3 A/Saz.0 S/Saz.00% 10.1 A/Saz.

ou seja. tais como: Minner (2003).Garcia & Ferreira Filho – Cálculo do ponto de pedido baseado em previsões de uma política <Q.3. como apresentado por Hung & Chang (1999) e por Gullu. e ainda ambientes multielos como mostrado em artigos recentes. r pode ser considerado como um caso particular de rf como mostrado no primeiro experimento da simulação. 620 Pesquisa Operacional. o modelo proposto tem muitas vantagens quando comparado a seu análogo clássico. Conclusões O ponto de pedido baseado em previsões desenvolvido é uma nova maneira de se gerenciar estoques em ambientes nos quais previsões agregam informações valiosas ao processo de planejamento. So & Zheng (2003).rf Ponto de pedido fixo subestimado para at ingir u m certo nível de serviço Tempo Figura 3 – Flexibilidade trazida pelo modelo proposto. Tal atributo agrega flexibilidade ao ambiente operacional de uma empresa e pode reduzir custos de carregar estoques e de demandas não atendidas. Nas simulações realizadas esta premissa não resultou em desvios significativos na maioria dos cenários analisados. se ajustando a padrões previsíveis da demanda. Pode inclusive ser concluído que o novo modelo amplia o escopo e a aplicabilidade do modelo clássico. n. Se as previsões fi e os parâmetros das variáveis aleatórias ei são iguais em todos os períodos no horizonte de planejamento. Manufaturas usando MRP (Material Requirements Planning) são exemplos de ambientes onde o modelo apresentado pode ser usado. Hautaniemi & Pirttila (1999) e Buzacott & Shanthikumar (1994) são exemplos de artigos que tratam simultaneamente de incertezas na demanda e no lead-time. Outra importante característica de rf é que seu valor pode variar ao longo do tempo. uma possível limitação do uso de rf é a premissa de que a demanda no lead-time é normalmente distribuída. r> de gestão de estoques 5.605-622. Zhang (2004) e Chen et al. (2000). v. rf and r geram os mesmos resultados. Como no modelo clássico. A figura 3 ilustra a flexibilidade adicionada pelo modelo. como feito por Namit & Chen (1999) e Keaton (1995) para o modelo clássico. Entretanto pode ser interessante utilizar outras distribuições para DL. Segerstedt (1996). Outras possíveis extensões para o modelo proposto são considerar incertezas no processo de produção. Como mostrado ao longo do artigo. Onol & Nesim (1999).r Ponto de Pedi do Vari ável no Tempo .29. Quantidade de Produto Ponto de pedido fixo superestimado para atingir u m certo nível de serviço Ponto de Pedi do Fixo . Setembro a Dezembro de 2009 . p.

605-622. (1963).. and information. E. & Within. H.J. Ryan. V. J. Production and Stock Management Journal. 107-131. G.M. 10(1). 16(1).Garcia & Ferreira Filho – Cálculo do ponto de pedido baseado em previsões de uma política <Q. 1380-1390.. The effect of the assumption of normality on inventory control/customer Service. (1994). (5) Buzacott.T. Management Science. J. (2) Banks. (2001). Holt.29. (6) Chen. Using the Gamma Distribution to Model Demand When Lead-time is Random. Analysis of Stock Systems.S. (1999). 346-363. (9) Garcia. R. D. Inc. C-B. (8) Garcia. (1989). Y-F & Chang. (2002). 377-385.A. 59. (1995). J. E. & Shanthikumar. (3) Bowersox.D. Analysis of an Inventory System under Supply Uncertainty. (1999). Pesquisa Operacional. 1678-1689. C.-S. T.G. (14) Keaton. E. 6(1). McGraw-Hill. (1997). Management Science. L... Management Science. Rinehart and Winston..M.M.V. Logistical Management. 436-443. (1996). Machado. International Journal of Production Economics. (17) Lau. Toward a Stock Control System under Non-Normal Demand and Lead-time Uncertainty.. (1999).K. Prentice-Hall Inc. E. 199-208. L. 59. Safety Stocks versus Safety Time in MRP Controlled Production Systems. Z.. Determining Safety Stock in the Presence of Stochastic Lead-time and Demand. Proceedings of the 2002 Winter Simulation Conference. & Martin. F. T.S. (1988). 40(12). (18) Mentzer. & Simchi-Levi. Gestão de Estoques: Otimizando a Logística e a Cadeia de Suprimentos. (2000). M. Rio de Janeiro. & Porteus. P. Stalking information: bayesian inventory management with unobserved lost sales. n. 45(3). (4) Brown.T. (1988). (13) Hung. (10) Gullu. Discrete-Event System Simulation. Safety Stock Management. (1967).K. (16) Lariviere. 46. & Nesim. Bookman. (1999). R. D. 85-92. International Journal of Production Economics. third quarter. (7) Eppen. (11) Hardley. (12) Hautaniemi. Determining Safety Stocks for Production Planning in Uncertain Manufacturing. D. & Closs. & Saliby. New Jersey. v. 88-103.3.H. Journal of Business Logistics. (15) Krupp. Silva. lead-times.F. Upper Saddle River. J. (2006). Gerenciamento da Cadeia de Suprimentos.G. New York. The Choice of Replenishment Policies in an MRP Environment. Englewood Cliffs. 58. p. G. Reis. Onol. Prentice-Hall. New York. 34(11). R.J. Management Science. NJ. Journal of Business Logistics.R. Setembro a Dezembro de 2009 621 . E. J. & Pirttila.. M. Drezner. R.A. Journal of Business Logistics. Decision Rules for Stock Management. e-Papers. J.G. Quantifying the bullwhip effect in a simple supply chain: The impact of forecasting. 101-120. International Journal of Production Economics. A Simulation Model to Validate and Evaluate the Adequacy of an Analytical Expression for proper Safety Stock Sizing. R. r> de gestão de estoques Referências Bibliográficas (1) Ballou. 11-180. (1999). & Ferreira Filho. E. & Krishnan.

(22) Segerstedt. 46-47. 29(2). 11(1). 628-645. (1965). (29) Zinn. 81-82. 95-110.29. The impact of forecasting methods on the bullwhip effect.. Operations Research. 622 Pesquisa Operacional.r> Inventory Model for Gamma Lead-Time Demand. 13(2). (1981). The limits of mass customization. Introductory probability and statistical applications. Operations research in inventory management: a review and critique. K. E. International Journal of Production Economics. & Zheng. Rycke. Modeling Transportation-Stock Trade-offs in a Stochastic Setting. E. P. H.E. W. & Peterson. 169-179. AddisonWesley Publishing Company. (24) Silver. (23) Silver. (1998). S. (27) Wanke. (28) Zhang. Impact of supplier’s lead-time and forecast demand updating on retailer’s order quantity variability in a two-level supply chain..605-622. (21) Namit.3. X. & Marmorstein. W. Marmorstein. (30) Zinn. MIT Sloan Management Review. Comparing Two Alternative Methods of Determining Safety Stock Levels: The Demand and the Forecast Systems.C. 15-27. (20) Minner. 127-136. Proposta para a Gestão de Estoques de Novos Produtos: Solução do Modelo (Q. (1996). 12(1). (26) Tyworth. Multiple-supplier inventory models in supply chain management: A review. 81-87. (2003). 42(3). r> de gestão de estoques (19) Meyer. J. Inventory Management and Production Planning and Scheduling. Setembro a Dezembro de 2009 . & Charnes. (2004). 97-124. D. E. Journal of Business Logistics. International Journal of Physical Distribution and Logistics. (2003). 1-20. 29(4). Gestão & Produção. & Saliby. P. 13(1). (31) Zipkin. International Journal of Production Economics. 88. A. Formulas of MRP. New York. (2005).Garcia & Ferreira Filho – Cálculo do ponto de pedido baseado em previsões de uma política <Q. n. 138-151. (25) So. p. John Wiley & Sons.A. Journal of Business Logistics. (2001). & Chen. X. (1990). H.r) para a Distribuição Uniforme da Demanda e do Lead-time de Suprimento. v. K. (1992). Solutions to the <Q. J. (1999). 265-279. International Journal of Production Economics. P. R. Journal of Business Logistics. The Effect of Autocorrelated Demand on Customer Service. 86. (1992). J. New York. 173-192. International Journal of Production Economics.