Una fórmula habitual para expresar el colchón ante variación de la demanda es SS = z · σd · √L. En esta notación, SS es el stock de seguridad, z un cuantil de servicio, σd la desviación estándar del error de demanda por periodo y L el plazo de reposición fijo medido en esos mismos periodos.
La raíz del plazo aparece al acumular varianzas de errores diarios independientes; no es una regla que pueda aplicarse a cualquier histórico. MIT, ESD.260, Lecture 11, diapositiva 9; NC State, “Safety Stock Analysis”.
MIT presenta SS = k · σL y rotula σL como RMSE durante el plazo de reposición. Esa notación debe leerse como está escrita: no autoriza a identificar RMSE con una desviación estándar diaria multiplicada por la raíz del plazo. La fórmula con σd · √L que se desarrolla aquí es una derivación matemática separada, condicionada a supuestos explícitos. MIT, ESD.260, Lecture 11, diapositivas 9–10.
Qué representa cada término
SS es una cantidad de inventario expresada en unidades de producto. σd es la desviación del error observado en cada periodo: por ejemplo, cajas de error por observación diaria. L cuenta esas observaciones o días de reposición, por lo que en ese ejemplo σd = 12 cajas por día observado y L = 4 días representan cuatro errores diarios, cada uno medido en cajas.
La desviación de la suma es entonces σd · √L en cajas, porque se suman cuatro variables de error con unidades de cajas. Si la fuente de datos es semanal, define σ por observación semanal y cuenta L en semanas; no mezcles cadencias. z es adimensional y depende del cuantil que la política seleccione para el modelo elegido.
Otra sustitución hipotética con σd = 18 cajas por observación diaria, L = 4 observaciones y un z elegido daría σL = 18 · √4 = 36 cajas. El número de periodos coincide con la cadencia de los errores: cada observación representa un día y su valor se mide en cajas. Si la serie fuera semanal, se definiría σ por observación semanal y L se contaría en semanas; no se deben mezclar ambas cadencias.
La z tampoco es una etiqueta universal para “servicio bueno”. Se elige a partir de un objetivo de cobertura y de la distribución que se supone para el error acumulado. Un cuantil mayor incrementa el colchón calculado y, bajo ese modelo, reduce la probabilidad de quedar por debajo del umbral; también aumenta inventario medio y coste de posesión.
NC State describe este intercambio entre riesgo de rotura y coste de mantener unidades adicionales. Sus valores ilustrativos de z no son una recomendación de política para todos los artículos. NC State, secciones “What is the Chance of a Stockout?” y “Finding Z”.
De dónde sale la raíz del plazo
Define e_t como el error de demanda del periodo t respecto a la previsión, en unidades de producto. Supón que cada error tiene media cero y varianza σd², todos comparten esa varianza y los errores de distintos días son independientes. El error acumulado en un plazo de L días es la suma E_L = e_1 + e_2 + … + e_L.
La varianza de esa suma es la suma de las varianzas porque se ha supuesto independencia: Var(E_L) = L · σd². La desviación estándar es la raíz cuadrada de la varianza: σL = √(L · σd²) = σd · √L, para σd no negativa. Esta igualdad es algebraica bajo los supuestos dichos; si se correlacionan los errores, aparecen términos de covarianza y la suma deja de ser L · σd².
Esta derivación se distingue de la notación docente de MIT, que rotula RMSE para su σL. MIT, ESD.260, Lecture 11, diapositiva 9.
Si además el error acumulado es normal —o una aproximación normal resulta razonable y se declara—, se puede fijar un cuantil z y expresar el stock de seguridad como SS = z · σL. Al sustituir la desviación acumulada de la derivación anterior, queda SS = z · σd · √L. El cuantil no corrige un pronóstico sesgado ni una distribución con colas distintas de las supuestas; solo escala una desviación estándar para el modelo elegido.
La derivación y la ecuación que aparece en una diapositiva educativa no deben confundirse. MIT usa una notación propia (k y σL) y la descripción de esa diapositiva llama RMSE a σL. RMSE puede incorporar sesgo cuadrático además de dispersión, por lo que no se convierte automáticamente en la desviación estándar de errores diarios centrados. Para reproducir la fórmula de MIT, conserva sus definiciones; para usar la derivación z · σd · √L, valida las condiciones estadísticas por separado.
Ejemplo hipotético con unidades
Supón una política inventada para una referencia que tiene error de demanda diario de media cero y una desviación estándar estimada de 12 unidades por observación diaria. El plazo se trata como fijo en 4 observaciones (4 días); los errores diarios se consideran independientes y de varianza estable; se adopta provisionalmente z = 1,65, valor solo didáctico. Bajo el modelo normal declarado:
σL = 12 unidades · √4 = 24 unidades
SS = 1,65 · 24 = 39,6 unidades
El resultado matemático es 39,6 unidades. Una operación podría tener que redondear a unidades enteras por la naturaleza del producto, pero la regla de redondeo depende de cómo se gestione esa referencia. Redondear a 40 en este ejemplo solo ilustra la decisión aritmética y no prescribe una regla universal. El valor de 1,65 tampoco promete un nivel de servicio observado: hace falta comprobar la distribución, la estimación y la política operativa.
Si el plazo fuera de 9 días, manteniendo por hipótesis todos los demás supuestos, σL = 12 · √9 = 36 unidades y SS = 1,65 · 36 = 59,4 unidades. La desviación de la demanda acumulada crece con la raíz del plazo, no linealmente, en este modelo independiente. El cálculo no afirma que un plazo real de nueve días tenga la misma variabilidad o que la demanda de cada día sea independiente.
Comprueba el orden de magnitud y las unidades antes de trasladar el resultado: un colchón de 39,6 unidades para una referencia medida en unidades enteras puede ser plausible o absurdo según demanda, criticidad, valor, caducidad, capacidad y plazo. La fórmula aislada no conoce esos factores y no decide si mantener stock tiene sentido económico. Este ejemplo es una derivación didáctica con datos ficticios; no representa una empresa ni sustituye el análisis histórico de una referencia.
Por qué RMSE no equivale siempre a desviación estándar
RMSE resume el tamaño cuadrático de los errores respecto a cero. Si existe sesgo sistemático, ese componente contribuye al RMSE. La desviación estándar, en cambio, mide dispersión alrededor de la media de los errores. Cuando la media es cero, ambas magnitudes pueden coincidir bajo definiciones compatibles; cuando el error tiene sesgo, no son intercambiables. La diapositiva de MIT rotula el dato σL como RMSE, así que no se debe renombrar como desviación estándar centrada sin evidencia adicional.
Piensa en una serie hipotética cuyo pronóstico se queda corto cinco unidades por día casi de forma constante. Hay error, aunque los valores varíen poco alrededor de su media. Restar ese sesgo de la serie y estimar su variabilidad puede servir para modelar dispersión, pero la demanda esperada y el sesgo deben tratarse explícitamente en el punto de pedido. Ocultar la media dentro de una σ y luego usar un cuantil normal centrado cambia la interpretación del resultado.
NC State presenta variación de demanda o de plazo como causas que pueden generar incertidumbre en el punto de reposición y describe la idea del stock adicional sobre la demanda media durante el plazo. Su tutorial incluye cálculos con información histórica y una explicación de valores Z. Es material educativo que ayuda a entender el modelo, no una prescripción de parámetros para una planta española. NC State, “Safety Stock Analysis”.
Casos en que no usar la raíz del plazo sin más
- Errores correlacionados: si una previsión se queda corta durante varios días seguidos, los errores no son independientes. La varianza de la suma incluye covarianzas y podría ser mayor o menor que
L · σd². - Sesgo persistente: un error medio distinto de cero desplaza la demanda acumulada esperada. No lo conviertas automáticamente en variabilidad ni lo escondas al calcular el colchón.
- Plazo cambiante: si unas órdenes tardan más que otras,
Lno es una constante representativa. Modela conjuntamente demanda y plazo, o emplea la distribución acumulada que corresponda. - Variabilidad distinta por periodo: promociones, temporada, turnos o cambios de producto pueden producir varianzas diferentes. Sumar la misma
σd²L veces deja de describir esos datos. - Distribución no normal: el producto por z depende del cuantil de la distribución acumulada. Si hay asimetría o colas pesadas, el cuantil normal puede no dar la cobertura esperada.
Son condiciones matemáticas del modelo, no diagnósticos sobre un artículo concreto. Los patrones de demanda se deben revisar con datos del horizonte, resolución temporal y proceso de aprovisionamiento aplicables. Un promedio de años puede ocultar cambios recientes; una ventana corta puede no capturar estacionalidad. Ningún umbral estadístico arregla por sí solo datos incompletos o una definición inestable de demanda.
Cuando los supuestos no se sostienen, estima la distribución del error acumulado para el plazo con un método que represente sesgo, dependencia y variabilidad observados. Después compara el cuantil elegido con resultados históricos y documenta el alcance de la estimación. Esta es una orientación analítica general, no el único procedimiento válido ni una garantía; las fuentes educativas citadas no prescriben un modelo para cada empresa.
Relación con punto de pedido y control de inventario
El stock de seguridad es un componente del cálculo del punto de pedido en modelos donde se protege contra demanda incierta durante el plazo. Una representación frecuente suma demanda esperada durante el plazo y un colchón: punto de pedido = demanda media durante L + SS. Esa expresión ayuda a explicar el papel de SS, pero no selecciona por sí misma una política de revisión, frecuencia de pedido, nivel de servicio ni método de estimación.
MIT presenta políticas de revisión continua y periódica y distingue el punto de pedido de la cantidad de pedido. También muestra cómo la reserva de seguridad se incorpora a la lógica del punto de pedido en su material docente. Esa exposición conceptual no significa que una fórmula aislada configure el ERP ni que el resultado deba cargarse automáticamente. MIT, Lecture 11, diapositivas 5–10.
Antes de tomar un resultado como parámetro de inventario, acuerda qué significa servicio: probabilidad de no agotar existencias por ciclo, tasa de cumplimiento de unidades u otra métrica. No son medidas equivalentes. El valor de z debe corresponder a la métrica y supuestos elegidos; una cifra llamada “95 %” no es suficiente si no se aclara la interpretación.
Tampoco uses el stock de seguridad para cubrir automáticamente causas que conviene gestionar aparte. Un proveedor con entregas inestables, una referencia mal pronosticada o registros incompletos pueden distorsionar la estimación. Aumentar la reserva podría amortiguar parte de la incertidumbre, pero también inmovilizar capital o introducir caducidad y obsolescencia. Primero identifica qué incertidumbre mide el error acumulado y qué decisión se quiere proteger.
Qué datos hacen falta antes de calcular
La fórmula necesita una serie de errores de previsión con periodos comparables, una definición explícita de qué se considera demanda y un plazo que se pueda tratar como fijo. No confundas unidades vendidas con pedidos, consumos o necesidades netas si el proceso que se protege usa otra señal. Un artículo puede tener demanda intermitente, sustituciones o devoluciones; el cálculo estadístico debe reflejar la variable que realmente determina el agotamiento.
Para estimar σd, define si el error se calcula como demanda real menos previsión o al revés y mantén la convención. La desviación estándar no cambia al invertir todos los signos, pero el sesgo sí cambia de signo, y su interpretación importa cuando se modela la media del error.
Si la serie incluye periodos sin datos como si fueran ceros, el resultado puede describir una falta de captura, no una demanda nula. Limpia y documenta correcciones sin ocultar los criterios usados.
L debe medir el plazo de reposición relevante para la misma referencia y ruta logística: desde el momento que inicia la exposición a demanda hasta que las unidades pueden estar disponibles. Si se usa un plazo contractual y el real varía, la hipótesis de plazo fijo necesita justificación.
Si la recepción, inspección o liberación añade días antes de que el material esté utilizable, hay que definir si forman parte del plazo analizado; no los agregues ni excluyas sin aclarar el punto de inicio y final.
La elección de z refleja una política y un coste, no una propiedad del producto. Antes de fijarla, quien es responsable debe definir qué riesgo se intenta limitar y cómo se medirá el resultado. Un mismo cuantil normal puede tener distinta interpretación si se evalúa por ciclo de pedido o por porcentaje de unidades atendidas.
Las diapositivas de MIT plantean coste y servicio como preguntas a resolver al seleccionar una política, y NC State explica que una Z mayor reduce el riesgo de agotamiento en su modelo a costa de más inventario medio. Ninguna de esas observaciones elige por sí sola el objetivo de una empresa.
Cómo leer el resultado y qué documentar
Deja escrito el periodo de datos, la unidad, definición del error, tratamiento del sesgo, plazo fijo considerado, método de estimación de la desviación y criterio que lleva a z. Registra también qué objetivo de servicio se intenta representar y qué limitaciones quedaron. Si el dato procede de RMSE, llámalo RMSE y conserva cómo se calculó; no lo presentes como σd si no se ha justificado esa transformación.
Una revisión posterior debería comprobar si los errores recientes se parecen a los usados para estimar el modelo. Si cambió el surtido, se modificó un proveedor, el proceso de demanda pasó a otra cadencia o cambió el plazo, la fórmula podría seguir calculando sin error y dejar de representar la operación. La salida de una hoja no certifica que sus premisas continúen vigentes.
En resumen práctico, usa la forma SS = z · σd · √L solo cuando cada símbolo tenga definición y sus unidades y supuestos cuadren. Cuando la organización emplee el marco MIT k · σL, documenta esa notación de acuerdo con la fuente.
Si no se sostiene independencia, plazo fijo o distribución asumida, no fuerces la raíz del plazo: modela el error acumulado con los datos adecuados y valida qué decisión respalda. WizeeMind explica el cálculo, pero no sustituye el ERP, el análisis de demanda ni la decisión de inventario.
Preguntas frecuentes
¿Cuál es la fórmula del stock de seguridad?
Con error diario centrado e independiente, varianza estable y plazo fijo L, la desviación durante el plazo es σd · √L. Si el error agregado es normal, SS = z · σd · √L, donde z es el cuantil de servicio elegido.
¿Qué significan z, σ y L?
z es el cuantil asociado al nivel de servicio elegido; σd es la desviación estándar del error de demanda por periodo; L es el número fijo de periodos de reposición. Usa unidades de demanda coherentes para σd y L.
¿Puedo multiplicar directamente la desviación diaria por la raíz del plazo?
Solo si los errores diarios tienen media cero, son independientes y conservan la misma varianza, y el plazo es fijo. Si hay sesgo, dependencia o plazo variable, estima la distribución del error acumulado con un método adecuado.
¿La fórmula garantiza un nivel de servicio?
No. El cuantil z expresa un objetivo de cobertura bajo una distribución asumida; los datos, supuestos y ejecución pueden apartarse del modelo. Comprueba el desempeño y los costes con información real.
¿Es igual que la fórmula SS = k · σL de MIT?
No automáticamente. MIT imprime SS = k · σL y rotula σL como RMSE durante el plazo. La expresión z · σd · √L es una derivación bajo errores diarios centrados, independientes y de varianza estable, con plazo fijo y error agregado normal.