CTL.SC1x  Supply  Chain  Fundamentals  
 
Key  Concepts  Document  
 
 
 
 
 
 
V5.1  

   
  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         2  

Introduction  
 

Welcome  to  CTL.SC1x  Supply  Chain  Fundamentals!      

SC1x  is  an  online  course  offered  by  MITx  on  the  edX  platform.    It  was  created  and  is  run  by  the  MIT  
Center  for  Transportation  &  Logistics.    It  was  the  first  of  the  five  courses  in  the  MITx  MicroMaster’s  
Credential  program  in  Supply  Chain  Management  launched  in  2015.    For  more  details  on  the  specifics  of  
the  credential,  see  http://scm.mit.edu/micromasters.      

This  is  the  Key  Concepts  document  for  SC1x.    It  is  a  guide  to  be  used  in  conjunction  with  the  other  course  
materials  such  as  videos  and  practice  problems.    We  created  the  Key  Concepts  document  at  the  request  
of  students  in  the  first  running  of  SC1x  (then  call  Supply  Chain  and  Logistics  Fundamentals)  in  the  fall  of  
2014.    We  had  not  provided  any  sort  of  “take-­‐home”  reference  for  students  beyond  the  slides  used  in  
each  video  lecture  segment.    We  found  that  students  desired  a  clear  and  concise  document  that  covered  
all  of  the  material  for  quick  reference.    We  hope  this  document  fills  that  need.      

This  document  is  meant  to  complement,  not  replace,  the  lesson  videos,  slides,  practice  problems,  and  
quick  questions.    It  is  a  reference  for  you  to  use  going  forward  and  therefore  we  assume  you  have  
learned  the  concepts  and  completed  the  practice  problems.  This  document  is  probably  not  the  best  way  
to  learn  a  topic  for  the  first  time.    That  is  what  the  videos  are  for!    It  is  organized  week  by  week  with  a  
chapter  for  each  lesson.    Also,  the  Normal  and  Poisson  Distribution  tables  are  in  the  appendix.        

This  document  has  had  many  contributors.    The  initial  draft  was  created  by  Andrew  Gabris  in  Spring  
2015  and  revised  heavily  by  Dr.  Eva  Ponce  in  the  Spring  of  2016.    Any  and  all  mistakes  lie  with  me,  
however!      

I  hope  you  find  it  useful!    We  are  continually  updating  and  improving  this  document.    Please  post  any  
suggestions,  corrections,  or  recommendations  to  the  Discussion  Forum  under  the  topic  thread  “Key  
Concept  Document  Improvements”  or  contact  us  directly.      

Best,  

Chris  Caplice  
caplice@mit.edu  

Spring  2016  v5.1  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         3  

  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         4  

Table  of  Contents  
Week  1  Lesson  1:  Supply  Chain  Perspectives  ....................................................................................  6  
Week  1  Lesson  2:  Core  Supply  Chain  Concepts  .................................................................................  9  
Week  2  Lesson  1:  Introduction  to  Demand  Forecasting  .................................................................  15  
Week  2  Lesson  2:  Time  Series  Analysis  ............................................................................................  19  
Week  3  Lesson  1:  Exponential  Smoothing  .......................................................................................  22  
Week  3  Lesson  2:  Exponential  Smoothing  with  Holt-­‐Winter  ..........................................................  25  
Week  4  Lesson  1:  Forecasting  Using  Causal  Analysis  ......................................................................  28  
Week  4  Lesson  2:  Forecasting  For  Special  Cases  .............................................................................  32  
Week  5  Lesson  1:  Introduction  to  Inventory  Management  ............................................................  37  
Week  5  Lesson  2:  Economic  Order  Quantity  (EOQ)  ........................................................................  41  
Week  5  Lesson  3:  Economic  Order  Quantity  (EOQ)  Extensions  ......................................................  45  
Week  6  Lesson  1:  Single  Period  Inventory  Models  ..........................................................................  50  
Week  6  Lesson  2:  Single  Period  Inventory  Models  II  .......................................................................  53  
Week  7  Lesson  1:  Probabilistic  Inventory  Models  ...........................................................................  56  
Week  7  Lesson  2:  Probabilistic  Inventory  Models  II  ........................................................................  61  
Week  8  Lesson  1:  Inventory  Models  for  Multiple  Items  &  Locations  .............................................  65  
Week  8  Lesson  2:  Inventory  Models  for  Class  A  &  C  Items  .............................................................  70  
Week  9  Lesson  1:  Fundamentals  of  Freight  Transportation  ............................................................  74  
Week  9  Lesson  2:  Lead  Time  Variability  &  Mode  Selection  .............................................................  76  
Week  10  Lesson  1:  One  to  Many  Distribution  .................................................................................  79  
Week  10  Lesson  2:  Final  Thoughts  ...................................................................................................  82  
Appendix:  Normal  &  Poisson  Tables  ................................................................................................  84  
 

   

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         5  

Week  1  Lesson  1:  Supply  Chain  Perspectives  
Learning  Objectives:  
•   Gain  multiple  perspectives  of  supply  chains  to  include  process  and  system  views.  
•   Identify  physical,  financial,  and  information  flows  inherent  to  supply  chains.  
•   Recognize  that  all  supply  chains  are  different,  but  have  common  features.  

Lesson  Summary:  
This  lesson  presented  a  short  overview  of  the  concepts  of  Supply  Chain  Management  and  logistics.    We  
demonstrated  through  short  examples  how  the  supply  chains  for  items  as  varied  as  bananas,  women’s  
shoes,  cement,  and  carburetors  have  common  supply  chain  elements.    There  are  many  definitions  of  
supply  chain  management.    The  simplest  one  that  I  like  is  the  management  of  the  physical,  financial,  and  
information  flow  between  trading  partners  that  ultimately  fulfills  a  customer  request.    The  primary  
purpose  of  any  supply  chain  is  to  satisfy  an  end  customer’s  need.    Supply  chains  try  to  maximize  the  
total  value  generated  as  defined  as  the  amount  the  customer  pays  minus  the  cost  of  fulfilling  the  need  
along  the  entire  supply  chain.    It  is  important  to  recognize  that  supply  chains  will  always  include  multiple  
firms.      

While  Supply  Chain  Management  is  a  new  term  (first  coined  in  1982  by  Keith  Oliver  from  Booz  Allen  
Hamilton  in  an  interview  with  the  Financial  Times),  the  concepts  are  ancient  and  date  back  to  ancient  
Rome.    The  term  “logistics”  has  its  roots  in  the  Roman  military.    Supply  chains  can  be  viewed  in  many  
different  perspectives:    

•   Geographic  Maps  -­‐  showing  origins,  destinations,  and  the  physical  routes.    
•   Flow  Diagrams  –  showing  the  flow  of  materials,  information,  and  finance  between  echelons.  
•   Process  View  –  consisting  of  four  primary  cycles  (Customer  Order,  Replenishment,  
Manufacturing,  and  Procurement)  –  See  Chopra  &  Meindl  for  more  details.  
•   Macro-­‐Process  or  Software  –  dividing  the  supply  chains  into  three  key  areas  of  management:  
Supplier  Relationship,  Internal,  and  Customer  Relationship.    
•   Supply  Chain  Operations  Reference  (SCOR)  Model  –  developed  by  the  Supply  Chain  Council  in  
the  1980’s,  the  SCOR  model  breaks  supply  chains  into  Source,  Make,  Deliver,  Plan,  and  Return  
functions.    
•   Traditional  Functional  Roles  –  where  supply  chains  are  divided  into  separate  functional  roles  
(Procurement,  Inventory  Control,  Warehousing,  Materials  Handling,  Order  Processing,  
Transportation,  Customer  Service,  Planning,  etc.).    This  is  how  most  companies  are  organized.  
And  finally:  
•   Systems  Perspective  –  where  the  actions  from  one  function  are  shown  to  impact  (and  be  
impacted  by)  other  functions.    The  idea  is  that  you  need  to  manage  the  entire  system  rather  
than  the  individual  siloed  functions.  As  one  expands  the  scope  of  management,  there  are  more  
opportunities  for  improvement,  but  the  complexity  increases  dramatically.      

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         6  

There  are  also  different  types  of  analysis  performed  for  a  Supply  Chain  based  on  the  planning  time  
horizon.    These  are  sometimes  referred  to  as  ‘phases’  and  include:      

•   Supply  chain  strategy:  how  to  structure  the  supply  chain  over  the  next  several  years  (long-­‐term  
decisions,  e.g.  locations  and  capacities  of  facilities).  
•   Supply  chain  planning:  decisions  over  the  next  quarter  or  year  (medium-­‐term  decisions,  e.g.  
which  markets  will  be  supplied  from  which  location,  inventory  policies,  timing  and  size  of  market  
promotions,  mode  and  carrier  selection).  
•   Supply  chain  operation:  daily  or  weekly  operational  decisions  (short-­‐term  decisions,  e.g.  allocate  
orders  to  inventory  or  production,  generate  pick  lists  at  a  warehouse,  place  replenishment  
orders).  

As  Supply  Chain  Management  evolves  and  matures  as  a  discipline,  the  skills  required  to  be  successful  are  
growing  and  changing.    Because  supply  chains  cross  multiple  firms,  time  zones,  and  cultures,  the  ability  
to  coordinate  has  become  critical.    Also,  the  need  for  soft  or  influential  leadership  is  more  important  
than  hard  or  hierarchical  leadership.          

Key  Concepts:  
Supply  Chains  are  two  or  more  parties  linked  by  a  flow  of  resources  –  typically  material,  information,  
and  money  –  that  ultimately  fulfill  a  customer  request.  

The  Supply  Chain  Process  has  four  Primary  Cycles:  Customer  Order  Cycle,  
Replenishment  Cycle,  Manufacturing  Cycle,  and  Procurement  Cycle  (see    
Figure  1  to  the  right).    Not  every  supply  chain  contains  all  four  cycles.      

The  Supply  Chain  Operations  Reference  (SCOR)  Model  is  another  useful  
perspective.    It  shows  the  four  major  operations  in  a  supply  chain:  source,  
make,  deliver,  plan,  and  return.    (See  Figure  2  below)  

 
Figure  1  Supply  Chain  P rocess.    
Source:  Chopra  &  Meindl,  2013  
 

   

Figure  2  SCOR  Model.  Source:  Supply  Chain  Council  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         7  

Supply  Chain  as  a  System  
It  is  useful  to  think  of  the  supply  chain  as  a  complete  system.    This  means  one  should:  

•   Look  to  maximize  value  across  the  supply  chain  rather  than  a  specific  function  such  as  
transportation.  
•   Note  that  while  this  increases  the  potential  for  improvement,  complexity  and  coordination  
requirements  increase  as  well.  
•   Recognize  new  challenges  such  as:  
o   Metrics—how  will  this  new  system  be  measured  
o   Politics  and  power—who  gains  and  loses  influence,  and  what  are  the  effects  
o   Visibility—where  data  is  stored  and  who  has  access  
o   Uncertainty—compounds  unknowns  such  as  lead  times,  customer  demand,  and  
manufacturing  yield  
o   Global  Operations—most  firms  source  and  sell  across  the  globe  

Supply  chains  must  adapt  by  acting  as  both  a  bridge  and  a  shock  absorber  to  connect  functions  as  well  
as  neutralize  disruptions.  

References:  

Chopra,  Sunil,  and  Peter  Meindl.  "Chapter  1."  Supply  Chain  Management:  Strategy,  Planning,  and  
Operation.  5th  edition,  Pearson  Prentice  Hall,  2013.    

APICS  Supply  Chain  Council  -­‐  http://www.apics.org/sites/apics-­‐supply-­‐chain-­‐council  

Council  of  Supply  Chain  Management  Professionals  (CSCMP)  https://cscmp.org/  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         8  

Week  1  Lesson  2:  Core  Supply  Chain  Concepts  
Learning  Objectives:  
•   Identify  and  understand  differences  between  push  and  pull  systems.  
•   Understand  why  and  how  to  segment  supply  chains  by  products,  customers,  etc.    
•   Ability  to  model  uncertainty  in  supply  chains,  primarily,  but  not  exclusively,  in  demand  
uncertainty.  

Lesson  Summary:  
We  focused  on  three  fundamental  concepts  for  logistics  and  supply  chain  management  in  this  lesson:  
push  versus  pull  systems,  segmentation,  and  modeling  uncertainty.      

Virtually  all  supply  chains  are  a  combination  of  push  and  pull  systems.    A  push  system  is  where  execution  
is  performed  ahead  of  an  actual  order  so  that  the  forecasted  demand,  rather  than  actual  demand,  has  to  
be  used  in  planning.    A  pull  system  is  where  execution  is  performed  in  response  to  an  order  so  that  the  
actual  demand  is  known  with  certainty.    The  point  in  the  process  where  a  supply  chain  shifts  from  being  
push  to  pull  is  sometimes  called  the  push/pull  boundary  or  push/pull  point.  In  manufacturing,  the  
push/pull  point  is  also  known  as  the  decoupling  point  (DP)  (Hoekstra  and  Rome,  1992;  Mason-­‐Jones  and  
Towill,  1999)  or  customer  order  decoupling  point  (CODP)  (Olhager,  2012).  The  CODP  coincides  with  an  
important  stock  point,  where  the  customer  order  arrives  (switching  inventory  based  on  a  forecast  to  
actual  demand),  and  also  allows  to  differentiate  basic  production  systems:  make-­‐to-­‐stock,  assemble-­‐to-­‐
order,  make-­‐to-­‐order,  or  engineer-­‐to-­‐order.  

Push  systems  have  fast  response  times  but  can  result  in  having  either  excess  or  shortage  of  materials  
since  demand  is  based  on  a  forecast.    Pull  systems,  on  the  other  hand,  do  not  result  in  excess  or  
shortages  since  the  actual  demand  is  used  but  have  longer  response  times.    Push  systems  are  more  
common  in  practice  than  pull  systems,  but  most  are  a  hybrid  mix  of  the  push  and  pull.      

Postponement  is  a  common  strategy  to  combine  the  benefits  of  push  (product  ready  for  demand)  and  
pull  (fast  customized  service)  systems.    Postponement  is  where  the  undifferentiated  raw  or  components  
are  “pushed”  through  a  forecast,  and  the  final  finished  and  customized  products  are  then  “pulled”.    We  
used  the  example  of  a  sandwich  shop  in  our  lessons  to  illustrate  how  both  push  and  pull  systems  have  a  
role.    

Segmentation  is  a  method  of  dividing  a  supply  chain  into  two  or  more  groupings  where  the  supply  
chains  operate  differently  and  more  efficiently  and/or  effectively.    While  there  are  no  absolute  rules  for  
segmentation,  there  are  some  rules  of  thumb,  such  as:  items  should  be  homogenous  within  the  segment  
and  heterogeneous  across  segments;  there  should  be  critical  mass  within  each  segment;  and  the  
segments  need  to  be  useful  and  communicable.    The  number  of  segments  is  totally  arbitrary  –  but  needs  
to  be  a  reasonable  number  to  be  useful.    A  segment  only  makes  sense  if  it  does  something  different  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         9  

(planning,  inventory,  transportation  etc.)  from  the  other  segments.    The  most  common  segmentation  is  
for  products  using  an  ABC  classification.      

In  an  ABC  segmentation,  the  products  driving  the  most  revenue  (or  profit  or  sales)  are  Class  A  items  (the  
important  few).    Products  driving  very  little  revenue  (or  profit  or  sales)  are  Class  C  items  (the  trivial  
many),  and  the  products  in  the  middle  are  Class  B.    A  common  breakdown  is  the  top  20%  of  items  (Class  
A)  generate  80%  of  the  revenue,  Class  B  is  30%  of  the  products  generating  15%  of  the  revenue,  and  the  
Class  C  items  generate  less  than  5%  of  the  revenue  while  constituting  50%  of  the  items.      

The  distribution  of  percent  sales  volume  to  percent  of  SKUs  (Stock  Keeping  Units)  tends  to  follow  a  
Power  Law  distribution  (y=axk)  where  y  is  percent  of  demand  (units  or  sales  or  profit),  x  is  percent  of  
SKUs,  and  a  and  k  are  parameters.    The  value  for  k  should  obviously  be  less  than  1  since  if  k=1  the  
relationship  is  linear.    In  addition  to  segmenting  according  to  products,  many  firms  segment  by  
customer,  geographic  region,  or  supplier.    Segmentation  is  typically  done  using  revenue  as  the  key  
driver,  but  many  firms  also  include  variability  of  demand,  profitability,  and  other  factors,  to  include:  

•   Revenue  =  average  sales*unit  sales  price;    

•   Profit  =  average  sales*margin;    
•   Margin  =  unit  sales  price–unit  cost.  

Supply  chains  operate  in  uncertainty.    Demand  is  never  known  exactly,  for  example.    In  order  to  handle  
and  be  able  to  analyze  systems  with  uncertainty,  we  need  to  capture  the  distribution  of  the  variable  in  
question.    When  we  are  describing  a  random  situation,  say,  the  expected  demand  for  pizzas  on  a  
Thursday  night,  it  is  helpful  to  describe  the  potential  outcomes  in  terms  of  the  central  tendency  (mean  
or  median)  as  well  as  the  dispersion  (standard  deviation,  range).    We  will  often  characterize  the  
distribution  of  potential  outcomes  as  following  a  well-­‐known  function.    We  discussed  two  in  this  lesson:  
Normal  and  Poisson.    If  we  can  characterize  the  distribution,  then  we  can  set  a  policy  that  meets  
standards  to  a  certain  probability.    We  will  use  these  distributions  extensively  when  we  model  inventory.      

Key  Concepts:  
Pull  vs.  Push  Process  
•   Push—work  performed  in  anticipation  of  an  order  (forecasted  demand)  
•   Pull—execution  performed  in  response  to  an  order  (demand  known  with  certainty)  
•   Hybrid  or  Mixed—push  raw  products,  pull  finished  product  (postponement  or  delayed  
differentiation)  
•   Push/pull  boundary  point  —  point  in  the  process  where  a  supply  chain  shifts  from  being  push  to  
pull  
•   In  manufacturing,  also  known  as  “decoupling  point”  (DP)  or  “customer  order  decoupling  point”  
(CODP)  —  the  point  in  the  material  flow  where  the  product  is  linked  to  a  specific  customer  
•   Mass  customization  /  Postponement  —  to  delay  the  final  assembly,  customization,  or  
differentiation  of  a  product  until  as  late  as  possible    

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         10  

Segmentation  
•   Differentiate  products  in  order  to  match  the  right  supply  chain  to  the  right  product  
•   Products  typically  segmented  on    
o   Physical  characteristics  (value,  size,  density,  etc.)  
o   Demand  characteristics  (sales  volume,  volatility,  sales  duration,  etc.)  
o   Supply  characteristics  (availability,  location,  reliability,  etc.)  
•   Rules  of  thumb  for  number  of  segments  
o   Homogeneous—products  within  a  segment  should  be  similar  
o   Heterogeneous—products  across  segments  should  be  very  different  
o   Critical  Mass—segment  should  be  big  enough  to  be  worthwhile  
o   Pragmatic—segmentation  should  be  useful  and  communicable  
•   Demand  follows  a  power  law  distribution,  meaning  a  large  volume  of  sales  is  concentrated  in  
few  products  

Handling  Uncertainty  
Uncertainty  of  an  outcome  (demand,  transit  time,  manufacturing  yield,  etc.)  is  modeled  through  a  
probability  distribution.    We  discussed  two  in  the  lesson:  Poisson  and  Normal.      

Normal  Distribution  ~N(µ,σ)    

This  is  the  Bell  Shaped  distribution  that  is  widely  used  by  both  practitioners  and  academics.    While  not  
perfect,  it  is  a  good  place  to  start  for  most  random  variables  that  you  will  encounter  in  practice  such  as  
transit  time  and  demand.    The  distribution  is  both  continuous  (it  can  take  any  number,  not  just  integers  
or  positive  numbers)  and  is  symmetric  around  its  mean  or  average.    Being  symmetric  additionally  means  
the  mean  is  also  the  median  and  the  mode.    The  common  notation  that  I  will  use  to  indicate  that  some  
value  follows  a  Normal  Distribution  is  ~N(µ,  σ)  where  mu,  µ,  is  the  mean  and  sigma,  σ,  is  the  standard  
deviation.    Some  books  use  the  notation  ~N(µ,  σ2)  showing  the  variance,  σ2,  instead  of  the  standard  
deviation.    Just  be  sure  which  notation  is  being  followed  when  you  consult  other  texts.      

−( x0 −µ )2
2σ x2
e
( )
f x x0 =
σ x 2π
The  Normal  Distribution  is  formally  defined  as:      

We  will  also  make  use  of  the  Unit  Normal  or  Standard  Normal  Distribution.    This  is  ~N(0,1)  where  the  
mean  is  zero  and  the  standard  deviation  is  1  (as  is  the  variance,  obviously).    The  chart  below  shows  the  
standard  or  unit  normal  distribution.    We  will  be  making  use  of  the  transformation  from  any  Normal  
Distribution  to  the  Unit  Normal  (See  Figure  3).      

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         11  

 Standard  Normal   Distribution  (μ=0,  σ2=1)
45%
40%
35%
30%
25%
σ2=1
20%
15%
10%
5%
0% μ=0
-­‐6 -­‐4 -­‐2 0 2 4 6
 
Figure  3.  Standard  Normal  Distribution  

We  will  make  extensive  use  of  spreadsheets  (whether  Excel  or  LibreOffice)  to  calculate  probabilities  
under  the  Normal  Distribution.    The  following  functions  are  helpful:  

•   NORMDIST(x,  µ,  σ,  true)  =  the  probability  that  a  random  variable  is  less  than  or  equal  to  x  under  
the  Normal  Distribution  ~N(µ,  σ).    So,  that  NORMDIST(25,  20,  3,  1)  =  0.952  which  means  that  
there  is  a  95.2%  probability  that  a  number  from  this  distribution  will  be  less  than  25.      
•   NORMINV(probability,  µ,  σ)  =  the  value  of  x  where  the  probability  that  a  random  variable  is  less  
than  or  equal  to  it  is  the  specified  probability.    So,  NORMINV(0.952,  20,  3)  =  25.        

To  use  the  Unit  Normal  Distribution  ~N(0,1)  we  need  to  transform  the  given  distribution  by  calculating  a  
k  value  where  k=(x-­‐  µ)/σ.    This  is  sometimes  called  a  z  value  in  statistics  courses,  but  in  almost  all  supply  
chain  and  inventory  contexts  it  is  referred  to  as  a  k  value.    So,  in  our  example,  k  =  (25  –  20)/3  =  1.67.    
Why  do  we  use  the  Unit  Normal?    Well,  the  k  value  is  a  helpful  and  convenient  piece  of  information.    
The  k  is  the  number  of  standard  deviations  the  value  x  is  above  (or  below  if  it  is  negative)  the  mean.    We  
will  be  looking  at  a  number  of  specific  values  for  k  that  are  widely  used  as  thresholds  in  practice,  
specifically,    

•   Probability  (x  ≤  0.90)  where  k  =  1.28  

•   Probability  (x  ≤  0.95)  where  k  =  1.62  
•   Probability  (x  ≤  0.99)  where  k  =  2.33  

Because  the  Normal  Distribution  is  symmetric,  there  are  also  some  common  confidence  intervals:  

•   μ  ±  σ   68.3%  —  meaning  that  68.3%  of  the  values  fall  within  1  standard  deviation  of  the  mean,    
•   μ  ±  2σ   95.5%  —  95.5%  of  the  values  fall  within  2  standard  deviations  of  the  mean,  and    
•   μ  ±  3σ   99.7%  —  99.7%  of  the  values  fall  within  3  standard  deviations  of  the  mean.      

In  a  spreadsheet  you  can  use  the  functions:  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         12  

 •   NORMSDIST(k)  =  the  probability  that  a  random  variable  is  less  than  k  units  above  (or  below)  
mean.    For  example,  NORMSDIST(2.0)  =  0.977  meaning  the  97.7%  of  the  distribution  is  less  than  
2  standard  deviations  above  the  mean.      
•   NORMSINV(probability)  =  the  value  corresponding  to  the  given  probability.    So  that  
NORMSINV(0.977)  =  2.0.    If  I  then  wanted  to  find  the  value  that  would  cover  97.7%  of  a  specific  
distribution,  say  where  ~N(279,  46)  I  would  just  transform  it.    Since  k=(x-­‐  µ)/σ  for  the  
transformation,  I  can  simply  solve  for  x  and  get:    x  =  µ  +  kσ  =  279  +  (2.0)(46)  =  371.    This  means  
that  the  random  variable  ~N(279,  46)  will  be  equal  or  less  than  371  for  97.7%  of  the  time.    

Poisson  distribution  ~Poisson  (λ)  

We  will  also  use  the  Poisson  (pronounced  pwa-­‐SOHN)  distribution  for  modeling  things  like  demand,  
stock  outs,  and  other  less  frequent  events.    The  Poisson,  unlike  the  Normal,  is  discrete  (it  can  only  be  
integers  ≥  0),  always  positive,  and  non-­‐symmetric.    It  is  skewed  right  –  that  is,  it  has  a  long  right  tail.    It  is  
very  commonly  used  for  low  value  distributions  or  slow  moving  items.    While  the  Normal  Distribution  
has  two  parameters  (mu  and  sigma),  the  Poisson  only  has  one,  lambda,  λ.    

Formally,  the  Poisson  Distribution  is  defined  as  shown  below:      

x
e−λ λ 0
p[x0 ] = Prob !" x = x0 #$ = for x0 = 0,1,2,...
x0 !
x
0
e−λ λ x
F[x0 ] = Prob !" x ≤ x0 #$ = ∑
x=0 x!  

The  chart  below  (Figure  4)  shows  the  Poisson  Distribution  for  λ=3.    The  Poisson  parameter  λ  is  both  the  
mean  and  the  variance  for  the  distribution!    Note  that  λ  does  not  have  to  be  an  integer.      

Poisson  Distribution  (λ=3)

25%

20%

15%
P(x=x0)

10%

5%

0%
0 1 2 3 4 5 6 7 8 9
x
 
Figure  4.  Poisson  Distribution  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         13  

In  spreadsheets,  the  following  functions  are  helpful:  

•   POISSON(x0,  λ,  false)  =>  P(x  =  x0)  =  the  probability  that  a  random  variable  is  equal  to  x0  under  
the  Poisson  Distribution  ~P(λ).    So,  that  POISSON(2,  1.56,  0)  =  0.256  which  means  that  there  is  a  
25.6%  probability  that  a  number  from  this  distribution  will  be  equal  to  2.        
•   POISSON(x0,  λ,  true)  =>  P(x  ≤  x0)  =  the  probability  that  a  random  variable  is  less  than  or  equal  to  
x0  under  the  Poisson  Distribution  ~P(λ).    So,  that  POISSON(2,  1.56,  1)  =  0.793  which  means  that  
there  is  a  79.3%  probability  that  a  number  from  this  distribution  will  be  less  than  or  equal  to  2.      
This  is  simply  just  the  cumulative  distribution  function.      

Uniform  distribution  ~U  (a,b)  

We  will  sometimes  use  the  Uniform  distribution  which  has  two  parameters:  a  minimum  value  a  and  a  
maximum  value  b.    Each  point  within  this  range  is  equally  likely  to  occur.    To  find  the  cumulative  
probability  for  some  value  C,  the  probability  that  x≤c  =  (c-­‐a)  /  (b-­‐a),  that  is,  the  area  from  a  to  c  minus  
the  total  area  from  a  to  b.    The  expected  value  or  the  mean  is  simply  (a+b)/2  while  the  standard  
deviation  is  =  (𝑏 − 𝑎)/√12.  

References:  
Push/Pull  Processes:    Chopra  &  Meindl  Chpt  1;  Nahmias  Chpt  7;    

Segmentation:    Nahmias  Chpt  5;  Silver,  Pyke,  &  Peterson  Chpt  3;  Ballou  Chpt  3  

Probability  Distributions:  Chopra  &  Meindl  Chpt  12;  Nahmias  Chpt  5;  Silver,  Pyke,  &  Peterson  App  B      

Fisher,  M.  (1997)  “What  Is  the  Right  Supply  Chain  for  Your  Product?,”  Harvard  Business  Review.    

Olavson,  T.,  Lee,  H.  &  DeNyse,  G.  (2010)  “A  Portfolio  Approach  to  Supply  Chain  Design,”  Supply  Chain  
Management  Review.      

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         14  

Week  2  Lesson  1:  Introduction  to  Demand  Forecasting  
Learning  Objectives:  
•   Forecasting  is  part  of  the  entire  Demand  Planning  and  Management  process.  
•   There  are  both  subjective  and  objective  methods  for  forecasting  –  all  serve  a  purpose.    
•   Range  forecasts  are  better  than  point  forecasts,  aggregated  forecasts  are  better  than  dis-­‐
aggregated,  and  shorter  time  horizons  are  better  than  longer.      
•   Forecasting  metrics  need  to  capture  bias  and  accuracy.  

Lesson  Summary:  
This  lesson  is  the  first  of  six  that  focus  on  demand  forecasting.    It  is  important  to  remember  that  
forecasting  is  just  one  of  three  components  of  an  organization’s  Demand  Planning,  Forecasting,  and  
Management  process.    Demand  Planning  answers  the  question  “What  should  we  do  to  shape  and  create  
demand  for  our  product?”  and  concerns  things  like  promotions,  pricing,  packaging,  etc.    Demand  
Forecasting  then  answers  “What  should  we  expect  demand  for  our  product  to  be  given  the  demand  plan  
in  place?”    This  will  be  our  focus  in  these  next  six  lessons.    The  final  component,  Demand  Management,  
answers  the  question,  “How  do  we  prepare  for  and  act  on  demand  when  it  materializes?”    This  concerns  
things  like  Sales  &  Operations  Planning  (S&OP)  and  balancing  supply  and  demand.    We  will  cover  these  
topics  in  the  online  edX  course  CTL.SC2x.      

Within  the  Demand  Forecasting  component,  you  can  think  of  three  levels,  each  with  its  own  time  
horizon  and  purpose.    Strategic  forecasts  (years)  are  used  for  capacity  planning,  investment  strategies,  
etc.    Tactical  forecasts  (weeks  to  months  to  quarters)  are  used  for  sales  plans,  short-­‐term  budgets,  
inventory  planning,  labor  planning,  etc.    Finally,  operations  forecasts  (hours  to  days)  are  used  for  
production,  transportation,  and  inventory  replenishment  decisions.    The  time  frame  of  the  action  
dictates  the  time  horizon  of  the  forecast.      

Forecasting  is  both  an  art  and  a  science.    There  are  many  “truisms”  concerning  forecasting.    We  covered  
three  in  the  lectures  along  with  proposed  solutions:    

1.   Forecasts  are  always  wrong  –  Yes,  point  forecasts  will  never  be  completely  perfect.    The  solution  
is  to  not  rely  totally  on  point  forecasts.    Incorporate  ranges  into  your  forecasts.    Also  you  should  
try  to  capture  and  track  the  forecast  errors  so  that  you  can  sense  and  measure  any  drift  or  
changes.      
2.   Aggregated  forecasts  are  more  accurate  than  dis-­‐aggregated  forecasts  –  The  idea  is  that  
combining  different  items  leads  to  a  pooling  effect  that  will  in  turn  lessen  the  variability.    The  
peaks  balance  out  the  valleys.    The  coefficient  of  variation  (CV)  is  commonly  used  to  measure  
variability  and  is  defined  as  the  standard  deviation  over  the  mean  (𝐶𝑉 = 𝜎/𝜇).    Forecasts  are  
generally  aggregated  by  SKU  (a  family  of  products  versus  an  individual  one),  time  (demand  over  
a  month  versus  over  a  single  day),  or  location  (demand  for  a  region  versus  a  single  store).      

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         15  

 3.   Shorter  horizon  forecasts  are  more  accurate  than  longer  horizon  forecasts  –  Essentially  this  
means  that  forecasting  tomorrow’s  temperature  (or  demand)  is  easier  and  probably  more  
accurate  than  forecasting  for  a  year  from  tomorrow.    This  is  not  the  same  as  aggregating.    It  is  all  
about  the  time  between  making  the  forecast  and  the  event  happening.    Shorter  is  always  better.    
This  is  where  postponement  and  modularization  helps.    If  we  can  somehow  shorten  the  
forecasting  time  for  an  end  item,  we  will  generally  be  more  accurate.      

Forecasting  methods  can  be  divided  into  being  subjective  (most  often  used  by  marketing  and  sales)  or  
objective  (most  often  used  by  production  and  inventory  planners).    Subjective  methods  can  be  further  
divided  into  being  either  Judgmental  (someone  somewhere  knows  the  truth),  such  as  sales  force  
surveys,  Delphi  sessions,  or  expert  opinions,  or  Experimental  (sampling  local  and  then  extrapolating),  
such  as  customer  surveys,  focus  groups,  or  test  marketing.    Objective  methods  are  either  Causal  (there  is  
an  underlying  relationship  or  reason)  such  as  regression,  leading  indicators,  etc.  or  Time  Series  (there  
are  patterns  in  the  demand)  such  as  exponential  smoothing,  moving  average,  etc.    All  methods  have  
their  place  and  their  role.    We  will  spend  a  lot  of  time  on  the  objective  methods  but  will  also  discuss  the  
subjective  ones  as  well.      

Regardless  of  the  forecasting  method  used,  you  will  want  to  measure  the  quality  of  the  forecast.    The  
two  major  dimensions  of  quality  are  bias  (a  persistent  tendency  to  over-­‐  or  under-­‐predict)  and  accuracy  
(closeness  to  the  actual  observations).    No  single  metric  does  a  good  job  capturing  both  dimensions,  so  
it  is  worth  having  multiple.    The  definitions  and  formulas  are  shown  below.    The  most  common  metrics  
used  are  MAPE  and  RMSE  for  showing  accuracy  and  MPE  for  bias.    But,  there  are  many,  many  different  
variations  used  in  practice,  so  just  be  clear  about  what  is  being  measured  and  how  the  metric  is  being  
calculated.      

Key  Concepts:  
Forecasting  Truisms  
•   Forecasts  are  always  wrong  
o   Demand  is  essentially  a  continuous  variable  
o   Every  estimate  has  an  “error  band”  
o   Compensate  by  using  range  forecasts  and  not  fixating  on  a  single  point  
•   Aggregated  forecasts  are  more  accurate  
o   Forecasts  aggregated  over  time,  SKU  or  location  are  generally  more  accurate  
o   Pooling  reduces  coefficient  of  variation  (CV),  which  is  a  measure  of  volatility  
o   Example  aggregating  by  location:  Three  locations  (n=3)  with  each  normally  distributed  
demand  ~N(μ,σ)  
𝜎
𝐶𝑉/01 =  
𝜇
𝜇233 = 𝜇4 + 𝜇6 + 𝜇7  

𝜎233 = 𝜎46 + 𝜎66 + 𝜎76  

𝜎 3 𝜎 𝐶𝑉/01
𝐶𝑉233 = = =  
3𝜇 𝜇 3 3

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         16  

  
Lower  coefficient  of  variation  (CV)  for  aggregated  forecast  shows  less  volatility  
•   Shorter  time  horizon  forecasts  are  more  accurate  
o   It  is  easier  to  measure  next  month’s  forecast  rather  than  the  monthly  forecast  one  year  
from  now  

Forecasting  Metrics  
There  is  a  cost  trade-­‐off  between  cost  of  errors  in  forecasting  and  cost  of  quality  forecasts  that  must  
be  balanced.    Forecast  metric  systems  should  capture  bias  and  accuracy.      

Notation:  
At:    Actual  value  for  observation  t  

Ft:    Forecasted  value  for  observation  t  

et:    Error  for  observation  t,  𝑒: = 𝐴: − 𝐹:  

n:    number  of  observations  

µ:    mean  

σ:    standard  deviation  
=
CV:  Coefficient  of  Variation  –  a  measure  of  volatility  –  𝐶𝑉 =  
>

Formulas:  
C
BDE AB
Mean  Deviation:     𝑀𝐷 =  
0

C
BDE AB
Mean  Absolute  Deviation:     𝑀𝐴𝐷 =  
0

C I
BDE AB
Mean  Squared  Error:     𝑀𝑆𝐸 =  
0

C AI
BDE B
Root  Mean  Squared  Error:   𝑅𝑀𝑆𝐸 =  
0

C LB
BDEM
B
Mean  Percent  Error:     𝑀𝑃𝐸 =  
0

C LB
BDE M
B
Mean  Absolute  Percent  Error:       𝑀𝐴𝑃𝐸 =  
0

Statistical  Aggregation:   6
𝜎233 = 𝜎46 + 𝜎66 + 𝜎76 + ⋯ + 𝜎06  

  𝜎233 = 𝜎46 + 𝜎66 + 𝜎76 + ⋯ + 𝜎06  

  𝜇233 = 𝜇4 + 𝜇6 + 𝜇7 + ⋯ + 𝜇0  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         17  

Statistical  Aggregation  of  n  Distributions  of  Equal  Mean  and  Variance:  

𝜎233 = 𝜎46 + 𝜎66 + 𝜎76 + ⋯ + 𝜎06 = 𝜎/01 𝑛  

𝜇233 = 𝜇4 + 𝜇6 + 𝜇7 + ⋯ + 𝜇0 = 𝑛𝜇/01  

𝜎 𝑛 𝜎 𝐶𝑉/01
𝐶𝑉233 = = =  
𝜇𝑛 𝜇 𝑛 𝑛

References:  

There  are  literally  thousands  of  good  forecasting  references.    Some  that  I  like  and  have  used  include:  

•   Makridakis,  Spyros,  Steven  C.  Wheelwright,  and  Rob  J.  Hyndman.  Forecasting:  Methods  and  
Applications.  New  York,  NY:  Wiley,  1998.    ISBN  9780471532330.    
•   Hyndman,  Rob  J.    and  George  Athanasopoulos.  Forecasting:  Principles  and  Practice.  OTexts,  
2014.    ISBN  0987507109.  
•   Gilliland,  Michael.  The  Business  Forecasting  Deal:  Exposing  Bad  Practices  and  Providing  Practical  
Solutions.  Hoboken,  NJ:  Wiley,  2010.  ISBN  0470574437.      

Within  the  texts  mentioned  earlier:    Silver,  Pyke,  and  Peterson  Chapter  4.1;  Chopra  &  Meindl  Chapter  
7.1-­‐7.4;  Nahmias  Chapter  2.1-­‐2.6.          

Also,  I  recommend  checking  out  the  Institute  of  Business  Forecasting  &  Planning  (https://ibf.org/)  and  
their  Journal  of  Business  Forecasting.      

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         18  

Week  2  Lesson  2:  Time  Series  Analysis  
Learning  Objectives:  
•   Time  Series  is  a  useful  technique  when  we  believe  demand  follows  certain  repeating  patterns.  
•   The  primary  time  series  components  are  level,  trend,  seasonality,  and  random  fluctuation  or  
error.    These  patterns  are  usually  combined  in  a  model.      
•   All  time  series  models  make  a  trade-­‐off  between  being  naïve  (using  only  the  last  most  recent  
data)  or  cumulative  (using  all  of  the  available  data).    

Lesson  Summary:  
Time  Series  is  an  extremely  widely  used  forecasting  technique  for  mid-­‐range  forecasts  for  items  that  
have  a  long  history  or  record  of  demand.    Time  series  is  essentially  pattern  matching  of  data  that  are  
distributed  over  time.    For  this  reason,  you  tend  to  need  a  lot  of  data  to  be  able  to  capture  the  
components  or  patterns.    There  are  five  components  to  time  series  (level,  trend,  seasonality,  error,  and  
cyclical)  but  we  only  discuss  the  first  four.    Business  cycles  are  more  suited  to  longer  range,  strategic  
forecasting  time  horizons.      

Three  time  series  models  were  presented:      

•   Cumulative  –  where  everything  matters  and  all  data  are  included.    This  results  in  a  very  calm  
forecast  that  changes  very  slowly  over  time  –  thus  it  is  more  stable  than  responsive.      
•   Naïve  –  where  only  the  latest  data  point  matters.    This  results  in  very  nervous  or  volatile  
forecast  that  can  change  quickly  and  dramatically  –  thus  it  is  more  responsive  than  stable.      
•   Moving  Average  –  where  we  can  select  how  much  data  to  use  (the  last  M  periods).    This  is  
essentially  the  generalized  form  for  both  the  Cumulative  (M  =  ∞)  and  Naïve  (M=1)  models.    

All  three  of  these  models  are  similar  in  that  they  assume  stationary  demand.    Any  trend  in  the  
underlying  data  will  lead  to  severe  lagging.    These  models  also  apply  equal  weighting  to  each  piece  of  
information  that  is  included.    Interestingly,  while  the  M-­‐Period  Moving  Average  model  requires  M  data  
elements  for  each  SKU  being  forecast,  the  Naïve  and  Cumulative  models  only  require  1  data  element  
each.      

   

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         19  

Key  Concepts:  
Components  of  time  series  
 

•   Level  (a)  
o   Value  where  demand  hovers  (mean)    
o   Captures  scale  of  the  time  series  
o   With  no  other  pattern  present,  it  is  a  constant  
value  
 
 
•   Trend  (b)  
o   Rate  of  growth  or  decline  
o   Persistent  movement  in  one  direction  
o   Typically  linear  but  can  be  exponential,  quadratic,  
etc.  
 
 
•   Season  Variations  (F)  
o   Repeated  cycle  around  a  known  and  fixed  period  
o   Hourly,  daily,  weekly,  monthly,  quarterly,  etc.  
o   Can  be  caused  by  natural  or  man-­‐made  forces  
 
 
•   Random  Fluctuation  (e  or  ε)  
o   Remainder  of  variability  after  other  components  
o   Irregular  and  unpredictable  variations,  noise  

Forecasting  Models  

Notation:  
xt:       Actual  demand  in  period  t  
𝑥:,:R4 :     Forecast  for  time  t+1  made  during  time  t  
a:       Level  component  
b:       Linear  trend  component  
Ft:     Season  index  appropriate  for  period  t  
et:     Error  for  observation  t,  𝑒: = 𝐴: − 𝐹:  
t:       Time  period  (0,  1,  2,…n)  
Level  Model:     𝑥: = 𝑎 + 𝑒:  
Trend  Model:    𝑥: = 𝑎 + 𝑏𝑡 + 𝑒:  
Mix  Level-­‐Seasonality  Model:     𝑥: = 𝑎𝐹: + 𝑒:  
Mix  Level-­‐Trend-­‐Seasonality  Model:   𝑥: = (𝑎 + 𝑏𝑡)𝐹: + 𝑒:  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         20  

 Time  Series  Models  (Stationary  Demand  only):  
B
V UV
Cumulative  Model:   𝑥:,:R4 =  
:

Naïve  Model:     𝑥:,:R4 = 𝑥:  

B
VDBWEXY UV
M-­‐Period  Moving  Average  Forecast  Model:   𝑥:,:R4 =  
Z

•   If  M=t,  we  have  the  cumulative  model  where  all  data  is  included  
•   If  M=1,  we  have  the  naïve  model,  where  the  last  data  point  is  used  to  predict  the  next  data  point  
 

References:  

These  are  good  texts  for  these  models:    

•   Makridakis,  Spyros,  Steven  C.  Wheelwright,  and  Rob  J.  Hyndman.  Forecasting:  Methods  and  
Applications.  New  York,  NY:  Wiley,  1998.    ISBN  9780471532330.    
•   Hyndman,  Rob  J.  and  George  Athanasopoulos.  Forecasting:  Principles  and  Practice.  OTexts,  
2014.    ISBN  0987507109.  

Within  the  texts  mentioned  earlier:    Silver,  Pyke,  and  Peterson  Chapter  4.2-­‐5.5.1  &  4.6;  Chopra  &  Meindl  
Chapter  7.5-­‐7.6;  Nahmias  Chapter  2.7.          

Also,  I  recommend  checking  out  the  Institute  of  Business  Forecasting  &  Planning  (https://ibf.org/)  and  
their  Journal  of  Business  Forecasting.      

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         21  

Week  3  Lesson  1:  Exponential  Smoothing  
Learning  Objectives:  
•   Understand  how  exponential  smoothing  treats  old  and  new  information  differently.  
•   Understand  how  changing  the  alpha  or  beta  smoothing  factors  influences  the  forecasts.  
•   Able  to  apply  the  techniques  to  generate  forecasts  in  spreadsheets.    

Lesson  Summary:  
Exponential  smoothing,  as  opposed  to  the  three  other  time  series  models  we  have  discussed  in  the  
previous  lesson  (Cumulative,  Naïve,  and  Moving  Average),  treats  data  differently  depending  on  its  age.    
The  idea  is  that  the  value  of  data  degrades  over  time  so  that  newer  observations  of  demand  are  
weighted  more  heavily  than  older  observations.    The  weights  decrease  exponentially  as  they  age.    
Exponential  models  simply  blend  the  value  of  new  and  old  information.    We  have  students  create  
forecast  models  in  spreadsheets  so  they  understand  the  mechanics  of  the  model  and  hopefully  develop  
a  sense  of  how  the  parameters  influence  the  forecast.      

The  alpha  factor  (ranging  between  0  and  1)  determines  the  weighting  for  the  newest  information  versus  
the  older  information.    The  “α”  value  indicates  the  value  of  “new”  information  versus  “old”  information:  

•   As  α  →  1,  the  forecast  becomes  more  nervous,  volatile,  and  naïve  

•   As  α  →  0,  the  forecast  becomes  more  calm,  staid,  and  cumulative  
•   α  can  range  from  0  ≤  α  ≤  1,  but  in  practice,  we  typically  see  0  ≤  α  ≤  0.3  
The  most  basic  exponential  model,  or  Simple  Exponential  model,  assumes  stationary  demand.    Holt’s  
Model  is  a  modified  version  of  exponential  smoothing  that  also  accounts  for  trend  in  addition  to  level.    A  
new  smoothing  parameter,  β,  is  introduced.    It  operates  in  the  same  way  as  the  α.        
We  can  also  use  exponential  smoothing  to  dampen  trend  models  to  account  for  the  fact  that  trends  
usually  do  not  remain  unchanged  indefinitely  as  well  as  for  creating  a  more  stable  estimate  of  the  
forecast  errors.      

   

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         22  

Key  Concepts:  
Notation:  
xt:       Actual  demand  in  period  t  
x\,\R4 :     Forecast  for  time  t+1  made  during  time  t  
α:       Exponential  smoothing  factor  for  level  (0  ≤  α  ≤  1)  
β:       Exponential  smoothing  factor  for  trend  (0  ≤  β  ≤  1)  
φ:       Exponential  smoothing  factor  for  dampening  (0  ≤  φ  ≤  1)  
ω:       Mean  Square  Error  trending  factor  (0.01  ≤  ω  ≤  0.1)  

Forecasting  Models:  
Simple  Exponential  Smoothing  Model  (Level  Only)  –  This  model  is  used  for  stationary  demand.    The  
“new”  information  is  simply  the  latest  observation.    The  “old”  information  is  the  most  recent  forecast  
since  it  encapsulates  the  older  information.          

𝑥:,:R4 = 𝛼𝑥: + (1 − 𝛼)𝑥:^4,:  

Exponential  Smoothing  for  Level  &  Trend  –  also  known  as  Holt’s  Method,  assumes  a  linear  trend.    The  
forecast  for  time  t+τ  made  at  time  t  is  shown  below.    It  is  a  combination  of  the  latest  estimates  of  the  
level  and  trend.    For  the  level,  the  new  information  is  the  latest  observation  and  the  old  information  is  
the  most  recent  forecast  for  that  period  –  that  is,  the  last  period’s  estimate  of  level  plus  the  last  period’s  
estimate  of  trend.    For  the  trend,  the  new  information  is  the  difference  between  the  most  recent  
estimate  of  the  level  minus  the  second  most  recent  estimate  of  the  level.    The  old  information  is  simply  
the  last  period’s  estimate  of  the  trend.        

𝑥:,:R_ = 𝑎: + 𝜏𝑏:  

𝑎: = 𝛼𝑥: + (1 − 𝛼)(𝑎:^4 + 𝑏:^4  )  

𝑏: = 𝛽 𝑎: − 𝑎:^4 + 1 − 𝛽 𝑏:^4  

Damped  Trend  Model  with  Level  and  Trend  –  We  can  use  exponential  smoothing  to  dampen  a  linear  
trend  to  better  reflect  the  tapering  effect  of  trends  in  practice.      
_

𝑥:,:R_ = 𝑎: + 𝜑 / 𝑏:  
/c4

𝑎: = 𝛼𝑥: + 1 − 𝛼 𝑎:^4 + 𝜑𝑏:^4  

𝑏: = 𝛽 𝑎: − 𝑎:^4 + (1 − 𝛽)𝜑𝑏:^4  

Mean  Square  Error  Estimate  –  We  can  also  use  exponential  smoothing  to  provide  a  more  robust  or  
stable  value  for  the  mean  square  error  of  the  forecast.        

𝑀𝑆𝐸: = 𝜔(𝑥: − 𝑥:^4,: )6 + (1 − 𝜔)𝑀𝑆𝐸:^4  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         23  

References:  

Exponential  Smoothing  is  discussed  in  these  texts:        

•   Makridakis,  Spyros,  Steven  C.  Wheelwright,  and  Rob  J.  Hyndman.  Forecasting:  Methods  and  
Applications.  New  York,  NY:  Wiley,  1998.    ISBN  9780471532330.    
•   Hyndman,  Rob  J.  and  George  Athanasopoulos.  Forecasting:  Principles  and  Practice.  OTexts,  
2014.    ISBN  0987507109.  

Within  the  texts  mentioned  earlier:    Silver,  Pyke,  and  Peterson  Chapter  4;  Chopra  &  Meindl  Chapter  7;  
Nahmias  Chapter  2.    

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         24  

Week  3  Lesson  2:  Exponential  Smoothing  with  Holt-­‐
Winter  
Learning  Objectives:  
•   Understand  how  seasonality  can  be  handled  within  exponential  smoothing.    
•   Understand  how  to  initialize  a  forecast.  
•   Able  to  apply  the  techniques  to  generate  forecasts  in  spreadsheets.    

Key  Concepts:  
Seasonality  
•   For  multiplicative  seasonality,  think  of  the  Fi  as  “percent  of  average  demand”  for  a  period  i  
•   The  sum  of  the  Fi  for  all  periods  within  a  season  must  equal  P  
•   Seasonality  factors  must  be  kept  current  or  they  will  drift  dramatically.  This  requires  a  lot  more  
bookkeeping,  which  is  tricky  to  maintain  in  a  spreadsheet,  but  it  is  important  to  understand  

Forecasting  Model  Parameter  Initialization  Methods  

•   While  there  is  no  single  best  method,  there  are  many  good  ones  
•   Simple  Exponential  Smoothing  
o   Estimate  level  parameter  𝑎e  by  averaging  demand  for  first  several  periods  
•   Holt  Model  (trend  and  level)—must  estimate  both  𝑎e  and  𝑏e  
o   Find  a  best  fit  linear  equation  from  initial  data  
o   Use  least  squares  regression  of  demand  for  several  periods  
§   Dependent  variable  =  demand  in  each  time  period  =  xt  
§   Independent  variable  =  slope  =  β1  
§   Regression  equation:  xt  =  β0  +  β1t  
•   Seasonality  Models  
o   Much  more  complicated,  you  need  at  least  two  season  of  data  but  preferably  four  or  
more  
o   First  determine  the  level  for  each  common  season  period  and  then  the  demand  for  all  
periods  
o   Set  initial  seasonality  indices  to  ratio  of  each  season  to  all  periods  

Notation:  
xt:       Actual  demand  in  period  t  
x\,\R4 :     Forecast  for  time  t+1  made  during  time  t  
α:       Exponential  smoothing  factor  (0  ≤  α  ≤  1)  
β:       Exponential  smoothing  trend  factor  (0  ≤  β  ≤  1)  
γ:       Seasonality  smoothing  factor  (0  ≤  γ  ≤  1)  
Ft:       Multiplicative  seasonal  index  appropriate  for  period  t  
i
P:       Number  of  time  periods  within  the  seasonality  (note:   gc4 Fg = P)  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         25  

Forecasting  Models:  
Double  Exponential  Smoothing  (Seasonality  and  Level)  –  This  is  a  multiplicative  model  in  that  the  
seasonality  for  each  period  is  the  product  of  the  level  and  that  period’s  seasonality  factor.    The  new  
information  for  the  estimate  of  the  level  is  the  “de-­‐seasoned”  value  of  the  latest  observation;  that  is,  
you  are  trying  to  remove  the  seasonality  factor.    The  old  information  is  simply  the  previous  most  recent  
estimate  for  level.    For  the  seasonality  estimate,  the  new  information  is  the  “de-­‐leveled”  value  of  the  
latest  observation;  that  is,  you  try  to  remove  the  level  factor  to  understand  any  new  seasonality.    The  
old  information  is  simply  the  previous  most  recent  estimate  for  that  period’s  seasonality.      

𝑥:,:R_ = 𝑎: 𝐹:R_^j  

𝑥:
𝑎: = 𝛼 + (1 − 𝛼)(𝑎:^4 )  
𝐹:^j
𝑥:
𝐹: = 𝛾 + 1 − 𝛾 𝐹:^j  
𝑎:

Holt-­‐Winter  Exponential  Smoothing  Model  (Level,  Trend,  and  Seasonality)  –  This  model  assumes  a  
linear  trend  with  a  multiplicative  seasonality  effect  over  both  level  and  trend.    For  the  level  estimate,  the  
new  information  is  again  the  “de-­‐seasoned”  value  of  the  latest  observation,  while  the  old  information  is  
the  old  estimate  of  the  level  and  trend.    The  estimate  for  the  trend  is  the  same  as  for  the  Holt  model.    
The  Seasonality  estimate  is  the  same  as  the  Double  Exponential  smoothing  model.        

𝑥:,:R_ = (𝑎: + 𝜏𝑏: )𝐹:R_^j  

𝑥:
𝑎: = 𝛼 + (1 − 𝛼)(𝑎:^4 + 𝑏:^4 )  
𝐹:^j

𝑏: = 𝛽 𝑎: − 𝑎:^4 + (1 − 𝛽)𝑏:^4  
𝑥:
𝐹: = 𝛾 + 1 − 𝛾 𝐹:^j  
𝑎:

Normalizing  Seasonality  Indices  –  This  should  be  done  after  each  forecast  to  ensure  the  seasonality  
does  not  get  out  of  synch.    If  the  indices  are  not  updated,  they  will  drift  dramatically.    Most  software  
packages  will  take  care  of  this  –  but  it  is  worth  checking.      

𝑃
𝐹:lmn = 𝐹:opq : opq  
/c:^j 𝐹:

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         26  

References:  

Exponential  Smoothing  is  discussed  in  these  texts:        

•   Makridakis,  Spyros,  Steven  C.  Wheelwright,  and  Rob  J.  Hyndman.Forecasting:  Methods  and  
Applications.  New  York,  NY:  Wiley,  1998.    ISBN  9780471532330.    
•   Hyndman,  Rob  J.  and  George  Athanasopoulos.  Forecasting:  Principles  and  Practice.  OTexts,  
2014.    ISBN  0987507109.  

Within  the  texts  mentioned  earlier:      

•   Silver,  E.A.,  Pyke,  D.F.,  Peterson,  R.  Inventory  Management  and  Production  Planning  and  
Scheduling.  ISBN:  978-­‐0471119470.  Chapter  4.  
•   Chopra,  Sunil,  and  Peter  Meindl.  Supply  Chain  Management:  Strategy,  Planning,  and  Operation.  
5th  edition,  Pearson  Prentice  Hall,  2013.  Chapter  7.  
•   Nahmias,  S.  Production  and  Operations  Analysis.  McGraw-­‐Hill  International  Edition.  ISBN:  0-­‐07-­‐
2231265-­‐3.  Chapter  2.    

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         27  

Week  4  Lesson  1:  Forecasting  Using  Causal  Analysis  
Learning  Objectives:  
•   Understand  how  regression  analysis  can  be  used  to  estimate  demand  when  underlying  drivers  
can  be  identified.  
•   Able  to  use  regression  to  find  correlations  between  a  single  dependent  variable  (y)  and  one  or  
more  independent  variables  (x1,  x2,  .  .  .  xn).  
•   Understand  that  correlation  is  NOT  causation  and  to  be  careful  in  any  claims.    

Lesson  Summary:  
In  this  lesson  we  introduced  causal  models  for  use  in  forecasting  demand.    Causal  models  can  be  very  
useful  when  you  can  determine  (and  measure)  the  underlying  factors  that  drive  the  demand  of  your  
product.    The  classic  example  is  that  the  number  of  births  drives  demand  for  disposable  diapers.    We  
used  Ordinary  Least  Squares  Regression  (OLS)  to  develop  linear  models  of  demand.    A  lot  of  the  lesson  
was  filled  with  the  mechanics  of  using  Excel  or  LibreOffice  for  regression  –  you  can  use  any  package,  
such  as  R,  to  perform  the  same  analysis.      

It  is  always  important  to  test  your  regression  model  for  overall  fit  (adjusted  R-­‐square)  as  well  as  
significance  of  each  coefficient  (look  at  p-­‐values).    You  should  have  an  understanding  of  why  each  
variable  is  in  the  model.      

Key  Concepts:  
Causal  Models  
•   Used  when  demand  is  correlated  with  some  known  and  measureable  environmental  factor  
(demand  is  a  function  of  some  variables  such  as  weather,  income,  births,  discounts,  etc.).  
•   Requires  more  data  to  store  than  other  forecasting  methods  and  treats  all  data  equally.  

Ordinary  Least  Squares  (OLS)  Linear  Regression  

•   Uses  a  linear  model  to  describe  the  relationship,  e.g.,  y  =  β0  +  β1xi1  +  β2xi2  +  .  .  .    
•   Estimate  the  coefficients  (the  β  values)  to  find  a  best  fit  for  observed  pairs  of  data  
•   Error  terms  are  the  unaccounted  or  unexplained  portion  of  the  data  
•   OLS  regression  minimizes  the  sum  of  squares  of  the  error  to  determine  the  coefficients  
•   It  is  important  to  test  the  model  by  looking  at  the  adjusted  R^2  values  to  understand  how  
much  of  the  variability  in  the  dependent  variable  is  explained  by  the  model  as  well  as  the  
significance  of  each  of  the  explanatory  variables  through  the  use  of  a  t-­‐test  

LINEST  Function  (in  Excel  and  LibreOffice)  

•   There  are  many  other  (and  better)  software  packages  that  can  do  this  and  other  statistical  
modeling  for  you,  but  they  cost  money.    The  open  source  tool  R  is  also  very  useful,  but  it  has  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         28  

 a  slightly  higher  learning  curve  than  we  can  devote  to  it  in  this  class.    We  are  using  LINEST  
because  it  is  used  in  our  spreadsheets.      
•   The  LINEST  function  receives  and  returns  data  to  multiple  cells  
•   The  equation  will  be  bookended  by  {}  brackets  when  active  
•   While  the  function  is  the  same  in  both  LibreOffice  and  Excel,  activating  it  differs  slightly  
o   LibreOffice  
§   Type  the  formula  into  a  cell  and  press  the  keyboard  combination  
Ctrl+Shift+Enter  (for  Windows  &  Linux)  or  command+shift+return  (for  Mac  
OS  X)  
o   Excel  
§   Select  a  range  of  5  rows  with  the  number  of  columns  equal  to  the  
dependent  variables  plus  1  
§   Then,  in  the  'Insert  Function'  area,  type  the  formula  and  press  the  keyboard  
combination  Ctrl+Shift+Enter  (for  Windows  &  Linux)  or  
command+shift+return  (for  Mac  OS  X).  

The  table  below  (Table  1)  shows  the  LINEST  output  for  two  explanatory  variables,  b1  and  b3.    See  each  
tool’s  own  help  section  for  more  details  on  how  to  use  these  or  other  functions.      

 
Table  1.  LINEST  Output  

Model  Validation  
•   Basic  Checks  
o   Goodness  of  fit—look  at  the  adjusted  R2  values  
o   Individual  coefficients—perform  t-­‐tests  to  get  the  p-­‐value  
•   Additional  Assumption  Checks  
o   Normality  of  residuals—plot  the  residuals  in  a  histogram  and  check  to  see  if  they  are  
normally  distributed  
o   Heteroscedasticity—create  a  scatter  plot  of  the  residuals  and  look  to  see  if  the  
standard  deviation  of  the  error  terms  differs  for  different  values  of  the  independent  
variables  
o   Autocorrelation—is  there  a  pattern  over  time  or  are  the  residuals  independent?  
o   Multi-­‐collinearity—look  for  correlations  in  the  independent  variables.    The  dummy  
variables  may  be  over  specified.  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         29  

Notation:  
b0:   estimate  of  the  intercept  
b1:   estimate  of  the  slope  (explanatory  variable  1)  
ei:    residual  or  difference  between  the  actual  values  and  the  predicted  values    
n:    number  of  observations  
k:    number  of  explanatory  variables  
df:    degrees  of  freedom  (n-­‐k-­‐1)  
P-­‐value  The  estimated  probability  of  rejecting  the  null  hypothesis  that  the  coefficient  for  an  
independent  variable  is  0  when  it  is  actually  true.    You  want  the  P-­‐value  to  be  as  small  as  
possible.    Common  acceptable  thresholds  are  0.01,  0.05,  and  (sometimes)  0.10.      
2
R :   Coefficient  of  determination—the  ratio  of  “explained”  to  total  sum  of  squares  
6
𝑅21r :   a  modification  of  R2  that  adjusts  for  the  number  of  terms  in  the  model.    The  R2  term  will  
never  decrease  when  new  independent  variables  are  added,  which  can  lead  to  
overfitting  of  the  model.    The  adjusted  R^2  value  corrects  for  this.      
se:    standard  error  of  the  estimate—an  estimate  of  the  variance  of  the  error  term  around  
the  regression  line  
sbi:    standard  error  of  explanatory  variable  i  
SSE:    Sum  of  Squares  of  Error—portion  of  data  that  is  not  explained  by  the  regression  
SSR:    Sum  of  Squares  of  Regression—portion  of  data  that  is  explained  by  the  regression  
SST:    Total  Sum  of  Squares  (SST  =  SSR  +  SSE)  
tbi:    t  statistic  for  explanatory  variable  i  

Formulas  and  Equations  Used:  

Simple  linear  regression  
𝑦/ = 𝑏e + 𝑏4 𝑥/  𝑓𝑜𝑟  𝑖 = 1,2, … 𝑛  

Multiple  linear  regression  

𝑦/ = 𝑏e + 𝑏4 𝑥4/ + 𝑏6 𝑥6/ + ⋯ + 𝑏0 𝑥0/  𝑓𝑜𝑟  𝑖 = 1,2, … 𝑛  

Linear  Regression  Error  

𝑒/ = 𝑦/ − 𝑦/ = 𝑦/ − 𝑏e − 𝑏4 𝑥/  𝑓𝑜𝑟  𝑖 = 1,2, … 𝑛  

t  statistic  for  explanatory  variable  i  

𝑏/
𝑡y/ =  
𝑠y/

Coefficient  of  Determination  (R-­‐squared)  

{{|
𝑅6 =              where  0  ≤  R2  ≤  1  
{{}

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         30  

 Adjusted  R2    
6 𝑛−1
𝑅21r = 1 − 1 − 𝑅6  
𝑛−𝑘−1

References:  

Regression  is  its  own  sub-­‐field  within  statistics  and  econometrics.    The  basics  are  covered  in  most  
statistics  books.    The  Kahn  Academy  has  a  nice  module  if  you  want  to  brush  up  on  the  concepts  
(https://www.khanacademy.org/math/probability/regression).      

The  use  of  regression  in  forecasting  is  also  covered  in  these  texts:        

•   Makridakis,  Spyros,  Steven  C.  Wheelwright,  and  Rob  J.  Hyndman.  Forecasting:  Methods  and  
Applications.  New  York,  NY:  Wiley,  1998.    ISBN  9780471532330.    
•   Hyndman,  Rob  J.  and  George  Athanasopoulos.  Forecasting:  Principles  and  Practice.  OTexts,  
2014.    ISBN  0987507109.  

If  you  want  to  learn  more  details  on  either  LibreOffice  or  Excel,  you  should  go  directly  to  their  sites.      

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         31  

Week  4  Lesson  2:  Forecasting  for  Special  Cases  
Learning  Objectives:  
•   Understand  why  demand  for  new  products  need  to  be  forecasted  with  different  techniques.  
•   Realize  that  there  are  different  types  of  new  products  –  and  the  differences  matter.    
•   Learn  how  to  use  basic  Diffusion  Models  for  new  product  demand  and  how  to  forecast  
intermittent  demand  using  Croston’s  Method.    
•   Understand  how  the  typical  new  product  pipeline  process  (stage-­‐.-­‐gate)  works  and  how  
forecasting  fits  in.  

Lesson  Summary:  
This  is  always  a  fun  lesson  to  teach.  We  covered  different  types  of  new  products  and  discussed  how  the  
forecasting  techniques  differ  according  to  their  type.  The  fundamental  idea  is  that  if  you  do  not  have  any  
history  to  rely  on,  you  can  look  for  history  of  similar  products  and  build  one.  We  also  discussed  the  use  
of  Bass  Diffusion  models  to  estimate  market  demand  for  new-­‐to-­‐world  products.    

When  the  demand  is  very  sparse,  such  as  for  spare  parts,  we  cannot  use  traditional  methods  since  the  
estimates  tend  to  fluctuate  dramatically.  Croston’s  method  can  smooth  out  the  estimate  for  the  
demand.        

Key  Concepts:  
New  Product  Types  
•   Not  all  new  products  are  the  same.  We  can  roughly  classify  them  into  the  following  six  
categories  (listed  from  easiest  to  forecast  to  hardest):    
o   Cost  Reductions:  Reduced  price  version  of  the  product  for  the  existing  market    
o   Product  Repositioning:  Taking  existing  products/services  to  new  markets  or  applying  
them  to  a  new  purpose  (aspirin  from  pain  killer  to  reducing  effects  of  a  heart  attack)    
o   Line  Extensions:  Incremental  innovations  added  to  complement  existing  product  
lines  (Vanilla  Coke,  Coke  Zero)  or  Product  Improvements:  New,  improved  versions  of  
existing  offering  targeted  to  the  current  market—replaces  existing  products  (next  
generation  of  product)  
o   New-­‐to-­‐Company:  New  market/category  for  the  company  but  not  to  the  market  
(Apple  iPhone  or  iPod)    
o   New-­‐to-­‐World:  First  of  their  kind,  creates  new  market,  radically  different  (Sony  
Walkman,  Post-­‐it  notes,  etc.)    
•   While  they  are  a  pain  to  forecast  and  to  launch,  firms  introduce  new  products  all  the  time  –  
this  is  because  they  are  the  primary  way  to  increase  revenue  and  profits  (See  Table  2)  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         32  

  
*Major  revisions/incremental  improvements  about  evenly  split  

Table  2.  New  product  introductions.  Source:  Adapted  from  Cooper,  Robert  (2001)  Winning  at  New  Products,  Kahn,  Kenneth  
(2006)  New  Product  forecasting,  and  PDMA  (2004)  New  Product  Development  Report.)  

New  Product  Development  Process    

All  firms  use  some  version  of  the  process  shown  below  to  introduce  new  products.  This  is  sometimes  
called  the  stage-­‐gate  or  funnel  process.  The  concept  is  that  lots  of  ideas  come  in  on  the  left  and  very  few  
final  products  come  out  on  the  right.  Each  stage  or  hurdle  in  the  process  winnows  out  the  winners  from  
the  losers  and  is  used  to  focus  attention  on  the  right  products.  The  scope  and  scale  of  forecasting  
changes  along  the  process  as  noted  in  Figure  5.  

 
Figure  5.  New  product  development  process  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         33  

Forecasting  Models  Discussed    

New  Product  –  “Looks-­‐Like”  or  Analogous  Forecasting    

•   Perform  by  looking  at  comparable  product  launches  and  create  a  week-­‐by-­‐week  or  month-­‐by-­‐
month  sales  record.    
•   Then  use  the  percent  of  total  sales  in  each  time  increment  as  a  trajectory  guide.    
•   Each  launch  should  be  characterized  by  product  type,  season  of  introduction,  price,  target  
market  demographics,  and  physical  characteristics.    

New-­‐to-­‐World  Products  -­‐  Bass  Diffusion  Model    

•   The  idea  is  that  there  are  two  complementary  effects  at  work,  innovation  and  imitation:    
o   Innovation  effect:  Innovators  are  early  adopters  that  are  drawn  to  technology  regardless  
of  who  else  is  using  it.  Their  demand  peaks  early  in  the  product’s  lifecycle.    
o   Imitation  effect:  Imitators  hear  about  the  product  by  word  of  mouth  and  are  influenced  
by  peers.  Their  demand  lags  behind  the  innovators.    
•   The  values  for  p  (innovation)  and  q  (imitation)  can  be  estimated  using  various  techniques.    

Intermittent  or  Sparse  Demand  –  Croston’s  Method    

•   Used  for  products  that  are  infrequently  ordered  in  large  quantities,  irregularly  ordered,  or  
ordered  in  different  sizes.    
•   Croston’s  Method  separates  out  the  demand  and  model—unbiased  and  has  lower  variance  than  
simple  smoothing.    
•   Cautions:  infrequent  ordering  (and  updating  of  model)  induces  a  lag  to  responding  to  magnitude  
changes.  

Notation:  
P:   Innovation  effect  in  Bass  Diffusion  Model;  p  ~  0.03  and  often  <0.01  

q:     Imitation  effect  in  Bass  Diffusion  Model;  q  ~  0.38  and  often  0.3  ≤  q  ≤  0.5  

m:   Total  number  of  customers  who  will  adopt  

n(t):   Number  of  customer  adopting  at  time  t  

N(t-­‐1):   Cumulative  number  of  sales  by  time  t-­‐1  

t*:   Peak  sales  time  in  Bass  Diffusion  Model  

xt:     Demand  in  period  t  

yt:     1  if  transaction  occurs  in  period  t,  =0  otherwise  

zt:   Size  (magnitude)  of  transaction  in  time  t  

nt:   Number  of  periods  since  last  transaction  

α:   Smoothing  parameter  for  magnitude  

β:   Smoothing  parameter  for  transaction  frequency  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         34  

Formulas:  
Bass  Diffusion  Model  
n(t)  =  p  *  [Remaining  Potential]  +  q  *  [Adopters]  *  [Remaining  Potential]  

𝑁 𝑡−1
𝑛(𝑡)   =  𝑝[𝑚 − 𝑁(𝑡 − 1)]   +  𝑞 [𝑚 − 𝑁(𝑡 − 1)]  
𝑚

Peak  sales  time  period  using  Bass  Diffusion  assuming  a  continuous  value  of  time  (not  year  by  year).    

𝑞
ln
𝑝
𝑡∗ =  
𝑝+𝑞

We  can  use  regression  to  estimate  Bass  Diffusion  parameters.    The  dependent  variable,  nt,  is  a  function  
of  the  previous  cumulative  sales,  Nt-­‐1,  and  its  square  and  takes  the  form:      

𝑛: = 𝛽e +𝛽4 𝑁:^4 + 𝛽6 (𝑁:^4 )6  

Then,  in  order  to  find  the  values  of  m  (total  number  of  customers),  p  (innovation  factor),  and  q  
(imitation  factor),  we  use  the  following  formulas:  

𝛽4 ± 𝛽46 − 4𝛽6 𝛽e
𝑚=  
−2𝛽6
𝛽e
𝑝=  
𝑚
𝑞 = −𝛽6 𝑚  

Croston’s  Method  
We  can  use  Croston’s  method  when  demand  is  intermittent.  It  allows  us  to  use  the  traditional  
exponential  smoothing  methods.  We  assume  the  Demand  Process  is  𝑥t  =  𝑦tzt  and  that  demand  is  
independent  between  time  periods,  so  that  the  probability  that  a  transaction  occurs  in  the  current  time  
period  is  1/n:  

1 1
𝑃𝑟𝑜𝑏 𝑦: = 1 =  𝑎𝑛𝑑  𝑃𝑟𝑜𝑏 𝑦: = 0 = 1 −  
𝑛 𝑛
Updating  Procedure:  

If  xt  =  0  (no  transaction  occurs),  then  

𝑧: = 𝑧:^4  𝑎𝑛𝑑  𝑛: = 𝑛:^4  

If  xt  >  0  (transaction  occurs),  then  

𝑧: = 𝛼𝑥: + (1 − 𝛼)𝑧:^4  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         35  

 𝑛: = 𝛽𝑛: + (1 − 𝛽)𝑛:^4  

Forecast:  

𝑧:
𝑥:,:R4 =  
𝑛:

References:  
•   Cooper,  Robert  G.  Winning  at  New  Products:  Accelerating  the  Process  from  Idea  to  Launch.  
Cambridge,  MA:  Perseus  Pub.,  2001.  Print.    
•   Kahn,  Kenneth  B.  New  Product  Forecasting:  An  Applied  Approach.  Armonk,  NY:  M.E.  Sharpe,  
2006.    
•   Adams,  Marjorie.  PDMA  Foundation  NPD  Best  Practices  Study:  The  PDMA  Foundation’s  2004  
Comparative  Performance  Assessment  Study  (CPAS).  Oak  Ridge,  NC:  Product  Development  &  
Management  Association,  2004.  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         36  

Week  5  Lesson  1:  Introduction  to  Inventory  Management  
Learning  Objectives:  
•   Understand  the  reasons  for  holding  inventory  and  the  different  types  of  inventory.  
•   Understand  the  concepts  of  total  cost  and  total  relevant  costs.  
•   Identify  and  quantify  the  four  major  cost  components  of  total  costs:  Purchasing,  Ordering,  
Holding,  and  Shortage.  
•   Understand  the  functional  classifications  of  inventory.  

Lesson  Summary:  
Inventory  management  is  at  the  core  of  all  supply  chain  and  logistics  management.    This  lesson  provides  
a  quick  introduction  to  the  major  concepts  that  we  will  explore  further  over  the  next  several  lessons.    
There  are  many  reasons  for  holding  inventory.    These  include  minimizing  the  cost  of  controlling  a  
system,  buffering  against  uncertainties  in  demand,  supply,  delivery  and  manufacturing,  as  well  as  
covering  the  time  required  for  any  process.    Having  inventory  allows  for  a  smoother  operation  in  most  
cases  since  it  alleviates  the  need  to  create  product  from  scratch  for  each  individual  demand.    Inventory  
is  the  result  of  a  push  system  where  the  forecast  determines  how  much  inventory  of  each  item  is  
required.      

There  is,  however,  a  problem  with  having  too  much  inventory.    Excess  inventory  can  lead  to  spoilage,  
obsolescence,  and  damage.    Also,  spending  too  much  on  inventory  limits  the  resources  available  for  
other  activities  and  investments.    Inventory  analysis  is  essentially  the  determination  of  the  right  amount  
of  inventory  of  the  right  product  in  the  right  location  in  the  right  form.    Strategic  decisions  cover  the  
inventory  implications  of  product  and  network  design.    Tactical  decisions  cover  deployment  and  
determine  what  items  to  carry,  in  what  form  (raw  materials,  work-­‐in-­‐process,  finished  goods,  etc.),  and  
where.    Finally,  operational  decisions  determine  the  replenishment  policies  (when  and  how  much)  of  
these  inventories.    This  course  mainly  covers  the  operational  decisions  on  replenishment.      

We  can  classify  inventory  in  two  main  ways:  Financial/Accounting  or  Functional.    The  financial  
classifications  include  raw  materials,  work  in  process  (WIP),  components,  and  finished  goods.    These  are  
the  forms  that  recognize  the  added  value  to  a  product  and  are  needed  for  accounting  purposes.    The  
functional  classifications,  on  the  other  hand,  are  based  on  how  the  items  are  used.    The  two  main  
functional  classifications  are  Cycle  Stock  (the  inventory  that  you  will  need  during  a  replenishment  cycle,  
that  is,  the  time  between  order  deliveries)  and  Safety  or  Buffer  Stock  (the  inventory  needed  to  cover  any  
uncertainties  in  demand,  supply,  production,  etc.).    There  are  others,  but  these  are  the  two  primary  
functional  forms.    Note  that  unlike  the  financial  categories,  you  cannot  identify  specific  items  as  
belonging  to  either  safety  or  cycle  stock  by  looking  just  at  it.    The  distinction  is  important,  though,  
because  we  will  manage  cycle  and  safety  stock  very  differently.      

The  Total  Cost  (TC)  equation  is  typically  used  to  make  the  decisions  of  how  much  inventory  to  hold  and  
how  to  replenish.    It  is  the  sum  of  the  Purchasing,  Ordering,  Holding,  and  Shortage  costs.    The  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         37  

Purchasing  costs  are  usually  variable  or  per-­‐item  costs  and  cover  the  total  landed  cost  for  acquiring  that  
product  –  whether  from  internal  manufacturing  or  purchasing  it  from  outside.    The  Ordering  costs  are  
fixed  costs  that  accrue  when  placing  an  order  for  products.    It  covers  the  activities  required  to  place,  
receive,  and  process  a  batch  of  products  in  a  single  order.    It  is  often  also  called  the  set  up  cost.      The  
Holding  or  Carrying  costs  are  simply  those  costs  that  are  required  to  keep  inventory  and  include  such  
things  as  storage  costs,  insurance,  loss/shrinkage,  damage,  obsolescence,  and  capital  costs.    The  units  
are  typically  in  terms  of  cost  per  unit  of  time.    Finally,  the  Shortage  or  Stock-­‐Out  costs  (also  known  as  the  
penalty  cost)  are  those  costs  associated  with  not  having  an  item  available  when  demanded.    This  is  the  
most  nebulous  of  the  four  costs  as  it  depends  on  assumptions  of  the  buyer’s  behavior.    It  covers  
situations  such  as  the  cost  of  a  backorder  where  the  customer  is  willing  to  wait,  lost  sales  where  the  
customer  goes  elsewhere  for  that  purchase,  complete  lost  sales  where  the  customer  never  purchases  
the  products  again,  as  well  as  disruptions  in  manufacturing  lines  that  occur  due  to  missing  parts.      

We  seek  the  Order  Replenishment  Policy  that  minimizes  these  total  costs  and  specifically  the  Total  
Relevant  Costs  (TRC).    A  cost  component  is  considered  relevant  if  it  impacts  the  decision  at  hand  and  we  
can  control  it  by  some  action.    A  Replenishment  Policy  essentially  states  two  things:  the  quantity  to  be  
ordered,  and  when  it  should  be  ordered.    As  we  will  see,  the  exact  form  of  the  Total  Cost  Equation  used  
depends  on  the  assumptions  we  make  in  terms  of  the  situation.    There  are  many  different  assumptions  
inherent  in  any  of  the  models  we  will  use,  but  the  primary  assumptions  are  made  concerning  the  form  of  
the  demand  for  the  product  (whether  it  is  constant  or  variable,  random  or  deterministic,  continuous  or  
discrete,  etc.).      

Key  Concepts:  
Reasons  to  Hold  Inventory  
•   Cover  process  time  
•   Allow  for  uncoupling  of  processes  
•   Anticipation/Speculation  
•   Minimize  control  costs  
•   Buffer  against  uncertainties  such  as  demand,  supply,  delivery,  and  manufacturing.    

Inventory  Decisions  
•   Strategic  supply  chain  decisions  are  long  term  and  include  decisions  related  to  the  
supply  chain  such  as  potential  alternatives  to  holding  inventory  and  product  design.  
•   Tactical  are  made  within  a  month,  a  quarter  or  a  year  and  are  known  as  deployment  
decisions  such  as  what  items  to  carry  as  inventory,  in  what  form  to  carry  items  and  how  
much  of  each  item  to  hold  and  where.  
•   Operational  level  decisions  are  made  on  daily,  weekly  or  monthly  basis  and  
replenishment  decisions  such  as  how  often  to  review  inventory  status,  how  often  to  
make  replenishment  decisions  and  how  large  replenishment  should  be.  The  
replenishment  decisions  are  critical  to  determine  how  the  supply  chain  is  set  up.  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         38  

Inventory  Classification  
•   Financial/Accounting  Categories:  Raw  Materials,  Work  in  Progress  (WIP),  
Components/Semi-­‐Finished  Goods  and  Finished  Goods.  This  category  does  not  help  in  
tracking  opportunity  costs  and  how  one  may  wish  to  manage  inventory.  
•   Functional  (See  Figure  6):  
o   Cycle  Stock  –  Amount  of  inventory  between  deliveries  or  replenishments  
o   Safety  Stock  –  Inventory  to  cover  or  buffer  against  uncertainties  
o   Pipeline  Inventory  –  Inventory  when  order  is  placed  but  has  not  yet  arrived  

Figure  6.  Inventory  chart:  Depiction  of  functional  inventory  classifications  

Relevant  Costs  
Total  cost  =  Purchase  (Unit  Value)  Cost  +  Order  (Set  Up)  Cost  +  Holding  (Carrying)  Cost  +  Shortage  (stock-­‐
out)  Cost  

•   Purchase:    Cost  per  item  or  total  landed  cost  for  acquiring  product.  
•   Ordering:    It  is  a  fixed  cost  and  contains  cost  to  place,  receive  and  process  a  batch  of  
good  including  processing  invoicing,  auditing,  labor,  etc.    In  manufacturing  this  is  the  set  
up  cost  for  a  run.  
•   Holding:    Costs  required  to  hold  inventory  such  as  storage  cost  (warehouse  space),  
service  costs  (insurance,  taxes),  risk  costs  (lost,  stolen,  damaged,  obsolete),  and  capital  
costs  (opportunity  cost  of  alternative  investment).  
•   Shortage:    Costs  of  not  having  an  item  in  stock  (on-­‐hand  inventory)  to  satisfy  a  demand  
when  it  occurs,  including  backorder,  lost  sales,  lost  customers,  and  disruption  costs.  Also  
known  as  the  penalty  cost.  

A  cost  is  relevant  if  it  is  controllable  and  it  applies  to  the  specific  decision  being  made.  

Notation:  
c:       Purchase  cost  ($/unit)  
ct:     Ordering  Costs  ($/order)  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         39  

 h:   Holding  rate  –  usually  expressed  as  a  percentage  ($/$  value/time)  
ce:     Excess  holding  Costs  ($/unit-­‐time);  also  equal  to  ch  
cs:       Shortage  costs  ($/unit)  
TRC:   Total  Relevant  Costs  –  the  sum  of  the  relevant  cost  components  
TC:     Total  Costs  –  the  sum  of  all  four  cost  elements  

References:  
There  are  more  books  that  cover  the  basics  of  inventory  management  than  there  are  grains  of  sand  on  
the  beach!    Inventory  management  is  also  usually  covered  in  Operations  Management  and  Industrial  
Engineering  texts  as  well.    A  word  of  warning,  though.    Every  textbook  uses  different  notation  for  the  
same  concepts.    Get  used  to  it.    Always  be  sure  to  understand  what  the  nomenclature  means  so  that  you  
do  not  get  confused.      

I  will  make  references  to  our  core  texts  we  are  using  in  this  course  but  will  add  some  additional  texts  as  
they  fit  the  topics.    Inventory  Management  is  introduced  in  the  following  books:  

•   Nahmias,  S.  Production  and  Operations  Analysis.  McGraw-­‐Hill  International  Edition.  ISBN:  0-­‐07-­‐
2231265-­‐3.  Chapter  4.    
•   Silver,  E.A.,  Pyke,  D.F.,  Peterson,  R.  Inventory  Management  and  Production  Planning  and  
Scheduling.  ISBN:  978-­‐0471119470.  Chapter  1    
•   Ballou,  R.H.  Business  Logistics  Management.  ISBN:  978-­‐0130661845.  Chapter  9.      

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         40  

Week  5  Lesson  2:  Economic  Order  Quantity  (EOQ)  
Learning  Objectives:  
•   Able  to  estimate  the  Economic  Order  Quantity  (EOQ)  and  to  determine  when  it  is  appropriate  to  
use.  
•   Understand  strengths  (robust,  simple)  and  weaknesses  (strong  assumptions)  of  EOQ  model.  
•   Able  to  estimate  sensitivity  of  EOQ  to  underlying  changes  in  the  input  data  and  understanding  of  
its  underlying  robustness.    

Lesson  Summary:  
The  Economic  Order  Quantity  or  EOQ  is  the  most  influential  and  widely  used  (and  sometimes  misused!)  
inventory  model  in  existence.    While  very  simple,  it  provides  deep  and  useful  insights.    Essentially,  the  
EOQ  is  a  trade-­‐off  between  fixed  (ordering)  and  variable  (holding)  costs.    It  is  often  called  Lot-­‐Sizing  as  
well.    The  minimum  of  the  Total  Cost  equation  (when  assuming  demand  is  uniform  and  deterministic)  is  
the  EOQ  or  Q*.    The  Inventory  Replenishment  Policy  becomes  “Order  Q*  every  T*  time  periods”  which  
under  our  assumptions  is  the  same  as  “Order  Q*  when  Inventory  Position  (IP)=0”.      

Like  Wikipedia,  the  EOQ  is  a  GREAT  place  to  start,  but  not  necessarily  a  great  place  to  finish.    It  is  a  good  
first  estimate  because  it  is  exceptionally  robust.    For  example,  a  50%  increase  in  Q  over  the  optimal  
quantity  (Q*)  only  increases  the  TRC  by  ~  8%!      

While  very  insightful,  the  EOQ  model  should  be  used  with  caution  as  it  has  restrictive  assumptions  
(uniform  and  deterministic  demand).    It  can  be  safely  used  for  items  with  relatively  stable  demand  and  is  
a  good  first-­‐cut  “back  of  the  envelope”  calculation  in  most  situations.    It  is  helpful  to  develop  insights  in  
understanding  the  trade-­‐offs  involved  with  taking  certain  managerial  actions,  such  as  lowering  the  
ordering  costs,  lowering  the  purchase  price,  changing  the  holding  costs,  etc.      

Key  Concepts:  
EOQ  Model  
•   Assumptions  
o   Demand  is  uniform  and  deterministic.  
o   Lead  time  is  instantaneous  (0)  –  although  this  is  not  restrictive  at  all  since  the  
lead  time,  L,  does  not  influence  the  Order  Size,  Q.      
o   Total  amount  ordered  is  received.  
•   Inventory  Replenishment  Policy  
o   Order  Q*  units  every  T*  time  periods.  
o   Order  Q*  units  when  inventory  on  hand  (IOH)  is  zero.  
•   Essentially,  the  Q*  is  the  Cycle  Stock  for  each  replenishment  cycle.    It  is  the  expected  
demand  for  that  amount  of  time  between  order  deliveries.      

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         41  

Notation:  
c:   Purchase  cost  ($/unit)  
ct:     Ordering  Costs  ($/order)  
ce:     Excess  holding  Costs  ($/unit/time);  equal  to  ch  
cs:   Shortage  costs  ($/unit)  
D:   Demand  (units/time)  
DA:   Actual  Demand  (units/time)  
DF:   Forecasted  Demand  (units/time)  
h:   Carrying  or  holding  cost  ($/inventory  $/time)  
Q:   Replenishment  Order  Quantity  (units/order)  
Q*:   Optimal  Order  Quantity  under  EOQ  (units/order)  
Q*A:   Optimal  Order  Quantity  with  Actual  Demand  (units/order)  
Q*F:   Optimal  Order  Quantity  with  Forecasted  Demand  (units/order)  
T:   Order  Cycle  Time  (time/order)  
T*:   Optimal  Time  between  Replenishments  (time/order)  
N:   Orders  per  Time  or  1/T  (order/time)  
TRC(Q):  Total  Relevant  Cost  ($/time)  
TC(Q):     Total  Cost  ($/time)  

Formulas:  
Total  Costs:   TC  =  Purchase  +  Order  +  Holding  +  Shortage  
This  is  the  generic  total  cost  equation.    The  specific  form  of  the  different  elements  depends  on  the  
assumptions  made  concerning  the  demand,  the  shortage  types,  etc.      

𝐷 𝑄
𝑇𝐶 𝑄 = 𝑐𝐷 + 𝑐: + 𝑐A + 𝑐• 𝐸[𝑈𝑛𝑖𝑡𝑠  𝑆ℎ𝑜𝑟𝑡]  
𝑄 2

Total  Relevant  Costs:  TRC  =  Order  +  Holding  

The  purchasing  cost  and  the  shortage  costs  are  not  relevant  for  the  EOQ  because  the  purchase  price  
does  not  change  the  optimal  order  quantity  (Q*)  and  since  we  have  deterministic  demand,  we  will  not  
stock  out.        

𝐷 𝑄
𝑇𝑅𝐶 𝑄 = 𝑐: + 𝑐A  
𝑄 2

Optimal  Order  Quantity  (Q*)  

Recall  that  this  is  simply  the  First  Order  condition  of  the  TRC  equation  –  where  it  is  a  global  minimum.      

2𝑐: 𝐷
𝑄∗ =  
𝑐A

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         42  

 Optimal  Time  between  Replenishments  
Recall  that  T*  =  Q*/D.    That  is,  the  time  between  orders  is  the  optimal  order  size  divided  by  the  annual  
demand.    Similarly,  the  number  of  replenishments  per  year  is  simply  N*  =  1/T*  =  D/Q*.    Plugging  in  the  
actual  Q*  gives  you  the  formula  below.    

2𝑐:
𝑇∗ =  
𝐷𝑐A

Note:  Be  sure  to  put  T*  into  units  that  make  sense  (days,  weeks,  months,  etc.).  Don’t  leave  it  in  years!  

Optimal  Total  Relevant  Costs  

Plugging  the  Q*  back  into  the  TRC  equation  and  simplifying  gives  you  the  formula  below.      

𝑇𝑅𝐶 𝑄 ∗ = 2𝑐: 𝑐A 𝐷  

Optimal  Total  Costs  

Adding  the  purchase  cost  to  the  TRC(Q*)  costs  gives  you  the  TC(Q*).    We  still  assume  no  stock  out  costs.      

𝑇𝐶 𝑄 ∗ = 𝑐𝐷 + 2𝑐: 𝑐A 𝐷  

Sensitivity  Analysis  
The  EOQ  is  very  robust.    The  following  formulas  provide  simple  ways  of  calculating  the  impact  of  using  a  
non-­‐optimal  Q,  an  incorrect  annual  Demand  D,  or  a  non-­‐optimal  time  interval,  T.      

EOQ  Sensitivity  with  Respect  to  Order  Quantity  

The  equation  below  calculates  the  percent  difference  in  total  relevant  costs  to  optimal  when  using  a  
non-­‐optimal  order  quantity  (Q):    

𝑇𝑅𝐶(𝑄) 1 𝑄∗ 𝑄
∗
= +  
𝑇𝑅𝐶(𝑄 ) 2 𝑄 𝑄∗

Note:  If  optimal  quantity  does  not  make  sense,  it  is  always  better  to  order  little  more  rather  ordering  

little  less.  

EOQ  Sensitivity  with  Respect  to  Demand  

The  equation  below  calculates  the  percent  difference  in  total  relevant  costs  to  optimal  when  assuming  
an  incorrect  annual  demand  (DF)  when  in  fact  the  actual  annual  demand  is  DA:  

𝑇𝑅𝐶(𝑄“∗ ) 1 𝐷” 𝐷“
∗ = +  
𝑇𝑅𝐶(𝑄” ) 2 𝐷“ 𝐷”

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         43  

 EOQ  Sensitivity  with  Respect  to  Time  Interval  between  Orders  
The  equation  below  calculates  the  percent  difference  in  total  relevant  costs  to  optimal  when  using  a  
non-­‐optimal  replenishment  time  interval  (T).    This  will  become  very  important  when  finding  realistic  
replenishment  intervals.    The  Power  of  Two  Policy  shows  that  ordering  in  increments  of  2k  time  periods,  
we  will  stay  within  6%  of  the  optimal  solution.    For  example,  if  the  base  time  period  is  one  week,  then  
the  Power  of  Two  Policy  would  suggest  ordering  every  week  (20)  or  every  two  weeks  (21)  or  every  four  
weeks  (22)  or  every  eight  weeks  (23)  etc.    Select  the  interval  closest  to  one  of  these  increments.        

𝑇𝑅𝐶 𝑇 1 𝑇 𝑇∗
∗
= +  
𝑇𝑅𝐶 𝑇 2 𝑇∗ 𝑇

References:  
All  texts  that  cover  inventory  will  cover  the  EOQ  model.    The  following,  I  believe,  do  a  really  good  job  in  
this  area:  

•   Schwarz,  Leroy  B.,  “The  Economic  Order-­‐Quantity  (EOQ)  Model”  in  Building  intuition  :  insights  
from  basic  operations  management  models  and  principles,  edited  by  Dilip  Chhajed,  Timothy  
Lowe,  2007,  Springer,  New  York,  (pp  135-­‐154).    
•   Silver,  E.A.,  Pyke,  D.F.,  Peterson,  R.  Inventory  Management  and  Production  Planning  and  
Scheduling.  ISBN:  978-­‐0471119470.  Chapter  5    
•   Ballou,  R.H.  Business  Logistics  Management.  ISBN:  978-­‐0130661845.  Chapter  9.      

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         44  

Week  5  Lesson  3:  Economic  Order  Quantity  (EOQ)  
Extensions  
Learning  Objectives:  
•   Understand  impact  of  a  non-­‐zero  deterministic  lead  time  on  EOQ.  
•   Understand  how  to  determine  the  EOQ  with  different  volume  discounting  schemes.  
•   Understand  how  to  determine  the  Economic  Production  Quantity  (EPQ)  when  the  inventory  
becomes  available  at  a  certain  rate  of  time  instead  of  all  at  once.        

Lesson  Summary:  
The  Economic  Order  Quantity  can  be  extended  to  cover  many  different  situations.    We  covered  three  
extensions:    lead-­‐time,  volume  discounts,  and  finite  replenishment  or  EPQ.      

We  developed  the  EOQ  previously  assuming  the  rather  restrictive  (and  ridiculous)  assumption  that  lead-­‐
time  was  zero.    That  is,  instantaneous  replenishment  like  on  Star  Trek.    However,  we  show  in  the  lesson  
that  including  a  non-­‐zero  lead  time  while  increasing  the  total  cost  due  to  having  pipeline  inventory  will  
NOT  change  the  calculation  of  the  optimal  order  quantity,  Q*.    In  other  words,  lead-­‐time  is  not  relevant  
to  the  determination  of  the  needed  cycle  stock.      

Volume  discounts  are  more  complicated.    Including  them  makes  the  purchasing  costs  relevant  since  they  
now  impact  the  order  size.    We  discussed  three  types  of  discounts:    All-­‐Units  (where  the  discount  applies  
to  all  items  purchased  if  the  total  amount  exceeds  the  break  point  quantity),  Incremental  (where  the  
discount  only  applies  to  the  quantity  purchased  that  exceeds  the  breakpoint  quantity),  and  One-­‐Time  
(where  a  one-­‐time-­‐only  discount  is  offered  and  you  need  to  determine  the  optimal  quantity  to  procure  
as  an  advance  buy).    Discounts  are  exceptionally  common  in  practice  as  they  are  used  to  incentivize  
buyers  to  purchase  more  or  to  order  in  convenient  quantities  (full  pallet,  full  truckload,  etc.).      

Finite  Replenishment  is  very  similar  to  the  EOQ  model,  except  that  the  product  is  available  at  a  certain  
production  rate  rather  than  all  at  once.    In  the  lesson  we  show  that  this  tends  to  reduce  the  average  
inventory  on  hand  (since  some  of  each  order  is  manufactured  once  the  order  is  received)  and  therefore  
increases  the  optimal  order  quantity.    

Key  Concepts:  
•   Lead  time  is  greater  than  0  (order  not  received  instantaneously)  
o   Inventory  Policy:  
§   Order  Q*  units  when  IP=DL  
§   Order  Q*  units  every  T*  time  periods  
•   Discounts  
o   All  Units  Discount—Discount  applies  to  all  units  purchased  if  total  amount  exceeds  the  break  
point  quantity  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         45  

 o   Incremental  Discount—Discount  applies  only  to  the  quantity  purchased  that  exceeds  the  
break  point  quantity  
o   One-­‐Time-­‐Only  Discount—A  one-­‐time-­‐only  discount  applies  to  all  units  you  order  right  now  
(no  quantity  minimum  or  limit)  
•   Finite  Replenishment  
o   Inventory  becomes  available  at  a  rate  of  P  units/time  rather  than  all  at  one  time  
o   If  Production  rate  approach  infinity,  model  converges  to  EOQ  

Notation:  
c:   Purchase  cost  ($/unit)  
ci:   Discounted  purchase  price  for  discount  range  i  ($/unit)  
e
c i:     Effective  purchase  cost  for  discount  range  i  ($/unit)  [for  incremental  discounts]  
ct:     Ordering  Costs  ($/order)  
ce:     Excess  holding  Costs  ($/unit/time);  Equal  to  ch  
cs:   Shortage  costs  ($/unit)  
cg:   One  Time  Good  Deal  Purchase  Price  ($/unit)  
Fi:   Fixed  Costs  Associated  with  Units  Ordered  below  Incremental  Discount  Breakpoint  i  
D:   Demand  (units/time)  
DA:   Actual  Demand  (units/time)  
DF:   Forecasted  Demand  (untis/time)  
h:   Carrying  or  holding  cost  ($/inventory  $/time)  
L:   Order  Leadtime  
Q:   Replenishment  Order  Quantity  (units/order)  
Q*:   Optimal  Order  Quantity  under  EOQ  (units/order)  
Qi:   Breakpoint  for  quantity  discount  for  discount  i  (units  per  order)  
Qg:   One  Time  Good  Deal  Order  Quantity  
P:   Production  (units/time)  
T:   Order  Cycle  Time  (time/order)  
T*:   Optimal  Time  between  Replenishments  (time/order)  
N:   Orders  per  Time  or  1/T  (order/time)  
TRC(Q):  Total  Relevant  Cost  ($/time)  
TC(Q):     Total  Cost  ($/time)  

Formulas:  
Inventory  Position  
Inventory  Position  (IP)  =  Inventory  on  Hand  (IOH)  +  Inventory  on  Order  (IOO)  –  Back  Orders  (BO)  –  
Committed  Orders  (CO)  

Inventory  on  Order  (IOO)  is  the  inventory  that  has  been  ordered,  but  not  yet  received.  This  is  inventory  
in  transit  and  also  knows  as  Pipeline  Inventory  (PI).  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         46  

 Average  Pipeline  Inventory  
Average  Pipeline  Inventory  (API),  on  average,  is  the  annual  demand  times  the  lead  time.    Essentially,  
every  item  spends  L  time  periods  in  transit.      

𝐴𝑃𝐼 = 𝐷𝐿  

Total  Cost  including  Pipeline  Inventory    

The  TC  equation  changes  slightly  if  we  assume  a  non-­‐zero  lead  time  and  include  the  pipeline  inventory.      

𝐷 𝑄
𝑇𝐶 𝑄 = 𝑐𝐷 + 𝑐: + 𝑐A + 𝐷𝐿 + 𝑐• 𝐸[𝑈𝑛𝑖𝑡𝑠  𝑆ℎ𝑜𝑟𝑡]  
𝑄 2

Note  that  as  before,  though,  the  purchase  cost,  shortage  costs,  and  now  pipeline  inventory  is  not  
relevant  to  determining  the  optimal  order  quantity,  Q*:      

2𝑐: 𝐷
𝑄∗ =  
𝑐A

Discounts  
If  we  include  volume  discounts,  then  the  purchasing  cost  becomes  relevant  to  our  decision  of  order  
quantity.      

All  Units  Discounts  

Discount  applies  to  all  units  purchased  if  total  amount  exceeds  the  break  point  quantity.  

The  procedure  for  a  single  range  All  Units  quantity  discount  (where  new  price  is  c1  if  ordering  at  least  Q1  
units)  is  as  follows:  

1.   Calculate  Q*C0,  the  EOQ  using  the  base  (non-­‐discounted)  price,  and  Q*C1,  the  EOQ  using  the  first  
discounted  price    
2.   If  Q*C1  ≥  Q1,  the  breakpoint  for  the  first  all  units  discount,  then  order  Q*C1  since  it  satisfies  the  
condition  of  the  discount.    Otherwise,  go  to  step  3.  
3.   Compare  the  TRC(Q*C0),  the  total  relevant  cost  with  the  base  (non-­‐discounted)  price,  with  
TRC(Q1),  the  total  relevant  cost  using  the  discounted  price  (c1)  at  the  breakpoint  for  the  
discount.    If  TRC(Q*C0)<  TRC(Q1),  select  Q*C0,  otherwise  order  Q1.      

Note  that  if  there  are  more  discount  levels,  you  need  to  check  this  for  each  one.      

𝑐 = 𝑐e  𝑓𝑜𝑟  0 ≤ 𝑄 ≤ 𝑄4  𝑎𝑛𝑑  𝑐 = 𝑐4  𝑓𝑜𝑟  𝑄4 ≤ 𝑄  

𝐷 ℎ𝑄
𝑇𝑅𝐶 = 𝐷𝑐e + 𝑐: + 𝑐e  𝑓𝑜𝑟  0 ≤ 𝑄 ≤ 𝑄4  
𝑄 2

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         47  

 𝐷 ℎ𝑄
𝑇𝑅𝐶 = 𝐷𝑐4 + 𝑐: + 𝑐4  𝑓𝑜𝑟  𝑄4 ≤ 𝑄  
𝑄 2

Note:  All  units  discount  tend  to  raise  cycle  stock  in  the  supply  chain  by  encouraging  retailers  to  increase  
the  size  of  each  order.  This  makes  economic  sense  for  the  manufacturer,  especially  when  he  incurs  a  
very  high  fixed  cost  per  order.  

Incremental  Discounts    
Discount  applies  only  to  the  quantity  purchased  that  exceeds  the  break  point  quantity.  

The  procedure  for  a  multi-­‐range  Incremental  quantity  discount  (where  if  ordering  at  least  Q1  units,  the  
new  price  for  the  Q-­‐Q1  units  is  c1)  is  as  follows:  

1.   Calculate  the  Fixed  cost  per  breakpoint,  Fi,    

2.   Calculate  the  Q*i  for  each  discount  range  i  (to  include  the  Fi)  
3.   Calculate  the  TRC  for  all  discount  ranges  where  the  Qi-­‐1  <  Q*i  <  Qi+1,  that  is,  if  it  is  in  range.      
4.   Select  the  discount  that  provides  the  lowest  TRC.      

The  effective  cost,  cei,  can  be  used  for  the  TRC  calculations.      

𝐹e = 0  ;  𝐹/ = 𝐹/^4 + (𝑐/^4 − 𝑐/ )𝑄/  

2𝐷(𝑐: + 𝐹/ )
𝑄∗ =  
ℎ𝑐/

𝐹/
𝑐/A = 𝑐/ +  
𝑄/∗

One  Time  Discount  

This  is  a  less  common  discount  –  but  it  does  happen.  A  one  time  only  discount  applies  to  all  units  you  
order  right  now  (no  minimum  quantity  or  limit).  

Simply  calculate  the  Q*g  and  that  is  your  order  quantity.    If  Q*g  =Q*  then  the  discount  does  not  make  
sense.    If  you  find  that  Q*g  <  Q*,  you  made  a  mathematical  mistake  –  check  your  work!      

𝑄3 𝑄3
𝑇𝐶 = 𝐶𝑦𝑐𝑙𝑒𝑇𝑖𝑚𝑒 𝑇𝐶 ∗ + 𝑃𝑢𝑟𝑐ℎ𝑎𝑠𝑒𝐶𝑜𝑠𝑡 = 2𝑐: ℎ𝑐𝐷 + 𝑐𝐷  
𝐷 𝐷

𝑆𝑎𝑣𝑖𝑛𝑔𝑠 = 𝑇𝐶 − 𝑇𝐶{j  

𝑄3 𝑄3 𝑄3 𝑄3
𝑆𝑎𝑣𝑖𝑛𝑔𝑠 = 2𝑐: ℎ𝑐𝐷 + 𝑐𝐷 − 𝑐3 𝑄3 + ℎ𝑐3 + 𝑐:  
𝐷 𝐷 2 𝐷

• ∗ žŸRq(ž^ž )
𝑄3∗ =
Ÿž
   

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         48  

Finite  Replenishment  or  Economic  Production  Quantity  
One  can  think  of  the  EPQ  equations  as  generalized  forms  where  the  EOQ  is  a  special  case  where  
P=infinity.    As  the  production  rate  decreases,  the  optimal  quantity  to  be  ordered  increases.    However,  
note  that  if  P<D,  this  means  the  rate  of  production  is  slower  than  the  rate  of  demand  and  that  you  will  
never  have  enough  inventory  to  satisfy  demand.          

𝐷
𝑐: 𝐷 𝑄 1 − 𝑃 ℎ𝑐
𝑇𝑅𝐶 𝑄 = +  
𝑄 2

2𝑐: 𝐷 𝐸𝑂𝑄
𝐸𝑃𝑄 = =  
𝐷 𝐷
ℎ𝑐 1 − 1−
𝑃 𝑃

References:  
Here  are  texts  that  do  a  good  job  in  this  area:    :  

•   Nahmias,  S.  Production  and  Operations  Analysis.  McGraw-­‐Hill  International  Edition.  ISBN:  0-­‐07-­‐
2231265-­‐3.  Chapter  4.    
•   Silver,  E.A.,  Pyke,  D.F.,  Peterson,  R.  Inventory  Management  and  Production  Planning  and  
Scheduling.  ISBN:  978-­‐0471119470.  Chapter  5.    
•   Ballou,  R.H.  Business  Logistics  Management.  ISBN:  978-­‐0130661845.  Chapter  9.  
•   Schwarz,  Leroy  B.,  “The  Economic  Order-­‐Quantity  (EOQ)  Model”  in  Building  intuition  :  insights  
from  basic  operations  management  models  and  principles,  edited  by  Dilip  Chhajed,  Timothy  
Lowe,  2007,  Springer,  New  York,  (pp  135-­‐154).    
•   Muckstadt,  John  and  Amar  Sapra  "Models  and  Solutions  in  Inventory  Management".,  2006,  
Springer  New  York,  New  York,  NY.  Chapter  2  &  3.        

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         49  

Week  6  Lesson  1:  Single  Period  Inventory  Models  
Learning  Objectives:  
•   Understand  the  trade-­‐offs  between  excess  and  shortage  contained  within  the  Critical  Ratio.  
•   Ability  to  use  the  Critical  Ratio  to  determine  the  optimal  order  quantity  to  maximize  expected  
profits.  
•   Ability  to  established  inventory  policies  for  EOQ  with  planned  backorders  as  well  as  single  period  
models.  

Lesson  Summary:  
The  single  period  inventory  model  is  second  only  to  the  economic  order  quantity  in  its  widespread  use  
and  influence.    Also  referred  to  as  the  Newsvendor  (or  for  less  politically  correct  folks,  the  Newsboy)  
model,  the  single  period  model  differs  from  the  EOQ  in  three  main  ways.    First,  while  the  EOQ  assumes  
uniform  and  deterministic  demand,  the  single-­‐period  model  allows  demand  to  be  variable  and  
stochastic  (random).    Second,  while  the  EOQ  assumes  a  steady  state  condition  (stable  demand  with  
essentially  an  infinite  time  horizon),  the  single-­‐period  model  assumes  a  single  period  of  time.    All  
inventories  must  be  ordered  prior  to  the  start  of  the  time  period  and  they  cannot  be  replenished  during  
the  time  period.    Any  inventory  left  over  at  the  end  of  the  time  period  is  scrapped  and  cannot  be  used  at  
a  later  time.    If  there  is  extra  demand  that  is  not  satisfied  during  the  period,  it  too  is  lost.    Third,  for  EOQ  
we  are  minimizing  the  expected  costs,  while  for  the  single  period  model  we  are  actually  maximizing  the  
expected  profitability.      

We  start  the  lesson,  however,  by  extending  the  EOQ  model  by  allowing  planned  backorders.    A  planned  
backorder  is  where  we  stock  out  on  purpose  knowing  that  customers  will  wait,  although  we  do  incur  a  
penalty  cost,  cs,  for  stocking  out.    From  this,  we  develop  the  idea  of  the  critical  ratio  (CR),  which  is  the  
ratio  of  the  cs  (the  cost  of  shortage  or  having  too  little  product)  to  the  ratio  of  the  sum  of  cs  and  ce  (the  
cost  of  having  too  much  or  an  excess  of  product).    The  critical  ratio,  by  definition,  ranges  between  0  and  
1  and  is  a  good  metric  of  level  of  service.    A  high  CR  indicates  a  desire  to  stock  out  less  frequently.      The  
EOQ  with  planned  backorders  is  essentially  the  generalized  form  where  cs  is  essentially  infinity,  meaning  
you  will  never  ever  stock  out.    As  cs  gets  smaller,  the  Q*PBO  gets  larger  and  a  larger  percentage  is  allowed  
to  be  backordered  –  since  the  penalty  for  stocking  out  gets  reduced.      

The  critical  ratio  applies  directly  to  the  single  period  model  as  well.    We  show  that  the  optimal  order  
quantity,  Q*,  occurs  when  the  probability  that  the  demand  is  less  than  Q*  =  the  Critical  Ratio.    In  other  
words,  the  Critical  Ratio  tells  me  how  much  of  the  demand  probability  that  should  be  covered  in  order  
to  maximize  the  expected  profits.      

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         50  

Key  Concepts:  
Marginal  Analysis:  Single  Period  Model  
Two  costs  are  associated  with  single  period  problems  
•   Excess  cost  (ce)  when  D<Q  ($/unit)  i.e.  too  much  product  
•   Shortage  cost  (cs)  when  D>Q  ($/unit)  i.e.  too  little  product  
If  we  assume  continuous  distribution  of  demand  
•   ce  P[X≤Q]  =  expected  excess  cost  of  the  Qth  unit  ordered  
•   cs  (1-­‐P[X≤Q])  =  expected  shortage  cost  of  the  Qth  unit  ordered  
 
This  implies  that  if  E[Excess  Cost]  <  E[Shortage  Cost]  then  increase  Q  and  that  we  are  at  Q*  when  
ž¢
E[Shortage  Cost]  =  E[Excess  Cost].    Solving  this  gives  us:    𝑃 𝑥 ≤ 𝑄 =    
(žL Rž¢ )
In  words,  this  means  that  the  percentage  of  the  demand  distribution  covered  by  Q  should  be  equal  to  
the  Critical  Ratio  in  order  to  maximize  expected  profits.      

Notation:  
B:   Penalty  for  not  satisfying  demand  beyond  lost  profit  ($/unit)  
b:   Backorder  Demand  (units)  
b*:   Optimal  units  on  backorder  when  placing  an  order  (unit)  
c:   Purchase  cost  ($/unit)  
ct:     Ordering  Costs  ($/order)  
ce:     Excess  holding  Costs  ($/unit/time);  Equal  to  ch  
cs:   Shortage  Costs  ($/unit)  
D:   Average  Demand  (units/time)  
g:   Salvage  value  for  excess  inventory  ($/unit)  
h:   Carrying  or  holding  cost  ($/inventory  $/time)  
L:   Replenishment  Lead  Time  (time)  
Q:   Replenishment  Order  Quantity  (units/order)  
Q∗i¤¥ :     Optimal  Order  Quantity  with  Planned  backorders  
T:   Order  Cycle  Time  (time/order)  
TRC(Q):  Total  Relevant  Cost  ($/time)  
TC(Q):   Total  Cost  ($/time)  

Formulas:  
EOQ  with  Planned  Backorders  
This  is  an  extension  of  the  standard  EOQ  with  the  ability  to  allow  for  backorders  at  a  penalty  of  cs.      
6
𝐷 𝑄−𝑏 𝑏6
𝑇𝑅𝐶 𝑄, 𝑏 = 𝑐: + 𝑐A + 𝑐•  
𝑄 2𝑄 2𝑄

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         51  

 ∗
2𝑐: 𝐷 𝑐• 𝑐A (𝑐• + 𝑐A ) 1
𝑄j¦o = = 𝑄∗ = 𝑄∗  
𝑐A 𝑐• 𝑐• 𝐶𝑅

∗
𝑐A 𝑄j¦o 𝑐• ∗
𝑏∗ = = 1− 𝑄j¦o  
𝑐• + 𝑐A 𝑐• + 𝑐A

∗
𝐷
𝑇j¦o = ∗  
𝑄j¦o

Order  Q∗i¤¥  when  IOH  =  -­‐b*;  Order  Q∗i¤¥  every  Ti¤¥

∗
 time  periods  

Single  Period  (Newsvendor)  Model  

We  found  that  to  maximize  expected  profitability,  we  need  to  order  sufficient  inventory,  Q,  such  that  
the  probability  that  the  demand  is  less  than  or  equal  to  this  amount  is  equal  to  the  Critical  Ratio.    Thus,  
the  probability  of  stocking  out  is  equal  to  1  –  CR.        
𝑐•
𝑃 𝑥≤𝑄 =  
(𝑐A + 𝑐• )
For  the  simplest  case  where  there  is  neither  salvage  value  nor  extra  penalty  of  stocking  out,  these  
become:  
cs  =  p  –  c,  that  is  the  lost  margin  of  missing  a  potential  sale  and,    
ce  =  c,  that  is,  the  cost  of  purchasing  one  unit.    
ž¢ (¨^ž) ¨^ž
The  Critical  Ratio  becomes:    𝐶𝑅 = = =    which  is  simply  the  margin  divided  by  the  
ž¢ RžL (¨^žRž) ¨
price!  
When  we  consider  also  salvage  value  (g)  and  shortage  penalty  (B),  these  become:    
cs  =  p  –  c  +  B,  that  is  the  lost  margin  of  missing  a  potential  sale  plus  a  penalty  per  item  short  and    
ce  =  c  –  g,  that  is,  the  cost  of  purchasing  one  unit  minus  the  salvage  value  I  can  gain  back.      
Now  the  critical  ratio  becomes  
𝑐• (𝑝 − 𝑐 + 𝐵) (𝑝 − 𝑐 + 𝐵)
𝐶𝑅 = = =  
𝑐• + 𝑐A (𝑝 − 𝑐 + 𝐵 + 𝑐 − 𝑔) (𝑝 + 𝐵 − 𝑔)

References:  
•   Nahmias,  S.  Production  and  Operations  Analysis.  McGraw-­‐Hill  International  Edition.  ISBN:  0-­‐07-­‐
2231265-­‐3.  Chapter  5.    
•   Silver,  E.A.,  Pyke,  D.F.,  Peterson,  R.  Inventory  Management  and  Production  Planning  and  
Scheduling.  ISBN:  978-­‐0471119470.  Chapter  10.    
•   Porteus,  Evan  L.,  “The  Newsvendor  Problem”  in  Building  intuition:  insights  from  basic  operations  
management  models  and  principles,  edited  by  Dilip  Chhajed,  Timothy  Lowe,  2007,  Springer,  
New  York,  (pp  115-­‐134).    
•   Muckstadt,  John  and  Amar  Sapra  "Models  and  Solutions  in  Inventory  Management".,  2006,  
Springer  New  York,  New  York,  NY.  Chapter  5.        

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         52  

Week  6  Lesson  2:  Single  Period  Inventory  Models  II  
Learning  Objectives:  
•   Ability  to  determine  profitability,  expected  units  short,  expected  units  sold  of  a  single  period  
model.  

Lesson  Summary:  
In  this  lesson,  we  expanded  our  analysis  of  the  single  period  model  to  be  able  to  calculate  the  expected  
profitability  of  a  given  solution.    In  the  previous  lesson,  we  learned  how  to  determine  the  optimal  order  
quantity,  Q*,  such  that  the  probability  of  the  demand  distribution  covered  by  Q*  is  equal  to  the  Critical  
Ratio,  which  is  the  ratio  of  the  shortage  costs  divided  by  the  sum  of  the  shortage  and  excess  costs.      

In  order  to  determine  the  profitability  for  a  solution,  we  need  to  calculate  the  expected  units  sold,  the  
expected  cost  of  buying  Q  units,  and  the  expected  units  short,  E[US].    Calculating  the  E[US]  is  tricky,  but  
we  show  how  to  use  the  Normal  Tables  as  well  as  spreadsheets  to  determine  this  value.      

Notation:  
B:   Penalty  for  not  satisfying  demand  beyond  lost  profit  ($/unit)  
c:   Purchase  cost  ($/unit)  
ct:     Ordering  Costs  ($/order)  
ce:     Excess  holding  Costs  ($/unit);  For  single  period  problems  this  is  not  necessarily  
 equal  to  ch,  since  that  assumes  that  you  can  keep  the  inventory  for  later  use.      
cs:   Shortage  Costs  ($/unit)  
D:   Average  Demand  (units/time)  
g:   Salvage  value  for  excess  inventory  ($/unit)  
k:       Safety  Factor  
x:       Units  Demanded  
E[US]:       Expected  Units  Short  (units)  
Q:   Replenishment  Order  Quantity  (units/order)  
TRC(Q):  Total  Relevant  Cost  ($/period)  
TC(Q):   Total  Cost  ($/period)  

Formulas:  
Profit  Maximization  
In  words,  the  expected  profit  for  ordering  Q  units  is  equal  to  the  sales  price,  p,  times  the  expected  
number  of  units  sold,  E[x]),  minus  the  cost  of  purchasing  Q  units,  cQ,  minus  the  expected  number  of  
units  I  would  be  short  times  the  sales  price.    The  difficult  part  of  this  equation  is  the  expected  units  
short,  or  the  E[US].        

𝐸 𝑃𝑟𝑜𝑓𝑖𝑡 𝑄 = 𝑝𝐸 𝑥 − 𝑐𝑄 − 𝑝𝐸[𝑈𝑛𝑖𝑡𝑠𝑆ℎ𝑜𝑟𝑡]  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         53  

 Expected  Profits  with  Salvage  and  Penalty  
If  we  include  a  salvage  value,  g,  and  a  shortage  penalty,  B,  then  this  becomes:      

−𝑐𝑄 + 𝑝𝑥 + 𝑔 𝑄 − 𝑥  𝑖𝑓  𝑥 ≤ 𝑄
𝑃 𝑄 =  
−𝑐𝑄 + 𝑝𝑄 − 𝐵 𝑥 − 𝑄 𝑖𝑓  𝑥 ≥ 𝑄

𝐸 𝑃 𝑄 = 𝑝 − 𝑔 𝐸 𝑥 − 𝑐 − 𝑔 𝑄 − 𝑝 − 𝑔 + 𝐵 𝐸 𝑈𝑆  

Rearranging  this  becomes:  

𝐸 𝑃 𝑄 = 𝑝 𝐸 𝑥 − 𝐸 𝑈𝑆 − 𝑐𝑄 + 𝑔 𝑄 − 𝐸 𝑥 − 𝐸 𝑈𝑆 − 𝐵(𝐸 𝑈𝑆 )  

In  words,  the  expected  profit  for  ordering  Q  units  is  equal  to  four  terms.    The  first  term  is  the  sales  price,  
p,  times  the  expected  number  of  units  sold,  E[x]),  minus  the  expected  units  short.    The  second  term  is  
simply  the  cost  of  purchasing  Q  units,  cQ.    The  third  term  is  the  expected  number  of  items  that  I  would  
have  left  over  for  salvage,  times  the  salvage  value,  g.    The  fourth  and  final  term  is  the  expected  number  
of  units  short  times  the  shortage  penalty,  B.      

Expected  Values  
E[Units  Demanded]  
« «
Continuous:   Uce
𝑥𝑓U 𝑥 𝑑𝑥 = 𝑥     Discrete:   Uce 𝑥𝑃 𝑥 = 𝑥  
 
E[Units  Sold]  
• « • «
Continuous:   Uce
𝑥𝑓U 𝑥 𝑑𝑥 + 𝑄 𝑓
Uc• U
𝑥 𝑑𝑥   Discrete:   Uce 𝑥𝑃 𝑥 +𝑄 Uc•R4 𝑃 𝑥  
 
E[Units  Short]  
« «
Continuous:   Uc•
(𝑥 − 𝑄)𝑓U 𝑥 𝑑𝑥     Discrete:   Uc•R4(𝑥 − 𝑄)𝑃 𝑥  

   

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         54  

 Expected  Units  Short  E[US]  
This  is  a  tricky  concept  to  get  your  head  around  at  first.  Think  of  the  E[US]  as  the  average  (mean  or  
expected  value)  of  the  demand  ABOVE  some  amount  that  we  specify  or  have  on  hand.    As  my  Q  gets  
larger,  then  we  expect  the  E[US]  to  get  smaller,  since  I  will  probably  not  stock  out  as  much.      
 
Luckily  for  us,  we  have  a  nice  way  of  calculating  the  E[US]  for  the  Normal  Distribution.    The  Expected  
Unit  Normal  Loss  Function  is  noted  as  G(k).    To  find  the  actual  units  short,  we  simply  multiply  this  G(k)  
times  the  standard  deviation  of  the  probability  distribution.      
«
𝑄−𝜇
𝐸 𝑈𝑆 = (𝑥 − 𝑄)𝑓U 𝑥 𝑑𝑥 = 𝜎𝐺 = 𝜎𝐺(𝑘)    
Uc• 𝜎
You  can  use  the  Normal  tables  to  find  the  G(k)  for  a  given  k  value  or  you  can  use  spreadsheets  with  the  
equation  below:    
𝐺 𝑘 = 𝑁𝑂𝑅𝑀𝐷𝐼𝑆𝑇 𝑘, 0,1,0 − 𝑘 ∗ (1 − 𝑁𝑂𝑅𝑀𝑆𝐷𝐼𝑆𝑇 𝑘 )  

References:  
•   Nahmias,  S.  Production  and  Operations  Analysis.  McGraw-­‐Hill  International  Edition.  ISBN:  0-­‐07-­‐
2231265-­‐3.  Chapter  5.    
•   Silver,  E.A.,  Pyke,  D.F.,  Peterson,  R.  Inventory  Management  and  Production  Planning  and  
Scheduling.  ISBN:  978-­‐0471119470.  Chapter  10.    
•   Porteus,  Evan  L.,  “The  Newsvendor  Problem”  in  Building  intuition:  insights  from  basic  operations  
management  models  and  principles,  edited  by  Dilip  Chhajed,  Timothy  Lowe,  2007,  Springer,  
New  York,  (pp  115-­‐134).    
•   Muckstadt,  John  and  Amar  Sapra  "Models  and  Solutions  in  Inventory  Management".,  2006,  
Springer  New  York,  New  York,  NY.  Chapter  5.        
•   Ballou,  R.H.  Business  Logistics  Management.  ISBN:  978-­‐0130661845.  Chapter  9.  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         55  

Week  7  Lesson  1:    
Probabilistic  Inventory  Models  I  
Learning  Objectives:  
•   Understanding  of  safety  stock  and  its  role  in  protecting  for  excess  demand  over  lead  time.  
•   Ability  to  develop  base  stock  and  order-­‐point,  order-­‐quantity  continuous  review  policies.  
•   Ability  to  determine  proper  safety  factor,  k,  given  the  desired  CSL  or  IFR  or  the  appropriate  cost  
penalty  for  CSOE  or  CIS.  

Lesson  Summary:  
In  this  lesson,  we  continue  to  develop  inventory  replenishment  models  when  we  have  uncertain  or  
stochastic  demand.    We  built  off  of  both  the  EOQ  and  the  single  period  models  to  introduce  three  
general  inventory  policies:  the  Base  Stock  Policy,  the  (s,Q)  continuous  review  policy  and  the  (R,S)  
periodic  review  policy  (the  R,S  model  will  be  explained  in  the  next  lesson).    These  are  the  most  
commonly  used  inventory  policies  in  practice.    They  are  imbedded  within  a  company’s  ERP  and  
inventory  management  systems.    

To  put  them  in  context,  here  is  the  summary  of  the  five  inventory  models  covered  so  far:  

•   Economic  Order  Quantity  —Deterministic  Demand  with  infinite  horizon  

o   Order  Q*  every  T*  periods  
o   Order  Q*  when  IP  =  μDL  
•   Single  Period  /  Newsvendor  —  Probabilistic  Demand  with  finite  (single  period)  horizon  
o   Order  Q*  at  start  of  period  where  P[x  ≤  Q]=CR  
•   Base  Stock  Policy  —  Probabilistic  Demand  with  infinite  horizon  
o   Essentially  a  one-­‐for-­‐one  replenishment  
o   Order  what  was  demanded  when  it  was  demanded  in  the  quantity  it  was  demanded  
•   Continuous  Review  Policy  (s,Q)  —  Probabilistic  Demand  with  infinite  horizon    
o   This  is  event-­‐based  –  we  order  when,  and  if,  inventory  passes  a  certain  threshold  
o   Order  Q*  when  IP  ≤  s  
•   Periodic  Review  Policy  (R,S)  —  Probabilistic  Demand  with  infinite  horizon    
o   This  is  a  time-­‐based  policy  in  that  we  order  on  a  set  cycle  
o   Order  up  to  S  units  every  R  time  periods  
All  of  the  models  make  trade-­‐offs:    EOQ  between  fixed  and  variable  costs,  Newsvendor  between  excess  
and  shortage  inventory,  and  the  latter  three  between  cost  and  level  of  service.    The  concept  of  level  of  
service,  LOS,  is  often  murky  and  specific  definitions  and  preferences  vary  between  firms.    However,  for  
our  purposes,  we  can  break  them  into  two  categories:    targets  and  costs.    We  can  establish  a  target  
value  for  some  performance  metric  and  then  design  the  minimum  cost  inventory  policy  to  achieve  the  
level  of  service.    The  two  metrics  that  we  covered  were  Cycle  Service  Level  (CSL)  and  Item  Fill  Rate  (IFR).    

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         56  

The  second  approach  is  to  place  a  dollar  amount  on  a  specific  type  of  stock  out  occurring  and  then  
minimize  the  total  cost  function.    The  two  cost  metrics  we  covered  were  Cost  of  Stock  Out  Event  (CSOE)  
and  Cost  of  Item  Short  (CIS).    They  are  related  to  each  other.      
 
Regardless  of  the  metrics  used,  the  end  result  is  a  safety  factor,  k,  and  a  safety  stock.    The  safety  stock  is  
simply  kσDL.    The  term  σDL  is  defined  as  the  standard  deviation  of  demand  over  lead  time,  but  it  is  more  
technically  the  root  mean  square  error  (RMSE)  of  the  forecast  over  the  lead  time.    Most  companies  do  
not  track  their  forecast  error  to  the  granular  level  that  you  require  for  setting  inventory  levels,  so  
defaulting  to  the  standard  deviation  of  demand  is  not  too  bad  of  an  estimate.    It  is  essentially  assuming  
that  the  forecast  is  the  mean.    Not  too  bad  of  an  assumption.        

Notation:  
B1:   Cost  associated  with  a  stock  out  event  ($/event)  
c:   Purchase  cost  ($/unit)  
ct:     Ordering  Costs  ($/order)  
ce:     Excess  holding  Costs  ($/unit/time);  Equal  to  ch  
cs:   Shortage  costs  ($/unit)  
D:   Average  Demand  (units/time)  
DS:   Demand  over  short  time  period  (e.g.  week)    
DL:   Demand  over  long  time  period  (e.g.  month)  
h:   Carrying  or  holding  cost  ($/inventory  $/time)  
L:   Replenishment  Lead  Time  (time)  
Q:   Replenishment  Order  Quantity  (units/order)  
T:   Order  Cycle  Time  (time/order)  
μDL:   Expected  Demand  over  Lead  Time  (units/time)  
σDL:   Standard  Deviation  of  Demand  over  Lead  Time  (units/time)  
k:   Safety  Factor  
s:   Reorder  Point  (units)  
S:   Order  up  to  Point  (units)  
R:   Review  Period  (time)  
N:   Orders  per  Time  or  1/T  (order/time)  
IP:   Inventory  Position  =  Inventory  on  Hand  +  Inventory  on  Order  –  Backorders  
IOH:   Inventory  on  Hand  (units)  
IOO:   Inventory  on  Order  (units)  
IFR:   Item  Fill  Rate  (%)  
CSL:   Cycle  Service  Level  (%)  
CSOE:   Cost  of  Stock  Out  Event  ($  /  event)  
CIS:   Cost  per  Item  Short  
E[US]:   Expected  Units  Short  (units)  
G(k):   Unit  Normal  Loss  Function  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         57  

Formulas:  
Base  Stock  Policy  
The  Base  Stock  policy  is  a  one-­‐for-­‐one  policy.    If  I  sell  four  items,  I  order  four  items  to  replenish  the  
inventory.    The  policy  determines  what  the  stocking  level,  or  the  base  stock,  is  for  each  item.    The  base  
stock,  S*,  is  the  sum  of  the  expected  demand  over  the  lead  time  plus  the  RMSE  of  the  forecast  error  
over  lead  time  multiplied  by  some  safety  factor  k.    The  LOS  for  this  policy  is  simply  the  Critical  Ratio.    
Note  that  the  excess  inventory  cost,  ce,  in  this  case  (and  all  models  here)  assumes  you  can  use  it  later  
and  is  the  product  of  the  cost  and  the  holding  rate,  ch.      
•   Optimal  Base  Stock,  S*:      S ∗ = µμ¯° + k °¥² σ¯°  
´µ
•   Level  of  Service  (LOS):     LOS  =  P[μDL  ≤  S*]  =  CR  =    
´µ R´¶

Continuous  Review  Policies  (s,Q)  

This  is  also  known  as  the  Order-­‐Point,  Order-­‐Quantity  policy  and  is  essentially  a  two-­‐bin  system.    The  
policy  is  “Order  Q*  units  when  Inventory  Position  is  less  than  the  re-­‐order  point  s”.    The  re-­‐order  point  is  
the  sum  of  the  expected  demand  over  the  lead-­‐time  plus  the  RMSE  of  the  forecast  error  over  lead-­‐time  
multiplied  by  some  safety  factor  k.      
•   Reorder  Point:     𝑠 = 𝜇qp + 𝑘𝜎qp  
•   Order  Quantity  (Q):   Q  is  typically  found  through  the  EOQ  formula  

Level  of  Service  Metrics  

We  present  four  methods  for  determining  the  appropriate  safety  factor,  k,  for  use  in  any  of  the  
inventory  models.    They  are  Cycle  Service  Level,  Cost  per  Stock  Out  Event,  Item  Fill  Rate,  and  Cost  per  
Item  Short.      

Cycle  Service  Level  (CSL)  

The  CSL  is  the  probability  that  there  will  not  be  a  stock  out  within  a  replenishment  cycle.    This  is  
frequently  used  as  a  performance  metric  where  the  inventory  policy  is  designed  to  minimize  cost  to  
achieve  an  expected  CSL  of,  say,  95%.    Thus,  it  is  one  minus  the  probability  of  a  stock  out  occurring.    If  I  
know  the  target  CSL  and  the  distribution  (we  will  use  Normal  most  of  the  time)  then  we  can  find  the  s  
that  satisfies  it  using  tables  or  a  spreadsheet  where  s  =  NORMINVDIST(CSL,  Mean,  StandardDeviation)  
and  k=NORMSINV(CSL).      
CSL = 1 − P Stockout = 1 − P X > s = P[X ≤ s]  
 
Note  that  as  k  increases,  it  gets  difficult  to  improve  CSL  and  it  will  require  enormous  amount  of  
inventory  to  cover  the  extreme  limits.  

Cost  Per  Stock  out  Event  (CSOE)  or  B1  Cost  

The  CSOE  is  related  to  the  CSL,  but  instead  of  designing  to  a  target  CSL  value,  a  penalty  is  charged  when  
a  stock  out  occurs  within  a  replenishment  cycle.      The  inventory  policy  is  designed  to  minimize  the  total  
costs  –  so  this  balances  cost  of  holding  inventory  explicitly  with  the  cost  of  stocking  out.    Minimizing  the  
¦E q
total  costs  for  k,  we  find  that  as  long  as      >1,  then  we  should  set:  
žL =ÀÁ • 6Â

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         58  

 𝐵4 𝐷
𝑘= 2 ln  
𝑐A 𝜎qp 𝑄 2𝜋
¦E q
If    <1,  we  should  set  k  as  low  as  management  allows.  
žL =ÀÁ • 6Â

Item  Fill  Rate  (IFR)  

The  IFR  is  the  fraction  of  demand  that  is  met  with  the  inventory  on  hand  out  of  cycle  stock.    This  is  
frequently  used  as  a  performance  metric  where  the  inventory  policy  is  designed  to  minimize  cost  to  
achieve  an  expected  IFR  of,  say,  90%.    If  I  know  the  target  IFR  and  the  distribution  (we  will  use  Normal  
most  of  the  time)  then  we  can  find  the  appropriate  k  value  by  using  the  Unit  Normal  Loss  Function,  G(k).    
𝐸 𝑈𝑆 𝜎qp 𝐺[𝑘]
𝐼𝐹𝑅 = 1 − =1−  
𝑄 𝑄
𝑄
𝐺 𝑘 = (1 − 𝐼𝐹𝑅)  
𝜎qp
G(k)  is  the  Unit  Normal  Loss  Function,  which  can  be  calculated  in  Spreadsheets  as  
𝐺 𝑘 = 𝑁𝑂𝑅𝑀𝐷𝐼𝑆𝑇 𝑘, 0,1,0 − 𝑘 ∗ (1 − 𝑁𝑂𝑅𝑀𝑆𝐷𝐼𝑆𝑇 𝑘 )  
 
Once  we  find  the  k  using  unit  normal  tables,  we  can  plug  the  values  in  𝑠 = 𝜇qp + 𝑘𝜎qp  to  frame  the  
policy.  

Cost  per  Item  Short  (CIS)  

The  CIS  is  related  to  the  IFR,  but  instead  of  designing  to  a  target  IFR  value,  a  penalty  is  charged  for  each  
item  short  within  a  replenishment  cycle.      The  inventory  policy  is  designed  to  minimize  the  total  costs  –  
so  this  balances  cost  of  holding  inventory  explicitly  with  the  cost  of  stocking  out.    Minimizing  the  total  
•žL
costs  for  k,  we  find  that  as  long  as     ≤ 1  ,  then  we  should  find  k  such  that:    
qž¢
𝑄𝑐A
𝑃 𝑆𝑡𝑜𝑐𝑘𝑂𝑢𝑡 = 𝑃 𝑥 ≥ 𝑘 =  
𝐷𝑐•
Otherwise,  we  should  set  k  as  low  as  management  allows.    In  a  spreadsheet,  this  becomes  
•žL
k=NORMSINV(1  -­‐     )  
qž¢
 

Summary  of  the  Metrics  Presented  

  Metric   How  to  find  k  

%  Service  Based   Cycle  Service  Level  (CSL)   K  =  NORMSINV(1 − P X > s )  

Item  Fill  Rate  (IFL)   •
%  Service  Based   Find  k  from  𝐺 𝑘 = (1 − 𝐼𝐹𝑅)  
=ÀÁ
$  Cost  Based   Cost  per  Stock  Out  Event  (CSOE)  
𝐵4 𝐷
𝑘= 2 ln  
𝑐A 𝜎qp 𝑄 2𝜋
$  Cost  Based   Cost  per  Item  Short  (CIS)   •žL
K  =  NORMSINV(1  -­‐     )  
qž¢
Table  3.  Summary  of  metrics  presented  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         59  

A  Tip  on  Converting  Times  
You  will  typically  need  to  convert  annual  forecasts  to  weekly  demand  or  vice  versa  or  something  in  
between.    This  is  generally  very  easy  –  but  some  students  get  confused  at  times:  
 
Converting  long  to  short  (n  is  number  of  short  periods  within  long):  
𝐸[𝐷{ ]   =  𝐸 [𝐷p ]/𝑛  
𝑉𝐴𝑅 𝐷{ = 𝑉𝐴𝑅 𝐷p /𝑛  
𝜎• = 𝜎p / 𝑛  
Converting  from  short  to  long:  
𝐸 𝐷p = 𝑛𝐸[𝐷{ ]    
𝑉𝐴𝑅 𝐷p = 𝑛𝑉𝐴𝑅 𝐷{  
𝜎p = 𝑛𝜎•  

References:  
Base  stock  and  continuous  inventory  models  are  covered  in:  

•   Nahmias,  S.  Production  and  Operations  Analysis.  McGraw-­‐Hill  International  Edition.  ISBN:  0-­‐07-­‐
2231265-­‐3.  Chapter  5.    
•   Silver,  E.A.,  Pyke,  D.F.,  Peterson,  R.  Inventory  Management  and  Production  Planning  and  
Scheduling.  ISBN:  978-­‐0471119470.  Chapter  7.    
•   Ballou,  R.H.  Business  Logistics  Management.  ISBN:  978-­‐0130661845.  Chapter  9.  
•   Muckstadt,  John  and  Amar  Sapra  "Models  and  Solutions  in  Inventory  Management".,  2006,  
Springer  New  York,  New  York,  NY.  Chapter  9.        

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         60  

Week  7  Lesson  2:    
Probabilistic  Inventory  Models  II  
Learning  Objectives:  
•   Able  to  establish  a  periodic  review,  Order  Up  To  (S,R)  Replenishment  Policy  using  any  of  the  four  
performance  metrics.  
•   Understand  relationships  between  the  performance  metrics  (CSL,  IFR,  CSOE,  and  CIS)  and  be  
able  to  calculate  the  implicit  values.      
•   Understand  the  trade-­‐off  between  lead  time  and  replenishment  time  in  Period  Review  Policies.  
•   Able  to  use  the  inventory  models  to  make  trade-­‐offs  and  estimate  impacts  of  policy  changes.  

Lesson  Summary:  
In  this  lesson,  we  examined  the  trade-­‐offs  between  the  different  performance  metrics  (both  cost-­‐  and  
service-­‐based).    We  demonstrated  that  once  one  of  the  metrics  is  determined  (or  explicitly  set)  then  the  
other  three  are  implicitly  set.    Because  they  all  lead  to  the  establishment  of  a  safety  factor,  k,  they  are  
dependent  on  each  other.    This  means  that  once  you  have  set  the  safety  stock,  regardless  of  the  
method,  you  can  calculate  the  expected  performance  implied  by  the  remaining  three  metrics.      
 
We  also  introduced  the  Order-­‐Up  To  Periodic  Review  Policy,  (R,S).    We  demonstrated  that  the  same  
methods  of  determining  the  four  performance  metrics  in  the  (S,Q)  model  can  be  used  here,  with  minor  
modifications.    Periodic  Review  policies  are  very  popular  because  they  fit  the  regular  pattern  of  work  
where  ordering  might  occur  only  once  a  week  or  once  every  two  weeks.    The  lead-­‐time  and  the  review  
period  are  related  and  can  be  traded-­‐off  to  achieve  certain  goals.      

   

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         61  

Notation:  
B1:   Cost  associated  with  a  stock  out  event  
c:   Purchase  cost  ($/unit)  
ct:     Ordering  Costs  ($/order)  
ce:     Excess  holding  Costs  ($/unit/time);  Equal  to  ch  
cs:   Shortage  costs  ($/unit)  
cg:   One  Time  Good  Deal  Purchase  Price  ($/unit)  
D:   Average  Demand  (units/time)  
h:   Carrying  or  holding  cost  ($/inventory  $/time)  
L:   Replenishment  Lead  Time  (time)  
Q:   Replenishment  Order  Quantity  (units/order)  
T:   Order  Cycle  Time  (time/order)  
μDL:   Expected  Demand  over  Lead  Time  (units/time)  
σDL:   Standard  Deviation  of  Demand  over  Lead  Time  (units/time)  
μDL+R:   Expected  Demand  over  Lead  Time  plus  Review  Period  (units/time)  
σDL+R:   Standard  Deviation  of  Demand  over  Lead  Time  plus  Review  Period  (units/time)  
k:   Safety  Factor  
s:   Reorder  Point  (units)  
S:   Order  up  to  Point  (units)  
R:   Review  Period  (time)  
N:   Orders  per  Time  or  1/T  (order/time)  
IP:   Inventory  Position  =  Inventory  on  Hand  +  Inventory  on  Order  –  Backorders  
IOH:   Inventory  on  Hand  (units)  
IOO:   Inventory  on  Order  (units)  
IFR:   Item  Fill  Rate  (%)  
CSL:   Cycle  Service  Level  (%)  
CSOE:   Cost  of  Stock  Out  Event  ($  /  event)  
CIS:   Cost  per  Item  Short  
E[US]:   Expected  Units  Short  (units)  
G(k):   Unit  Normal  Loss  Function  

   

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         62  

Formulas:  
Inventory  Performance  Metrics  
We  learned  in  the  last  lesson  that  safety  stock  is  determined  by  the  safety  factor,  k.    So  that:    𝑠 = 𝜇qp +
𝑘𝜎qp  and  the  expected  cost  of  safety  stock  =  𝑐A 𝑘𝜎qp .      

We  learned  two  ways  to  calculate  k:  Service  based  or  Cost  based  metrics:  

•   Service  Based  Metrics—set  k  to  meet  expected  level  of  service  

o   Cycle  Service  Level  (𝐶𝑆𝐿 = 𝑃[𝑥 ≤ 𝑘])  
=ÀÁ Ä Å
o   Item  Fill  Rate  (𝐼𝐹𝑅 = 1 − )    
•
Note:  IFR  is  always  higher  than  CSL  for  the  same  safety  stock  level.  
 
•   Cost  Based  Metrics—find  k  that  minimizes  total  costs  
q
o   Cost  per  Stock  out  Event  (E CSOE = 𝐵4 𝑃 𝑥 ≥ 𝑘 )  
•
q
o   Cost  per  Items  Short  (𝐸 𝐶𝐼𝑆 = 𝑐• 𝜎qp 𝐺 𝑘 )  
•

Safety  Stock  Logic  –  relationship  between  performance  metrics  

The  relationship  between  the  four  metrics  (2  cost  and  2  service  based)  is  shown  in  the  flowchart  below  
(Figure  7).    Once  one  metric  (CSL,  IFR,  CSOE,  or  CIS)  is  explicitly  set,  then  the  other  three  metrics  are  
implicitly  determined.      

 
Figure  7.  Relationship  among  the  four  metrics  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         63  

 Periodic  Review  Policy  (R,S)  
This  is  also  known  as  the  Order  Up  To  policy  and  is  essentially  a  two-­‐bin  system.    The  policy  is  “Order  Up  
To  S*  units  every  R  time  periods”.    This  means  the  order  quantity  will  be  S*-­‐IP.    The  order  up  to  point,  
S*,  is  the  sum  of  the  expected  demand  over  the  lead-­‐time  and  the  replenishment  time  plus  the  RMSE  of  
the  forecast  error  over  lead  plus  replenishment  time  multiplied  by  some  safety  factor  k.      
•   Order  Up  To  Point:     𝑆 = 𝜇qpR| + 𝑘𝜎qpR|  

Periodic  (R,S)  versus  Continuous  (s,  Q)  Review  

•   There  is  a  convenient  transformation  of  (s,  Q)  to  (R,  S)  
o   (s,Q)  =    Continuous,  order  Q  when  IP  ≤  s  
o   (R,  S)  =  Periodic,  order  up  to  S  every  R  time  periods  
•   Allows  for  the  use  of  all  previous  (s,  Q)  decision  rules  
o   Reorder  point,  s,  for  continuous  becomes  Order  Up  To  point,  S,  for  periodic  system  
o   Q  for  continuous  becomes  D*R  for  periodic    
o   L  for  a  continuous  becomes  R+L  for  periodic    
•   Approach  
o   Make  transformations  
o   Solve  for  (s,  Q)  using  transformations  
o   Determine  final  policy  such  that  𝑆 = 𝑥qpR| + 𝑘𝜎qpR|  
(s,  Q)     (R,  S)  
s   ↔   S  
Q   ↔   D*R  
L   ↔   R+L  

Relationship  Between  L  &  R  

The  lead  time,  L,  and  the  review  period,  R,  both  influence  the  total  costs.    Note  that  the  average  
q|
inventory  costs  for  a  (R,S)  system  is    = 𝑐A [ + 𝑘𝜎qpR| + 𝐿𝐷].    This  implies  that  increasing  Lead  Time,  L,  
6
will  increase  Safety  Stock  non-­‐linearly  and  Pipeline  Inventory  linearly  while  increasing  the  Review  Period,  
R  will  increase  the  Safety  Stock  non-­‐linearly  and  the  Cycle  Stock  linearly.      

References:  
Base  stock  and  continuous  inventory  models  are  covered  in:  

•   Nahmias,  S.  Production  and  Operations  Analysis.  McGraw-­‐Hill  International  Edition.  ISBN:  0-­‐07-­‐
2231265-­‐3.  Chapter  5.    
•   Silver,  E.A.,  Pyke,  D.F.,  Peterson,  R.  Inventory  Management  and  Production  Planning  and  
Scheduling.  ISBN:  978-­‐0471119470.  Chapter  7.    
•   Ballou,  R.H.  Business  Logistics  Management.  ISBN:  978-­‐0130661845.  Chapter  9.  
•   Muckstadt,  John  and  Amar  Sapra  "Models  and  Solutions  in  Inventory  Management".,  2006,  
Springer  New  York,  New  York,  NY.  Chapter  10.        

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         64  

Week  8  Lesson  1:    
Inventory  Models  for  Multiple  Items  &  Locations  
Learning  Objectives:  
•   Understand  how  to  use  different  methods  to  aggregate  SKUs  for  common  inventory  policies.  
•   Understand  how  to  use  Exchange  Curves.  
•   Understand  how  inventory  pooling  impacts  both  cycle  stock  and  safety  stock.  

Lesson  Summary:  
In  this  lesson,  we  expanded  our  development  of  inventory  policies  to  include  multiple  items  and  
multiple  locations.    Up  to  this  point  we  assumed  that  each  item  was  managed  separately  and  
independently  and  that  they  all  came  from  a  single  stocking  location.    We  loosened  those  assumptions  
in  this  lesson.            
 
There  are  several  problems  with  managing  items  independently,  including:    
•   Lack  of  coordination—constantly  ordering  items  
•   Ignoring  of  common  constraints  such  as  financial  budgets  or  space  
•   Missed  opportunities  for  consolidation  and  synergies  
•   Waste  of  management  time  

Managing  Multiple  Items  

There  are  two  issues  to  solve  in  order  to  manage  multiple  items:      

1.   Can  we  aggregate  SKUs  to  use  similar  operating  policies?  

a.   Group  using  common  cost  characteristics  or  break  points  
b.   Group  using  Power  of  Two  Policies  
2.   How  do  we  manage  inventory  under  common  constraints?  
a.   Exchange  curves  for  cycle  stock  
b.   Exchange  curves  for  safety  stock  

Aggregation  Methods  
When  we  have  multiple  SKUs  to  manage,  we  want  to  aggregate  those  SKUs  where  I  can  use  the  same  
policies.    This  greatly  simplifies  things  –  and  is  why  we  learned  how  to  segment  in  Week  1!      

Grouping  Like  Items—Break  Points  

•   Basic  Idea:    Replenish  higher  value  items  faster  
•   Used  for  situations  with  multiple  items  that  have  
o   Relatively  stable  demand  
o   Common  ordering  costs,  ct,  and  holding  charges,  h  
o   Different  annual  demands,  Di,  and  purchase  cost  ci  
•   Approach  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         65  

 o   Pick  a  base  time  period,  w0,  (typically  a  week)  
o   Create  a  set  of  candidate  ordering  periods  (w1,  w2,  etc.)  
o   Find  Dici  values  where  TRC(wj)=TRC(wj+1)  
o   Group  SKUs  that  fall  in  common  value  (Dici)  buckets  

Power  of  Two  Formula  

•   Order  in  time  intervals  of  powers  of  two  
•   Select  a  realistic  base  period,  Tbase  (day,  week,  month)  
•   Guarantees  that  TRC  will  be  within  6%  of  optimal!  
 

Managing  Under  Common  Constraints  

There  is  typically  a  budget  or  space  constraint  that  limits  the  amount  of  inventory  that  you  can  actually  
keep  on  hand.    Managing  each  inventory  item  separately  could  lead  to  violating  this  constraint.    
Exchange  curves  are  a  good  way  to  use  the  managerial  levers  of  holding  charge,  ordering  cost,  and  
safety  factor  to  set  inventory  policies  to  meet  a  common  constraint.      

Exchange  Curves:  Cycle  Stock  

•   Helps  determine  the  best  allocation  of  inventory  budget  across  multiple  SKUs  
•   Relevant  Cost  parameters  
o   Holding  Charge  (h)  
§   There  is  no  single  correct  value  
§   Cost  allocations  for  time  and  systems  differ  between  firms  
§   Reflection  of  management’s  investment  and  risk  profile  
o   Order  Cost  (ct)  
§   Not  know  with  precision  
§   Cost  allocations  for  time  and  systems  differ  between  firms  
•   Exchange  Curve  
o   Depicts  trade-­‐off  between  total  annual  cycle  stock  (TACS)  and  number  of  
replenishments  (N)  
o   Determines  the  ct/h  value  that  meets  budget  constraints  

Exchange  Curves:  Safety  Stock  

•   Need  to  trade-­‐off  cost  of  safety  stock  and  level  of  service    
•   Key  parameter  is  safety  factor  (k)  –  usually  set  by  management    
•   Estimate  the  aggregate  service  level  for  different  budgets    
•   The  process  is  as  follows:      
1.   Select  an  inventory  metric  to  target    
2.   Starting  with  a  high  metric  value  calculate:    
a.   The  required  ki  to  meet  that  target  for  each  SKU    
b.   The  resulting  safety  stock  cost  for  each  SKU  and  the  total  safety  stock  (TSS)    
c.   The  other  resulting  inventory  metrics  of  interest  for  each  SKU  and  total    
3.   Lower  the  metric  value,  go  to  step  2    
4.   Chart  resulting  TSS  versus  Inventory  Metrics  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         66  

Managing  Multiple  Locations  
Managing  the  same  item  in  multiple  locations  will  lead  to  a  higher  inventory  level  than  managing  them  
in  a  single  location.    Consolidating  inventory  locations  to  a  single  common  location  is  known  as  inventory  
pooling.    Pooling  reduces  the  cycle  stock  needed  by  reducing  the  number  of  deliveries  required  and  
reduces  the  safety  stock  by  risk  pooling  that  reduces  the  CV  of  the  demand  (as  we  learned  in  Week  2).      
This  is  also  called  the  square  root  “law”  –  which  is  insightful  and  powerful,  but  also  makes  some  
restrictive  assumptions,  such  as  uniformly  distributed  demand,  use  of  EOQ  ordering  principles,  and  
independence  of  demand  in  different  locations.    We  did  NOT  cover  multi-­‐echelon  inventory  in  this  
lesson.      

Notation:  
ci:   Purchase  cost  for  item  i  ($/unit)  
ct:     Ordering  Costs  ($/order)  
ce:     Excess  holding  Costs  ($/unit/time);  Equal  to  ch  
cs:   Shortage  costs  ($/unit)  
Di:   Average  Demand  for  item  i  (units/time)  
h:   Carrying  or  holding  cost  ($/inventory  $/time)  
Q:   Replenishment  Order  Quantity  (units/order)  
T:   Order  Cycle  Time  (time/order)  
TPractical:  Practical  Order  Cycle  Time  (time/order)  
k:   Safety  Factor  
w0:     Base  Time  Period  (time)  
s:   Reorder  Point  (units)  
R:   Review  Period  (time)  
N:   Number  of  Inventory  Replenishment  Cycles  
TACS:   Total  Annual  Cycle  Stock  
TSS:   Total  Value  of  Safety  Stock  
TVIS:   Total  Value  of  Items  Short  
G(k):   Unit  Normal  Loss  Function  

Formulas:  
Power  of  Two  Policy  
The  process  is  as  follows:      

1.   Create  table  of  SKUs  

2.   Calculate  T*  for  each  SKU  
3.   Calculate  Tpractical  for  each  SKU  
2𝑐: 𝐷
𝑄∗ 𝑐A 2𝑐:
𝑇∗ = = =  
𝐷 𝐷 𝐷𝑐A

}∗
ÊË / ÊË 6
𝑇¨È2ž:/ž2É = 2 6  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         67  

In  a  spreadsheet  this  is:    Tpractical  =  2^(ROUNDUP(LN(Toptimal  /  SQRT(2))  /LN(2)))  

Exchange  Curves:  Cycle  Stock  

 

0 • V žV žB 4 0 0 qV Ÿ 4 0
𝑇𝐴𝐶𝑆 = /c4 6 = /c4 𝐷/ 𝑐/         𝑁= /c4 • = /c4 𝐷/ 𝑐/  
Ÿ 6 V žB 6

Process  

1.   Create  a  table  of  SKUs  with  “Annual  Value”  (Dici)  and   Dg cg  

2.   Find  the  sum  of   Dg cg  term  for  SKUs  being  analyzed  
3.   Calculate  TACS  and  N  for  range  of  (ct/h)  values  
4.   Chart  N  vs  TACS  

Exchange  Curves:  Safety  Stock  

0 0 qV
𝑇𝑆𝑆 = /c4 𝑘/ 𝜎qp/ 𝑐/       𝑇𝑉𝐼𝑆 = /c4(•  𝑐/ 𝜎qp/ 𝐺(𝑘/ ))  
V

Process:    

1.   Select  an  inventory  metric  to  target    

2.   Starting  with  a  high  metric  value  calculate:    
a.   The  required  ki  to  meet  that  target  for  each  SKU    
b.   The  resulting  safety  stock  cost  for  each  SKU  and  the  total  safety  stock  (TSS)    
c.   The  other  resulting  inventory  metrics  of  interest  for  each  SKU  and  total    
3.   Lower  the  metric  value,  go  to  step  2    
4.   Chart  resulting  TSS  versus  Inventory  Metrics  

Pooled  Inventory  
The  Chart  1  shows  ordering  quantities  for  independent  and  pooled  inventories.      

 
Chart  1.  Comparison  between  independent  and  pooled  inventories  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         68  

References:  
Exchange  Curves  are  covered  in:  

•   Silver,  E.A.,  Pyke,  D.F.,  Peterson,  R.  Inventory  Management  and  Production  Planning  and  
Scheduling.  ISBN:  978-­‐0471119470.  Chapter  7  &  8.  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         69  

Week  8  Lesson  2:    
Inventory  Models  for  Class  A  &  C  Items  
Learning  Objectives:  
•   Understand  how  to  use  different  inventory  models  for  Class  A  items.  
•   Understand  how  to  use  different  inventory  models  for  Class  C  items.  
•   Understand  practical  challenges  to  inventory  management.  

Lesson  Summary:  
In  this  lesson,  we  expanded  our  development  of  inventory  policies  to  include  Class  A  and  Class  C  items.    
Additionally,  we  discussed  real  world  challenges  to  implementing  inventory  management  policies  in  
practice.            

Key  Concepts:  
Inventory  Management  by  Segment  
  A  Items   B  Items   C  Items  
Type  of  Records   Extensive,  Transactional   Moderate   None-­‐use  a  rule  
Level  of  Management   Frequent  (Monthly  or   Infrequently— Only  as  Aggregate  
Reporting   More)   Aggregated  
Interaction  with  Demand   Direct  Input,  High  Data   Modified  Forecast   Simple  Forecast  at  Best  
Integrity,  Manipulate   (promotions,  etc.)  
(pricing,  etc.)  
Interaction  with  Supply   Actively  Manage   Manage  by  Exception   Non  
Initial  Deployment   Minimize  Exposure  (high   Steady  State   Steady  State  
v)  
Frequency  of  Policy   Very  Frequent  (Monthly   Moderate   Very  Infrequent  
Review   or  More)   (Annually/Event  Based)  
Importance  of  Parameter   Very  High—Accuracy   Moderate—Rounding   Very  Low  
Precision   Worthwhile   and  Approximation  ok  
Shortage  Strategy   Actively  Manage   Set  Service  Level  &   Set  &  Forget  Service  Levels  
(Confront)   Manage  by  Exception  
Demand  Distribution   Consider  Alternatives  to   Normal   N/A  
Normal  as  Situation  Fits  
Management  Strategy   Active   Automatic   Passive  
Table  4.  Inventory  management  by  segment  

Inventory  Policies  (Rules  of  Thumb)  

Type  of  Item   Continuous  Review   Periodic  Review  
A  Items   (s,  S)   (R,  s,  S)  
B  Items   (s,  Q)   (R,  S)  
C  Items     Manual  ~(R,  S)  
Table  5.  Inventory  policies  (rules  of  Thumb)  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         70  

Managing  Class  A  Items  
There  are  two  general  ways  that  items  can  be  considered  Class  A:  
•   Fast  Moving  but  Cheap  (Large  D,  Small  c  →  Q  >  1)  
•   Slow  Moving  but  Expensive  (Large  c,  Small  D  →  Q  =  1  
This  dictates  which  Probability  Distribution  to  use  for  modeling  the  demand  
•   Fast  Movers  
o   Normal  or  Lognormal  Distribution  
o   Good  enough  for  B  items  
o   OK  for  A  items  if  µDL  or  μDL+R  ≥  10  
•   Slow  Movers  
o   Poisson  Distribution  
o   More  complicated  to  handle  
o   OK  for  A  items  if  µDL  or  μDL+R  <  10  

Managing  Class  C  Items  

Class  C  items  have  low  cD  values  but  comprise  the  lion-­‐share  of  the  SKUs.    When  managing  them  we  
need  to  consider  the  implicit  &  explicit  costs.    The  objective  is  to  minimize  management  attention.    
Regardless  of  policy,  savings  will  most  likely  not  be  significant,  so  try  to  design  simple  rules  to  follow  and  
explore  opportunities  for  disposing  of  inventory.    Alternatively,  try  to  set  common  reorder  quantities.    
This  can  be  done  by  assuming  common  ct  and  h  values  and  then  finding  Dici  values  for  ordering  
frequencies.      

Disposing  of  Excess  Inventory  

•   Why  does  excess  inventory  occur?    
o   SKU  portfolios  tend  to  grow    
o   Poor  forecasts  -­‐  Shorter  lifecycles    
•   Which  items  to  dispose?    
o   Look  at  DOS  (days  of  supply)  for  each  item  =  IOH/D    
o   Consider  getting  rid  of  items  that  have  DOS  >  x  years    
•   What  actions  to  take?    
o   Convert  to  other  uses    
o   Ship  to  more  desired  location    
o   Mark  down  price    
o   Auction  

Real  World  Inventory  Challenges  

While  models  are  important,  it  is  also  important  to  understand  where  there  are  challenges  
implementing  models  in  real  life.      
•   Models  are  not  used  exactly  as  in  textbooks    
•   Data  is  not  always  available  or  correct    
•   Technology  matters    
•   Business  processes  matter  even  more    
•   Inventory  policies  try  to  answer  three  questions:    
o   How  often  should  I  check  my  inventory?    

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         71  

 o   How  do  I  know  if  I  should  order  more?    
o   How  much  to  order?    
•   All  inventory  models  use  two  key  numbers  
o   Inventory  Position  
o   Order  Point  

Notation:  
B1:   Cost  Associated  with  a  Stock  out  Event  
c:   Purchase  Cost  ($/unit)  
ct:     Ordering  Costs  ($/order)  
ce:     Excess  Holding  Costs  ($/unit/time);  Equal  to  ch  
cs:   Shortage  Costs  ($/unit)  
cg:   One  Time  Good  Deal  Purchase  Price  ($/unit)  
D:   Average  Demand  (units/time)  
h:   Carrying  or  Holding  Cost  ($/inventory  $/time)  
L[Xi]:   Discrete  Unit  Loss  Function  
Q:   Replenishment  Order  Quantity  (units/order)  
T:   Order  Cycle  Time  (time/order)  
μDL:   Expected  Demand  over  Lead  Time  (units/time)  
σDL:   Standard  Deviation  of  Demand  over  Lead  Time  (units/time)  
μDL+R:   Expected  Demand  over  Lead  Time  plus  Review  Period  (units/time)  
σDL+R:   Standard  Deviation  of  Demand  over  Lead  Time  plus  Review  Period  (units/time)  
k:   Safety  Factor  
s:   Reorder  Point  (units)  
S:   Order  Up  to  Point  (units)  
R:   Review  Period  (time)  
N:   Orders  per  Time  or  1/T  (order/time)  
IP:   Inventory  Position  =  Inventory  on  Hand  +  Inventory  on  Order  (IOO)  –  Backorders  
IOH:   Inventory  on  Hand  (units)  
IOO:   Inventory  on  Order  (units)  
IFR:   Item  Fill  Rate  (%)  
CSL:   Cycle  Service  Level  (%)  
E[US]:   Expected  Units  Short  (units)  
G(k):   Unit  Normal  Loss  Function  

Formulas:  
Fast  Moving  A  Items  
𝐷 𝑄 𝐷
𝑇𝑅𝐶 = 𝑐: + 𝑐A + 𝑘𝜎qp + 𝐵4 𝑃[𝑥 > 𝑘]  
𝑄 2 𝑄

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         72  

 𝐵4 𝑃[𝑥 > 𝑘]
𝑄 ∗ = 𝐸𝑂𝑄 1 +  
𝑐:

𝐷𝐵4
𝑘∗ = 2 ln  
2𝜋𝑄𝑐A 𝜎qp

•   Iteratively  solve  the  two  equations  

•   Stop  when  Q*  and  k*  converge  within  acceptable  range  

Slow  Moving  A  Items  

Use  a  Poisson  distribution  to  model  sales  

•   Probability  of  x  events  occurring  within  a  time  period  

•   Mean  =  Variance  =  λ  
𝑒 ^Í 𝜆UÏ
𝑝 𝑥e = 𝑃𝑟𝑜𝑏 𝑥 = 𝑥e =  𝑓𝑜𝑟  𝑥e  
𝑥e !
UÏ
𝑒 ^Í 𝜆U
𝐹 𝑥e = 𝑃𝑟𝑜𝑏 𝑥 ≤ 𝑥e =  
𝑥!
Uce

For  a  discrete  function,  the  loss  function  L[Xi]  can  be  calculated  as  follows  (Cachon  &  Terwiesch)  

𝐿 𝑋/ = 𝐿 𝑋/^4 − (𝑋/ − 𝑋/^4 )(1 − 𝐹 𝑋/^4 )  

References:  
•   Cachon,  Gérard,  and  Christian  Terwiesch.  Matching  Supply  with  Demand:  An  Introduction  to  
Operations  Management.  Boston,  MA:  McGraw-­‐Hill/Irwin,  2005.  
•   Silver,  E.A.,  Pyke,  D.F.,  Peterson,  R.  Inventory  Management  and  Production  Planning  and  
Scheduling.  ISBN:  978-­‐0471119470.  Chapter  8  &  9.  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         73  

Week  9  Lesson  1:  Fundamentals  of  Freight  Transportation  
Learning  Objectives:  
•   Understand  common  terminology  and  concepts  of  global  freight  transportation.  
•   Understanding  of  physical,  operational,  and  strategic  networks.  
•   Ability  to  select  mode  by  trading  off  Level  of  Service  (LOS)  and  cost.  

Lesson  Summary:  
In  this  lesson,  we  introduced  freight  transportation  systems  through  an  extended  example  of  shipping  
shoes  from  Shenzhen  (China)  to  Kansas  City  (USA).    This  lesson  is  more  of  a  visual  introduction.    
 
We  started  with  the  fundamentals  of  freight  transportation,  introducing  different  modes  of  
transportation  and  some  different  ways  to  make  decisions  of  the  mode  choice,  analyzing  the  trade-­‐offs  
between  cost  and  level  of  service.    
 
Different  levels  of  transportation  networks  (from  strategic  to  physical)  are  also  covered  in  this  lesson.  
The  Physical  network  represents  how  the  product  physically  moves,  the  actual  path  from  origin  to  
destination.  Costs  and  distances  calculations  are  made  based  on  this  level.    Decisions  from  nodes  
(decision  points)  and  arcs  (a  specific  mode)  are  made  in  the  Operational  network.  The  third  network,  the  
strategic  or  service  network,  represents  individual  paths  from  end-­‐to-­‐end,  and  those  decisions  that  tie  
into  the  inventory  policies  are  made  in  the  Strategic  or  Service  network  level.  For  instance,  how  routing  
decisions  tie  to  Total  Relevant  Costs  (TRC)  is  shown.    
 
We  also  introduced  different  type  of  packaging.  The  Primary  packaging,  has  direct  contact  with  the  
product  and  is  usually  the  smallest  unit  of  distribution  (e.g.  a  bottle  of  wine,  a  can,  etc.).  The  Secondary  
packaging  contains  product  and  also  a  middle  layer  of  packaging  that  is  outside  the  primary  packaging,  
mainly  to  group  primary  packages  together  (e.g.  a  box  with  12  bottle  of  wines,  cases,  cartons,  etc.).  The  
Tertiary  packaging  is  designed  thinking  more  on  transport  shipping,  warehouse  storage  and  bulk  
handling  (e.g.  pallets,  containers,  etc.).  Typically,  tertiary  packaging,  such  as  pallets,  is  returnable  
transportation  items.  The  company  CHEP  is  a  good  example  of  how  to  balance  this  type  of  reusable  
article,  a  very  interesting  closed-­‐loop  supply  chain  problem!  Finally,  different  types  and  characteristics  of  
shipping  containers  are  presented.              

Key  Concepts:  
Trade-­‐offs  between  Cost  and  Level  of  Service  (LOS):  
•   Provides  path  view  of  the  Network  
•   Summarizes  the  movement  in  common  financial  and  performance  terms  
•   Used  for  selecting  one  option  from  many  by  making  trade-­‐offs  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         74  

 Packaging  
•   Level  of  packaging  mirrors  handling  needs  
•   Pallets—standard  size  of  48  x  40  in  in  the  USA  (120  x  80  cm  in  Europe)  
•   Shipping  Containers  
o   TEU  (20  ft)  33  m3  volume  with  24.8  kkg  total  payload  
o   FEU  (40  ft)  67  m3  volume  with  28.8  kkg  total  payload  
o   53  ft  long  (Domestic  US)  111  m3  volume  with  20.5  kkg  total  payload  

Transportation  Networks  
•   Physical  Network:  The  actual  path  that  the  product  takes  from  origin  to  destination  including  
guide  ways,  terminals  and  controls.  Basis  for  all  costs  and  distance  calculations  –  typically  only  
found  once.  
•   Operational  Network:  The  route  the  shipment  takes  in  terms  of  decision  points.  Each  arc  is  a  
specific  mode  with  costs,  distance,  etc.  Each  node  is  a  decision  point.    The  four  primary  
components  are  loading/unloading,  local-­‐routing,  line-­‐haul,  and  sorting.  
•   Strategic  Network:  A  series  of  paths  through  the  network  from  origin  to  destination.  Each  
represents  a  complete  option  and  has  end-­‐to-­‐end  cost,  distance,  and  service  characteristics.  

Notation:  
TL:  Truckload  

TEU:  Twenty  Foot  Equivalent  (cargo  container)  

FEU:    Forty  Foot  Equivalent  (cargo  container)  

References:  
•   Ballou,  Ronald  H.,  Business  Logistics:  Supply  Chain  Management,  3rd  edition,  Pearson  Prentice  
Hall,  2003.  Chapter  6.  
•   Chopra,  Sunil  and  Peter  Meindl,  Supply  Chain  Management,  Strategy,  Planning,  and  Operation,  
5th  edition,  Pearson  Prentice  Hall,  2013.  Chapter  14.  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         75  

Week  9  Lesson  2:  Lead  Time  Variability  &  Mode  Selection  
Learning  Objectives:  
•   Understand  the  impact  of  transportation  on  cycle,  safety,  and  pipeline  stock.  
•   Understand  how  the  variability  of  transportation  transit  time  impacts  inventory.  

Lesson  Summary:  
In  this  lesson,  we  analyzed  how  variability  in  transit  time  impacts  the  total  cost  equation  for  inventory.    
The  linkages  between  transportation  reliability,  forecast  accuracy,  and  inventory  levels  were  displayed  
and  discussed.    Mode  selection  is  shown  to  be  heavily  influenced  not  only  by  the  value  of  the  product  
being  transported,  but  also  the  expected  and  variability  of  the  lead-­‐time.                      

Key  Concepts:  
Impact  on  Inventory  
Transportation  affects  total  cost  via  
•   Cost  of  transportation  (fixed,  variable,  or  some  combination)  
•   Lead  time  (expected  value  as  well  as  variability)  
•   Capacity  restrictions  (as  they  limit  optimal  order  size)  
•   Miscellaneous  factors  (such  as  material  restrictions  or  perishability)  

Transportation  Cost  Functions  

Transportation  costs  can  take  many  different  forms,  to  include:      
•   Pure  variable  cost  /  unit  
•   Pure  fixed  cost  /  shipment  
•   Mixed  variable  &  fixed  cost  
•   Variable  cost  /  unit  with  a  minimum  quantity  
•   Incremental  discounts  

Lead/Transit  Time  Reliability  

We  distinguish  two  different  dimensions  of  reliability  that  do  not  always  match.      
•   Credibility  (reserve  slots  are  agreed,  stop  at  all  ports,  load  all  containers,  etc.)  
•   Schedule  consistency  (actual  vs.  quoted  performance)  
Contract  reliability  in  procurement  and  operations  do  not  always  match  as  they  are  typically  performed  
by  different  parts  of  an  organization.    Contract  reliability  differs  dramatically  across  different  route  
segments  (origin  port  dwell  vs.  port-­‐to-­‐port  transit  time  vs.  destination  port  dwell  for  instance).    For  
most  shippers,  the  most  transit  variability  occurs  in  the  origin  inland  transportation  legs  and  at  the  
ports.      

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         76  

Mode  Selection  
Transportation  modes  have  specific  niches  and  perform  better  than  other  modes  in  certain  situations.    
Also,  in  many  cases,  there  are  only  one  or  two  feasible  options  between  modes.      

Criteria  for  Feasibility    

•   Geography  
o   Global:  Air  versus  Ocean  (trucks  cannot  cross  oceans!)  
o   Surface:  Trucking  (TL,  LTL,  parcel)  vs.  Rail  vs.  Intermodal  vs.  Barge  
•   Required  speed    
o   >500  miles  in  1  day—Air    
o   <500  miles  in  1  day—TL  
•   Shipment  size  (weight/density/cube,  etc.)  
o   High  weight,  cube  items  cannot  be  moved  by  air  
o   Large  oversized  shipments  might  be  restricted  to  rail  or  barge  
•   Other  restrictions  
o   Nuclear  or  hazardous  materials  (HazMat)  
o   Product  characteristics  

Trade-­‐offs  within  the  set  of  feasible  choices  

Once  all  feasible  modes  (or  separate  carrier  firms)  have  been  identified,  the  selection  within  this  feasible  
set  is  made  as  a  trade-­‐off  between  costs.    It  is  important  to  translate  the  “non-­‐cost”  elements  into  costs  
via  the  total  cost  equation.    The  typical  non-­‐cost  elements  are:      
•   Time  (mean  transit  time,  variability  of  transit  time,  frequency)  
•   Capacity  
•   Loss  and  Damage  

   

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         77  

Notation:  
ci:   Purchase  cost  for  item  i  ($/unit)  
ct:     Ordering  Costs  ($/order)  
ce:     Excess  holding  Costs  ($/unit/time);  Equal  to  ch  
cs:   Shortage  costs  ($/unit)  
D:   Average  Demand  (units/time)  
h:   Carrying  or  holding  cost  ($/inventory  $/time)  
Q:   Replenishment  Order  Quantity  (units/order)  
T:   Order  Cycle  Time  (time/order)  
μD:   Expected  Demand  (Items)  during  One  Time  Period  
σD:   Standard  Deviation  of  Demand  (Items)  during  One  Time  Period  
μL:   Expected  Number  of  Time  Periods  for  Lead  Time  (Unitless  Multiplier)  
σL:   Standard  Deviation  of  Time  Periods  for  Lead  Time  (Unitless  Multiplier)  
μDL:   Expected  Demand  (Items)  over  Lead  Time  
σDL:   Standard  Deviation  of  Demand  (Items)  over  Lead  Time  
N:   Random  Variable  Assuming  Positive  Integer  Values  (1,  2,  3…)  
xi:   Independent  Random  Variables  such  that  E[xi]  =  E[X]  
S:   Sum  of  xi  from  i  =  1  to  N  

Formulas:  
Random  Sums  of  Random  Variables  
l

𝐸 𝑆 =𝐸 𝑋/ = 𝐸 𝑁 𝐸[𝑋]  
/c4

𝑉𝑎𝑟 𝑆 = 𝑉𝑎𝑟 𝑋/ = 𝐸 𝑁 𝑉𝑎𝑟 𝑋 + (𝐸 𝑋 )6 𝑉𝑎𝑟[𝑁]  

/c4

Lead  Time  Variability  

𝜇qp = 𝜇p 𝜇q  

𝜎qp = 𝜇p 𝜎q6 + (𝜇q )6 𝜎p6  

References:  
•   Ballou,  Ronald  H.,  Business  Logistics:  Supply  Chain  Management,  3rd  edition,  Pearson  Prentice  
Hall,  2003.  Chapter  7.  
•   Chopra,  Sunil  and  Peter  Meindl,  Supply  Chain  Management,  Strategy,  Planning,  and  Operation,  
5th  edition,  Pearson  Prentice  Hall,  2013.  Chapter  14.  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         78  

Week  10  Lesson  1:  One  to  Many  Distribution  
Learning  Objectives:  
•   Understand  the  different  distribution  types:  one-­‐to-­‐one,  one-­‐to-­‐many,  and  many-­‐to-­‐many.  
•   Able  to  use  continuous  approximation  to  make  quick  estimates  of  costs  using  a  minimal  amount  
of  data.      
•   Able  to  estimate  distances  for  different  underlying  network  topologies.  

Lesson  Summary:  
In  this  lesson,  we  showed  one  method  to  quickly  approximate  costs  of  a  complicated  transportation  
system:  one-­‐to-­‐many  distribution.    The  main  idea  was  to  develop  a  very  simple  approximate  total  cost  
equation  using  as  little  data  as  possible.    This  approach  can  be  very  powerful  for  initial  analysis.    Also,  it  
has  been  shown  to  be  more  robust  than  some  more  detailed  analyses  since  these  other  methods  
require  very  restrictive  assumptions.                      

Key  Concepts:  
Distribution  Methods  
•   One-­‐to-­‐one:  direct  or  point-­‐to-­‐point  movements  from  origin  to  destination  
•   One-­‐to-­‐many:  multi-­‐stop  moves  from  a  single  origin  to  many  destinations  
•   Many-­‐to-­‐many:  moving  from  multiple  origins  to  multiple  destinations  usually  with  a  hub  or  
terminal  

One  to  Many  System  

•   Single  Distribution  Center  
o   Products  originate  from  one  origin  
o   Products  are  demanded  at  many  destinations  
o   All  destinations  are  within  a  specified  Service  Region  
o   Ignore  inventory  (same  day  delivery)    
•   Assumptions:  
o   Vehicles  are  homogenous  
o   Same  capacity,  QMAX  
o   Fleet  size  is  constant  
•   Finding  the  estimated  total  distance:    
o   Divide  the  Service  Region  into  Delivery  Districts  
o   Estimate  the  distance  required  to  service  each  district  
•   Route  to  serve  a  specific  district:  
o   Line  haul  from  origin  to  the  1st  customer  in  the  district  
o   Local  delivery  from  1st  to  last  customer  in  the  district  
o   Back  haul  (empty)  from  the  last  customer  to  the  origin  
   

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         79  

Notation:  
•   dLineHaul:   Distance  from  Origin  to  Center  of  Gravity  (Centroid)  of  Delivery  District  
•   dLocal:   Local  Delivery  between  c  Customers  in  One  District  
•   kcf:   Circuity  Factor  
•   l:   Number  of  Tours  
•   c:   Number  of  Customer  Stop  per  Tour  
•   n:   Total  Number  of  Stops  (=c*l)  
•   LATi:   Latitude  of  Point  i  in  Radians  
•   LONGi:   Longitude  of  Point  i  in  Radians  
•   Radians:   (Angle  in  Degrees)*(π/180°)  
•   A:   Area  of  District  
•   δ:   Density  (Number  of  Stops/Area)  
•   dTSP:   Traveling  Salesman  Distance  
•   dStop:   Average  Distance  per  Stop  
•   kTSP:   Traveling  Salesman  Factor  (Unitless)  
•   E[n]:   Expected  Number  of  Stops  in  a  District  
•   E[D]:   Expected  Demand  in  a  District  
•   QMAX:   Capacity  of  Each  Truck  
•   cs:   Cost  per  Stop  ($/Stop)  
•   cd:   Cost  per  distance  ($/Mile)  
•   cvs:   Cost  per  Unit  per  Stop  ($/Item-­‐Mile)  
•   N:   Random  Variable  Assuming  Positive  Integer  Values  (1,  2,  3…)  
•   Xi:   Independent  Random  Variables  such  that  E[Xi]  =  E[X]  
•   S:   Sum  of  Xi  from  i  =  1  to  N  

Formulas:  
Distance  Estimation:  Point  to  Point  
Euclidean  Space:   𝑑”^¦ = (𝑥” − 𝑥¦ )6 + (𝑦” − 𝑦¦ )6  

Grid:       𝑑”^¦ = 𝑥” − 𝑥¦ + 𝑦” − 𝑦¦  

Random  Network:   𝐷”^¦ = 𝑘Ò“ 𝑑”^¦  

For  short  distances,     𝑑”^¦ = (𝑥” − 𝑥¦ )6 + (𝑦” − 𝑦¦ )6  

For  long  distances  within  the  same  hemisphere  (great  circle  equation)  

𝑑”^¦ = 3959(arccos sin 𝐿𝐴𝑇” sin 𝐿𝐴𝑇¦ + 𝑐𝑜𝑠𝑡 𝐿𝐴𝑇” cos 𝐿𝐴𝑇¦ cos 𝐿𝑂𝑁𝐺” − 𝐿𝑂𝑁𝐺¦ )  

One  to  Many  System  

𝑛 𝑘 }{j 𝑛
𝐸 𝑑 }{j ≈ 𝑘 }{j 𝑛𝐴 = 𝑛 =  
𝛿 𝛿

Estimating  Tour  Distance  

𝑑 }ÚÛÈ ≈ 2𝑑p/0AÜ2ÛÉ + 𝑑pÚž2É  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         80  

 𝑛𝑘 }{j
𝐸 𝑑 }ÚÛÈ = 2𝑑p/0AÜ2ÛÉ +  
𝛿
𝑛𝑘 }{j
𝐸 𝑑”ÉÉ}ÚÛÈ• = 𝑙  𝐸 𝑑 }ÚÛÈ = 2𝑙𝑑p/0AÜ2ÛÉ +  
𝛿
Minimize  the  number  of  tours  by  maximizing  vehicle  capacity  
R
𝐷
𝑙=  
𝑄Z2U
R
𝐷 𝑛𝑘 }{j
𝐸 𝑑”ÉÉ}ÚÛÈ• = 2 𝑑p/0AÜ2ÛÉ +  
𝑄Z2U 𝛿
One  to  Many  System  
Expected  distance  for  all  tours  
R
𝐸[𝐷] 𝐸[𝑛]𝑘 }{j 𝐸[𝐷] 1 𝐸[𝑛]𝑘 }{j
𝐸 𝑑”ÉÉ}ÚÛÈ• = 2 𝑑p/0AÜ2É + =2 + 𝑑p/0AÜ2ÛÉ +  
𝑄Z2U 𝛿 𝑄Z2U 2 𝛿
Expected  distance  for  all  tours  if  each  district  has  a  different  density  

𝐸[𝐷/ ] 1 𝐸[𝑛/ ]
𝐸 𝑑”ÉÉ}ÚÛÈ• = 2 + 𝑑 + 𝑘 }{j  
𝑄Z2U 2 p/0AÜ2ÛÉ 𝛿/
/ /

Total  Transport  Cost  

𝐸 𝐷 1 𝐸 𝐷 1 𝐸 𝑛 𝑘 }{j
𝑇𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝐶𝑜𝑠𝑡 = 𝑐• 𝐸 𝑛 + + + 𝑐1 2 + 𝑑p/0AÜ2ÛÉ + + 𝑐Ý• 𝐸[𝐷]  
𝑄Z2U 2 𝑄Z2U 2 𝛿

References:  
•   Daganzo,  Carlos,  Logistics  Systems  Analysis,  4th  edition,  Springer-­‐Verlag,  2004.  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         81  

Week  10  Lesson  2:  Final  Thoughts  
Learning  Objectives:  
•   Understand  how  the  different  elements  in  the  course  tie  together.  
•   Gain  insights  into  three  simple  methods  of  collecting  information  in  practice.    

Key  Concepts:  
Final  Thoughts  
•   Information  is  often  gating  factor  for  analysis  
o   Data  is  not  always  available,  accessible,  or  relevant  
o   People  are  good  resources  but  often  need  help  
•   Supply  chains  are  all  about  trade-­‐offs  
o   Fixed  vs.  Variable  costs  
o   Shortage  vs.  Excess  costs  
o   Lead  Time  vs.  Inventory  
o   Cost  vs.  Level  of  Service    
•   CTL.SC1x  gave  you  a  toolbox  of  methods  for:  
o   Demand  Forecasting  
o   Inventory  Management  
o   Transportation  Planning  
•   Problems  rarely  announce  themselves,  so  knowing  which  tool  to  use  is  as  critical  as  how  to  use  
it!  

Three  Real-­‐World  tips  for  Gathering  Information  

1.   Follow  the  supply  chain  flows  (product,  info,  financial)  –  from  source  to  consumption  and  back  
–  when  talking  with  someone  about  their  supply  chain  for  the  first  time.    It  organizes  the  
discussion  and  brings  up  issues  that  might  have  otherwise  been  missed.      
2.   Use  the  Piñata  Principle  –  Provide  people  something  to  comment  on  instead  of  asking  them  to  
come  up  with  something  from  scratch.    People  are  better  at  critiquing  than  creating.    It  also  
gives  them  a  frame  of  reference  to  start  from.      
3.   Coax  with  estimates  and  approximations  –  sometimes  students  especially  try  to  solve  things  
exactly  to  the  19th  decimal  place.  While  this  sometimes  has  a  place,  most  times  it  sets  the  
precision  far  ahead  of  the  accuracy  of  the  underlying  data.    Try  back  of  the  envelope  estimates,  
such  as  the  Triangle  Distribution.    The  Triangle  Distribution  is  a  simple  yet  effective  method  for  
obtaining  a  quick  sense  of  a  probability  distribution.    It  handles  asymmetric  distributions  and,  
because  people  tend  to  recall  extreme  and  common  values,  it  is  easy  to  collect  realistic  data.      
   

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         82  

Formulas:  
Triangle  Distribution  
This  was  also  shown  in  Week  1  Lesson  2  under  distributions.      

0  𝑓𝑜𝑟  𝑥 < 𝑎  𝑜𝑟  𝑥 > 𝑏

2(𝑥 − 𝑎)
 𝑓𝑜𝑟  𝑎 ≤ 𝑥 ≤ 𝑐
𝑓 𝑥 = (𝑏 − 𝑎)(𝑐 − 𝑎)  
2(𝑏 − 𝑥)
 𝑓𝑜𝑟  𝑐 ≤ 𝑥 ≤ 𝑏
(𝑏 − 𝑎)(𝑏 − 𝑐)

𝑎+𝑏+𝑐
𝐸 𝑥 =  
3

1
𝑉𝑎𝑟 𝑥 = (𝑎 6 + 𝑏 6 + 𝑐 6 − 𝑎𝑏 − 𝑎𝑐 − 𝑏𝑐)  
18

1 2 𝑏−𝑑
𝑃 𝑥>𝑑 = 𝑏−𝑑  𝑓𝑜𝑟  𝑐 ≤ 𝑑 ≤ 𝑏  
2 𝑏−𝑎 𝑏−𝑐

𝑏−𝑑 6
=  𝑓𝑜𝑟  𝑐 ≤ 𝑑 ≤ 𝑏  
𝑏−𝑎 𝑏−𝑐

𝑑 = 𝑏 − 𝑃 𝑥 > 𝑑 𝑏 − 𝑎 𝑏 − 𝑐  𝑓𝑜𝑟  𝑐 ≤ 𝑑 ≤ 𝑏  

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         83  

Appendix  –  Normal  &  Poisson  Tables  
 

v5.1  Spring  2016   CTL.SC1x  Key  Concepts  Document         84  

 Unit  Normal  distribution Example,  for  k=1.67,  the  Probability  that  u<k  =  0.9525  and  the  Expected  Unit  Normal  Loss  is  0.0197
k P[u<k] G(k) k P[u<k] G(k) k P[u<k] G(k) k P[u<k] G(k) k P[u<k] G(k) k P[x≤k] G(k) k P[x≤k] G(k) k P[x≤k] G(k)
0.00 0.5000 0.3989 0.50 0.6915 0.1978 1.00 0.8413 0.0833 1.50 0.9332 0.0293 2.00 0.9772 0.0085 2.50 0.9938      0.00200 3.00 0.9987    0.000382
  3.50 0.9998 0.000058
0.01 0.5040 0.3940 0.51 0.6950 0.1947 1.01 0.8438 0.0817 1.51 0.9345 0.0286 2.01 0.9778 0.0083 2.51 0.9940      0.00194 3.01 0.9987    0.000369
  3.51 0.9998 0.000056
0.02 0.5080 0.3890 0.52 0.6985 0.1917 1.02 0.8461 0.0802 1.52 0.9357 0.0280 2.02 0.9783 0.0080 2.52 0.9941      0.00188 3.02 0.9987    0.000356
  3.52 0.9998 0.000054
0.03 0.5120 0.3841 0.53 0.7019 0.1887 1.03 0.8485 0.0787 1.53 0.9370 0.0274 2.03 0.9788 0.0078 2.53 0.9943      0.00183 3.03 0.9988    0.000344
  3.53 0.9998 0.000052
0.04 0.5160 0.3793 0.54 0.7054 0.1857 1.04 0.8508 0.0772 1.54 0.9382 0.0267 2.04 0.9793 0.0076 2.54 0.9945      0.00177 3.04 0.9988    0.000332
  3.54 0.9998 0.000050
0.05 0.5199 0.3744 0.55 0.7088 0.1828 1.05 0.8531 0.0757 1.55 0.9394 0.0261 2.05 0.9798 0.0074 2.55 0.9946      0.00171 3.05 0.9989    0.000320
  3.55 0.9998 0.000048
0.06 0.5239 0.3697 0.56 0.7123 0.1799 1.06 0.8554 0.0742 1.56 0.9406 0.0255 2.06 0.9803 0.0072 2.56 0.9948      0.00166 3.06 0.9989    0.000309
  3.56 0.9998 0.000046
0.07 0.5279 0.3649 0.57 0.7157 0.1771 1.07 0.8577 0.0728 1.57 0.9418 0.0249 2.07 0.9808 0.0070 2.57 0.9949      0.00161 3.07 0.9989    0.000298
  3.57 0.9998 0.000044
0.08 0.5319 0.3602 0.58 0.7190 0.1742 1.08 0.8599 0.0714 1.58 0.9429 0.0244 2.08 0.9812 0.0068 2.58 0.9951      0.00156 3.08 0.9990    0.000287
  3.58 0.9998 0.000042
0.09 0.5359 0.3556 0.59 0.7224 0.1714 1.09 0.8621 0.0700 1.59 0.9441 0.0238 2.09 0.9817 0.0066 2.59 0.9952      0.00151 3.09 0.9990    0.000277
  3.59 0.9998 0.000041
0.10 0.5398 0.3509 0.60 0.7257 0.1687 1.10 0.8643 0.0686 1.60 0.9452 0.0232 2.10 0.9821 0.0065 2.60 0.9953      0.00146 3.10 0.9990    0.000267
  3.60 0.9998 0.000039
0.11 0.5438 0.3464 0.61 0.7291 0.1659 1.11 0.8665 0.0673 1.61 0.9463 0.0227 2.11 0.9826 0.0063 2.61 0.9955      0.00142 3.11 0.9991    0.000258
  3.61 0.9998 0.000038
0.12 0.5478 0.3418 0.62 0.7324 0.1633 1.12 0.8686 0.0659 1.62 0.9474 0.0222 2.12 0.9830 0.0061 2.62 0.9956      0.00137 3.12 0.9991    0.000249
  3.62 0.9999 0.000036
0.13 0.5517 0.3373 0.63 0.7357 0.1606 1.13 0.8708 0.0646 1.63 0.9484 0.0216 2.13 0.9834 0.0060 2.63 0.9957      0.00133 3.13 0.9991    0.000240
  3.63 0.9999 0.000035
0.14 0.5557 0.3328 0.64 0.7389 0.1580 1.14 0.8729 0.0634 1.64 0.9495 0.0211 2.14 0.9838 0.0058 2.64 0.9959      0.00129 3.14 0.9992    0.000231
  3.64 0.9999 0.000033
0.15 0.5596 0.3284 0.65 0.7422 0.1554 1.15 0.8749 0.0621 1.65 0.9505 0.0206 2.15 0.9842 0.0056 2.65 0.9960      0.00125 3.15 0.9992    0.000223
  3.65 0.9999 0.000032
0.16 0.5636 0.3240 0.66 0.7454 0.1528 1.16 0.8770 0.0609 1.66 0.9515 0.0201 2.16 0.9846 0.0055 2.66 0.9961      0.00121 3.16 0.9992    0.000215
  3.66 0.9999 0.000031
0.17 0.5675 0.3197 0.67 0.7486 0.1503 1.17 0.8790 0.0596 1.67 0.9525 0.0197 2.17 0.9850 0.0053 2.67 0.9962      0.00117 3.17 0.9992    0.000207
  3.67 0.9999 0.000029
0.18 0.5714 0.3154 0.68 0.7517 0.1478 1.18 0.8810 0.0584 1.68 0.9535 0.0192 2.18 0.9854 0.0052 2.68 0.9963      0.00113 3.18 0.9993    0.000199
  3.68 0.9999 0.000028
0.19 0.5753 0.3111 0.69 0.7549 0.1453 1.19 0.8830 0.0573 1.69 0.9545 0.0187 2.19 0.9857 0.0050 2.69 0.9964      0.00110 3.19 0.9993    0.000192
  3.69 0.9999 0.000027
0.20 0.5793 0.3069 0.70 0.7580 0.1429 1.20 0.8849 0.0561 1.70 0.9554 0.0183 2.20 0.9861 0.0049 2.70 0.9965      0.00106 3.20 0.9993    0.000185
  3.70 0.9999 0.000026
0.21 0.5832 0.3027 0.71 0.7611 0.1405 1.21 0.8869 0.0550 1.71 0.9564 0.0178 2.21 0.9864 0.0047 2.71 0.9966      0.00103 3.21 0.9993    0.000178
  3.71 0.9999 0.000025
0.22 0.5871 0.2986 0.72 0.7642 0.1381 1.22 0.8888 0.0538 1.72 0.9573 0.0174 2.22 0.9868 0.0046 2.72 0.9967      0.00099 3.22 0.9994    0.000172
  3.72 0.9999 0.000024
0.23 0.5910 0.2944 0.73 0.7673 0.1358 1.23 0.8907 0.0527 1.73 0.9582 0.0170 2.23 0.9871 0.0045 2.73 0.9968      0.00096 3.23 0.9994    0.000166
  3.73 0.9999 0.000023
0.24 0.5948 0.2904 0.74 0.7704 0.1334 1.24 0.8925 0.0517 1.74 0.9591 0.0166 2.24 0.9875 0.0044 2.74 0.9969      0.00093 3.24 0.9994    0.000160
  3.74 0.9999 0.000022
0.25 0.5987 0.2863 0.75 0.7734 0.1312 1.25 0.8944 0.0506 1.75 0.9599 0.0162 2.25 0.9878 0.0042 2.75 0.9970      0.00090 3.25 0.9994    0.000154
  3.75 0.9999 0.000021
0.26 0.6026 0.2824 0.76 0.7764 0.1289 1.26 0.8962 0.0495 1.76 0.9608 0.0158 2.26 0.9881 0.0041 2.76 0.9971      0.00087 3.26 0.9994    0.000148
  3.76 0.9999 0.000020
0.27 0.6064 0.2784 0.77 0.7794 0.1267 1.27 0.8980 0.0485 1.77 0.9616 0.0154 2.27 0.9884 0.0040 2.77 0.9972      0.00084 3.27 0.9995    0.000143
  3.77 0.9999 0.000019
0.28 0.6103 0.2745 0.78 0.7823 0.1245 1.28 0.8997 0.0475 1.78 0.9625 0.0150 2.28 0.9887 0.0039 2.78 0.9973      0.00081 3.28 0.9995    0.000137
  3.78 0.9999 0.000019
0.29 0.6141 0.2706 0.79 0.7852 0.1223 1.29 0.9015 0.0465 1.79 0.9633 0.0146 2.29 0.9890 0.0038 2.79 0.9974      0.00079 3.29 0.9995    0.000132
  3.79 0.9999 0.000018
0.30 0.6179 0.2668 0.80 0.7881 0.1202 1.30 0.9032 0.0455 1.80 0.9641 0.0143 2.30 0.9893 0.0037 2.80 0.9974      0.00076 3.30 0.9995    0.000127
  3.80 0.9999 0.000017
0.31 0.6217 0.2630 0.81 0.7910 0.1181 1.31 0.9049 0.0446 1.81 0.9649 0.0139 2.31 0.9896 0.0036 2.81 0.9975      0.00074 3.31 0.9995    0.000123
  3.81 0.9999 0.000016
0.32 0.6255 0.2592 0.82 0.7939 0.1160 1.32 0.9066 0.0436 1.82 0.9656 0.0136 2.32 0.9898 0.0035 2.82 0.9976      0.00071 3.32 0.9995    0.000118
  3.82 0.9999 0.000016
0.33 0.6293 0.2555 0.83 0.7967 0.1140 1.33 0.9082 0.0427 1.83 0.9664 0.0132 2.33 0.9901 0.0034 2.83 0.9977      0.00069 3.33 0.9996    0.000114
  3.83 0.9999 0.000015
0.34 0.6331 0.2518 0.84 0.7995 0.1120 1.34 0.9099 0.0418 1.84 0.9671 0.0129 2.34 0.9904 0.0033 2.84 0.9977      0.00066 3.34 0.9996    0.000109
  3.84 0.9999 0.000014
0.35 0.6368 0.2481 0.85 0.8023 0.1100 1.35 0.9115 0.0409 1.85 0.9678 0.0126 2.35 0.9906 0.0032 2.85 0.9978      0.00064 3.35 0.9996    0.000105
  3.85 0.9999 0.000014
0.36 0.6406 0.2445 0.86 0.8051 0.1080 1.36 0.9131 0.0400 1.86 0.9686 0.0123 2.36 0.9909 0.0031 2.86 0.9979      0.00062 3.36 0.9996    0.000101
  3.86 0.9999 0.000013
0.37 0.6443 0.2409 0.87 0.8078 0.1061 1.37 0.9147 0.0392 1.87 0.9693 0.0119 2.37 0.9911 0.0030 2.87 0.9979      0.00060 3.37 0.9996    0.000097
  3.87 0.9999 0.000013
0.38 0.6480 0.2374 0.88 0.8106 0.1042 1.38 0.9162 0.0383 1.88 0.9699 0.0116 2.38 0.9913 0.0029 2.88 0.9980      0.00058 3.38 0.9996    0.000094
  3.88 0.9999 0.000012
0.39 0.6517 0.2339 0.89 0.8133 0.1023 1.39 0.9177 0.0375 1.89 0.9706 0.0113 2.39 0.9916 0.0028 2.89 0.9981      0.00056 3.39 0.9997    0.000090
  3.89 0.9999 0.000012
0.40 0.6554 0.2304 0.90 0.8159 0.1004 1.40 0.9192 0.0367 1.90 0.9713 0.0111 2.40 0.9918 0.0027 2.90 0.9981      0.00054 3.40 0.9997    0.000087
  3.90 1.0000 0.000011
0.41 0.6591 0.2270 0.91 0.8186 0.0986 1.41 0.9207 0.0359 1.91 0.9719 0.0108 2.41 0.9920 0.0026 2.91 0.9982      0.00052 3.41 0.9997    0.000083
  3.91 1.0000 0.000011
0.42 0.6628 0.2236 0.92 0.8212 0.0968 1.42 0.9222 0.0351 1.92 0.9726 0.0105 2.42 0.9922 0.0026 2.92 0.9982      0.00051 3.42 0.9997    0.000080
  3.92 1.0000 0.000010
0.43 0.6664 0.2203 0.93 0.8238 0.0950 1.43 0.9236 0.0343 1.93 0.9732 0.0102 2.43 0.9925 0.0025 2.93 0.9983      0.00049 3.43 0.9997    0.000077
  3.93 1.0000 0.000010
0.44 0.6700 0.2169 0.94 0.8264 0.0933 1.44 0.9251 0.0336 1.94 0.9738 0.0100 2.44 0.9927 0.0024 2.94 0.9984      0.00047 3.44 0.9997    0.000074
  3.94 1.0000 0.000009
0.45 0.6736 0.2137 0.95 0.8289 0.0916 1.45 0.9265 0.0328 1.95 0.9744 0.0097 2.45 0.9929 0.0023 2.95 0.9984      0.00046 3.45 0.9997    0.000071
  3.95 1.0000 0.000009
0.46 0.6772 0.2104 0.96 0.8315 0.0899 1.46 0.9279 0.0321 1.96 0.9750 0.0094 2.46 0.9931 0.0023 2.96 0.9985      0.00044 3.46 0.9997    0.000069
  3.96 1.0000 0.000009
0.47 0.6808 0.2072 0.97 0.8340 0.0882 1.47 0.9292 0.0314 1.97 0.9756 0.0092 2.47 0.9932 0.0022 2.97 0.9985      0.00042 3.47 0.9997    0.000066
  3.97 1.0000 0.000008
0.48 0.6844 0.2040 0.98 0.8365 0.0865 1.48 0.9306 0.0307 1.98 0.9761 0.0090 2.48 0.9934 0.0021 2.98 0.9986      0.00041 3.48 0.9997    0.000063
  3.98 1.0000 0.000008
0.49 0.6879 0.2009 0.99 0.8389 0.0849 1.49 0.9319 0.0300 1.99 0.9767 0.0087 2.49 0.9936 0.0021 2.99 0.9986      0.00040 3.49 0.9998    0.000061
  3.99 1.0000 0.000007
 k P[u<k] G(k) k P[u<k] G(k) k P[u<k] G(k) k P[u<k] G(k) k P[u<k] G(k) k P[x≤k] G(k) k P[x≤k] G(k) k P[x≤k] G(k)
0.00 0.5000 0.3989 -­‐0.50 0.3085 0.6978 -­‐1.00 0.1587 1.0833 -­‐1.50 0.0668 1.5293 -­‐2.00 0.0228 2.0085 -­‐2.50 0.0062      2.50200 -­‐3.00 0.0013    3.000382
  -­‐3.50 0.0002 3.500058
-­‐0.01 0.4960 0.4040 -­‐0.51 0.3050 0.7047 -­‐1.01 0.1562 1.0917 -­‐1.51 0.0655 1.5386 -­‐2.01 0.0222 2.0183 -­‐2.51 0.0060      2.51194 -­‐3.01 0.0013    3.010369
  -­‐3.51 0.0002 3.510056
-­‐0.02 0.4920 0.4090 -­‐0.52 0.3015 0.7117 -­‐1.02 0.1539 1.1002 -­‐1.52 0.0643 1.5480 -­‐2.02 0.0217 2.0280 -­‐2.52 0.0059      2.52188 -­‐3.02 0.0013    3.020356
  -­‐3.52 0.0002 3.520054
-­‐0.03 0.4880 0.4141 -­‐0.53 0.2981 0.7187 -­‐1.03 0.1515 1.1087 -­‐1.53 0.0630 1.5574 -­‐2.03 0.0212 2.0378 -­‐2.53 0.0057      2.53183 -­‐3.03 0.0012    3.030344
  -­‐3.53 0.0002 3.530052
-­‐0.04 0.4840 0.4193 -­‐0.54 0.2946 0.7257 -­‐1.04 0.1492 1.1172 -­‐1.54 0.0618 1.5667 -­‐2.04 0.0207 2.0476 -­‐2.54 0.0055      2.54177 -­‐3.04 0.0012    3.040332
  -­‐3.54 0.0002 3.540050
-­‐0.05 0.4801 0.4244 -­‐0.55 0.2912 0.7328 -­‐1.05 0.1469 1.1257 -­‐1.55 0.0606 1.5761 -­‐2.05 0.0202 2.0574 -­‐2.55 0.0054      2.55171 -­‐3.05 0.0011    3.050320
  -­‐3.55 0.0002 3.550048
-­‐0.06 0.4761 0.4297 -­‐0.56 0.2877 0.7399 -­‐1.06 0.1446 1.1342 -­‐1.56 0.0594 1.5855 -­‐2.06 0.0197 2.0672 -­‐2.56 0.0052      2.56166 -­‐3.06 0.0011    3.060309
  -­‐3.56 0.0002 3.560046
-­‐0.07 0.4721 0.4349 -­‐0.57 0.2843 0.7471 -­‐1.07 0.1423 1.1428 -­‐1.57 0.0582 1.5949 -­‐2.07 0.0192 2.0770 -­‐2.57 0.0051      2.57161 -­‐3.07 0.0011    3.070298
  -­‐3.57 0.0002 3.570044
-­‐0.08 0.4681 0.4402 -­‐0.58 0.2810 0.7542 -­‐1.08 0.1401 1.1514 -­‐1.58 0.0571 1.6044 -­‐2.08 0.0188 2.0868 -­‐2.58 0.0049      2.58156 -­‐3.08 0.0010    3.080287
  -­‐3.58 0.0002 3.580042
-­‐0.09 0.4641 0.4456 -­‐0.59 0.2776 0.7614 -­‐1.09 0.1379 1.1600 -­‐1.59 0.0559 1.6138 -­‐2.09 0.0183 2.0966 -­‐2.59 0.0048      2.59151 -­‐3.09 0.0010    3.090277
  -­‐3.59 0.0002 3.590041
-­‐0.10 0.4602 0.4509 -­‐0.60 0.2743 0.7687 -­‐1.10 0.1357 1.1686 -­‐1.60 0.0548 1.6232 -­‐2.10 0.0179 2.1065 -­‐2.60 0.0047      2.60146 -­‐3.10 0.0010    3.100267
  -­‐3.60 0.0002 3.600039
-­‐0.11 0.4562 0.4564 -­‐0.61 0.2709 0.7759 -­‐1.11 0.1335 1.1773 -­‐1.61 0.0537 1.6327 -­‐2.11 0.0174 2.1163 -­‐2.61 0.0045      2.61142 -­‐3.11 0.0009    3.110258
  -­‐3.61 0.0002 3.610038
-­‐0.12 0.4522 0.4618 -­‐0.62 0.2676 0.7833 -­‐1.12 0.1314 1.1859 -­‐1.62 0.0526 1.6422 -­‐2.12 0.0170 2.1261 -­‐2.62 0.0044      2.62137 -­‐3.12 0.0009    3.120249
  -­‐3.62 0.0001 3.620036
-­‐0.13 0.4483 0.4673 -­‐0.63 0.2643 0.7906 -­‐1.13 0.1292 1.1946 -­‐1.63 0.0516 1.6516 -­‐2.13 0.0166 2.1360 -­‐2.63 0.0043      2.63133 -­‐3.13 0.0009    3.130240
  -­‐3.63 0.0001 3.630035
-­‐0.14 0.4443 0.4728 -­‐0.64 0.2611 0.7980 -­‐1.14 0.1271 1.2034 -­‐1.64 0.0505 1.6611 -­‐2.14 0.0162 2.1458 -­‐2.64 0.0041      2.64129 -­‐3.14 0.0008    3.140231
  -­‐3.64 0.0001 3.640033
-­‐0.15 0.4404 0.4784 -­‐0.65 0.2578 0.8054 -­‐1.15 0.1251 1.2121 -­‐1.65 0.0495 1.6706 -­‐2.15 0.0158 2.1556 -­‐2.65 0.0040      2.65125 -­‐3.15 0.0008    3.150223
  -­‐3.65 0.0001 3.650032
-­‐0.16 0.4364 0.4840 -­‐0.66 0.2546 0.8128 -­‐1.16 0.1230 1.2209 -­‐1.66 0.0485 1.6801 -­‐2.16 0.0154 2.1655 -­‐2.66 0.0039      2.66121 -­‐3.16 0.0008    3.160215
  -­‐3.66 0.0001 3.660031
-­‐0.17 0.4325 0.4897 -­‐0.67 0.2514 0.8203 -­‐1.17 0.1210 1.2296 -­‐1.67 0.0475 1.6897 -­‐2.17 0.0150 2.1753 -­‐2.67 0.0038      2.67117 -­‐3.17 0.0008    3.170207
  -­‐3.67 0.0001 3.670029
-­‐0.18 0.4286 0.4954 -­‐0.68 0.2483 0.8278 -­‐1.18 0.1190 1.2384 -­‐1.68 0.0465 1.6992 -­‐2.18 0.0146 2.1852 -­‐2.68 0.0037      2.68113 -­‐3.18 0.0007    3.180199
  -­‐3.68 0.0001 3.680028
-­‐0.19 0.4247 0.5011 -­‐0.69 0.2451 0.8353 -­‐1.19 0.1170 1.2473 -­‐1.69 0.0455 1.7087 -­‐2.19 0.0143 2.1950 -­‐2.69 0.0036      2.69110 -­‐3.19 0.0007    3.190192
  -­‐3.69 0.0001 3.690027
-­‐0.20 0.4207 0.5069 -­‐0.70 0.2420 0.8429 -­‐1.20 0.1151 1.2561 -­‐1.70 0.0446 1.7183 -­‐2.20 0.0139 2.2049 -­‐2.70 0.0035      2.70106 -­‐3.20 0.0007    3.200185
  -­‐3.70 0.0001 3.700026
-­‐0.21 0.4168 0.5127 -­‐0.71 0.2389 0.8505 -­‐1.21 0.1131 1.2650 -­‐1.71 0.0436 1.7278 -­‐2.21 0.0136 2.2147 -­‐2.71 0.0034      2.71103 -­‐3.21 0.0007    3.210178
  -­‐3.71 0.0001 3.710025
-­‐0.22 0.4129 0.5186 -­‐0.72 0.2358 0.8581 -­‐1.22 0.1112 1.2738 -­‐1.72 0.0427 1.7374 -­‐2.22 0.0132 2.2246 -­‐2.72 0.0033      2.72099 -­‐3.22 0.0006    3.220172
  -­‐3.72 0.0001 3.720024
-­‐0.23 0.4090 0.5244 -­‐0.73 0.2327 0.8658 -­‐1.23 0.1093 1.2827 -­‐1.73 0.0418 1.7470 -­‐2.23 0.0129 2.2345 -­‐2.73 0.0032      2.73096 -­‐3.23 0.0006    3.230166
  -­‐3.73 0.0001 3.730023
-­‐0.24 0.4052 0.5304 -­‐0.74 0.2296 0.8734 -­‐1.24 0.1075 1.2917 -­‐1.74 0.0409 1.7566 -­‐2.24 0.0125 2.2444 -­‐2.74 0.0031      2.74093 -­‐3.24 0.0006    3.240160
  -­‐3.74 0.0001 3.740022
-­‐0.25 0.4013 0.5363 -­‐0.75 0.2266 0.8812 -­‐1.25 0.1056 1.3006 -­‐1.75 0.0401 1.7662 -­‐2.25 0.0122 2.2542 -­‐2.75 0.0030      2.75090 -­‐3.25 0.0006    3.250154
  -­‐3.75 0.0001 3.750021
-­‐0.26 0.3974 0.5424 -­‐0.76 0.2236 0.8889 -­‐1.26 0.1038 1.3095 -­‐1.76 0.0392 1.7758 -­‐2.26 0.0119 2.2641 -­‐2.76 0.0029      2.76087 -­‐3.26 0.0006    3.260148
  -­‐3.76 0.0001 3.760020
-­‐0.27 0.3936 0.5484 -­‐0.77 0.2206 0.8967 -­‐1.27 0.1020 1.3185 -­‐1.77 0.0384 1.7854 -­‐2.27 0.0116 2.2740 -­‐2.77 0.0028      2.77084 -­‐3.27 0.0005    3.270143
  -­‐3.77 0.0001 3.770019
-­‐0.28 0.3897 0.5545 -­‐0.78 0.2177 0.9045 -­‐1.28 0.1003 1.3275 -­‐1.78 0.0375 1.7950 -­‐2.28 0.0113 2.2839 -­‐2.78 0.0027      2.78081 -­‐3.28 0.0005    3.280137
  -­‐3.78 0.0001 3.780019
-­‐0.29 0.3859 0.5606 -­‐0.79 0.2148 0.9123 -­‐1.29 0.0985 1.3365 -­‐1.79 0.0367 1.8046 -­‐2.29 0.0110 2.2938 -­‐2.79 0.0026      2.79079 -­‐3.29 0.0005    3.290132
  -­‐3.79 0.0001 3.790018
-­‐0.30 0.3821 0.5668 -­‐0.80 0.2119 0.9202 -­‐1.30 0.0968 1.3455 -­‐1.80 0.0359 1.8143 -­‐2.30 0.0107 2.3037 -­‐2.80 0.0026      2.80076 -­‐3.30 0.0005    3.300127
  -­‐3.80 0.0001 3.800017
-­‐0.31 0.3783 0.5730 -­‐0.81 0.2090 0.9281 -­‐1.31 0.0951 1.3546 -­‐1.81 0.0351 1.8239 -­‐2.31 0.0104 2.3136 -­‐2.81 0.0025      2.81074 -­‐3.31 0.0005    3.310123
  -­‐3.81 0.0001 3.810016
-­‐0.32 0.3745 0.5792 -­‐0.82 0.2061 0.9360 -­‐1.32 0.0934 1.3636 -­‐1.82 0.0344 1.8336 -­‐2.32 0.0102 2.3235 -­‐2.82 0.0024      2.82071 -­‐3.32 0.0005    3.320118
  -­‐3.82 0.0001 3.820016
-­‐0.33 0.3707 0.5855 -­‐0.83 0.2033 0.9440 -­‐1.33 0.0918 1.3727 -­‐1.83 0.0336 1.8432 -­‐2.33 0.0099 2.3334 -­‐2.83 0.0023      2.83069 -­‐3.33 0.0004    3.330114
  -­‐3.83 0.0001 3.830015
-­‐0.34 0.3669 0.5918 -­‐0.84 0.2005 0.9520 -­‐1.34 0.0901 1.3818 -­‐1.84 0.0329 1.8529 -­‐2.34 0.0096 2.3433 -­‐2.84 0.0023      2.84066 -­‐3.34 0.0004    3.340109
  -­‐3.84 0.0001 3.840014
-­‐0.35 0.3632 0.5981 -­‐0.85 0.1977 0.9600 -­‐1.35 0.0885 1.3909 -­‐1.85 0.0322 1.8626 -­‐2.35 0.0094 2.3532 -­‐2.85 0.0022      2.85064 -­‐3.35 0.0004    3.350105
  -­‐3.85 0.0001 3.850014
-­‐0.36 0.3594 0.6045 -­‐0.86 0.1949 0.9680 -­‐1.36 0.0869 1.4000 -­‐1.86 0.0314 1.8723 -­‐2.36 0.0091 2.3631 -­‐2.86 0.0021      2.86062 -­‐3.36 0.0004    3.360101
  -­‐3.86 0.0001 3.860013
-­‐0.37 0.3557 0.6109 -­‐0.87 0.1922 0.9761 -­‐1.37 0.0853 1.4092 -­‐1.87 0.0307 1.8819 -­‐2.37 0.0089 2.3730 -­‐2.87 0.0021      2.87060 -­‐3.37 0.0004    3.370097
  -­‐3.87 0.0001 3.870013
-­‐0.38 0.3520 0.6174 -­‐0.88 0.1894 0.9842 -­‐1.38 0.0838 1.4183 -­‐1.88 0.0301 1.8916 -­‐2.38 0.0087 2.3829 -­‐2.88 0.0020      2.88058 -­‐3.38 0.0004    3.380094
  -­‐3.88 0.0001 3.880012
-­‐0.39 0.3483 0.6239 -­‐0.89 0.1867 0.9923 -­‐1.39 0.0823 1.4275 -­‐1.89 0.0294 1.9013 -­‐2.39 0.0084 2.3928 -­‐2.89 0.0019      2.89056 -­‐3.39 0.0003    3.390090
  -­‐3.89 0.0001 3.890012
-­‐0.40 0.3446 0.6304 -­‐0.90 0.1841 1.0004 -­‐1.40 0.0808 1.4367 -­‐1.90 0.0287 1.9111 -­‐2.40 0.0082 2.4027 -­‐2.90 0.0019      2.90054 -­‐3.40 0.0003    3.400087
  -­‐3.90 0.0000 3.900011
-­‐0.41 0.3409 0.6370 -­‐0.91 0.1814 1.0086 -­‐1.41 0.0793 1.4459 -­‐1.91 0.0281 1.9208 -­‐2.41 0.0080 2.4126 -­‐2.91 0.0018      2.91052 -­‐3.41 0.0003    3.410083
  -­‐3.91 0.0000 3.910011
-­‐0.42 0.3372 0.6436 -­‐0.92 0.1788 1.0168 -­‐1.42 0.0778 1.4551 -­‐1.92 0.0274 1.9305 -­‐2.42 0.0078 2.4226 -­‐2.92 0.0018      2.92051 -­‐3.42 0.0003    3.420080
  -­‐3.92 0.0000 3.920010
-­‐0.43 0.3336 0.6503 -­‐0.93 0.1762 1.0250 -­‐1.43 0.0764 1.4643 -­‐1.93 0.0268 1.9402 -­‐2.43 0.0075 2.4325 -­‐2.93 0.0017      2.93049 -­‐3.43 0.0003    3.430077
  -­‐3.93 0.0000 3.930010
-­‐0.44 0.3300 0.6569 -­‐0.94 0.1736 1.0333 -­‐1.44 0.0749 1.4736 -­‐1.94 0.0262 1.9500 -­‐2.44 0.0073 2.4424 -­‐2.94 0.0016      2.94047 -­‐3.44 0.0003    3.440074
  -­‐3.94 0.0000 3.940009
-­‐0.45 0.3264 0.6637 -­‐0.95 0.1711 1.0416 -­‐1.45 0.0735 1.4828 -­‐1.95 0.0256 1.9597 -­‐2.45 0.0071 2.4523 -­‐2.95 0.0016      2.95046 -­‐3.45 0.0003    3.450071
  -­‐3.95 0.0000 3.950009
-­‐0.46 0.3228 0.6704 -­‐0.96 0.1685 1.0499 -­‐1.46 0.0721 1.4921 -­‐1.96 0.0250 1.9694 -­‐2.46 0.0069 2.4623 -­‐2.96 0.0015      2.96044 -­‐3.46 0.0003    3.460069
  -­‐3.96 0.0000 3.960009
-­‐0.47 0.3192 0.6772 -­‐0.97 0.1660 1.0582 -­‐1.47 0.0708 1.5014 -­‐1.97 0.0244 1.9792 -­‐2.47 0.0068 2.4722 -­‐2.97 0.0015      2.97042 -­‐3.47 0.0003    3.470066
  -­‐3.97 0.0000 3.970008
-­‐0.48 0.3156 0.6840 -­‐0.98 0.1635 1.0665 -­‐1.48 0.0694 1.5107 -­‐1.98 0.0239 1.9890 -­‐2.48 0.0066 2.4821 -­‐2.98 0.0014      2.98041 -­‐3.48 0.0003    3.480063
  -­‐3.98 0.0000 3.980008
-­‐0.49 0.3121 0.6909 -­‐0.99 0.1611 1.0749 -­‐1.49 0.0681 1.5200 -­‐1.99 0.0233 1.9987 -­‐2.49 0.0064 2.4921 -­‐2.99 0.0014      2.99040 -­‐3.49 0.0002    3.490061
  -­‐3.99 0.0000 3.990007
 Poisson  distribution Columns  are  means  (λ)  while  rows  are  cumulative  probabilibites  (F(x).    For  example,  the  P[x≤2]  for  ~P(λ=0.5)  =  0.98561

F(x) 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 F(x)
0    0.99005    0.98020    0.97045    0.96079    0.95123    0.94176    0.93239    0.92312    0.91393    0.90484    0.86071    0.81873    0.77880    0.74082    0.70469    0.67032    0.63763    0.60653 0
1    0.99995    0.99980    0.99956    0.99922    0.99879    0.99827    0.99766    0.99697    0.99618    0.99532    0.98981    0.98248    0.97350    0.96306    0.95133    0.93845    0.92456    0.90980 1
2    1.00000    1.00000    1.00000    0.99999    0.99998    0.99997    0.99995    0.99992    0.99989    0.99985    0.99950    0.99885    0.99784    0.99640    0.99449    0.99207    0.98912    0.98561 2
3    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    0.99998    0.99994    0.99987    0.99973    0.99953    0.99922    0.99880    0.99825 3
4    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    0.99999    0.99998    0.99997    0.99994    0.99989    0.99983 4
5    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    0.99999    0.99999 5
6    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000 6

F(x) 0.75 1.00 1.25 1.50 1.75 2.00 2.25 2.50 2.75 3.00 3.25 3.50 3.75 4.00 4.25 4.50 4.75 5.00 F(x)
0    0.47237    0.36788    0.28650    0.22313    0.17377    0.13534    0.10540    0.08208    0.06393    0.04979    0.03877    0.03020    0.02352    0.01832    0.01426    0.01111    0.00865    0.00674 0
1    0.82664    0.73576    0.64464    0.55783    0.47788    0.40601    0.34255    0.28730    0.23973    0.19915    0.16479    0.13589    0.11171    0.09158    0.07489    0.06110    0.04975    0.04043 1
2    0.95949    0.91970    0.86847    0.80885    0.74397    0.67668    0.60934    0.54381    0.48146    0.42319    0.36957    0.32085    0.27707    0.23810    0.20371    0.17358    0.14735    0.12465 2
3    0.99271    0.98101    0.96173    0.93436    0.89919    0.85712    0.80943    0.75758    0.70304    0.64723    0.59141    0.53663    0.48377    0.43347    0.38621    0.34230    0.30189    0.26503 3
4    0.99894    0.99634    0.99088    0.98142    0.96710    0.94735    0.92199    0.89118    0.85538    0.81526    0.77165    0.72544    0.67755    0.62884    0.58012    0.53210    0.48540    0.44049 4
5    0.99987    0.99941    0.99816    0.99554    0.99087    0.98344    0.97263    0.95798    0.93916    0.91608    0.88881    0.85761    0.82288    0.78513    0.74494    0.70293    0.65973    0.61596 5
6    0.99999    0.99992    0.99968    0.99907    0.99780    0.99547    0.99163    0.98581    0.97757    0.96649    0.95227    0.93471    0.91372    0.88933    0.86169    0.83105    0.79775    0.76218 6
7    1.00000    0.99999    0.99995    0.99983    0.99953    0.99890    0.99773    0.99575    0.99265    0.98810    0.98174    0.97326    0.96238    0.94887    0.93257    0.91341    0.89140    0.86663 7
8    1.00000    1.00000    0.99999    0.99997    0.99991    0.99976    0.99945    0.99886    0.99784    0.99620    0.99371    0.99013    0.98519    0.97864    0.97023    0.95974    0.94701    0.93191 8
9    1.00000    1.00000    1.00000    1.00000    0.99998    0.99995    0.99988    0.99972    0.99942    0.99890    0.99803    0.99669    0.99469    0.99187    0.98801    0.98291    0.97636    0.96817 9
10    1.00000    1.00000    1.00000    1.00000    1.00000    0.99999    0.99998    0.99994    0.99986    0.99971    0.99944    0.99898    0.99826    0.99716    0.99557    0.99333    0.99030    0.98630 10
11    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    0.99999    0.99997    0.99993    0.99985    0.99971    0.99947    0.99908    0.99849    0.99760    0.99632    0.99455 11
12    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    0.99999    0.99998    0.99996    0.99992    0.99985    0.99973    0.99952    0.99919    0.99870    0.99798 12
13    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    0.99999    0.99998    0.99996    0.99992    0.99986    0.99975    0.99957    0.99930 13
14    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    0.99999    0.99998    0.99996    0.99993    0.99987    0.99977 14
15    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    0.99999    0.99998    0.99996    0.99993 15
16    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    0.99999    0.99999    0.99998 16
17    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    0.99999 17
18    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000 18
F(x) 5.25 5.50 5.75 6.00 6.25 6.50 6.75 7.00 7.25 7.50 7.75 8.00 8.25 8.50 8.75 9.00 9.25 9.50 F(x)
0    0.00525    0.00409    0.00318    0.00248    0.00193    0.00150    0.00117    0.00091    0.00071    0.00055    0.00043    0.00034    0.00026    0.00020    0.00016    0.00012    0.00010    0.00007 0
1    0.03280    0.02656    0.02148    0.01735    0.01400    0.01128    0.00907    0.00730    0.00586    0.00470    0.00377    0.00302    0.00242    0.00193    0.00154    0.00123    0.00099    0.00079 1
2    0.10511    0.08838    0.07410    0.06197    0.05170    0.04304    0.03575    0.02964    0.02452    0.02026    0.01670    0.01375    0.01131    0.00928    0.00761    0.00623    0.00510    0.00416 2
3    0.23167    0.20170    0.17495    0.15120    0.13025    0.11185    0.09577    0.08177    0.06963    0.05915    0.05012    0.04238    0.03576    0.03011    0.02530    0.02123    0.01777    0.01486 3
4    0.39777    0.35752    0.31991    0.28506    0.25299    0.22367    0.19704    0.17299    0.15138    0.13206    0.11487    0.09963    0.08619    0.07436    0.06401    0.05496    0.04709    0.04026 4
5    0.57218    0.52892    0.48662    0.44568    0.40640    0.36904    0.33377    0.30071    0.26992    0.24144    0.21522    0.19124    0.16939    0.14960    0.13174    0.11569    0.10133    0.08853 5
6    0.72479    0.68604    0.64639    0.60630    0.56622    0.52652    0.48759    0.44971    0.41316    0.37815    0.34485    0.31337    0.28380    0.25618    0.23051    0.20678    0.18495    0.16495 6
7    0.83925    0.80949    0.77762    0.74398    0.70890    0.67276    0.63591    0.59871    0.56152    0.52464    0.48837    0.45296    0.41864    0.38560    0.35398    0.32390    0.29544    0.26866 7
8    0.91436    0.89436    0.87195    0.84724    0.82038    0.79157    0.76106    0.72909    0.69596    0.66197    0.62740    0.59255    0.55770    0.52311    0.48902    0.45565    0.42320    0.39182 8
9    0.95817    0.94622    0.93221    0.91608    0.89779    0.87738    0.85492    0.83050    0.80427    0.77641    0.74712    0.71662    0.68516    0.65297    0.62031    0.58741    0.55451    0.52183 9
10    0.98118    0.97475    0.96686    0.95738    0.94618    0.93316    0.91827    0.90148    0.88279    0.86224    0.83990    0.81589    0.79032    0.76336    0.73519    0.70599    0.67597    0.64533 10
11    0.99216    0.98901    0.98498    0.97991    0.97367    0.96612    0.95715    0.94665    0.93454    0.92076    0.90527    0.88808    0.86919    0.84866    0.82657    0.80301    0.77810    0.75199 11
12    0.99696    0.99555    0.99366    0.99117    0.98798    0.98397    0.97902    0.97300    0.96581    0.95733    0.94749    0.93620    0.92341    0.90908    0.89320    0.87577    0.85683    0.83643 12
13    0.99890    0.99831    0.99749    0.99637    0.99487    0.99290    0.99037    0.98719    0.98324    0.97844    0.97266    0.96582    0.95782    0.94859    0.93805    0.92615    0.91285    0.89814 13
14    0.99963    0.99940    0.99907    0.99860    0.99794    0.99704    0.99585    0.99428    0.99227    0.98974    0.98659    0.98274    0.97810    0.97257    0.96608    0.95853    0.94986    0.94001 14
15    0.99988    0.99980    0.99968    0.99949    0.99922    0.99884    0.99831    0.99759    0.99664    0.99539    0.99379    0.99177    0.98925    0.98617    0.98243    0.97796    0.97269    0.96653 15
16    0.99996    0.99994    0.99989    0.99983    0.99972    0.99957    0.99935    0.99904    0.99862    0.99804    0.99728    0.99628    0.99500    0.99339    0.99137    0.98889    0.98588    0.98227 16
17    0.99999    0.99998    0.99997    0.99994    0.99991    0.99985    0.99976    0.99964    0.99946    0.99921    0.99887    0.99841    0.99779    0.99700    0.99597    0.99468    0.99306    0.99107 17
18    1.00000    0.99999    0.99999    0.99998    0.99997    0.99995    0.99992    0.99987    0.99980    0.99970    0.99955    0.99935    0.99907    0.99870    0.99821    0.99757    0.99675    0.99572 18
19    1.00000    1.00000    1.00000    0.99999    0.99999    0.99998    0.99997    0.99996    0.99993    0.99989    0.99983    0.99975    0.99963    0.99947    0.99924    0.99894    0.99855    0.99804 19
20    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    0.99999    0.99999    0.99998    0.99996    0.99994    0.99991    0.99986    0.99979    0.99969    0.99956    0.99938    0.99914 20
21    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    0.99999    0.99999    0.99998    0.99997    0.99995    0.99992    0.99988    0.99983    0.99975    0.99964 21
22    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    0.99999    0.99999    0.99998    0.99997    0.99996    0.99993    0.99990    0.99985 22
23    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    0.99999    0.99999    0.99998    0.99998    0.99996    0.99994 23
24    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    0.99999    0.99999    0.99999    0.99998 24
25    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    0.99999 25
26    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000    1.00000 26