Upc Estadistica Aplicada 2 TF Komatsu Mitsui

UNIVERSIDAD PERUANA DE CIENCIAS APLICADAS
ESTUDIOS PROFESIONALES PARA EJECUTIVOS – 2018-2
Trabajo Final
Estadística Aplicada II
Profesor: Juan Carlos Oruna
Presentado por:
Jimmy Atao Saime

Brahan Atoche Rebaza
Helen Fitts Huamán
Roxana Medina Flores
Javier Villalobos Alvarado
Sección: J42B
LIMA – PERÚ
2018
ESTUDIOS PROFESIONALES PARA EJECUTIVOS
ESTADISTICA APLICADA II
REDUCCION DE RETRASOS EN CADENA LOGISTICA DE ABASTECIMIENTO INTERNO
Contenido
A. INTRODUCCION ..................................................................................... 3
B. DESCRIPCION DE LA EMPRESA................................................................. 3
C. MISION, VISION, VALORES ...................................................................... 5
D. OBJETIVO GENERAL Y OBJETIVOS ESPECIFICOS ........................................ 5
E. POBLACION DE ESTUDIO, MUESTRA Y UNIDAD ELEMENTAL......................... 6
F. IDENTIFICACION DE VARIABLES Y CLASIFICACION POR TIPO Y ESCALA ....... 6
G. ANALISIS INFERENCIAL........................................................................... 7
H. CONCLUSIONES ................................................................................... 34
I. RECOMENDACIONES ............................................................................344
J. BIBLIOGRAFIA ..................................................................................... 34
2
A. INTRODUCCION
La globalización es un proceso económico, tecnológico, político, social, empresarial y cultural a escala mundial
que consiste en la creciente comunicación e interdependencia entre los distintos países del mundo que unen
sus mercados, sociedades y culturas.
Como consecuencia de estas formas de intercambio, cada vez es más necesario realizar el análisis de mayor
cantidad de datos y de forma cada vez más precisa, a fin de utilizar esa información para la toma de mejores
decisiones empresariales, establecer tendencias, pronósticos, así como la verificación y aceptación o rechazo
de modelos o teorías existentes orientadas hacia la mejora continua. De esta forma, se puede determinar si
se opera eficientemente y se cumple con las metas de la organización.
Para ello, la Estadística se puede definir como la disciplina que utiliza recursos matemáticos para organizar y
resumir una gran cantidad de datos obtenidos e inferir conclusiones respecto de ellos. A fin de obtener un
resultado con mayor cercanía a la realidad, debe definirse en primer lugar cuáles son los datos para utilizar,
a este conjunto de datos se denomina población. Además, se utiliza la toma de muestras como forma de
evaluación a menor escala, a fin de realizar el planteamiento hipotético que pueda tomarse como base para
la investigación.
El presente trabajo tiene por objetivo contribuir en la optimización del proceso de compra de repuestos y
componentes a fin de reducir los días de retraso en el abastecimiento interno en la empresa Komatsu
Mitsui, de modo que cuente con ventajas frente a sus competidores al incrementar la rapidez en la atención
de sus clientes teniendo para ello como socios estratégicos a sus proveedores, los cuales deben realizar la
entrega dentro del plazo de los materiales requeridos por la empresa para el desarrollo de sus actividades.
Para ello, se ha tomado como punto de partida, las herramientas de control estadístico que fueron brindadas
durante el curso, así como la observación directa para la elaboración de este informe.
B. DESCRIPCION DE LA EMPRESA
Komatsu – Mitsui Maquinarias Perú (KMMP) es una empresa de Servicios Logísticos, proveedora de
soluciones integrales y servicio post venta para los sectores de minería y construcción.
Los accionistas de KMMP son:
Komatsu Ltd. Empresa líder mundial en fabricación para equipos de Minería y Construcción.
Mitsui& Co. Una de las empresas comerciales, de inversión y de servicios más diversificadas del mundo.
Cummins Inc. Líder global en la industria energética y el fabricante más importante del mundo de motores
diesel de más de 50 HP.
KMMP tiene como empresa subsidiaria a Distribuidora Cummins Perú S.A.C.
Actualmente KMMP atiende el mercado peruano a través de una red de 14 Sucursales y Tiendas. Ofrecemos
soporte con personal destacado en 12 Faenas Mineras. Contamos con más de 1,750 colaboradores.
Komatsu-Mitsui tiene dentro de su portafolio de clientes a las principales mineras del Perú y a las más
importantes empresas del rubro de Construcción.
3
En el año 2000 Mitsui Maquinarias Perú S.A. (MMP) se instala en el Perú como una subsidiaria de Mitsui& Co,
siendo el representante oficial de marcas de clase mundial Komatsu y Cummins.
Mitsui & Co es una corporación global, creada en Japón en 1876. Actualmente cuenta con una red mundial
de 154 oficinas y subsidiarias en 69 países/ regiones alrededor del mundo.
En el 2009, considerando la solidez de la compañía, Komatsu Ltd, líder mundial en la fabricación de equipo
para Minería y Construcción, adquiere, a través de un aumento de capital, parte del accionariado de la
compañía para fortalecer el soporte de las operaciones de la empresa. De la unión de estas dos corporaciones
líderes en el mundo nace en enero del 2009 Komatsu-Mitsui Maquinarias Perú S.A. (KMMP).
El propósito de KMMP es el de mantener una gestión responsable, transparente y ética que genere beneficios
para los accionistas, clientes, socios estratégicos, colaboradores, proveedores y sociedad en general.
En julio del 2011 nace Distribuidora Cummins Perú SAC. como resultado de la participación de Cummins Inc.
en el accionariado de Komatsu-Mitsui, asegurando a sus clientes una oferta de soluciones y servicios con los
más altos estándares internacionales.
4
C. MISION, VISION, VALORES
La misión de KMMP es resolver las necesidades de sus clientes más allá de las obligaciones contractuales,
trabajando en un entorno que motive y desarrolle a su personal, ofreciendo soluciones integrales e
innovadoras con productos y servicios de la industria de maquinarias y asegurando el retorno a sus
accionistas.
La visión de KMMP es ser reconocida como la mejor empresa de Servicios Logísticos para minería y
construcción del Perú y Latinoamérica.
A lo largo de sus años de funcionamiento, KMMP ha respetado, mantenido y superado sus tres valores
fundamentales:
CUMPLIMIENTO ANTES DEL PLAZO: Consiste en el compromiso de conclusión de todos sus servicios “Antes
del plazo” contractual. Para probarlo, establecieron el objetivo de obtener cartas de todos sus clientes para
confirmar el cumplimiento, así como realizar la certificación de estas con auditores independientes. La
empresa Price Waterhouse Coopers certificó que el 100% de contratos fueron cumplidos dentro de los plazos
establecidos durante el año 2012.
SERIEDAD Y CARTA DE ETICA: El principal adjetivo con el que se identifica la imagen de la empresa en la
Seriedad. Por ello, KMMP cuenta con una “Carta de Ética” a cuyos preceptos se adhieren todos sus
colaboradores y que define su relación con los clientes, el personal, la comunidad y el principio de honestidad
en las prácticas comerciales.
EFICIENCIA: Es un esfuerzo constante destinado a mejorar la productividad y eficiencia en todas las áreas de
su negocio, reduciendo sus costos y mejorando sus márgenes de producción. El objetivo de este valor es
garantizar la competitividad en las nuevas circunstancias a las que tenga que adaptarse debido a cambios
propios del mercado.
D. OBJETIVO GENERAL Y OBJETIVOS ESPECIFICOS
1) OBJETIVO GENERAL
Aplicar métodos estadísticos para el análisis de datos y problemas que permitan la optimización del proceso
de compra de repuestos y componentes al reducir los días de retraso en el abastecimiento interno en la
empresa Komatsu Mitsui, de modo que cuente con ventajas frente a sus competidores al incrementar la
rapidez en la atención de sus clientes.
2) OBJETIVOS ESPECIFICOS
- Identificar promedio de días de retraso de proveedores

- Identificar si se debe reestructurar el trámite de gestión de descuentos
- Identificar a los proveedores con mayor incidencia de retraso.
- Distribución de compras por proveedor
- Identificar los materiales de mayor demanda
- Establecer la relación entre el retraso y el importe (monto)
- Establecer la relación entre comprador y el retraso
- Determinar el intervalo de días de retraso
- Determinar el intervalo de días de retraso por procedencia
- Determinar el intervalo de días de retraso por proveedor
- Proporción de compras a proveedores locales y nacionales
5
- Identificar tiempos de entrega

- Identificar cantidad de Ordenes de compra generadas por cada comprador y por genero
- Identificar mejoras con seguimiento
E. POBLACION DE ESTUDIO, MUESTRA Y UNIDAD ELEMENTAL
A) POBLACION: Todos los productos comprados por la corporación ABB – Komatsu Mitsui, durante los meses
de octubre 2017 a marzo del 2018.
B) MUESTRA: 300 productos comprados por la corporación Komatsu Mitsui, durante los meses de octubre
2017 a marzo del 2018.
C) UNIDAD ELEMENTAL: Un producto comprados por la corporación Komatsu Mitsui, durante los meses de
octubre 2017 a marzo del 2018.
F. IDENTIFICACION DE VARIABLES Y CLASIFICACION POR TIPO Y ESCALA
6
G. ANALISIS INFERENCIAL
Prueba de Hipótesis para la media:
El jefe de abastecimiento de la empresa Komatsu Mitsui considera que existen proveedores con retraso en
la entrega de sus artículos con un promedio mayor a 03 días. El jefe de abastecimiento tiene la teoría de que
los compradores no están realizando seguimiento
3 a 4los pedidos.
10 11 0
3 4 7 10 0
Para verificar lo afirmado, se ha registrado, de forma aleatoria, una muestra de 55 artículos solicitados
durante el mes de noviembre 2017 0 9 8 0 4
13 2 1 6 4
6 2 5 0 2
3 4 10 11 0 9 4 4 0 8
3 4 7 10 0 3 2 4 6 2
0 9 8 0 4 9 11 2 0 11
13 2 1 6 4 3 13 4 0 2
6 2 5 0 2 4 4 13 0 8
9 4 4 0 8 12 14 0 0 10
3 2 4 6 2
Asumiendo
9 que
11 el número
2 de0artículos
11 producidos se distribuye normalmente. Con un nivel de significancia
del 0.02 ¿Los compradores estarán haciendo seguimiento?
3 13 4 0 2
4
Hipótesis: 4 13 0 8
12 14 0 0 10
H0: µ ≥ 3. El proveedor presenta retraso en la entrega de los artículos
H1: µ < 3. El proveedor no presenta retraso
Nivel de significación: α = 0.02

Estadístico de prueba: T = 3.54
T de una muestra: Dìas de retraso
One-Sample T: Dias de retraso
Test of μ = 3 vs < 3
Variable N Mean StDev SE Mean 98% Upper Bound T P

Dias de retraso 55 5,018 4,232 0,571 6,219 3,54 1,000
P-valor: p = 1.000
Decisión: p = 1.000 > α = 0,02, se acepta H0 y se rechaza H1
Conclusión: A un nivel de significancia del 2%, se determina que los proveedores presentan retraso en la
entrega de los artículos al almacén, por lo que se deduce que los compradores no están realizando
seguimiento.
7
Prueba de Hipótesis para una proporción:
El jefe de finanzas de la empresa Komatsu Mitsui considera que no se está tramitando los descuentos a favor de la
empresa durante la compra de materiales.
De acuerdo con la política de la empresa, se requiere obtener como mínimo el 5% del valor de las compras de cada
mes, caso contrario se debe reestructurar la gestión del descuento.
Para verificar si el porcentaje del descuento supera el mínimo requerido mensual, se seleccionaron al azar 53
artículos correspondientes al mes de diciembre 2017, de los cuales se encontraron 12 órdenes con descuento
aplicado. Con un nivel de significancia del 98%, ¿se debe reestructurar la gestión de los descuentos?
Hipótesis:
H0: p ≥ 0,05. Existe una buena gestión de descuento
H1: p < 0,05. No existe una buena gestión de descuento

Estadístico de prueba: T = 5,89
Z de una proporción: Descuento
Test and CI for One Proportion
Test of p = 0,05 vs p < 0,05
Sample X N Sample p 98% Upper Bound Z-Value P-Value

1 12 53 0,226415 0,344479 5,89 1,000
Using the normal approximation.
P-valor: p = 1.000
Decisión: p = 1.000 > α = 0,02, se acepta H0 y se rechaza H1
Conclusión: A un nivel de significancia del 2%, se determina que existe una buena gestión del descuento
Prueba de Hipótesis para la diferencia de medias con muestras dependientes
Con la finalidad de evaluar el rendimiento del trabajador después de un programa de entregamiento, se desea
saber si estos incrementaron la cantidad de órdenes de compra emitidas con relación al mes anterior. Con un nivel
de significancia del 2%
8
TRABAJADOR OCTUBRE NOVIEMBRE

BRAHAN ATOCHE 9 10
HELEN FITTS 9 11
JAVIER VILLALOBOS 7 8
JIMMY ATAO 6 14
ROXANA MEDINA 10 12
a) ¿Se puede afirmar que el programa de entrenamiento logró incrementar el número promedio de órdenes
de compra que produce un trabajador por mes?
b) ¿El gerente de compras debe implementar el programa de entrenamiento de manera permanente?
Hipótesis:
H0: µ1 ≤ µ2. El programa de entrenamiento logra incrementar la cantidad producida por persona
H1: µ1 > µ2. El programa de entrenamiento no logra incrementar la cantidad producida por persona

Estadístico de prueba: T = -2,12
Diferencia de medias con muestras dependientes: Nº órdenes generadas/mes
Paired T-Test and CI: OCTUBRE; NOVIEMBRE
Paired T for OCTUBRE - NOVIEMBRE
N Mean StDev SE Mean

OCTUBRE 5 8,20 1,64 0,73
NOVIEMBRE 5 11,00 2,24 1,00
Difference 5 -2,80 2,95 1,32
98% lower bound for mean difference: -6,76

T-Test of mean difference = 0 (vs > 0): T-Value = -2,12 P-Value = 0,949
P-valor: p = 0,949
Decisión: p = 0,949 > α = 0,02, se acepta H0 y se rechaza H1
Conclusión: A un nivel de significancia del 2%, se determina que el programa de entrenamiento logra
incrementar la cantidad producida por persona, por ello se recomienda implementar el programa de
forma permanente.
Prueba de Hipótesis para la diferencia de proporciones con muestras independientes
El gerente de compras de la empresa Komatsu Mitsui evalúa dos métodos para reducir el número de días de retraso
de entrega de mercadería y escogerá una de ellas para su implementación en la empresa.
La primera solución consiste en realizar un seguimiento telefónico a los proveedores haciéndoles recordar la fecha
límite de entrega del material. Para ello, se realizaron 179 llamadas a los proveedores, luego de las cuales 119
presentaron demoras en el despacho. Posteriormente, se comunicó a los proveedores la implementación de una
política de penalidades para las entregas tardías, con lo que de 121 avisos se observaron 28 demoras en el
despacho.
9
El gerente considera que la primera solución produce menor proporción de éxito que la segunda solución, por lo
que no deberá elegirlo para implementarlo en la empresa. A un nivel de significancia de 2%, ¿el gerente de
producción no deberá elegir la primera solución?
Hipótesis:
H0: µ1 ≥ µ2. El seguimiento telefónico logra disminuir la cantidad de retrasos.
H1: µ1 < µ2. El seguimiento telefónico no logra disminuir la cantidad de retrasos.

Estadístico de prueba: Z =- 7,37
Diferencia de proporciones con muestras independientes
Test and CI for Two Proportions
Sample X N Sample p
1 60 179 0,335196
2 93 121 0,768595
Difference = p (1) - p (2)

Estimate for difference: -0,433400
98% upper bound for difference: -0,326391
Test for difference = 0 (vs < 0): Z = -7,37 P-Value = 0,000
Fisher’s exact test: P-Value = 0,000
P-valor: p = 0,000
Decisión: p = 0,000 < α = 0,02, se rechaza H0 y se acepta H1
Conclusión: A un nivel de significancia del 2%, se determina que el método 1 no logra reducir la cantidad
de retrasos por lo cual no debe ser elegido para implementación.
Distribución multinomial
Después de la implementación de un nuevo sistema, el gerente de la empresa observa días de retraso en las
ordenes de procedencia Nacional y Local (lo cual se distribuirá de días menor e igual 8 (A) y mayores a él (B)). Cada
día es considerada y distribuida en una de las cuatro categorías siguientes:
Categoría 1: No existe retraso en las órdenes.
Categoría 2: Los días se distribuyen en A.
Categoría 3: Los días se distribuyen en B.
Las 300 ordenes inspeccionadas, con este sistema, se observaron las siguientes frecuencias:
10
Categoría 1 = 150; Categoría 2 = 119; Categoría 3 = 31
Si antes de la implementación de este sistema inspección la proporción en la que se presentaban estos retrasos
era 5:2:1. ¿Se puede afirmar que después de la implementación de este nuevo sistema, esta proporción ha
variado? Use α = 0.02
Prueba Chi-cuadrada de bondad de ajuste para conteos

observados en variable: frecuencia
Proporción Contribución
Categoría Observado de prueba Esperado a Chi-cuad.
1 150 0.5 150 0.0000000
2 119 0.4 120 0.0083333
3 31 0.1 30 0.0333333
N GL Chi-cuad. Valor p
300 2 0.0416667 0.979
Variable: X: días de retraso

H0: La proporción en la que se presentaban los
Hipótesis: defectos era 5:4:1.
H1: Al menos una proporción ha variado.
Nivel de
α = 0.05
significación:
Estadístico de
prueba: = 0.041
P-valor: P = 0.979> α = 0.05
Decisión: No se rechaza Ho
Con un nivel de significancia del 5%, no se
Conclusión: puede afirmar que la proporción en la que se
presentan los días de retraso haya variado.
11
Análisis de Poisson
El jefe de compras desea determinar la distribución del número de días de retraso según el
número de órdenes de compra semanales
Para ello ha revisado 86 órdenes de compra y registra los días de retraso en la siguiente tabla:
DIAS DE NUMERO DE ORDENES

RETRAZO SEMANALES
0 3
1 4
2 5
3 2
4 3
5 4
6 7
7 9
8 5
9 2
10 8
1. Determinar las hipótesis:

H0: El número de días de retraso en la atención de las ordenes
sigue una distribución de Poisson
H1: El número de días de retraso en la atención de las ordenes no
sigue una distribución de Poisson
2. Determinar el nivel de significación α = 0.05
3. Estadístico de Prueba: Chi-cuadrada = 31.1669
4.Valor de P o P - Valor: P=0
5. Decisión: P=0 < α = 0.05
6. Con un nivel de significación de 5%, los días
Conclusión: de retrasa en la atención de órdenes
de compra no sigue una distribución de
Poisson
12
Análisis Factorial
La empresa desea realizar un estudio para determinar si las distancias al proveedor (a1=1km, a2=3km, a3=5) y
los años de experiencia en el mercado (b1=1, b2=2, b3=4años) afecta la efectividad de la atención de las compras
por medio de los días de retraso. Se escogieron 45 órdenes de compra al azar y se obtuvo el siguiente cuadro
a1 a2 a3
b1 b2 b3 b1 b2 b3 b1 b2 b3
1 2 5 5 3 5 0 2 3
3 0 2 2 3 3 1 0 3
2 3 1 0 0 1 2 1 6
1 0 4 0 1 2 1 0 4
0 1 1 1 1 4 2 5 5
1. Identifique, factor, niveles del factor, tratamiento, variable respuesta y unidad experimental.
Factor 1 Distancia del proveedor

Niveles del
a1=1km, a2=3km, a3=5
Factor 1
Factor 2 Años de experiencia del proveedor
Niveles del
b1=1, b2=2, b3=4años
Factor 2
Tratamientos a1b1, a1b2, a1b3, a2b1, a2b2, a2b3, a3b1, a3b2, a3b3 (9 tratamientos)
Variable
Dias de retrazo en atencion de ordenes de compra
respuesta
Unidad
Una orden de compra
experimental
Nivel de
2%
significancia
1.1. Prueba de normalidad

a) Determinar las Hipótesis
H0: Los residuos se distribuyen normalmente

H1: Los residuos no se distribuyen normalmente
b) Determinar el nivel de significación: α = 0.02

c) Estadístico de prueba AD = 0.725
d) P valor: p = 0.054
e) Decisión: p = 0.054 > α = 0.02. Se acepta H0
f) Conclusión: A un nivel de significancia del 2%, los residuos se distribuyen normalmente
13
1.2. Prueba de homogeneidad de varianzas
H0: Las varianzas son iguales u homogéneas

H1: Al menos una varianza es diferente o son heterogéneas

c) Estadístico de prueba B = 11.77
d) P valor: p = 0.109
f) Conclusión: A un nivel de significancia del 2%, las varianzas son homogéneas
1.3. Prueba de interacción (combinación de niveles o tratamientos)
H0: No hay interacción entre los niveles

H1: Hay interacción entre los niveles
14

c) Estadístico de prueba F = 1.14
d) P valor: p = 0.354
f) Conclusión: A un nivel de significancia del 2%, no existe interacción entre el factor
distancia ni años de experiencia
1.4. Análisis del efecto del factor distancia sobre la demora en la atención de compras
H0: No hay efecto del factor distancia sobre la demora en la atención de compras
H1: Hay efecto del factor distancia sobre la demora en la atención de compras

d) P valor: p = 0.088
f) Conclusión: A un nivel de significancia del 2%, no hay efecto del factor distancia sobre la
demora en la atención de compras
1.5. Análisis del efecto del factor experiencia sobre la demora en la atención de compras
H0: No hay interacción entre los niveles

H1: Hay interacción entre los niveles

d) P valor: p = 0.088
f) Conclusión: A un nivel de significancia del 2%, no existe interacción entre el factor
distancia ni años de experiencia
1.6. Determinación del nivel de años de experiencia que influye más en la demora en las atenciones
de compras
H0: µi=µj, Todos los niveles del factor son iguales
15
H1: µi≠µj, Al menos un nivel del factor es diferente

c) Conclusión: Con un nivel de significación de 2%, todos los niveles del factor años de
experiencia
Análisis de la regresión lineal
La empresa tiene la certeza de que la distancia entre el proveedor y el local de entrega tienen una relación lineal
con el tiempo de entrega promedio. Además, está evaluando a un posible proveedor que se encuentra a 3
kilómetros de sus instalaciones.
TIEMPO DE ENTREGA
Nombre Proveedor NUMERO DISTANCIA (KM)
PROMEDIO
ANIXTER PERU S.A.C 1 4.94 21.00
BEGAS SA 2 3.56 16.00
DADE LIFT PARTS AND EQUIPMENT 3 5.00 20.00
DIVISION G1 SAC 4 5.78 26.00
EA GLOBAL SOLUTIONS SAC 5 5.58 23.00
EBV EQUIPOS INDUSTRIALES SAC 6 3.57 15.00
ELECTRO FERRO CENTRO S.A.C. - EFC SAC 7 2.50 10.00
ELECTRO MECANICAS EIRL 8 5.00 20.00
ESPECIALISTAS EN INGENIERIA DE SOLUCIONES ELE. PERU S.R.L. 9 5.54 24.00
G Y S CONTROL INDUSTRIAL SAC 10 4.89 22.00
GEYER KABEL PERU SAC 11 5.75 23.00
GRUPO CAMERO SAC 12 6.25 25.00
GRUPO TELEPARTES S.A.C. 13 5.50 22.00
GRUPO TESA SAC 14 3.11 14.00
HD & JL CONTRATISTAS S.A.C. 15 3.25 13.00
KAMEL EIRL 16 4.65 20.00
PROYECTOS ELECTRONICOS EIRL 17 6.00 27.00
RAM AUTOMATION PERU S.A.C. 18 6.25 25.00
SANTA EMILIA SAC 19 6.00 27.00
SOLTRAK S.A. 20 2.25 9.00
DISTANCIA EN KM X
TIEMPO DE ENTREGA PROMEDIO Y
16
1. Determinar la gráfica:
2) Se observa una tendencia lineal, por la tanto se afirma que nos encontramos en una regresión lineal
simple RLS con pendiente POSITIVA y correlación R>0
Y= B0 – B1X+e
g) Determinar las Hipótesis
H0: Los errores se distribuyen normalmente

H1: Los errores no se distribuyen normalmente
h) Determinar el nivel de significación: α = 0.05

i) Estadístico de prueba AD = 0.601
j) P valor: p = 0.102
k) Decisión: p = 0.102 > α = 0.05. Se acepta H0
l) Conclusión: A un nivel de significancia del 5%, los errores se distribuyen normalmente
17
1.8. Prueba de autocorrelación
H0: No existe autocorrelación

H1: Existe autocorrelación

c) Estadístico de prueba Durbin Watson DW = 2.67104 (se encuentra en el rango de
1≤DW≤3
d) P valor:
e) Decisión: DW = 2.67104 E (1 ; 3) . Se acepta Ho
f) Conclusión: A un nivel de significancia del 2%, no existe autocorrelación
1.9. Validación del modelo de regresión lineal
H0: β0 = 0 (No existe relación entra la resistencia al corte y la antigüedad)

H1: β1 ≠ 0 (Existe relación entra la resistencia al corte y la antigüedad)

d) P valor: 0
e) Decisión: p = 0 < α = 0.05. Se rechaza H0 y se acepta H1
f) Conclusión: A un nivel de significancia del 5%, existe relación entre la distancia del
proveedor y el tiempo promedio de entrega.
2. Presentación del modelo
Y = B0 + B1X + e
18
3. Coeficiente de intercepción
B0 = -0.06
Cuando el proveedor se encuentra en la misma ubicación de la empresa (conexo) el tiempo de entrega
es nulo.
4. Coeficiente de regresión poblacional estimado

B1 = 4.229
Al aumentar 1 km el tiempo de entrega aumenta a 4.229 días.
19
Análisis de la regresión lineal múltiple
La empresa Komatsu Mitsui desea estimar el costo de los retrasos en la atención de las órdenes de compra, en
función al tiempo esperado de entrega, el importe de la compra y los años de experiencia del proveedor a un nivel
de significancia del 2%
COSTO POR TIEMPO DE ENTREGA IMPORTE DE EXPERIENCIA DEL

Nombre Proveedor NUMERO
RETRASO PROMEDIO COMPRA PROVEEDOR (AÑOS)
ANIXTER PERU S.A.C 1 48.78 21.00 325.20 8
BEGAS SA 2 4348.05 16.00 8822.23 4
DADE LIFT PARTS AND EQUIPMENT 3 21366.83 20.00 188937.55 6
DIVISION G1 SAC 4 25423.26 26.00 26398.38 2
EA GLOBAL SOLUTIONS SAC 5 8213.63 23.00 11035.50 3
EBV EQUIPOS INDUSTRIALES SAC 6 5254.72 15.00 7802.31 5
ELECTRO FERRO CENTRO S.A.C. - EFC SAC 7 8820.44 10.00 89141.92 7
ELECTRO MECANICAS EIRL 8 13117.50 20.00 8745.00 2
ESPECIALISTAS EN INGENIERIA DE SOLUCIONES ELECTRICAS PERU S.R.L. 9 1412.47 24.00 2354.12 1
G Y S CONTROL INDUSTRIAL SAC 10 501.15 22.00 1670.50 3
GEYER KABEL PERU SAC 11 37.28 23.00 47.95 1
GRUPO CAMERO SAC 12 77.69 25.00 103.58 1
GRUPO TELEPARTES S.A.C. 13 249.11 22.00 830.37 2
GRUPO TESA SAC 14 1768.06 14.00 4284.37 6
HD & JL CONTRATISTAS S.A.C. 15 706.50 13.00 1570.00 3
KAMEL EIRL 16 0.00 20.00 4.69 4
PROYECTOS ELECTRONICOS EIRL 17 10358.27 27.00 9123.66 2
RAM AUTOMATION PERU S.A.C. 18 2436.43 25.00 3248.57 7
SANTA EMILIA SAC 19 66.54 27.00 104.66 5
SOLTRAK S.A. 20 3093.18 9.00 27115.03 3
1. Verificación de supuestos

m) Determinar las Hipótesis

n) Determinar el nivel de significación: α = 0.02

o) Estadístico de prueba AD = 0.779
p) P valor: p = 0.036
q) Decisión: p = 0.036 > α = 0.02. Se acepta H0
r) Conclusión: A un nivel de significancia del 2%, los errores se distribuyen normalmente
20
g) Determinar las Hipótesis

h) Determinar el nivel de significación: α = 0.02

i) Estadístico de prueba Durbin Watson DW = 1.81756 (se encuentra en el rango de 1≤DW≤3
j) P valor:
k) Decisión: DW = 1.81756 E (1 ; 3) . Se acepta Ho
l) Conclusión: A un nivel de significancia del 2%, no existe autocorrelación
4.3. Prueba de Multicolinealidad


b) Determinar el nivel de
significación: α = 0.02
c) Decisión: Valor FIV de las variables independientes son menores a 4
d) Conclusión: Con un nivel de significancia del 2%. No existe multicolinealidad en las
variables explicativas
21
5. VALIDACION DEL MODELO

a) Validación global
5.1. Determinar la hipótesis:
5.2. Determinar el nivel de

significación: α = 0,02
5.3. Estadístico de prueba: F= 4.98
5.4. P valor: p= 0.013
5.5. Decisión: p= 0.013 < α = 0,02, se acepta H1
5.6. Conclusión: Con un nivel de significancia del 2%, el modelo es válido
b) Validación individual
Para X1: Tiempo de entrega promedio
2.3. Determinar el nivel de significación: α = 0,02

2.5. P valor: p= 0.301
2.6. Decisión: p= 0.301 > α = 0,02, se acepta H0
2.7. Conclusión: Con un nivel de significancia del 2%, Se acepta que B1 es cero
Para X2: Importe de compra


2.11. P valor: p= 0.002
2.13. Conclusión: Con un nivel de significancia del 2%, Se acepta que B2 es diferente de
cero
22
Para X3: Experiencia (años)


2.5. P valor: p= 0.338
2.7. Conclusión: Con un nivel de significancia del 2%, Se acepta que B3 es cero
3. SELECCIONANDO MEJOR MODELO

3.1. Análisis de regresión:
Y: COSTO RETRAZOS vs. X1: TIEMPO ENTREGA, X2: IMPORTE COMPRA, X3: EXPERIENCIA
MODELO SELECCIONADO: YX2
Validación global

3.5. P valor: p= 0.003
3.7. Conclusión: Con un nivel de significancia del 2%, el modelo general es válido
23
Validación individual
Para X2: Importe de compra

2.5. P valor: p= 0.003
2.7. Conclusión: Con un nivel de significancia del 2%, Se acepta que B2 es diferente de cero
4. Verificación de supuestos



c) Estadístico de prueba AD = 2.536
d) P valor: p = 0.005
e) Decisión: p = 0.005 < α = 0.02. Se acepta H1
f) Conclusión: A un nivel de significancia del 2%, los errores se distribuyen normalmente
24


c) Estadístico de prueba Durbin Watson DW = 1.83869 (se encuentra en el rango de 1≤DW≤3
d) P valor:
e) Decisión: DW = 1.83869 E (1 ; 3) . Se acepta Ho
f) Conclusión: A un nivel de significancia del 2%, no existe autocorrelación
7.3. Prueba de Multicolinealidad



c) Decisión: Valor FIV de las variables independientes son menores a 4
d) Conclusión: Con un nivel de significancia del 2%. No existe multicolinealidad en las
variables explicativas
8. MODELO ESTIMADO
9. ECUACION DE REGRESION
10. Modelo de regresión lineal múltiple estimado
11. Interpretación de los coeficientes de regresión estimados:
25
Por cada 1000 soles adicionales a las ordenes de compra el costo promedio por los retrasos se incrementa en
102.4 soles
12. Determine la variancia total de la variable dependiente explicada a través del modelo.
13. La expresa tiene proyectado, en el mes de Abril del 2018, realizar compras por un monto de 125000 soles
por ello desea estimar el costo por los retrasos en las entregas de los proveedores
El costo por retrasos de proveedores asciende a 16158.80 soles.
14. La empresa desea, a un nivel de confianza del 98%, estimar los costos por demora en atención de las
órdenes para un monto de compra de 1 000 000 de soles
26
Análisis de serie de tiempo
El jefe del área de Finanzas de la empresa Komatsu Mitsui desea elaborar un cuadro de distribución
correspondiente al número de retrasos en las órdenes de compra durante el último trimestre del 2017 y el primer
trimestre de 2018. Para ello desea establecer un patrón de tendencia considerando los siguientes datos:
CUADRO DE DISTRIBUCION DE NUMERO DE RETRASOS DE ORDENES POR AÑO Y MES

MES
AÑO
ENE FEB MAR OCT NOV DIC
2017 41 55 53
2018 30 50 71
Utilizando el nivel de significación del 5%
1) Graficar la serie de tiempo
Se observa un patrón de tendencia
27
Por el método de promedio móvil, se estima que la cantidad de órdenes con retraso serán de 71 para el mes de
abril 2018.
Suavización exponencial
Los siguientes datos corresponden al importe total (en soles) de las compras realizadas durante los meses de
octubre, noviembre y diciembre 2017; así como también los meses de enero, febrero y marzo 2018. Aplicando
Un método de suavizamiento exponencial, proyectar para el mes de abril 2018, usando un alfa de 0.1, 0.3, 0,5, 0.7
AÑO MES COMPRAS TOTALES

OCT 13202.57
2017 NOV 42375.95
DIC 30469.45
ENE 65433.96
2018 FEB 100537.55
MAR 139646.1
28
Considerando α = 0.1
29
30
31
32
Análisis de resultados
α 0.1 0.3 0.5 0.7

DAM 46513 37683 31192 27393
PEMA 58 47 39 36
EMC 3575090038 2279010017 1555628481 1141434068
PRONOST, 41110.6 81032.1 106778 123836
El mejor pronóstico será considerando alfa 0.7, ya que presenta las menores mediciones del error.
El pronóstico de compras para el mes de ABRIL DE 2018 está estimado en : S/. 123,836
33
H. CONCLUSIONES
A) Los proveedores con mayor cantidad de días de retraso no son necesariamente los que tienen mayor
cantidad de días en promedio.
B) El proveedor CONSORCIO ELECTRICO INDUSTRIAL SAC es el que tiene mayor porcentaje de ventas, criterio
a considerar al momento de gestionar las demoras.
C) La empresa G.R. TEACH S.A. representa en promedio el mayor número de días de retraso por pedido,
punto a considerar pues su número de pedidos es muy bajo.
D) El promedio de retraso en todos los casos supera el límite de 4 días establecido por la Corporación ABB.
E) El tiempo de retraso de los proveedores no está relacionado a la naturaleza de los mismos, siendo Locales
o Nacionales-IMP.
F) El monto de los productos vendidos no incide representativamente en los días de retraso.
G) Los días de retraso varían proporcionalmente en función al nivel de complejidad de adquisición del
producto.
H) Los productos de mayor uso e importancia para la operación de la compañía producen mayor incidencia
de retrasos dada la necesidad de adquirirlos continuamente.
I. RECOMENDACIONES
A) Se recomienda no considerar el monto de compra al momento de evaluar rendimiento de proveedores

ya que en ningún caso el retraso se relaciona con el valor de la entrega.
B) Se recomienda considerar el nivel de importancia de los productos a pedir para programar el tiempo de
holgura necesario para sostener con stock la demanda del mismo hasta la fecha de entrega.
C) Se recomienda evaluar a los proveedores mensualmente y generar políticas de cumplimiento de tiempo

de entrega, con el fin de establecer tiempos mínimos y máximos, penalidades y otros dispositivos que
atenúen las posibles pérdidas debido a retrasos en las entregas.
D) Se recomienda realizar políticas de retraso estratificadas según el nivel de complejidad de ciertos

artículos, pues en la data se evidencia que ciertos artículos representan mayor retraso por su complejidad
comercial mientras que otros de compra local no deberían tener retrasos significativos.
J. BIBLIOGRAFIA
- Bowerman, Bruce L., (2007) - Pronósticos, series de tiempo y regresión. México, Ed.Thomson.
- Anderson,David. Sweeney, Denis. William, Thomas (2008) - Estadística para Administración y
Economía. México DF, Ed. CENGAGE.
34

Upc Estadistica Aplicada 2 TF Komatsu Mitsui

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Upc Estadistica Aplicada 2 TF Komatsu Mitsui

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD PERUANA DE CIENCIAS APLICADAS

ESTUDIOS PROFESIONALES PARA EJECUTIVOS – 2018-2

Profesor: Juan Carlos Oruna

Jimmy Atao Saime

Los accionistas de KMMP son:

KMMP tiene como empresa subsidiaria a Distribuidora Cummins Perú S.A.C.

C. MISION, VISION, VALORES

D. OBJETIVO GENERAL Y OBJETIVOS ESPECIFICOS

- Identificar promedio de días de retraso de proveedores

- Identificar tiempos de entrega

E. POBLACION DE ESTUDIO, MUESTRA Y UNIDAD ELEMENTAL

F. IDENTIFICACION DE VARIABLES Y CLASIFICACION POR TIPO Y ESCALA

Prueba de Hipótesis para la media:

Nivel de significación: α = 0.02

One-Sample T: Dias de retraso

Variable N Mean StDev SE Mean 98% Upper Bound T P

Prueba de Hipótesis para una proporción:

Nivel de significación: α = 0.02

Test and CI for One Proportion

Test of p = 0,05 vs p < 0,05

Sample X N Sample p 98% Upper Bound Z-Value P-Value

Using the normal approximation.

Prueba de Hipótesis para la diferencia de medias con muestras dependientes

TRABAJADOR OCTUBRE NOVIEMBRE

Nivel de significación: α = 0.02

Paired T-Test and CI: OCTUBRE; NOVIEMBRE

Paired T for OCTUBRE - NOVIEMBRE

N Mean StDev SE Mean

98% lower bound for mean difference: -6,76

Prueba de Hipótesis para la diferencia de proporciones con muestras independientes

Nivel de significación: α = 0.02

Test and CI for Two Proportions

Difference = p (1) - p (2)

Fisher’s exact test: P-Value = 0,000

Categoría 1: No existe retraso en las órdenes.

Categoría 2: Los días se distribuyen en A.

Categoría 3: Los días se distribuyen en B.

Categoría 1 = 150; Categoría 2 = 119; Categoría 3 = 31

Prueba Chi-cuadrada de bondad de ajuste para conteos

Variable: X: días de retraso

DIAS DE NUMERO DE ORDENES

1. Determinar las hipótesis:

Factor 1 Distancia del proveedor

1.1. Prueba de normalidad

H0: Los residuos se distribuyen normalmente

b) Determinar el nivel de significación: α = 0.02

1.2. Prueba de homogeneidad de varianzas

a) Determinar las Hipótesis

H0: Las varianzas son iguales u homogéneas

b) Determinar el nivel de significación: α = 0.02

1.3. Prueba de interacción (combinación de niveles o tratamientos)

a) Determinar las Hipótesis

H0: No hay interacción entre los niveles

b) Determinar el nivel de significación: α = 0.02

a) Determinar las Hipótesis

b) Determinar el nivel de significación: α = 0.02

a) Determinar las Hipótesis

H0: No hay interacción entre los niveles

b) Determinar el nivel de significación: α = 0.02

a) Determinar las Hipótesis

H0: µi=µj, Todos los niveles del factor son iguales

H1: µi≠µj, Al menos un nivel del factor es diferente

b) Determinar el nivel de significación: α = 0.02