Abastecimiento-Partes Automotriz

INSTITUTO POLITÉCNICO NACIONAL
UNIDAD PROFESIONAL INTERDISCIPLINARIA DE INGENIERÍA

Y CIENCIAS SOCIALES Y ADMINISTRATIVAS
SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN
“METODOLOGÍA PARA CALCULAR EL ABASTECIMIENTO DE UNA

EMPRESA DE PARTES AUTOMOTRICES: CASO DE ESTUDIO”
T E S I S
QUE PARA OBTENER EL GRADO DE
MAESTRO EN INGENIERÍA INDUSTRIAL
PRESENTA:
JOSÉ DANIEL GÓMEZ HERNÁNDEZ
DIRECTOR DE TESIS:
DR. EDUARDO GUTIÉRREZ GONZÁLEZ
MÉXICO, D.F. JUNIO 2012

INSTITUTO POLITÉCNICO NACIONAL
SECRETARÍA DE INVESTIGACIÓN Y POSGRADO
CARTA CESIÓN DE DERECHOS
En la Ciudad de México D.F. el día 07 del mes de Junio de 2012 el que suscribe José Daniel Gómez
Hernández con el número de registro B101872, adscrito a la Maestría en Ciencias con Especialidad en
Ingeniería Industrial, manifiesta que es autor intelectual del presente trabajo de Tesis bajo la dirección
del Dr. Eduardo Gutiérrez González cede los derechos del trabajo titulado “METODOLOGÍA PARA
CALCULAR EL ABASTECIMIENTO DE UNA EMPRESA DE PARTES AUTOMOTRICES: CASO DE
ESTUDIO”, al Instituto Politécnico Nacional para su difusión con fines académicos y de investigación.
Los usuarios de la información no deben reproducir el contenido textual, gráficas o datos del
trabajo sin el permiso expreso del autor y/o director del trabajo. Este puede ser obtenido escribiendo a
la siguiente dirección danielgomez314@hotmail.com. Si el permiso se otorga el usuario deberá dar el
agradecimiento correspondiente y citar fuente del mismo.
José Daniel Gómez Hernández
III
DEDICATORIAS:
A mi esposa, familia y a todas aquellas

personas que me enseñaron que el éxito
se obtiene sólo a base de estudio,
dedicación y compromiso.
Con cariño y respeto.
A la Sección de Estudios de Posgrado e

Investigación de UPIICSA, que me brindaron
las facilidades para la realización de este
proyecto, con el cual concluyo un paso más
hacia mi superación profesional.
Gracias.
Al Colegio de Profesores que participaron

como guías durante mi formación
educativa y en especial al Dr. Eduardo
Gutiérrez González, que además de ser
un excelente profesor, es un gran amigo.
Mi admiración y agradecimiento.
IV
Índice
SIP-14 II
Carta cesión de derechos III
Dedicatorias IV
Índice V
Índice de tablas VIII
Índice de figuras X
Resumen XII
Abstract XIII
Introducción 1
Capítulo 1. Situación actual de la empresa 6
1.1 Situación actual de México 6
1.1.1 Situación de la logística en México 7
1.1.2 Problemática de la logística en México 9
1.2 Industrias Automotrices RC 11
1.2.1 Breve historia de la empresa 12
1.2.2 Los clientes 12
1.2.3 Los productos 13
1.2.4 Plantas de manufactura 14
1.2.5 Los procesos de producción 15
1.2.6 Responsabilidad social, misión y visión 18
1.2.7 Certificaciones, tecnología y diseño 19
1.3 Situación en el sector automotriz 21
1.4 Descripción del problema 22
Capítulo 2. Marco teórico 23

2.1 Gestión de la cadena de suministro 23
V
Índice
2.1.1 Objetivo de la gestión de la cadena de suministro 24

2.1.2 Enfoque teórico de la gestión de la cadena de suministro 25
2.1.3 Enfoque práctico de la gestión de la cadena de suministro 27
2.1.4 Logística 29
2.1.5 Administración de inventarios 31
2.1.6 Fluctuaciones de la demanda 33
2.1.7 El cliente 34
2.1.8 Inventario gestionado por el vendedor 34
2.1.9 Control de inventarios con apoyo de Investigación de Operaciones 35
2.1.10 Lotes grandes o lotes pequeños 35
2.2 Análisis de la demanda 37
2.2.1 Modelo Normal 37
2.2.2 Modelo Exponencial 38
2.2.3 Modelo Gamma 40
2.2.4 Modelo Log-normal 42
2.3 Pronósticos 43
2.3.1 Características de los pronósticos 44
2.3.2 El horizonte de tiempo de los pronósticos 45
2.3.3 Métodos de pronósticos 45
2.3.4 Clasificación de los pronósticos 46
2.3.5 Métodos cualitativos 46
2.3.6 Métodos de proyección 47
2.3.7 Métodos causales 48
2.3.8 Métodos de series de tiempo 49
2.3.9 Métodos para pronosticar series estacionarias 51
2.3.9.1 Promedios Móviles 52
2.3.9.2 Suavización Exponencial Simple 52
2.3.10 Métodos basados en la tendencia 53
2.3.10.1 Análisis de Regresión 53
2.3.10.2 Suavización Exponencial Doble (Método de Holt) 54
2.3.11 Métodos para series estacionales 55
2.3.11.1 Factores estacionales para series estacionarias 55
VI
Índice
2.3.11.2 Método de Winters para los problemas estacionales 56

2.3.11.3 Procedimiento de inicialización 57
2.3.12 Método Box-Jenkins 58
2.3.13 Evaluación de pronósticos 61
Capitulo 3. Metodología para calcular el abastecimiento 62

3.1 Esquema de la metodología 62
3.2 Selección de artículos 64
3.2.1 Selección de datos 66
ETAPA A 69
3.2.2 Estudio del comportamiento de los datos 69
3.2.3 Comportamiento aleatorio 69
3.2.4 Histograma de la distribución 70
3.2.5 Determinación de la mejor distribución 71
3.2.6 Ajuste de la distribución de la demanda 73
3.2.7 Cálculo del Cuantil del modelo 78
ETAPA B 85
3.3 Análisis del pronóstico de la demanda 85
3.3.1 Selección de artículos 85
3.3.2 Estudio del comportamiento de los datos 88
3.3.3 Evaluación de los datos 89
ETAPA C 95
3.4 Comparativo de los resultados 95
3.4.1 Listado del requerimiento de materia prima 99
Conclusiones 102
Bibliografía 105
Anexos 108
VII
Índice de tablas
Capítulo 1. Situación actual de la empresa
Tabla 1.1 Ubicación de México en el Índice de Percepción Logística 8
Capítulo 2. Revisión bibliográfica

Tabla 2.1 Definiciones de cadena de suministro en el tiempo 26
Tabla 2.2 Enfoque de cadena de suministro de algunos fabricantes 28
Tabla 2.3 Clasificación del horizonte de pronóstico en la planeación de 45
operaciones (Nahmias, 2007)
Tabla 2.4 Métodos de pronósticos (Nahmias, 2007) 45
Tabla 2.5 Métodos de pronósticos (Ballou, 2004) 46
Tabla 2.6 Métodos cualitativos de pronósticos (Ballou, 2004) 47
Tabla 2.7 Métodos de proyección de pronósticos (Ballou, 2004) 48
Tabla 2.8 Métodos causales de pronósticos (Ballou, 2004) 49
Capitulo 3. Caso de estudio

Tabla 3.1 Ventas totales del periodo 2010-11 65
Tabla 3.2 Ventas del periodo 2010-11: 45 artículos más demandados 67
Tabla 3.3 Cantidad de datos del periodo 2010-11: 45 artículos más 68
demandados
Tabla 3.4 Gráficas del comportamiento aleatorio de las ventas 69
Tabla 3.5 Gráficas del histograma de distribución de las ventas 70
Tabla 3.6 Cálculo de la mejor Verosimilitud en el Proyecto R 71
Tabla 3.7 Gráficas del ajuste de la distribución de la demanda 74
Tabla 3.8.1 Resumen del cálculo de Verosimilitud 74
Tabla 3.8.2 Complemento mezcla finita de las distribuciones 76
VIII
Índice de tablas
Tabla 3.9.1 Clase de la distribución Gamma 77

Tabla 3.9.2 Clase de la distribución Normal 78
Tabla 3.9.3 Mezcla finita de distribución 78
Tabla 3.10 Cálculo del Cuantil en el proyecto R 79
Tabla 3.11.1 Cálculo de la Demanda al 80% de Servicio 80
Tabla 3.12.1 Ventas mensuales por artículo periodo 2010 86
Tabla 3.12.2 Ventas mensuales por artículo periodo 2011 87
Tabla 3.13 Comportamiento mensual de las ventas 88
Tabla 3.14 Concentrado del cálculo de los Pronósticos 93
Tabla 3.15 Comparativo entre venta real, pronóstico y Cuantil del modelo 97
Tabla 3.16 Listado de Requerimientos de Materia Prima (Servicio al 90%) 100
IX
Índice de figuras
Capítulo 1. Situación actual de la empresa
Figuras 1.1 Comportamiento del Producto Interno Bruto en México 7
Figuras 1.2 Distribución de los costos logísticos por sector 8
Figuras 1.3 Principales clientes de Industrias RC 13
Figuras 1.4 Muestra de algunos productos terminados 13
2
Figuras 1.5 Planta Cafetales con 3,600 m para el proceso de Estampado 14
Figuras 1.6 Planta Canela con 2,300 m2 para el proceso de Vulcanizado 15
Figuras 1.7 Proceso de estampado 16
Figuras 1.8 Proceso de Vulcanizado 17
Figuras 1.9 Proceso de hules 18
Capítulo 2. Revisión bibliográfica

Figura 2.1 Gráfica de la función de densidad de probabilidad de una variable 38
aleatoria continua X, con distribución normal, media µ y varianza
σ2 (Gutiérrez González, 2010)
Figura 2.2 Gráfica de la función de densidad de probabilidad y función de 39
distribución acumulada de una variable aleatoria continua, con
distribución exponencial, con β>1 y β<1 (Gutiérrez González,
2010)
Figura 2.3 Gráfica de la función de densidad de probabilidad y función de 41
distribución acumulada de una variable aleatoria continua, con
distribución gamma, para beta β igual a 1 y alfa α valores de 1, 2,
3 y 4 (Gutiérrez González, 2010)
Figura 2.4 Para alfa α igual a 1 y beta β con valores de 0.5, 1.2 y 3 (Gutiérrez 41
González, 2010)
Figura 2.5 Gráfica de la función de densidad de probabilidad de una variable 42
aleatoria continua, con distribución log-normal para diferentes
valores de la media y la desviación estándar de Y=ln(X) (Gutiérrez
González, 2010)
Figura 2.6 Patrones de series de tiempos (Nahmias, 2007) 51
X
Índice de figuras
Capitulo 3. Caso de estudio

Figura 3.1 Diagrama de flujo de la metodología propuesta 63
Figura 3.2 Cálculo en Excel del Promedio Móvil del Artículo 0432-0 90
Figura 3.3 Gráfica del Promedio Móvil para 9 periodos del Artículo 0432-0 90
Figura 3.4 Gráfica del SES del Artículo 0432-0 91
Figura 3.5 Gráfica del DES del Artículo 0432-0 91
Figura 3.6 Gráfica del WM del Artículo 0432-0 92
Figura 3.7 Gráfica del ARIMA del Artículo 0432-0 en Excel 92
Figura 3.8 Comparativo del Artículo 1715-R a diferentes niveles de servicio 96
Figura 3.9 BOM (Requerimiento de Materiales) del Artículo 0225-0 99
XI
Resumen
En el trabajo se desarrolla una metodología que tiene como objetivo principal
obtener el Listado final de requerimientos de materia prima que se debe tener en el
almacén de la empresa de estudio. Como primera etapa se realiza una selección de
material crítico tipo Pareto. Con los datos de la venta de los artículos seleccionados,
se determina el tipo de modelo que mejor representa la venta para cada artículo, éste
se elige con base en el criterio AIC y el valor de la log-verosimilitud. Para elegir el
mejor modelo fueron empleadas varias distribuciones, pero debido al
comportamiento de varios máximos de las ventas se introdujeron los modelos de
mezclas finitas de distribuciones. Para la estimación de los parámetros de estos
modelos se realizo un programa en el proyecto R que utilizo la log-verosimilitud de
las ventas.
En otra etapa de la metodología se desarrolla un estudio de pronósticos para

las ventas, con cinco de los métodos más utilizados. Con el resultado del pronóstico
y el modelo de la venta de cada artículo, se determina el nivel de servicio adecuado
al problema del abastecimiento de materia prima para la empresa.
Se presentan cinco escenarios para el nivel de abastecimiento del almacén de

materia prima, y aunque se concluye con una solución factible, se deja a
consideración de la empresa la toma de la decisión que más se adapte a sus
necesidades de espacio, economía, política, entre otros.
Este trabajo está dirigido a empresas del sector automotriz que no cuentan con
bases solidas para el cálculo de la demanda y se desea resolver el problema de
desabasto.
XII
Abstract
The work develops a methodology which aims to obtain the final requirement list
of raw material that should be in the company warehouse being studied. As a first
step, a selection of the critical material with the Pareto method was performed. The
sale of the selected materials determines the type of model that best represents the
sales for each subject. This is chosen based on the AIC criterion and the value of the
log-verisimilitude. Several distributions were used to choose the best model, but due
to the behavior of some maximum sales, models of finite mixtures of distributions
were introduced. For the model parameter estimation a program on R project that
used the log-verisimilitude of the sales was presented.
In another stage of the methodology a forecasts study of sales was developed,

with five of the methods most used. With forecast sales and the sales model the level
of service appropriate to the problem of supply of raw material for the company was
obtained.
Five scenarios are submitted for the supply level of the raw material
warehouse, and although it concludes with a feasible solution, the decision best
suited to space, economy, and political needs, is left to the company.
This work is aimed at companies in the automobile sector that do not have a
solid base to calculate the demand and solve the shortage problems.
XIII
Introducción
Contexto
En el entorno actual caracterizado por la creciente competitividad dentro de un
mercado globalizado, provoca que las economías mundiales deban tener respuestas
más eficientes, procesos bien planificados y estrategias que les permitan mantenerse
dentro de una economía de constante cambio. La globalización obliga a implementar
nuevas tecnologías para reaccionar ante las constantes variaciones en los
requerimientos del mercado, por lo que, la sincronización de los diversos agentes
involucrados en las diferentes cadenas de suministro, requiere una planificación
colaborativa con el fin de realizar un trabajo coordinado para poder satisfacer las
exigencias de un mercado cada vez más competitivo (Ribas, 2007). Entre los
capitales que se tienen dentro de las organizaciones, de manera general, están las
materias primas, materiales en proceso y productos terminados, que son recursos
ociosos temporales, razón por la cual deben ser reducidos al máximo (hasta el nivel
en el que no sea un factor del tiempo de entrega al cliente), ya que representa un alto
costo mantenerlos (Ballou, 2004).
Descripción del Problema

La Empresa en estudio del presente trabajo, Industrias Automotrices RC, es
una empresa 100% Mexicana, pertenece al Grupo R. C. establecida desde 1961 en
la Ciudad de México. Dedicada a la manufactura de partes automotrices de hule y
hule-metal; es proveedor de partes automotrices para equipos originales y partes de
repuestos. Industrias Automotrices RC, al igual que otras empresas que
manufacturan para el ramo automotriz en México, se caracterizan por tener un
1
Introducción
crecimiento sin un desarrollo basado con enfoque sistematizado, por lo que trae
consigo una expansión con planeación deficiente. Prueba de ello está, en las tres
plantas que tuvo que acondicionar, ya que por cuestiones de espacio no están
centralizadas y aunque las plantas están ubicadas con cierta cercanía, no deja de ser
una interferencia su flujo de proceso y los problemas que conllevan a una operación
normal de la empresa, situado todo esto en un problema en la logística.
Por pertenecer al ramo automotriz, se debe entregar los productos terminados

al 100% ya que de lo contrario puede tener cargos por la falta de entrega a tiempo o
en el peor de los casos la suspensión del contrato. Su principales problemas está en
la falta continua de materias primas; y para cumplir con los pedidos, la empresa
continuamente realiza cambios en los programas de producción, aumenta las
jornadas de trabajo, programa transportes extraordinarios, entre otros; con ello
incrementa los costos de producción. La programación de la producción se da en
base a la presión que ejerce ventas, estableciéndose por prioridades y disponibilidad
de los procesos y la materia prima.
Objetivos
• Establecer una metodología para el cálculo del abastecimiento de materia
prima que cumpla con la venta y el pronóstico de ventas.
• Elaborar el pronóstico de la venta para compararlo con el cálculo del
abastecimiento y determinar cuál es el nivel de servicio adecuado.
• Aplicar la metodología propuesta en Industrias Automotrices RC para obtener
el listado de requerimientos de materia prima, que sea base para los niveles
de inventario del almacén de materia prima.
• Contar con un almacén de materia prima que responda a las ventas de los
clientes evitando faltantes o sobrantes de materiales.
2
Introducción
Justificación
El tener un almacén de materia prima que cubra la demanda de los clientes,
con base en un buen modelo de pronósticos de la misma, es vital para toda empresa
aún más para Industrias Automotrices RC, ya que continuamente tiene problemas de
entrega, por tener excesos de algunos materiales o falta de otros. Es por ello que el
presente trabajo debe ser base para los niveles de abastecimiento del almacén de
materia prima y no como actualmente que es de acuerdo a la experiencia de los
encargados del mismo o por información del pronóstico de ventas dada por los
clientes.
Alcances y Limitaciones
El presente trabajo está dirigido a empresas proveedoras del ramo automotriz,
que no tiene una base sistemática para el cálculo de la demanda, y que basa sus
programas de producción en métodos subjetivos o el pronóstico de la venta que le
envían sus clientes. El estudio se concluye con un listado de requerimiento de
materia prima que será la base para cubrir la demanda real.
Entre las limitaciones que se tienen al elaborar el presente trabajo, se cuentan,

el histórico de las ventas que solo es de dos años, la falta de costos de
almacenamiento, costos de pedido, costos de penalización, entre otros y que
pudieran dirigir el estudio en otro cause. Sin embargo, con base en estas limitaciones
y apoyándose en el cálculo de los pronósticos de las ventas, se pretende obtener un
modelo que modifique al actual de la empresa, para el cálculo de los niveles de
inventario de materia prima.
Resultados esperados
Considerando la falta de un pronóstico de ventas y una base sistemática para
el cálculo de los niveles del almacén de materia prima, el presente trabajo tiene como
fin principal el desarrollar una metodología para el cálculo del requerimiento de
materia prima acorde al comportamiento y/o pronóstico de la venta.
3
Introducción
Metodología general
Industrias Automotrices RC tiene 231 artículos de ventas de los cuales, como
en toda empresa, una minoría de ellos son el mayor volumen de las ventas, por lo
que se deben seleccionar aquellos artículos que sean los más representativos de las
ventas; para ello se utilizará el principio de Pareto, que como lo marca, es para
estudiar sólo el 20% de los artículos y que representen el 80% de las ventas. Como
inicio se analizará el comportamiento de los datos de los artículos seleccionados,
obteniéndose el modelo de su comportamiento. Después se realizará el análisis del
pronóstico de las ventas de cada uno de estos artículos. Posteriormente serán
comparados el comportamiento de los datos en diferentes niveles de servicio que
responda a los valores de la venta y los pronósticos, para que finalmente se obtenga
el Listado de Requerimientos de Materia Prima.
Reseña del estudio

El trabajo está dividido en 3 Capítulos. En el Capítulo 1 se establece la
situación actual de la empresa, tanto en el sector automotriz al que pertenece, así
como al que representa este sector en México, la problemática de la logística y los
costos logísticos de las pequeñas y medianas empresas que influyen en su
desarrollo comercial. También se tiene la historia de la empresa, el inicio y su
desarrollo, los artículos que manufactura, sus plantas de producción y competencias.
En el capítulo 2 se tiene el marco teórico, teniéndose la revisión bibliográfica

de la gestión de la cadena de suministro y el punto de vista práctico de algunos
fabricantes; la teoría de la logística, la administración de inventarios y finalmente el
uso de los pronósticos, su horizonte de tiempo, la clasificación de los diferentes
métodos. Del mismo modo, se describen con mayor precisión los métodos
cuantitativos de pronósticos, específicamente las series de tiempo.
4
Introducción
En el capítulo 3 se describen y ejecutan las tres Etapas que integran la

metodología propuesta para la empresa en estudio (antes ya han sido seleccionados
los artículos con base en el principio de Pareto). En la Etapa A se analiza el
comportamiento de los datos, determinando el de mayor Verosimilitud y calculando la
venta con base en el Cuantil del modelo. Después en la etapa B, se hace el análisis
del pronóstico de las ventas mensuales, se estudia su comportamiento, calculando
su pronóstico, basándose en 5 de los métodos más comunes: Promedio Móvil,
Suavización Exponencial Simple, Suavización Exponencial Doble (Método de Holt),
Método de Winter y Método de ARIMA; seleccionando el mejor pronóstico en base al
menor valor del MAD (Desviación Absoluta Media). Por último en la Etapa C, se
obtiene el requerimiento de materia prima, con base en la comparación entre el valor
de las ventas reales, los valores del pronóstico y el cuantil del modelo, para
determinar el Listado de Requerimientos de Materia Prima que responda al nivel de
servicio adecuado de la venta real y su pronóstico.
Finalmente se presentan las conclusiones, explicando las aportaciones que

este trabajo contribuye a Industrias Automotrices RC en la administración de su
inventario de materia prima, que como sabemos es uno de los activos de las
empresas, y representa un alto costo el mantenerlos.
5
Capítulo 1
Situación actual de la empresa
En este capítulo, se establece la situación actual en la que se encuentra la

economía en México, en cuanto a su logística, el lugar que ocupa en el ranking
mundial, la manera en que impacta los costos logísticos en los diferentes sectores
económicos y en particular de la Pymes (Pequeñas y Medianas Empresas), la
problemática a la que se enfrentan y los apoyos que se tiene por el gobierno federal.
Se estudia de manera general la problemática del sector automotriz en México, las
áreas de oportunidad, modernización de la infraestructura, así como de los métodos
utilizados para mejorar el abastecimiento de los materiales.
Se aborda en particular la empresa Industrias Automotrices RC, describiendo
de manera general su situación y problemática actual, en la que está enfocado el
presente trabajo.
1.1 Situación actual de México

El comercio exterior es clave en el desarrollo económico de México, la
Secretaría de Economía establece que representa el 57% (Figura 1.1) del Producto
Interno Bruto (Hernández Ochoa, 2010). México se localiza en una posición
geográfica estratégica que lo convierte en una excelente plataforma logística para
abastecer a los mercados de todo el continente americano; comparte 3 mil kilómetros
de frontera con la economía más grande del mundo; y tiene 11 mil kilómetros de
litoral en el atlántico y el pacífico; tiene tratados y acuerdos comerciales que le
brindan acceso preferencial a un mercado de 44 países con más de mil millones de
habitantes, que se concentran alrededor de tres cuartas partes del Producto Interno
6
Capítulo 1
Bruto en el mundo; además cuenta con un mercado interno fuerte y en expansión

(Martínez Trigueros, 2010).
Figura 1.1 Comportamiento del Producto Interno Bruto en México
COMERCIO DE MERCANCIAS COMO % DEL PIB

70
57 59 59 60 57
60 54 56 54 53 55 55
52 49 52
50
40
30 % DEL PIB
20
10
0
1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008
Fuente: Datos de la Secretaria de Economía
1.1.1 Situación de la logística en México

En su reporte la Secretaria de Economía, sobre “Facilitación Comercial y
Retos Logísticos” (Tabla 1.1) indica que la situación logística de México tiene un
amplio espacio para mejorar situándolo en el lugar 50, de la clasificación mundial del
Índice de Percepción Logística (LPI Logistic Perception Index). Aunque se sitúa
arriba de Brasil y Colombia, la situación logística de México tiene un amplio espacio
para mejorar.
Los costos logísticos influyen directamente en el desarrollo comercial de todo

tipo de actividad económica; una encuesta de A.T. Kearney del 2009 (Figura 1.2),
establece que los costos logísticos son en promedio 10.3% del porcentaje de las
ventas en los sectores comerciales (Eléctrico, Farmacéutico, Comercio, Automotriz,
Pymes, entre otros); de igual manera si consideramos sólo las Pymes, el costo
logístico se eleva hasta 30.7% (Kearney, 2009).
7
Tabla 1.1 Ubicación de México en el Índice de Percepción Logística

ÍNDICE DE PERCEPCIÓN LOGÍSTICA (LPI)
FACILIDAD FACILIDAD COSTOS
LPI SERVICIOS
PAIS ADUANAS INFRAESTRUCTURA DE DE LOGíSTICOS PUNTUALIDAD
GENERAL LOGISTICOS
DESPACHO SEGUIMIENTO INTERMEDIOS
Argentina 45 51 47 49 44 46 93 46
Brasil 61 74 49 75 49 65 126 71
Chile 32 24 34 34 35 37 115 44
Colombia 82 116 85 74 86 71 80 87
México 50 62 44 77 44 45 101 54
Perú 59 49 57 53 61 67 59 80
Estados
14 19 7 20 14 10 144 18
Unidos
España 26 30 24 23 24 22 107 29
Fuente: Connecting to Compete, 2010
Figura 1.2 Distribución de los costos logísticos por sector
COSTOS LOGÍSTICOS
35.0%
30.7%
30.0%
25.0%
20.0%
15.0% 13.5%
10.3%
7.9% 9.0%
10.0% 7.5%
4.9%
5.0%
0.0%
Eléctrico / Farmacéutico Alimentos, Comercio Automotriz PyMEs Promedio 2009
Electrónico bebidas y
consumo
Fuente: Análisis de Kearney 2009
8
Capítulo 1
1.1.2 Problemática de la logística en México

De acuerdo con distintos indicadores, México ha mejorado su desempeño
logístico en los últimos años, sin embargo, a pesar de los avances existen
importantes áreas de oportunidad en materia de infraestructura y logística en las que
se tiene que trabajar para fortalecer las ventajas comparativas (Martínez Trigueros,
2010).
En los últimos años, México ha mejorado su desempeño en materia logística,

según se muestra en el estudio del Índice de Percepción Logística (LPI) publicado
por el Banco Mundial en 2007 y 2009. Este Índice refleja el desempeño que tienen
los países a lo largo de la cadena de suministro y se obtiene evaluando seis factores
clave: Aduanas, Infraestructura, Embarques internacionales, Competencia logística,
Trazabilidad y Tiempos.
A pesar de que entre 2007 y 2009 la muestra de países considerados en el

estudio se incrementó, pasando de 150 a 155, México avanzó seis posiciones;
así que, mientras en 2007 México obtuvo una calificación de 2.87 (de un máximo de
5 puntos) y ocupó la posición 56, en 2009 México obtuvo una calificación de 3.05
puntos (LPI General) y avanzó a la posición 50.
En el ámbito interno, la Secretaría de Economía conjuntamente con el sector

privado, impulsó el desarrollo de dos estudios: para obtener datos del desempeño de
las cadenas de suministro en nuestro país, detectar áreas críticas e identificar áreas
de mejora. El estudio del 2008 permitió identificar que, en promedio, las prácticas
logísticas de las empresas del país están en una etapa avanzada y las empresas
líderes cuentan con prácticas de clase mundial. Por ejemplo, el promedio de las
empresas y sectores evaluados registró 87.7% de órdenes perfectas, pero las
empresas líderes del país obtuvieron porcentajes del 96.2%, cifra que las sitúa en los
niveles de las mejores prácticas internacionales.
En la segunda medición, realizada en el 2009, los resultados obtenidos

mostraron una mejora en el servicio logístico al cliente. El indicador de órdenes
perfectas se incrementó en 1.3 puntos porcentuales, ya que las empresas alcanzaron
9
en promedio un 89% de cumplimiento. Las mejoras en las prácticas logísticas han

permitido reducir los costos que las empresas enfrentan en este rubro,
incrementando su competitividad y posibilidad de competir a nivel mundial. Así, entre
2002 y 2009 los costos logísticos se redujeron 1.6%.
En el caso del comercio exterior, el estudio realizado en 2009 reveló que las
empresas ofrecen un mejor servicio logístico a clientes internacionales que a los
nacionales. Este resultado sugiere que las empresas cuentan con la capacidad para
mejorar sus niveles de servicio para clientes nacionales, con niveles de esfuerzo
relativamente bajos.
Un dato relevante en la logística de comercio exterior muestra que en los

últimos años se han reducido entre un 15% y 30% los tiempos de tránsito puerta a
puerta en importaciones y de un 5% a 30% en exportaciones.
Asimismo se mejoraron los tiempos de estadía en puertos y aeropuertos e

incidencias en la aduana. Hace 3 años una mercancía permanecía hasta 10 días en
puerto o 4 días en un aeropuerto, en el año 2010 el tiempo promedio de estadía se
redujo a 7 días en puerto y 2 en aeropuerto, no obstante, México aún está lejos de la
mejor práctica internacional que es de 3 a 4 días en puerto.
A pesar de los avances, existen importantes áreas de oportunidad en materia

de infraestructura y logística en las que se tiene que trabajar para fortalecer las
ventajas comparativas del país. En particular, se requiere fortalecer tanto la
venta como la oferta de servicios logísticos a través de acciones en las siguientes
líneas:
 Fortalecimiento de la cultura logística en las empresas.
 Desarrollo de operadores logísticos de clase mundial.
 Capacitación para trabajadores en el sector logístico.
 Ordenamiento territorial.
 Certificación de calidad para operadores logísticos.
 Facilitación comercial.
10
Capítulo 1
Asimismo, es indispensable continuar fortaleciendo la infraestructura del país.

El Gobierno Federal ha adoptado una agresiva agenda de inversión en
infraestructura en los últimos años. Por ejemplo, la inversión en construcción,
modernización y conservación de carreteras se ha incrementado 1.9% anualmente
entre 2003 y 2009. Sin embargo, es necesario tomar acciones para fortalecer esta
inversión y obtener mejores resultados. Se requiere revisar los esquemas de
concesiones para la operación de infraestructura y definir mecanismos que
incentiven una operación más eficiente y competitiva.
1.2 Industrias Automotrices RC

Industrias Automotrices RC es una empresa 100% Mexicana, pertenece al
Grupo R. C. establecida desde hace más de 40 años en la Ciudad de México.
Dedicada a la manufactura de partes automotrices de hule y hule-metal; siendo
proveedor de los fabricantes automotrices de equipo original (OEMs) y Partes de
repuesto para el mercado de refacciones. Su permanencia en el mercado automotriz
se ha logrado gracias a la habilidad de adaptarse y satisfacer las necesidades más
exigentes de los clientes y tener una excelente calidad de los productos.
La capacidad de embarque y red de distribución les permite llegar a toda la

República Mexicana, Estados Unidos, Brasil, Argentina, Centro y Sudamérica y
Europa. Empresa reconocida nacional e internacionalmente por la excelente calidad
de sus productos, diseñados para satisfacer las necesidades más exigentes de sus
clientes. Fabrica componentes de hule y hule-metal de alta tecnología y calidad para
el control de vibraciones e impacto y estampados metálicos.
Cuentan con 3 Plantas Industriales ubicadas en la Ciudad de México, con un

total de 250 trabajadores que laboran bajo el más estricto apego a los estándares de
calidad, operando maquinaria de punta y contando con laboratorios equipados con
los sistemas avanzados para el desarrollo de tecnología Propia.
11
1.2.1 Breve historia de la empresa
En 1960 surge el proyecto de establecer una planta manufacturera de

soportes y gomas automotrices; iniciando operaciones en 1961. En 1962 se inicia las
negociaciones con las plantas armadoras y en 1963 se realizan las primeras ventas
de productos a General Motors y VAM. En 1964 se inicia venta de productos a Ford
Motors Company, siendo el primer cambio de instalaciones por necesidades de
producción y en 1967 el cambio a la ubicación actual. Entre los años 1970-1980, se
consolida en el mercado automotriz, siendo proveedor de todos los fabricantes
automotrices: Ford, Chrysler, GM, Renault, VAM, Borgward, Nissan, Volkswagen,
Dina, etcétera. En 1997 inicia operaciones en la planta de estampados y en 1998
obtiene el certificado ISO-TS-16949 en ambas plantas.
1.2.2 Los clientes

Agradeciendo la confianza y reconocimiento de los clientes (Figura 1.3), entre
los principales se encuentran:
- Daimler Chrysler.
- Dina.
- Distribuidora de Auto Industrias. (DAISA)
- Ford Motor Co. México.
- Freightliner.
- Gabriel.
- General Motors. (México, Argentina y Brasil)
- Goodyear.
- Moto diesel mexicana.
- Motores Perkins.
- Nissan Mexicana.
- Raimsa Federal Mogul.
- Sachs Boge.
- Spicer Cardanes.
- Volkswagen México.
12
Capítulo 1
Figura 1.3 Principales clientes de Industrias RC
Fuente: Industrias RC, 2010
1.2.3 Los productos

Entre los principales productos se encuentran: soportes de motor, transmisión,
amortiguador, gomas de cardan, suspensión, escape, topes de suspensión, bujes de
suspensión, entre otros (Figura 1.4).
Figura 1.4 Muestra de algunos productos terminados
13
1.2.4 Plantas de manufactura

Como ya se mencionó, Industrias Automotrices R.C. cuenta con tres plantas
de producción: Estampado, Hules y Vulcanizado. A continuación se muestran dos de
las tres plantas (Figura 1.5 y 1.6).
Figura 1.5 Planta Cafetales con 3,600 m2 para el proceso de Estampado
14
Capítulo 1
Figura 1.6 Planta Canela con 2,300 m2. Para el proceso de Vulcanizado
1.2.5 Los procesos de producción

Los procesos de producción se distribuyen en las plantas, de acuerdo a sus
características de la siguiente manera:
Planta de Estampado
En esta Planta (Figura 1.7) se inicia el proceso de producción para los
productos metal-mecánicos, entre los principales procesos se encuentran troquelado,
corte, doblez, formado, soldadura, desengrase y aplicación de adhesivos. Para la
fabricación de productos metálicos se tienen prensas mecánicas e hidráulicas con
capacidad desde 30 a 400 toneladas, equipo para soldadura y tornos para corte de
tubo y perfiles de aluminio. Las prensas cuentan con controles programables
integrados directamente a los sistemas de Control de Producción, los cuales les
permiten recopilar la información estadística de productividad. Para el proceso de
aplicación de adhesivo, se cuenta con equipo de lavado, desengrasado, granallado y
máquinas automáticas que aplican el primer y adhesivo.
15
Figura 1.7 Proceso de estampado
Planta de Vulcanizado
En esta planta (Figura 1.8) además de albergar las Oficinas Corporativas, se
realizan los procesos de vulcanizado, pintura, evaluación del producto y embarque.
Se tienen prensas de compresión y máquinas de inyección con capacidad hasta 4
litros, asistidas por computadora con sistemas de Control Estadístico del Proceso
(CEP), Control de Proceso de Manufactura (CIM) y Control Computarizado del
Tiempo de Curado (CURETRAC). Una vez que los productos han sido
manufacturados con prensas de compresión y máquinas de inyección, pasan al
laboratorio central donde se cuenta con los siguientes dispositivos:
 Máquina de prueba de elastómeros (MTS), que realiza las pruebas de

deflexión a la carga estática, logrando la alineación del motor con la caja
y la dinámica, para la absorción de vibración que garantiza el confort del
pasajero, determinando el módulo dinámico, ángulo de pérdida y
coeficiente de amortiguación, a fin de garantizar el cumplimiento con las
pruebas de ingeniería de los fabricantes de equipo original.
 Máquina de pruebas de durabilidad en banco, donde se aplica una
precarga con amplitud y velocidad preestablecida que se repite durante
millones de ciclos, de acuerdo a la especificación del cliente, que simula
16
Capítulo 1
su operación en el vehículo bajo condiciones muy severas que

garanticen la vida del producto.
 Máquina de prueba de adhesión, para medir la resistencia de la adhesión
hule-metal, también de acuerdo a los requerimientos del cliente. Estos
requerimientos que se aplican a este tipo de partes diseñadas para el
control de la vibración o del impacto, son pruebas que se realizan
apegadas a las normas internacionales de ingeniería como: SAE, ASTM,
ANSI y DIN.
El control de la temperatura en los proceso de vulcanizado es monitoreado por

el Control Computarizado del Tiempo de Curado (CURETRAC) a fin de asegurar que
los producto cumpla con las propiedades requeridas por la especificación.
Figura 1.8 Proceso de Vulcanizado
Planta de Hules
En esta planta (Figura 1.9) se realiza el desarrollo de compuestos de hule,
premezclado y preformado, empleando molinos de diversas capacidades y máquinas
pre-formadoras. Se cuenta con un laboratorio donde se evalúan los materiales y
mezclas con equipo asistido por computadora como reómetro y tensiómetro para la
realización de pruebas mecánicas de tensión y elongación.
17
Figura 1.9 Proceso de hules
Planta de Troqueles
Esta planta es un anexo de la empresa, donde se diseña, fabrica y
proporciona el mantenimiento a los moldes, troqueles y dispositivos de ensamble
necesarios en las plantas de manufactura. El taller cuenta con moderno equipo de
control numérico por computadora (CNC), centros de maquinado y torno, máquinas
de electroerosión por penetración y alambre, además de equipo convencional como
cepillos y fresadoras, rectificadora de superficies, horno de templado y afiladora de
herramientas. Los diseños son realizados por expertos que se apoyan con
herramientas asistidas por computadora, aplicando sistemas CAD y CAM.
1.2.6 Responsabilidad social, misión y visión

El Grupo RC es una empresa Socialmente Responsable, comprometida con el
medio ambiente, por lo que en todas las plantas, procesos, actividades y servicios
evitan cualquier tipo de contaminación ambiental. Los objetivos son mantener el
liderazgo e incrementar la participación en el mercado de autopartes, mediante la
competitividad en costos e innovación de productos, contando siempre con la
experiencia y continua actualización del personal altamente calificado.
18
Capítulo 1
Comprometidos con la excelencia en la calidad de los productos, basan su éxito en el

servicio y la completa satisfacción del cliente.
Misión
“SOMOS UNA EMPRESA MEXICANA FABRICANTE DE PRODUCTOS
AUTOMOTRICES DE HULE-METAL, QUE SATISFACEN LOS
REQUERIMIENTOS DEL CLIENTE EN TÉRMINOS DE COSTOS, CALIDAD Y
SERVICIO. RESPETAMOS LAS NORMAS DE LA COMUNIDAD Y
RECONOCEMOS EN NUESTRO PERSONAL AL ELEMENTO MÁS VALIOSO,
PROCURANDO SU BIENESTAR Y DESARROLLO Y A LOS PROVEEDORES
COMO NUESTROS SOCIOS. BUSCAMOS LA GENERACIÓN DE UTILIDADES
QUE NOS PERMITA MANTENER EL LIDERAZGO EN NUESTRA ACTIVIDAD”.
Visión
“LA VISIÓN DE INDUSTRIAS AUTOMOTRICES R.C. ES LLEVAR A LA
COMPAÑÍA A SER UNA EMPRESA LIDER, GENERADORA DE UTILIDADES,
CON MENTALIDAD TRIUNFADORA Y VISIÓN INNOVADORA PARA APOYAR AL
CLIENTE, APLICANDO TECNOLOGÍAS ADECUADAS PARA OBTENER
PRODUCTOS DE EXCELENTE CALIDAD A BAJO COSTO Y ENTREGAS A
TIEMPO, CON EL COMPROMISO DE CADA UNO DE NOSOTROS EN UN BUEN
AMBIENTE DE TRABAJO”.
1.2.7 Certificaciones, tecnología y diseño

Los procesos de manufactura están certificados por Normas Internacionales,
lo cual les permite asegurar que sus productos sean realizados en estricto apego a
estándares plenamente reconocidos mediante sistemas de planeación, control y
mejora continua en calidad, servicio, costo y tecnología, bajo condiciones controladas
desde el abastecimiento de materiales por nuestros proveedores y contratistas hasta
la entrega justo a tiempo (J.I.T. por las siglas en inglés Just In Time) a los clientes.
19
ISO/TS 16949
Certificación otorgada por el despacho certificador TÜV Rheinland en Julio de
2001, abarcando los Sistemas de Calidad relativos a la administración de la
empresa, sus productos y procesos.
ISO 14001
Obtenido en Marzo de 2002, La norma internacional ISO 14001 especifica los
requerimientos de un Sistema de Administración Ambiental (SAA) y su aplicación en
la industria automotriz. Industrias Automotrices R.C. reforzando su amplio
compromiso con la ecología y en congruencia con sus clientes, respeta y cumple los
principios establecidos en su política ambiental para prevenir y evitar la
contaminación.
Tecnología RC
En Industrias Automotrices R.C, es dueña de toda su tecnología de diseño y
fabricación de productos, desarrollada a lo largo de 38 años de investigación. Se han
desarrollado mezclas para cubrir con diferentes valores de tensión y tasas dinámicas,
así como mezclas con protección al medio ambiente, según sean las
especificaciones del producto. Cuenta con laboratorios equipados con sistemas
altamente avanzados para evaluar las materias primas y realizar las pruebas
suficientes que aseguren la calidad de sus productos; realizan los procesos
productivos con maquinaria de punta bajo condiciones controladas y en estricto
apego a los procedimientos establecidos, operada por personal altamente calificado.
Cabe mencionar que todos los equipos en laboratorios cuentan con certificados de
calibración de acuerdo a estándares internacionales que les permite garantizar
excelentes resultados; así como la certificación por Chrysler de México. Entre los
equipos se encuentran Reómetro, Tensiómetro, Máquina de medición por
coordenadas CNC, Sistema de pruebas de elastómeros, Máquina de prueba de vida,
de adhesión, OscilografoYerzley, Durómetros para lámina y hule, Horno de
envejecimiento, entre otros.
20
Capítulo 1
Diseño
La empresa cuenta con su propia área de Ingeniería para diseñar y construir
todos los herramentales, moldes y troqueles utilizando sistemas de diseño asistido
por computadora (CAD), permitiéndoles también enlazarse desde los diferentes
sistemas de diseño de los clientes (sistemas como Catia, Unigraphics, proengineer,
etc.). El laboratorio de metrología cuenta con equipo de medición por coordenadas
para dimensionar las partes con un alto grado de precisión, como apoyo al control del
proceso, desarrollo del producto y fabricación de troqueles y moldes.
Embarque
La distribución y embarque está basada en entregas justo a tiempo (JIT), por
lo que la logística de manejo de materiales es desde el recibo de la materia prima
hasta el embarque de producto terminado, es controlada mediante la identificación
por código de barras. Los embarques se realizan en contenedores retornables,
asistidos de sistemas de pesaje electrónicos para asegurar la precisión en la
cantidad de piezas embarcadas.
Proveedores y Subcontratistas
En este mismo sitio se cuenta con un sólido sistema de información para
retroalimentar a los proveedores acerca de los requerimientos de materiales para
cumplir los pedidos de los clientes, permitiendo también que se retroalimenten las
cantidades embarcadas y fechas en que arribaran a las plantas; manteniendo así
una oportunidad de reacción en caso de contingencia.
1.3 Situación en el sector automotriz

Aunque industrias Automotrices RC puede enfocarse en el sector
metalmecánico, se especializa en el ramo automotriz y es donde se centra su
producción; siendo el 15% de los productos manufacturados para equipos originales
llamados OEMs (Original Equipment Manufacturers) y el 85% restante para el
mercado de las refacciones.
21
En el mercado de las refacciones es líder, teniendo el 80% de las ventas

nacionales. Por lo que respecta a equipos originales es proveedor con el 100% para
las armadoras automotrices Ford y V.W. por lo que es considerada empresa “Tier
One Automotive Suppliers (Proveedor Automotriz Nivel Uno)”; esto es que en la
cadena de suministro de las empresas empleadoras le entrega directamente a la
planta armadora.
1.4 Descripción del problema
El problema para la empresa de estudio está en la falta continua de materias

primas. La empresa continuamente realiza cambios en los programas de producción,
aumenta las jornadas de trabajo, programa transportes extraordinarios, entre otros;
con ello incrementa los costos de producción.
Al realizar el recorrido de evaluación, se detectó que los niveles de inventario

de materia prima se establecen de acuerdo a la experiencia de los encargados del
mismo o por promedios simples; solicitando al proveedor de acuerdo a estos datos,
lo que deriva un caos cuando los requerimiento cambian, teniéndose excesos de
inventario de algunos materiales o falta de otros, ocasionando aumento en los costos
relacionados con suministro o almacenamiento.
Es por ello que el presente trabajo tiene la finalidad de elaborar una

metodología de abastecimiento que sea base para el surtimiento adecuado de la
materia prima. Para ello serán aplicados modelos sistemáticos capaces de empatar
con los pronósticos de la venta de un producto terminado y de ser posible cubrir los
requerimientos de las ventas reales; reduciendo los costos que se derivan por la falta
o exceso en los niveles de inventario.
22
Capítulo 2
Marco teórico
2.1 Gestión de la cadena de suministro

Uno de los cambios en el paradigma más significativo de la administración
empresarial moderna es que las empresas ya no compiten como entidades
autónomas, sino más bien como parte de una cadena de suministro (Lambert &
Cooper, 2000). La administración de las empresas ha entrado en la era de la
competencia global; lo que era la competencia de un producto contra otro producto o
más bien la compañía dueña del producto contra su competidor, ha cambiado; ya
que ahora el enfrentamiento es respecto a la cadena de suministro a la cual
pertenece la empresa contra la cadena de suministro a la cual pertenece su
competidor. Esto obliga a las empresas a procesar productos con un ciclo de vida
cada vez más corto (Simchi-Levi, Kaminsky, & Simchi-Levi, 2003). El éxito que se
tenga en este enfrentamiento estará dado por la capacidad o planteamiento que se
haga en la manera de gestionar. Se debe reducir el tiempo entre fabricante y cliente,
teniéndose una velocidad de reacción lo más rápido posible (Simchi-Levi, Kaminsky,
& Simchi-Levi, 2003).
La Gestión de la Cadena de Suministro es muy importante y consiste en

establecer una red integrada y coordinada de los proveedores, fabricantes,
almacenes, distribuidores y minoristas, a través del cual las partes, materias primas,
y subconjuntos se compran, abastecen, almacenan, transforman y entrega al cliente
23
Capitulo 2
final, teniéndose una retroalimentación constante entre la demanda y la oferta, entre

el servicio y la información.
Para que tenga éxito la gestión en la cadena de suministro de la empresa, se

requiere integrar todas y cada una de las funciones que están cruzadas entre todos
los participantes la cadena. La comercialización del producto debe desempeñar un
papel fundamental (Lambert & Cooper, 2000). El reto es determinar una metodología
para llevar a cabo con éxito esta integración.
La creciente necesidad de las empresas de reducir los costos en sus

operaciones diarias e incrementar los beneficios para los accionistas ha generado
que vean a las actividades logísticas como un foco para alcanzar estos dos objetivos
(Arango, Zapata, & Wilson, 2011), (Chopra & Meindl, 2008). Esta necesidad surge
como respuesta a la alta competitividad del mercado actual, causada en gran parte
por la globalización, que en muchos casos obliga a la empresas a ofrecer sus
productos a menor precio, con mejores características de calidad y con un mayor
nivel de servicio al cliente (Porter, 1985).
Los primeros trabajos de conceptuación sobre las cadenas productivas y su

aplicación surgieron en los años ochenta como respuesta a los procesos de
globalización que germinaron en esa década (Torres & García, 2008).
La evolución del concepto cadena de abastecimiento, está desde la idea inicial

del manejo de materiales e insumos de producción hasta una multiplicidad de
propuestas vigentes en la actualidad (Lambert & Cooper, 2000). Siguiendo las ideas
de (Williamson, 1991), la eficiencia en la producción e intercambio de bienes y
servicios está dada por la reducción de los costos y transacción de forma simultánea.
2.1.1 Objetivo de la gestión de la cadena de suministro

La Gestión de la Cadena de Suministro consiste en establecer una red
integrada y coordinada de los proveedores, fabricantes, almacenes, distribuidores y
minoristas, a través del cual las partes, materias primas, y subconjuntos se compran,
abastecen, almacenan, transforman y entrega al cliente final, teniéndose una retro-
24
Marco teórico
alimentación constante entre la demanda y la oferta, entre el servicio y la

información.
La cadena de abastecimiento está compuesta por tres etapas funcionales:

provisión, producción y distribución, las cuales son recorridas por tres tipos de flujos:
Informativo, Productivo y Financiero (Díaz G., García C., & Porcell M., 2008). La
literatura sugiere que hay tres elementos presentes en la gestión de la cadena de
suministro (Wienclaw, 2008): las operaciones, diseño y estrategia.
2.1.2 Enfoque teórico de la gestión de la cadena de suministro
El término Supply Chain Management (SCM, por sus siglas en inglés y que
aunque su significado no se adecua totalmente, lo podemos definir como Gestión de
la Cadena de Suministro), fue introducido originalmente por los consultores a
principios de los años 1980 y posteriormente ha tenido una gran demanda. Desde
principios de 1990, los académicos han intentado dar forma a SCM (Lambert &
Cooper, 2000). Debemos empezar desde la propia definición de Logística, que es el
antecedente inmediato de la SCM y que tiene su origen desde la historia militar de
los antiguos romanos y griegos, siendo documentado por primera vez por Booz Allen
Hamilton en 1982 (Wienclaw, 2008). Se establece que la gestión de la logística es un
subconjunto de las actividades dentro del proceso de la cadena de toda la empresa.
En la actualidad la logística es la parte del proceso de la cadena de suministro

que planea, implementa y controla el flujo eficiente y almacenamiento de bienes,
servicios e información relacionada desde el punto de origen hasta el punto de
consumo con el fin de cumplir con los requerimientos del clientes: Council Logistics
of Management, 1998 (Lambert & Cooper, 2000).
En la Tabla 2.1 se muestra algunas definiciones de la cadena de suministro y su

evolución de 1992 hasta 2008.
25
Capitulo 2
Tabla 2.1 Definiciones de cadena de suministro en el tiempo

AÑO AUTOR DEFINICIÓN
1992 Christopher . . . es una red de organizaciones que involucra, por medio de enlaces
“aguas arriba y aguas abajo”, a los procesos y actividades que producen
valor en la producción de bienes y servicios del último consumidor.
1994 LaLonde . . . es la entrega al cliente de valor económico por medio de la
administración sincronizada del flujo físico de bienes con información
asociada a las fuentes de consumo
1999 Robert B. La Administración de la CS abarca todas las actividades relacionadas con
Handfield el flujo y transformación de bienes, desde la etapa de materia prima
(extracción), hasta el usuario final, así como los flujos de información
relacionados. Los materiales y la información fluyen en sentido ascendente
y descendente en la cadena d suministros. La administración de la CS es
la integración de estas actividades mediante mejoramiento de las
relaciones en la cadena de suministros para alcanzar ventaja competitiva
sustentable
2001 Jhon T. La Administración CS se define como la coordinación sistemática y
Mentzer estratégica de las funciones tradicionales del negocio y de las tácticas a
través de estas funciones empresariales dentro de una compañía en
particular, y a través de las empresas que participan en la cadena de
suministro con el fin de mejorar el desempeño a largo plazo de las
empresas individuales y de la cadena de suministro como un todo
2003 David Simchi- Supply chain management is a set of approaches utilized to efficiently
Levi integrate suppliers, manufacturers, warehouses and stores, so that
merchandise is produced and distributed at the right quantities, to the right
locations, and at the right time, in order to minimize system wide costs
while satisfying service level requirements
2004 Octavio La gestión de la CS es un conjunto de enfoques utilizados para integrar
Carranza eficientemente a proveedores, fabricantes, depósitos y negocios minoristas
para que la mercancía se produzca y distribuya en las cantidades
correctas, los lugares adecuados y el tiempo justo, con objeto de minimizar
los costos del sistema satisfaciendo los requerimientos del nivel de servicio
2004 Ronald H. La Administración de la CS abarca todas las actividades relacionadas con
Ballou el flujo y transformación de bienes, desde la etapa de materia prima
(extracción) hasta el usuario final, así como los flujos de información
relacionados. Los materiales y la información fluyen en sentido ascendente
y descendente en la cadena de suministro
2008 Emma La coordinación sistemática y estratégica de las funciones de negocio
Sánchez tradicional y las tácticas utilizadas a través de esas funciones empresas de
Gómez una CS, con el fin de mejorar el desempeño en el largo plazo tanto de las
empresas individualmente como de toda la Cadena de Suministro
2008 Juan F. Flores . . . describe el modelo de operación de una empresa y comprende desde
A. los proveedores hasta los clientes y todos estos como elementos
relacionados de una cadena; podemos tener en la CS varios proveedores,
varios almacenes de materia prima, varias plantas productivas, varios
almacenes de producto terminado y por supuesto también múltiples
clientes
2008 Ruth A. . . . se define como un conjunto de métodos utilizados para integrar
Winclaw eficientemente los proveedores, fabricantes, almacenes y clientes de modo
que la mercancía es producida y distribuida en las cantidades adecuadas,
a los lugares adecuados, y en el momento adecuado para reducir al
mínimo los costos del sistema, mientras que satisfacen las necesidades de
servicio de nuestro cliente.
26
Marco teórico
Note que (Christopher, 1992), empieza a establecer a la cadena de suministro

como una red de procesos y actividades que producen valor; (LaLonde & Master,
1994) utiliza la sincronización del flujo de bienes con información asociada al cliente,
(Handfield & Nichols Jr., 1999) establece que esta relación sustenta una ventaja
competitiva; (Mentzer, Dewitt, & Keebler, 2001) comenta que el fin es mejorar el
desempeño a largo plazo de las empresas involucradas en la cadena de suministro;
(Simchi-Levi, Kaminsky, & Simchi-Levi, 2003) y (Carranza, 2004) enfocan la
reducción de costos, satisfaciendo los requerimientos de los clientes; (Ballou, 2004) y
(Sánchez Gómez, 2008), definen que debe haber un flujo ascendente de los
materiales y descendente de la información; finalmente (Flores A., 2004) y
(Wienclaw, 2008), involucran a la cadena de suministro como un ente de varios
proveedores, fabricantes y múltiples clientes, teniéndose las cantidades adecuadas
en los lugares correctos minimizando costos del sistema, mientras se satisface la
necesidad del cliente.
2.1.3 Enfoque práctico de la gestión de la cadena de suministro

Todo empieza por el cliente final y es el punto de partida para integrar todos
los elementos que intervienen en la cadena de suministro, esto es, los proveedores
primarios, los proveedores secundarios, los fabricantes, los distribuidores primarios,
los distribuidores secundarios, los puntos de venta y finalmente los clientes que de
una manera de ejemplo es el seguimiento de la entrega de un producto o servicio.
Como consumidores, tenemos la tendencia a pensar en la disponibilidad de
productos como un concepto abstracto, sin pensar que es binario: la librería tiene el
libro que estoy buscando, la tienda el producto que requiero; sin embargo, si el libro o
los productos están disponibles en la tienda es el resultado final de un proceso muy
complicado e interactivo.
Es importante apoyar a los miembros de la cadena primarios o débiles,
identificando su estructura, ya que el objetivo principal es el de crear el máximo valor
para la cadena, incluyendo al cliente final, buscando que los beneficios derivados se
distribuyan equitativamente.
A continuación en la Tabla 2.2 se establecen puntos de vista en la gestión de
la cadena de suministro de algunos fabricantes, desde el enfoque de su aplicación:
27
Capitulo 2
Tabla 2.2 Enfoque de cadena de suministro de algunos fabricantes

DEFINICIONES DE CADENA DE SUMINISTRO
AÑO AUTOR DEFINICIÓN

2004 NABCA . . . es un conjunto de métodos utilizados para integrar eficientemente los
(CSCMP) proveedores, fabricantes, almacenes y clientes de modo que la mercancía
es producida y distribuida en las cantidades adecuadas, a los lugares
adecuados, y en el momento adecuado para reducir al mínimo los costos a
escala del sistema, mientras que satisfacen los requisitos de nivel de
servicio.
2005 Steve La reducción de los niveles de inventarios, flujo más rápido y costos bajos.
Valentine Pero basado en la demanda presenta un especial desafío: requiere niveles
(Johnson y mínimos de inventario de materia prima, producto terminado, sin embargo,
Control) se debe Integrar el sistema de programación con el ERP no sólo mejora la
división que hay entre la capacidad de programación con la máxima
eficiencia, también permite la comunicación de la programación de los
datos con clientes y proveedores. En última instancia, la cadena de
suministro se usa para nivelar los horarios y niveles de inventario.
2007 Xaver Franz En la Planta de Goodwood, Reino Unido se fabrica la misma cantidad de
(Rolls Royce) coches en un año que su padre la compañía BMW lo que hace en un día
en una de sus plantas alemanas, pero los menores volúmenes no
necesariamente significan menos problemas en el funcionamiento de una
cadena de suministro. La oferta crea una cadena de suministro en especial
para volúmenes pequeños (fabricar 800 en promedio coches al año), los
proveedores no les da los volúmenes que les gustaría, para tenerse
costos eficientes, siendo complicado para ellos. Sin embargo Rolls-Royce
y su grupo BMW ha creado un suministro continuo trabajando dentro de las
restricciones. Esto significa que la cadena de órdenes se ha corregido y
cambiado a menudo por teléfono o por fax, no necesariamente a través de
un sistema utilizado por BMW.
2008 Edwin D. Una cadena de suministro es una red de organizaciones que participan en
Davison la producción, distribución y venta de un producto. La cadena de suministro
(CSCMP) puede incluir proveedores, fabricantes, instalaciones de almacenamiento,
transportistas y minoristas. Cada organización en la cadena proporciona
una actividad de valor añadido al producto o servicio. La cadena de
suministro incluye el flujo de bienes corporales y materiales, económicos, e
información entre las organizaciones de la red. Es el proceso de
administrar el flujo de estas cosas dentro y entre las organizaciones de la
cadena. Todas las partes de la red están unidas entre sí en un sistema. El
funcionamiento de cada uno de estos afecta el funcionamiento de los otros.
2008 CSCMP . . . abarca la planificación y administración de todas las actividades
involucradas en la búsqueda y obtención, transformación, y todas las
actividades de gestión logística. Es importante destacar que también
incluye la coordinación y colaboración con los socios de canal, que pueden
ser proveedores, intermediarios, proveedores de servicios subcontratados
y clientes. En esencia, la gestión de la cadena de suministro integra la
oferta y la administración de la demanda dentro y fuera de las empresas.
2008 Ruth A. El proceso de conectar de manera eficiente a las partes en una cadena de
Wienclaw valor con el fin de reducir costos, mejorar el servicio al cliente, desarrollar
la base de la organización del conocimiento, aumentar la eficiencia, y crear
barreras a la competencia. Administrar la oferta incluyendo el manejo del
flujo de materiales, información, y el dinero dentro y entre organizaciones
en una cadena de suministro.
28
Marco teórico
Podemos entender que la Asociación Nacional de Control de Bebidas

Alcohólicas NABCA (National Alcohol Beverage Control Association por sus siglas en
inglés) y Edwin D., establecen a la gestión de la cadena de suministro como el
método de integración de proveedores, fabricantes y consumidores a un mínimo
costo, siendo una red integra (CSCMP, 2008); Steve Valentine de Johnson y Control
establece que debe reducirse los inventarios, mediante el uso de un software para
hacer eficiente la comunicación y programación de los niveles de requerimiento del
cliente (Valentine, 2005); Xaver Franz de Rolls Royce, da el enfoque de una
empresa, que aunque su producto es de un costo alto, se considera pequeña, en
donde tiene que apoyarse de una cadena mayor para cumplir con sus requerimientos
y en algunos casos corrige sus ordenes de producción por fax o teléfono (Maxine &
Xaver, 2007); para Wienclaw establece el flujo de información y efectivo entre
organizaciones, creando valor (Wienclaw, 2008).
Considerando todos los conceptos anteriores, tanto teóricos, como desde un
punto de vista práctico, se estable la siguiente definición:
“La Gestión de la Cadena de Suministro consiste en una red integrada y coordinada
de los proveedores, fabricantes, almacenes, distribuidores y minoristas, a través de
la cual las partes, materias primas, y subconjuntos se compran, abastecen,
almacenan, transforman y entregan al cliente final. La cadena de suministro incluye
las siguientes funciones: la planificación, las decisiones de compra, la fabricación de
productos, almacenamiento de productos, productos para el transporte, la venta de
productos, y manejo de los rendimientos de los clientes. Por su propia naturaleza, la
gestión de la cadena de suministro requiere la colaboración efectiva, es decir, en
tiempo real, la comunicación precisa y el intercambio de información entre los socios
de la cadena de suministro diferentes, así como las áreas funcionales de una
empresa, como marketing, finanzas y operaciones”.
2.1.4 Logística
La necesidad de las empresas de reducir los costos e incrementar las
utilidades ha generado que vean a las actividades logísticas como un foco para
alcanzar sus objetivos (Arango, Zapata, & Wilson, 2011) (Chopra & Meindl, 2008). La
29
Capitulo 2
alta competitividad del mercado actual, causada en gran parte por la globalización,
obliga a la empresas a ofrecer sus productos a menor precio, con mejores
características de calidad y con un mayor nivel de servicio al cliente (Porter, 1985)
(Sallenave, 2002).
(Sánchez Gómez, 2008) Establece una definición de logística que es dada por
el Council of Logistics Management define logística como:
“La parte del proceso de Administración de la Cadena de Suministro encargada

de planificar, implementar y controlar de forma eficiente y efectiva el
almacenaje y flujo directo e inverso de los bienes, servicios y toda la
información relacionada con éstos, entre el punto de origen y el punto de
consumo, con el propósito de cumplir con las expectativas del consumidor”.
Aunque la logística se ha realizado desde el comienzo de la civilización, la

implementación de las mejores prácticas para el siglo XXI es una de las áreas
operativas más interesantes y desafiantes en lo referente a la administración de la
cadena de suministro (Bowersox, Closs, & Cooper, 2007).
Logística y cadena de suministro es un conjunto de actividades funcionales

(transporte, control de inventarios, etc.) que se repiten muchas veces a lo largo del
canal de flujo, mediante las cuáles la materia prima se convierte en productos
terminados y se añade valor para el consumidor (Ballou, 2004).
En contraste con la administración de la cadena de suministro, la logística es

el trabajo requerido para mover y colocar el inventario por toda la cadena de
suministro (Bowersox, Closs, & Cooper, 2007).
(Parada, 2009) Afirma que la misión de los sistemas logísticos consiste en

garantizar el flujo material con la calidad requerida, en el lugar y momento oportunos
y con los mínimos costos; el potencial del servicio al cliente como medio para obtener
una clara diferenciación se ha ido incrementando el poder de atracción de la marca.
La logística es una herramienta para obtener ventajas competitivas que realiza

servicios de valor añadido, los cuales redundan en el incremento de la rentabilidad
de las empresas (Parada, 2009).
30
Marco teórico
2.1.5 Administración de inventarios

La administración de inventarios es uno de los temas más debatidos en los
últimos años, la implacable competencia entre actores de las cadenas de suministro
de bienes y servicios ha propiciado la reducción de costos, gracias a que la gestión
de inventarios se haya convertido en un factor diferenciador. (Giménez, 2007).
Los motivos básicos para crear inventarios son: protegerse contra
incertidumbres, permitir la producción y compra bajo condiciones económicamente
ventajosas, cubrir cambios anticipados en la demanda y la oferta y mantener el
tránsito entre los puntos de producción o almacenamiento (Parada, 2009).
La administración y control de los inventarios afecta a las empresas e
intermediarios; siendo frecuente su problema en el desbalanceo de inventarios. El
control y administración de inventarios es uno de los temas más apasionantes en
Logística y una de las principales aplicaciones prácticas de la Investigación de
Operaciones (IO) (Arango, Zapata, & Wilson, 2011).
La administración de inventarios es una de las actividades logísticas en donde
se encuentran más posibilidades de reducir costos para las empresas, mediante una
mejor gestión de los materiales almacenados y su transporte (Arango, Zapata, &
Wilson, 2011) (Sallenave, 2002). La eficiente administración permite reducir el
inventario en los almacenes, así como aumentar los niveles de cumplimiento de los
pedidos de clientes internos y externos (Arango, Zapata, & Wilson, 2011) (Chopra &
Meindl, 2008).
Existen múltiples herramientas y modelos que permiten administrar y calcular
los inventarios, con el objetivo de reducir los costos logísticos (Arango, Zapata, &
Wilson, 2011) (Chopra & Meindl, 2008); como ejemplo de estas herramientas y
modelos se encuentran el JIT (Just In Time, por sus siglas en ingles Justo a tiempo),
modelo EOQ (Economic Order Quantity, por sus siglas en ingles Cantidad económica
de pedido), políticas de inventario periódico y permanente, VMI (Vendor Managed
Inventory por sus siglas en ingles Inventario gestionado por el vendedor), News
vendor problem (problema del vendedor de periódico y otros (Chopra & Meindl,
2008).
31
Capitulo 2
(Parada, 2009) Establece el análisis ABC, denominado también curva 80-20,

como método para priorizar los inventarios; se fundamenta en el aporte del
economista Wilfredo Pareto, tras un estudio de la distribución de los ingresos,
conocido como la Ley de Pareto y establece que "Hay unos pocos valores críticos y
muchos insignificantes. Los recursos deben de concentrarse en los valores críticos y
no en los insignificantes".
(Vidal, Londoño, & Contreras, 2004) considera tres estrategias para
administrar los inventarios; La primera tiene que ver con la obtención y transmisión
de información precisa y en tiempo real sobre la demanda en los puntos de consumo
y con la correcta identificación de los productos, las cuales se pueden lograr a través
de la implementación de tecnologías modernas de información, tales como Sistemas
de administración de Bodegas (WMS Warehouse Management System), Intercambio
Electrónico de Datos (EDI Electronic Data Interchange) y otros sistemas automáticos
de identificación, como la naciente Identificación por Radiofrecuencia (RFID Radio
Frequency Identification). La segunda y tercera estrategias pueden incluir, la
consolidación de centros de distribución y bodegas, la estandarización de productos
para evitar el mantenimiento de inventarios de una gran diversidad de ellos, la
emisión de órdenes conjuntas para diversos grupos de productos con el objeto de
balancear su inventario y la consolidación de despachos desde (hacia) diversas
localidades, a través de técnicas como el cross-docking (preparación del pedido), el
mejoramiento de los sistemas de pronósticos de demanda a través de la adaptación
y aplicación de técnicas estadísticas, el mejoramiento de alianzas y de sistemas de
comunicación con proveedores y clientes para la reducción del promedio y la
variabilidad de los tiempos de reposición y para el compartimiento de la información
de la demanda a lo largo de la cadena de suministro.
(Parada, 2009) Expresa que un eficiente sistema de control de inventario no
tratará por igual a todos los productos en existencia, sino que aplica métodos de
control y análisis en correspondencia con la importancia económica relativa de cada
producto
El problema en la mayoría de las organizaciones locales radica principalmente
en que los inventarios de seguridad y sus correspondientes puntos de re-orden o
32
Marco teórico
inventarios máximos se determinan exclusivamente con base en el promedio de la

demanda, ignorando su variabilidad y la variabilidad de los tiempos de reposición
(Vidal, Londoño, & Contreras, 2004).
(Vidal, Londoño, & Contreras, 2004) Establece que la solución al problema de
inventarios, consiste en liberar capital invertido en inventarios de seguridad de
productos con baja variabilidad y distribuirlo en inventarios de seguridad de
productos con alta variabilidad. El balance de esta operación es frecuentemente
positivo y se puede mejorar significativamente el servicio al consumidor sin invertir un
peso adicional en inventarios, se puede mantener el servicio actual con mucho
menos capital invertido, o incluso se puede diseñar una combinación intermedia de
ambos beneficios.
Entre las estrategias para balancear los inventarios, según (Vidal, Londoño, &
Contreras, 2004) establece que:
 La implementación de la clasificación ABC para facilitar la función
administrativa del inventario por categorías, incluyendo la depuración
periódica del mismo;
 La utilización de sistemas adecuados de pronósticos que permitan el cálculo
de los inventarios de seguridad con base en la variabilidad de la demanda y
de los tiempos de reposición, de acuerdo con el nivel de servicio deseado.
 La consideración de aspectos fundamentales tales como el ciclo de vida del
producto, la naturaleza del proceso productivo o comercial bajo estudio y los
aspectos financieros relacionados con los inventarios.
Todas las estrategias anteriores enmarcan las condiciones mínimas necesarias para
el correcto diseño e implementación de verdaderos sistemas de control de
inventarios en cadenas de abastecimiento
2.1.6 Fluctuaciones de la demanda

Entre las causas se encuentran el desfase que existe entre la demanda de los
consumidores y la producción o suministro de dichos productos y, principalmente, las
fluctuaciones aleatorias de la demanda y de los tiempos de reposición en la cadena
de suministro. Las estrategias más comunes para manejar estas fluctuaciones son el
33
Capitulo 2
mejoramiento de la calidad de la información, el mantenimiento de inventarios de

seguridad y la colaboración en la cadena de abastecimiento. (Vidal, Londoño, &
Contreras, 2004).
2.1.7 El cliente
En los últimos años, el cliente se ha convertido en una fuente de información
estratégica sobre la calidad del producto y del servicio en lugar de ser únicamente el
objeto para venta de empresas productivas y de servicios (Parada, 2009). En
consecuencia, las formas clásicas de dirigir a las organizaciones basadas en el
análisis y la optimización de cada una de sus áreas funcionales van perdiendo
vigencia a favor de enfoques de dirección sistémicos, que abogan por conseguir un
funcionamiento del sistema suficientemente satisfactorio para cada una de sus
partes.
2.1.8 Inventario gestionado por el vendedor

El VMI (Vendor Managed Inventory, inventario gestionado por el vendedor) es
el proceso en el cual el vendedor asume las tareas de generar pedidos de compra
para el reabastecimiento del inventario de los clientes (Arango, Zapata, & Wilson,
2011). Este sistema rompe con la tradicional forma de administración de inventarios,
en la que los distribuidores son quienes deciden cuánto, cuándo y dónde ordenar el
material que necesitan, aumentando los costos asociados a una gestión de
inventarios individual en cada etapa de la cadena de suministro, lo cual es conocido
como RMI (Retailer Managed Inventory, inventario gestionado por el minorista)
(Taylor, 2008). Esta herramienta es también conocida como proceso de
reabastecimiento continuo y fue popularizada desde la década de los ochenta por
compañías como Wal-Mart, K-Mart y Procter & Gamble (Taylor, 2008). Además, VMI
ofrece la posibilidad de sincronizar las decisiones asociadas entre el almacenamiento
y la gestión de transporte. Por otra parte, VMI también proporciona las ventajas de
mejorar el servicio al cliente y reducir la incertidumbre en la demanda (Khai, 1988).
Tal como lo expresa (Pan-Pro, 2004):
34
Marco teórico
el VMI es una combinación de e-commerce, software y personas, en donde el

e-commerce es el mecanismo por medio del cual las compañías comunican la
información, ya que este sistema no está atado a ningún protocolo informático
específico y esta puede ser transmitida por medio de EDI, XML, FTP o
cualquier otro método de comunicación confiable. La característica clave del e-
commerce es que la información es transmitida a tiempo y de forma precisa y
confiable.
Según (Pan-Pro, 2004), el proceso colaborativo ocurre en el nivel táctico; este
esquema funciona de tal forma que el “comprador” colabora con el “proveedor” en los
planes de demanda/consumo de cada referencia almacenada (SKU Stock Keeping
Unit, unidad de guardado de almacenado), con lo cual se establece un pronóstico
conjunto de la demanda, que será el desarrollo de reabastecimiento común.
El VMI permite reducir los costos globales de los sistemas de distribución y
almacenamiento entre empresas productoras y sus distribuidores. Al establecer que
el inventario en escalones superiores de la cadena de suministro sea administrado
por una sola empresa, se logra la eliminación de inventarios dobles y la reducción de
algunos costos de almacenamiento.
2.1.9 Control de inventarios con apoyo de Investigación de Operaciones

(Vidal, Londoño, & Contreras, 2004) Establece que el arte de la aplicación de
técnicas de Investigación de Operaciones consiste no sólo en el correcto diseño de
modelos matemáticos para el control de inventarios, sino también en permitir que las
condiciones pertinentes puedan darse. (Parada, 2009) Asume que la complejidad de
los problemas y la imprecisión de las situaciones han hecho necesario introducir
esquemas matemáticos más flexibles y adecuados al entorno empresarial.
2.1.10 Lotes grandes o lotes pequeños

El dilema de tener pocos lotes grandes o muchos lotes pequeños no es nuevo,
la primera referencia en relación con este dilema tiene casi cien años: En 1915 F.W.
Harris desarrolló una fórmula que permitía encontrar el tamaño óptimo de una corrida
de producción, tomando en cuenta los costos de ajustes de las máquinas y los
costos de mantenimiento o acarreo del producto elaborado. Unos veinte años
35
Capitulo 2
después, R.H. Wilson generalizó el trabajo de Harris para la determinación del

tamaño óptimo de pedidos, aplicado principalmente a la gestión de materia prima.
Desde entonces, la fórmula introducida por Harris se conoce como la fórmula o el
modelo de Wilson (Giménez, 2007).
(Giménez, 2007) Establece que uno de los problemas más importantes que
enfrenta la sociedad japonesa es la utilización del espacio, siendo una de las más
densas del mundo con 340 habitantes por kilómetro cuadrado, superada únicamente
por Bangladés y Taiwán, si se consideran países con superficies superiores a diez
mil kilómetros cuadrados. La densidad poblacional del Japón es tres veces mayor
que la europea, y unas doce veces la de Estados Unidos, que presenta densidad
similar. Japón es la cuna de iniciativas para optimizar el espacio disponible y para
gestionar con eficiencia los inventarios.
Internamente dentro de las empresas han utilizado eficientemente el espacio,
se opta por una forma sencilla, sin cálculos complicados; demarcaron una zona en la
que se acumula la producción de una estación de trabajo. Si la zona se llena, la
estación de trabajo se detiene, aunque dispusiera de materia prima, personal y otros
recursos para proseguir su actividad. La idea central era equilibrar lo más
ajustadamente posible las capacidades de las diferentes estaciones de trabajo de
una línea de producción o ensamblaje. Evitando se acumulara innecesariamente
inventarios en alguna parte del proceso. Esta estrategia, se conoció originalmente
como “sistema de producción Toyota” (por ser impulsora de esta idea), dio origen al
enfoque “justo a tiempo” (JIT por sus siglas en ingles Just In Time), la “teoría de
restricciones” (Goldratt & Cox, 2006) y la manufactura y el pensamiento eficientes o
esbeltos (Giménez, 2007). La meta del JIT es establecer tiempos para las
actividades de modo que los materiales y los componentes adquiridos leguen al
punto de fabricación o ensamble justo en el momento en que se requieren para el
proceso de transformación (Bowersox, Closs, & Cooper, 2007).
Este enfoque es el manejo de muchos lotes pequeños, para reducir el
inventario; en algunos casos, los lotes óptimos provenientes de un proveedor son tan
reducidos que son consumidos en pocas horas por la estación de trabajo
correspondiente, siendo esta manera de operar que requiera el establecimiento de
36
Marco teórico
relaciones muy estrechas entre proveedores y clientes, que trabajan prácticamente

mediante un esquema de integración vertical virtual.
Lo que propicia que el intercambio de bienes sea en lotes cada vez más
pequeño, lo cual permite minimizar el desperdicio asociado con la gestión de grandes
lotes (espacio ocupado, pérdidas por merma, inseguridad u oportunidades
financieras desaprovechadas). La gestión de muchos lotes pequeños exige que los
actores de las redes de suministros estén estrechamente coordinados, pero el ahorro
que se logra cuando se evita la manipulación de grandes lotes puede ser, en
ambientes muy competitivos, clave para precios bajos (Giménez, 2007).
2.2 Análisis de la demanda

El análisis de la demanda es muy importante, ya que de ello depende el
enfoque para estudiar su comportamiento. Por ello a continuación se presentan los
modelos que estaremos utilizando en el capítulo siguiente.
2.2.1 Modelo Normal

Esta distribución se le atribuye al físico, matemático y astrónomo alemán Carl
Friedrich Gauss, conociéndose como: “Ley de probabilidad de Gauss”, según esta
ley, una magnitud sufre la influencia de numerosas causas de variación, todas ellas
muy pequeñas e independientes entre sí, de tal forma que los resultados se
acumulan alrededor de la media, distribuyéndose a su alrededor con una frecuencia
que disminuye rápidamente al alejarse del centro. Por lo tanto la curva que asemeja
dicho comportamiento tiene una forma de campana (Gutiérrez González, 2010).
Definición: Sea X una variable aleatoria continua. Se dice que X tiene una
distribución normal o de Gauss, con parámetros µ y σ (positivo) en todos los reales
cuando su función de densidad de probabilidad es:
( )
( ) ( )
√
Tenemos en la Figura 2.1 la gráfica de las variables aleatorias con distribución
normal y parámetros µ (media) y σ2 (varianza) se suelen denotar por: N (µ, σ2).
37
Capitulo 2
Figura 2.1 Gráfica de la función de densidad de probabilidad de una variable

aleatoria continua X, con distribución normal, media µ y varianza σ2 (Gutiérrez
González, 2010).
El modelo normal tiene gran aplicación y es una de las distribuciones con

mayor auge en el estudio de las probabilidades y la estadística, la dimensión de su
importancia radica en el Teorema titulado “Teorema del Límite Central”.
Teorema: Si X es una variable aleatoria continua, distribuida normalmente en
( ) y ( ) su función de densidad de probabilidad, entonces:
a) Valor esperado ( )
b) Varianza ( )
2.2.2 Modelo Exponencial

Es un modelo continuo, relacionado con el tiempo en el que podemos notar
que su distribución es de tal forma que en los tiempos cercanos a cero tiene mayor
acumulación y que conforme pasa el tiempo decrece ésta rápidamente de forma
similar a una función exponencial negativa (Gutiérrez González, 2010). Los modelos
exponenciales tienen una gran aplicación en las Líneas de espera o Teoría de Colas,
porque las distribuciones de los tiempos son propicias para casos de:
 Espera y llegada de clientes a un centro de servicios.
 Espera para reparar un aparato.
 Espera para ser atendidos en un banco o en una clínica.
 Duración de equipos industriales para establecer tiempos de garantía.
38
Marco teórico
Definición: Sea X una variable aleatoria continua del experimento realizado, diremos
que tiene una distribución exponencial con parámetro positivo β en el intervalo ),
cuando su función de densidad de probabilidad es:
( ) {
Los modelos exponenciales se emplean cuando la probabilidad de que la

variable aleatoria en estudio ocurra en una unidad de tiempo, sea igual a que suceda
en cualquier otra. Lo anterior significa que las variables aleatorias exponenciales son
invariantes en el tiempo.
Teorema: Si X es una variable aleatoria continua distribuida exponencialmente en
) y ( ) su función de densidad de probabilidad, entonces:
b) Varianza ( )
c) Función Acumulada ( ) {
A continuación se presentan en la Figura 2.2 la gráfica de la distribución

exponencial con parámetro beta mayor y menor a uno.
Figura 2.2 Gráfica de la función de densidad de probabilidad y función de

distribución acumulada de una variable aleatoria continua, con distribución
exponencial, con y (Gutiérrez González, 2010).
39
Capitulo 2
2.2.3 Modelo Gamma

En los experimentos aleatorios continuos que estudian fenómenos similares a
los de las variables aleatorias de tipo exponencial, es decir los que están
relacionados con valores no negativos y en forma particular se refieren: (Gutiérrez
González, 2010)
 La duración de la vida útil de algún componente.
 Los niveles de crecimiento de algún fenómeno.
 Las tasas de reparación de componentes, y muchos otros más.
Definición: La función de densidad de una variable aleatoria continua X con
distribución gamma, y parámetros alfa α y beta β, está definida por:
( ) { ( )
En donde, ( ( ) es la función gamma que se define como:
( ) ∫
Los parámetros y β representan a la forma y la escala de la distribución

respectivamente. Por lo anterior, se suele llamar el parámetro “Parámetro de
forma” y los cambios en su valor modifican la forma de la distribución.
Para el caso en que alfa es igual a uno cabe mencionar que la distribución de
densidad gamma para estos valores resulta igual a la exponencial:
( ) {
A continuación en la Figura 2.3 se muestran la gráfica de la forma de la

distribución acumulada tipo gamma, en donde en primera lugar se fija β (parámetro
de escala), modificándose α (parámetro de forma) y en segundo lugar en la Figura
2.4 se fija α, modificándose β:
40
Marco teórico
Figura 2.3 Gráfica de la función de densidad de probabilidad y función de distribución

acumulada de una variable aleatoria continua, con distribución gamma, para beta β
igual a 1 y alfa α valores de 1, 2, 3 y 4 (Gutiérrez González, 2010).
Figura 2.4 Para alfa α igual a 1 y beta β con valores de 0.5, 1.2 y 3 (Gutiérrez
González, 2010).
Teorema: Sea X una variable aleatoria continua con distribución gamma, y

parámetros α y β entonces:
b) Varianza ( )
c) Función Acumulada ( ) {
( )
∫
41
Capitulo 2
2.2.4 Modelo Log-normal

Una variable aleatoria continua X no negativa tiene una distribución de
probabilidad log-normal, si la variable aleatoria ( ) tiene una distribución
normal (Gutiérrez González, 2010).
Definición: La función de densidad de una variable aleatoria continua con
distribución log-normal y parámetro µ y σ está definida por:
( ( ) )
( ) { √
Al igual que en la distribución normal los parámetros µ y σ son el valor

esperado y la desviación estándar, respectivamente, de la variable ( )). En la
Figura 2.5 se muestran algunas formas de los modelos log-normal.
Figura 2.5 Gráfica de la función de densidad de probabilidad de una variable

aleatoria continua, con distribución log-normal para diferentes valores de la
media y la desviación estándar de ( ) (Gutiérrez González, 2010).
Debido a que ( ) tiene una distribución normal, tenemos:

( ) ( )
( ) ( ) ( ) ( )] [ ] [ ]
En donde 𝛟 se obtiene de las tablas para la distribución normal estándar.
42
Marco teórico
2.3 Pronósticos
En el entorno actual, caracterizado por pertenecer a sistemas de cadenas de
suministros cada vez más complejas, las exigencias del mercado son aún mayores,
por lo que es importante que se tenga una visión lo más exacto posible de las
demandas del mercado para tener una respuesta de reacción rápida, eficiente y
sobre todo económica.
La planeación y el control de las actividades de logística y de las cadenas de
suministro requieren estimados precisos de los volúmenes de producto y de servicio
que serán manejados por la cadena de suministro (Ballou, 2004). Estos estimados se
presentan en forma de predicciones o pronósticos, siendo la responsabilidad de su
generación no solo de un grupo especialmente conformado (marketing, planeación
económica, etcétera) sino también del encargado de la planeación y control de la
logística. Cuando la incertidumbre de la variable de predicción es tan alta que las
técnicas estándar de pronósticos y su aplicación en la planeación de la cadena de
suministro llevan a resultados insatisfactorios, se necesitan otros métodos más
complejos (Ballou, 2004).
El pronóstico de la demanda es una predicción de lo que sucederá con las
ventas existentes de los productos de la empresa. Lo ideal es determinar el
pronóstico de la demanda con un enfoque multifuncional. Se debe considerar las
entradas de ventas y mercadeo, finanzas y producción. El pronóstico final de la
demanda es el consenso de todos los gerentes participantes. También es
aconsejable conformar un grupo de Planeación de Ventas y Operaciones compuesto
de representantes de los distintos departamentos a los que se les encargará preparar
el pronóstico de la demanda (Nahmias, 2007).
(Vidal, Londoño, & Contreras, 2004) Establece que se debe destacar la
utilización de conocidos sistemas de pronósticos y de control y de otros adaptados a
la situación específica, como el caso de la predicción de demanda de productos
nuevos y el cálculo dinámico de pronósticos acumulados, en un sistema
extremadamente complejo. Un aspecto para puntualizar es la importancia que tienen
los procesos de colaboración en la cadena de abastecimiento. Por ejemplo, para los
43
Capitulo 2
proveedores, quienes a su vez tienen su propia cadena de suministro de materias

primas, sería muy interesante disponer de datos de demanda real de los
consumidores y así disminuir el efecto látigo (distorsión que la demanda real sufre a
medida que pasa por las diferentes etapas de la cadena).
2.3.1 Características de los pronósticos

Se tienen cinco características principales de los pronósticos (Nahmias, 2007):
 Normalmente están equivocados.- Como no podemos conocer al 100% el
futuro, se debe de considerar que existen errores en el cálculo del pronóstico,
por lo que los requerimientos de recursos y calendarios de producción pueden
necesitar modificaciones; el sistema de planeación debe ser capaz de
reaccionar ante errores de pronóstico no anticipados o determinados.
 Un buen pronóstico es más que un simple número.- Dada la premisa anterior,
un buen pronóstico debe incluir cierta medida de error, siendo un rango o la
variación de la distribución del error de pronóstico.
 Los pronósticos agregado son más exactos.- Recordando de estadística que
la variación del promedio de una colección de variables aleatorias
independientes distribuidas de manera idéntica, es menor que la variación de
cada una de las variables aleatorias independientes distribuidas de manera
idéntica, esto es, la variación de la muestra media es menor que la variación
de la población. Pronosticar unidades en conjunto es más fácil que pronosticar
unidades individuales
 Entre más lejano sea el horizonte de pronóstico, la exactitud de la predicción
disminuirá.- Esta característica es intuitiva, como ejemplo podemos decir que
es más exacto conocer el pronóstico del tiempo de los siguientes días que el
del mes próximo.
 Los pronósticos no deben usarse para excluir información conocida.- Toda
información adicional al histórico, debe ser incluida, por ejemplo promociones
especiales de un artículo, que haga que la demanda probablemente sea
mayor que la normal. Esta información debe incluirse manualmente.
44
Marco teórico
2.3.2 El horizonte de tiempo de los pronósticos

El pronóstico de los niveles de demanda es vital, ya que proporciona los datos
de entrada para la planeación y control de todas las áreas funcionales, incluyendo
logística, marketing, producción y finanzas. Los pronósticos en logística, se
relacionan con la naturaleza espacial así como temporal de la demanda, el grado de
variabilidad y su aleatoriedad (Ballou, 2004). Se pueden clasificar los problemas de
pronósticos de acuerdo al horizonte de tiempo (Nahmias, 2007), por lo que el marco
de tiempo del pronóstico se puede clasificar como sigue en la Tabla 2.3:
Tabla 2.3 Clasificación del horizonte de pronóstico en la planeación de

operaciones (Nahmias, 2007).
HORIZONTE DEL PRONÓSTICO
DESCRIPCIÓN
CORTO PLAZO MEDIANO PLAZO LARGO PLAZO
Duración Días y Semanas Semanas y Meses Meses y Años
Aplicabilidad  Ventas a corto pazo  Venta familia de  Necesidades de

 Programas de productos. capacidad
turnos  Requerimientos de  Patrones de venta a
 Requerimientos de mano de obra largo plazo
recursos  Requerimiento de  Tendencias de
recursos crecimiento.
2.3.3 Métodos de pronósticos

(Nahmias, 2007) Clasifica los métodos de pronósticos de acuerdo al enfoque,
siendo subjetivos y objetivos Tabla 2.4. El método subjetivo de pronósticos se basa
en el juicio humano, mientras que el objetivo se deriva de un análisis de datos.
Tabla 2.4 Métodos de pronósticos (Nahmias, 2007)

DESCRIPCION ENFOQUE SUBJETIVO ENFOQUE OBJETIVO
MÉTODO CUALITATIVO METODO CUANTITATIVO
Aplicabilidad Productos nuevos, mejoras o tecnologías Productos existentes, situación
nuevas estable, donde hay datos históricos
Consideraciones Miden la opinión, ya sea individual o Deriva de un análisis de datos,
grupal. Se utiliza cuando la situación es involucra técnicas matemáticas
imprecisa, involucra la intuición y la
experiencia o donde existen pocos datos
Técnicas Agregados de la fuerza de ventas, Series de tiempo, modelos
Encuesta al cliente, Juicio de opinión causales
ejecutiva, Método Delphi
45
Capitulo 2
2.3.4 Clasificación de los pronósticos

(Ballou, 2004) Establece que son tres grupos, Cualitativos, Proyección
histórica y Causales, mostrados en la Tabla 2.5. Cada grupo difiere en términos de la
precisión relativa en el pronóstico sobre el largo y corto plazo, en el nivel de
sofisticación cuantitativa utilizada y en la base lógica (información histórica, opinión
experta o encuesta) de la que se deriva el pronóstico. Esta clasificación, se asemeja
más a la realidad de la empresa a estudiar, por lo que nos basaremos en ella.
Tabla 2.5 Métodos de pronósticos (Ballou, 2004).

MÉTODOS DE
MÉTODOS
DESCRIPCION MÉTODOS CUALITATIVO PROYECCIÓN
CAUSALES
HISTÓRICA
Técnicas Los más usuales son: Promedio móvil, Modelos de
Investigación de Suavización exponencial, regresión Modelos
mercados, Agregados de Técnica box Jenkins, econométricos,
la fuerza de ventas, Modelos matemáticos, simulación dinámica,
Método Delphi, Analogía Descomposición de series como los modelos
histórica, Pronóstico de tiempo. entrada-salida, ciclo
visionario. de vida y simulación
por computadora.
Consideraciones La información relacionada Cuando se dispone de El nivel de la variable
con los factores es no cantidades de información pronosticada, se
cuantitativa intangible y histórica y las variaciones deriva del nivel de
subjetiva. de tendencia y otras variables
La naturaleza no científica estacionalidad en las relacionadas.
de los métodos los hace series de tiempo son
difíciles de estandarizar y estables y bien definidas.
de validar su precisión.
2.3.5 Métodos cualitativos

Utilizan el juicio, la intuición, las encuestas o técnicas comparativas para
generar estimados cuantitativos acerca del futuro. La naturaleza no científica de los
métodos los hacen difíciles de estandarizar y de validar su precisión; sin embargo
estos pueden ser los únicos disponibles cuando se intenta predecir el éxito de
nuevos productos, cambios en la política gubernamental o el impacto de una nueva
tecnología. Son métodos más bien adecuados para pronósticos de mediano a largo
plazo (Ballou, 2004) mostrados en la Tabla 2.6.
46
Marco teórico
Tabla 2.6 Métodos cualitativos de pronósticos (Ballou, 2004).

HORIZONTE
MÉTODO DESCRIPCIÓN APLICABILIDAD
DE TIEMPO
Investigación de Procedimiento sistemático, formal y Pronósticos de las Mediano y
mercados consciente de evolución y validación de ventas total de largo plazo
hipótesis sobre mercados reales. grupos de productos
o individuales de
nueva creación
Agregados de la Son a través de estimaciones de ventas Identificar cambios Corto y
fuerza de ventas de los productos para el próximo año en las preferencias mediano
que determinan los miembros de la de los clientes. Es plazo
fuerza de venta. Estas estimaciones son inexacto cuando el
revisadas y complementadas con las personal de ventas
estimaciones de gerentes regionales se compensa en
base a una cuota
Delphi Un panel de expertos lo determina Pronostico de Mediano y
mediante cuestionarios y las respuestas ventas, planeación largo plazo
se utilizan para producir el segundo de la capacidad o de
cuestionario. Cualquier información instalaciones.
disponible para unos expertos y no para
otros es trasmitida a estos últimos lo
que permite a todos los expertos tenga
acceso a toda la información de los
pronósticos. Esta técnica elimina el
efecto de tendencia moderna de la
opinión mayoritaria.
Analogía Es un análisis comparativo de la Pronósticos de Mediano y
histórica introducción y crecimiento de nuevos ventas largo plazo
productos similares que basan el
pronóstico en patrones de similitud
Pronostico Profecía en que se utilizan perspectivas Pronósticos para Mediano y
visionario personales, juicios y en la medida de lo productos de nueva largo plazo
posible hechos acerca de distintos creación
escenarios futuros. Se caracterizan por
conjeturas subjetivas e imaginación, en
general, los métodos utilizados no son
científicos.
2.3.6 Métodos de proyección

Cuando se dispone de una cantidad razonable de información histórica y las
variaciones de tendencia y estacionalidad en las series de tiempo son estables y bien
definidas. El patrón del tiempo futuro será, en gran parte, una réplica del pasado. La
naturaleza cuantitativa de las series de tiempo estimula el uso de modelos
matemáticos y estadísticos como las principales herramientas de pronóstico. Estos
modelos trabajan en forma adecuada simplemente a la estabilidad inherente de las
series de tiempo en el corto plazo (Ballou, 2004) mostrados en la Tabla 2.7.
47
Capitulo 2
Tabla 2.7 Métodos de proyección de pronósticos (Ballou, 2004).

HORIZONTE
DE TIEMPO
Promedio Cada punto de un promedio móvil de una Planeación para Corto plazo
móvil serie de tiempo es el promedio aritmético o inventarios niveles
ponderado de un número de puntos de producción y
consecutivos de la serie, donde el número de programación. Es un
puntos de información se selecciona de método útil cuando
manera que los efectos de estacionalidad o existen demasiados
irregularidad se eliminen. productos.
Suavización Esta técnica es similar al promedio móvil, Aplica a los mismos Corto plazo
exponencial excepto que los puntos que son más casos que el
recientes reciben mayor ponderación. El promedio móvil
nuevo pronóstico será igual al anterior más
cierta parte del error de pronósticos pasados.
La nivelación exponencial doble o triple son
versiones complejas del modelo básico que
explican la variación de tendencia y
estacionalidad de la serie de tiempo.
Técnica box Complejo procedimiento iterativo basado en Limitado debido al Corto y
Jenkins computadora que produce un modelo de costo de los mediano
promedios móviles integrado y auto productos que plazo
regresivo, que se ajusta para los factores de requieren de
tendencia y estacional, estima los pronósticos muy
parámetros apropiados de ponderación, exactos a corto plazo
valida el modelo y repite el ciclo según sea
apropiado.
Modelos Un modelo lineal o no lineal ajustado con los Aplica lo mismo que Corto y
matemáticos datos de series de tiempo, normalmente la Promedio móvil mediano
mediante regresión. Incluye las líneas de pero con limitaciones plazo
tendencia, polinomios, logaritmos lineales, debido al costo y uso
series de Fourier, etc. con pocos productos
Descomposic Método para descomponer una serie de Adecuado para Corto y
ión de series tiempo en componentes estacionales, de identificar puntos mediano
de tiempo tendencia y regularidad. críticos y una plazo
excelente
herramienta de
pronóstico para el
período de tiempo
mediano-largo, es
decir, de tres a 12
meses
2.3.7 Métodos causales

La premisa básica de estos métodos, es que el nivel de la variable
pronosticada se deriva del nivel de otras variables relacionadas. Un problema
principal con esta categoría de modelos de pronósticos es que con frecuencia resulta
difícil encontrar verdaderas variables causales. En la medida que puedan describirse
adecuadas relaciones de causa y efecto, los modelos causales pueden ser bastante
48
Marco teórico
buenos para anticipar cambios mayores en las series de tiempo y para pronosticar de
manera precisa sobre un periodo de mediano a largo plazo (Ballou, 2004) Tabla 2.8.
Tabla 2.8 Métodos causales de pronósticos (Ballou, 2004).

HORIZONTE
DE TIEMPO
Modelo de Relaciona la demanda con otras Adecuada para Corto y
regresión variables que “causan” o explican su Planeación a corto o mediano
nivel. Las variables se seleccionan mediano plazo, para plazo
sobre la base de significancia producción agregada
estadística. La disponibilidad de o inventario que
programas de regresión por involucren a pocos
computadora hace de esta técnica, una productos. Útil
de las populares. cuando hay
estrechas relaciones
de causa-efecto.
Modelos Un modelo econométrico es un sistema Útil para pronósticos Corto y
econométricos de ecuaciones de regresión de ventas por clases mediano
interdependientes que describe las de productos para plazo
ventas de cierto sector económico. Los planeación a corto y
parámetros de la ecuación de regresión mediano plazo
por lo general se estiman en forma
simultánea. Son modelos costosos a
desarrollar, sin embargo, debido al
modelo al sistema de ecuaciones
inherentes, éstos expresan mejor las
causalidades involucradas de una
ecuación de relación ordinaria y por lo
tanto precise de forma precisa los
puntos críticos.
Simulación Este método utiliza la computadora para Pronósticos de Mediano y
dinámica simular en el tiempo el efecto de las ventas de toda la largo plazo
ventas de producto final sobre los compañía para
requerimientos en distintos puntos del productos o grupos
canal de distribución y suministros. Los importantes de
requerimientos se indican mediante productos.
políticas de inventarios, programas de
producción y políticas de compras.
2.3.8 Métodos de series de tiempo

Es un conjunto de fenómenos físicos o económicos observados en puntos
discretos de tiempo, normalmente espaciados equitativamente (Nahmias, 2007).
Utiliza la historia de la serie que se va a pronosticar. El objetivo es encontrar
patrones predecibles y repetibles en los datos pasados. Las ventajas que se pueden
incorporar fácilmente en un programa de computadora, siendo la actualización
automática.
49
Capitulo 2
Existen cuatro patrones que puede presentar la serie de datos: Estacionaria,

Tendencia, Estacional y Cíclico (Makridakis & Wheelwrigth, 2009). Entre los patrones
repetibles están tendencia lineal creciente o decreciente, la tendencia curvilínea
(incluyendo el crecimiento exponencial) y las fluctuaciones estacionales.
Los pronósticos de series de tiempo consideran al sistema como una caja
obscura y no intenta descubrir los factores que afectan su comportamiento. Se tiene
un patrón Estacionario (horizontal), cuando no hay tendencia alguna en los datos
(estadísticamente), conociéndose como serie Estacionaria (Makridakis &
Wheelwrigth, 2009). Este patrón de datos se pueden estudiar básicamente con dos
métodos: Promedios móviles y Suavización exponencial.
Los otros tres patrones requieren de un estudio especial (más adelante se
explicará el método adecuado en cada caso), por lo que al hacer el análisis de series
de tiempo, se debe aislar los patrones que surgen con mayor frecuencia. Éstos son:
Tendencia, Estacionalidad, Ciclos y Aleatoriedad (Nahmias, 2007).
Tendencia: se refiere a la inclinación de una serie de tiempo a mostrar un patrón
estable de crecimiento o de declive. Distinguimos entre tendencia lineal (que es el
patrón descrito en una línea recta) y la tendencia no lineal (el patrón descrito por una
función no lineal, como una curva exponencial o cuadrática). Cuando no se
especifica el patrón de la tendencia, generalmente se da por hecho que es lineal.
Estacionalidad: Un patrón estacional es aquel que se repite en intervalos fijos. En
las series de tiempo, generalmente pensamos en el patrón que se repite cada año,
aunque también son comunes los patrones estacionales mensuales, semanales y
diarios. La moda, los helados y el combustible muestran un patrón estacional anual.
El consumo de electricidad muestra un fuerte patrón estacional diario.
Ciclos: La variación cíclica es similar a la estacionalidad, excepto porque la duración
y la magnitud del ciclo puede variar. Los ciclos se asocian con variaciones
económicas a largo plazo (esto es, los ciclos comerciales) que pueden presentarse
además de las fluctuaciones estacionales.
Aleatoriedad. Una serie aleatoria pura es aquella en la que no existe un patrón
reconocible para los datos. Los datos pueden generarse de una forma que, aun
siendo puramente aleatoria, muchas veces aparentan tener una estructura. Un
50
Marco teórico
ejemplo podría ser la metodología de tabuladores del mercado de valores que

impone formas de patrones aleatorios en los datos de precios de mercado. Por otro
lado, los datos que parecen ser aleatorios pueden tener una estructura definitiva. Los
datos verdaderamente aleatorios fluctúan en torno a una media fija forman lo que se
le conoce como patrón horizontal. A continuación se presenta en la Figura 2.6 las
gráficas de los patrones anteriores.
Figura 2.6 Patrones de series de tiempos (Nahmias, 2007).
2.3.9 Métodos para pronosticar series estacionarias

Para pronosticar series de tiempo exponencial (siendo estacionarias), se
utilizan dos métodos básicamente: Promedios móviles y Suavización exponencial
(Nahmias, 2007). Una serie de tiempo exponencial es aquella en la que cada
observación puede representarse por medio de una constante más una fluctuación
aleatoria.
Donde es una constante desconocida que corresponde a la media de la

serie y es un error aleatorio con media cero y varianza .
51
Capitulo 2
2.3.9.1 Promedios Móviles

Este es un método sencillo pero popular, un promedio móvil de orden es
sencillamente el promedio aritmético de las observaciones más recientes
(Nahmias, 2007). Tenemos que es el pronóstico hecho en el periodo para el
periodo , está dado por:
( ⁄ ) ∑ ( ⁄ )( )
Esto es, que la media de las observaciones más recientes se utiliza como el
pronóstico para el próximo periodo. Siendo la notación PM(N) los Promedios Móviles
del periodo .
Debemos notar que en un proceso de demanda en el que exista tendencia, los
pronósticos de promedios móviles quedaran por debajo de la tendencia.
2.3.9.2 Suavización Exponencial Simple

Tal vez, la técnica más útil para el pronóstico de corto plazo sea el ajuste
exponencial (Ballou, 2004). Este es otro método de pronóstico muy popular para las
series de tiempo estacionarias. El pronóstico actual es el promedio ponderado del
último pronóstico y el valor actual de demanda (Nahmias, 2007). Esto es:
( ) ( )( )
( )
Donde: es la constante de suavización que determina la ponderación relativa

colocada en la observación de demanda actual. A su vez se interpreta ( ) como
el peso asignado a las observaciones pasadas de la demanda.
Debido a que la suavización exponencial requiere que en cada etapa
tengamos un pronóstico previo, podemos recomendar dos alternativas: que el
pronóstico inicial sea igual al valor inicial de la demanda o en caso de tenerse un
número razonable de periodos, utilizar el promedio aritmético de esos periodos.
Si es grande, se realiza una mayor ponderación en la observación actual de
demanda y menos ponderación sobre las observaciones pasadas, lo que da como
52
Marco teórico
resultado pronósticos que reaccionan rápidamente a los cambios en los patrones de

demanda pero pueden tener mucha mayor variación de periodo a periodo. Si es
pequeña, entonces se asigna mayor peso en los datos pasados y los pronósticos son
más estables. Aunque la suavización con valor alto de hace un mejor trabajo de
seguimiento que la serie, para fines de la planeación se persigue la estabilidad
proporcionada por una constante de suavización menor.
2.3.10 Métodos basados en la tendencia

Los métodos de suavización exponencial y de promedios móviles se
retrasaran en relación con una tendencia en caso de que la haya (Nahmias, 2007).
Este retraso inherente de pronóstico en este tipo de modelo puede arrojar errores
inaceptables (Ballou, 2004); por ello cuando se tenga modelos con cierta tendencia,
se recomienda utilizar otro tipo de métodos. A continuación se analizaran esta serie
de datos mediante dos métodos: el Análisis de regresión y el Método de Holt.
2.3.10.1 Análisis de Regresión

Sean ( )( ) ( ) datos apareados para las dos variables
. Supongamos que es el valor observado de , cuando es el valor
observado de . Refiérase a como la variable dependiente y a como la variable
independiente. Creemos que existe una relación entre que puede
representarse mediante una línea recta:
̂
Interpretemos ̂ como el valor predicho de . La meta es encontrar los valores de

de manera que la recta ̂ proporcione el mejor ajuste de los datos.
Los valores de se eligen de manera que se minimice la suma de las distancias
cuadráticas entre la línea de regresión y los puntos de datos.
Cuando aplicamos el análisis de regresión al problema de pronóstico, la
variable dependiente muchas veces corresponde al tiempo y la variable
independiente a la serie que se va a pronosticar. Supongamos que
son los valores de la demanda en los tiempos . Tenemos que:
53
Capitulo 2
Y
̅ ( )⁄
Donde:
( )
∑ ∑
( )( ) ( )
Siendo ̅ es el promedio aritmético de las demandas observadas durante los

periodos .
2.3.10.2 Suavización Exponencial Doble (Método de Holt)

El método de Holt es un tipo de suavización exponencial doble diseñado para
dar seguimiento a serie de tiempo con tendencia lineal. El método requiere de la
especificación de dos constantes de suavización , y utiliza dos ecuaciones de
suavizamiento: una para el valor de la serie (la intercepción) y una para la tendencia
(la pendiente) (Nahmias, 2007). Tenemos que:
( )( )
( ) ( )
Interprete como el valor de la intercepción el tiempo y como el valor de
pendiente en el tiempo . La primera ecuación es muy similar a la utilizada para la
suavización exponencial simple. Cuando la observación de la demanda más común
está disponible, se promedia con el pronóstico previo de la demanda actual, que
es la intercepción previa, , más 1 vez la pendiente previa, . La segunda
ecuación puede explicarse de la siguiente manera: nuestro nuevo estimado de
intercepción, como , provoca que modifiquemos nuestro estimado de pendiente en
la cantidad . Este valor se promedia entonces con el estimado anterior de la
pendiente . Las constantes de suavización pueden ser las mismas, pero para la
mayoría de las aplicaciones se da mayor estabilidad al estimado de la pendiente (lo
que implica que ).
54
Marco teórico
El pronóstico de pasos adelante, hecho en el periodo , que se denota como

, esta dado por:
2.3.11 Métodos para series estacionales

Una serie estacional es aquella que tiene un patrón que se repite cada N
periodos, para algún valor de N (que es cuando menos 3) (Nahmias, 2007). Se
denomina “duración de la estación” al número de periodos antes que el patrón
comience a repetirse; para poder emplear un modelo estacional, debemos ser
capaces de especificar cuánto dura una estación.
La forma más común de representar la estacionalidad es suponer que existe
un número de multiplicadores , para , con la propiedad de que ∑ .
El multiplicador representa la cantidad promedio que la demanda en el periodo
de la ecuación está por encima o por debajo del promedio global, conociéndose
como factores estacionales.
2.3.11.1 Factores estacionales para series estacionarias

Este método es sencillo para calcular los factores estacionales para una serie de
tiempo con variación estacional y sin tendencia. Más adelante se presentará un
método ideal cuando también se presenta una tendencia (Nahmias, 2007). En ambos
casos se requiere un mínimo de dos estaciones de datos.
El método es el siguiente:
1. Calcule la media de la muestra de todos los datos.
2. Divida cada observación por la media de la muestra. Esto da los factores
estacionales para cada periodo de datos observados.
3. Promedie los factores para los periodos semejantes dentro de cada estación.
Esto es, promedie todos los factores correspondientes al primer periodo de
una estación, todos los factores correspondientes al segundo periodo de una
estación, y así sucesivamente. Los promedios resultantes son los N factores
estacionales. Siempre sumaran exactamente N.
55
Capitulo 2
2.3.11.2 Método de Winters para los problemas estacionales

El método de Winters es un tipo de suavización exponencial triple, y tiene la
importante ventaja de ser fácil de actualizar conforme se dispone de nuevos datos
(Nahmias, 2007). Suponemos un modelo de la forma:
( )
Interpretemos como la señal base o intercepción en el tiempo
excluyendo la estacionalidad , como el componente de tendencia o pendiente
como el componente estacional multiplicativo en el periodo , y finalmente como el
término de error. Como el factor estacional multiplica tanto al nivel base como al
termino de tendencia, suponemos que la serie adyacente tiene una forma similar a
una serie estacional con tendencia incremental.
De nuevo, supongamos que la duración de la estación es exactamente N
periodos y los factores estacionales son los mismos cada estación y tienen la
propiedad de que ∑ . Se usan tres ecuaciones de suavización en cada periodo
para actualizar los cálculos de serie des-estacionalizada, los factores estacionales y
la tendencia. Las ecuaciones tienen diferentes constantes de suavización .
1. La serie.- El nivel actual de la serie des-estacionalizada, , está dada por:
( ⁄ ) ( )( )
Observe lo que hace esta ecuación. Al dividir el factor estacional apropiado,
estamos des-estacionalizando la observación de demanda más nueva. Esto
se promedia entonces con el pronóstico actual para la serie des-
estacionalizada, como en el método de Holt.
2. La tendencia.- La tendencia se actualiza en forma similar al método de Holt.
] ( )
3. Los factores estacionales.-
( ⁄ ) ( )
La relación de la observación de demanda más reciente sobre el estimado

actual de la demanda des-estacionalizada da como resultado el estimado actual del
factor estacional. Después, esto se promedia con el mejor estimado previo del factor
estacional. . Cada vez que se actualiza un factor estacional, es necesario
56
Marco teórico
normalizar los N factores más recientes para que sumen N. Por último, el pronóstico
realizado en el periodo para cualquier periodo futuro está dado por:
( )
Observe que esta ecuación de pronósticos supone que . Si , el
factor estacional adecuado será ; si , el factor estacional
adecuado será , y así sucesivamente.
2.3.11.3 Procedimiento de inicialización

Para iniciar el método, necesitamos los estimados iniciales de la serie, la
pendiente y los factores estacionales. Winters sugiere que, para la inicialización,
deben estar disponibles dos estaciones de datos. Supongamos que están
disponibles exactamente dos estaciones de datos; esto es datos. Supongamos
que el periodo actual es , asi que las observaciones pasadas se marcan como
.
1. Calcule por separado la media de la muestra de las dos estaciones de datos.
2. Defina ( )⁄ como el estimado de la pendiente inicial. Si hay
estaciones de datos disponibles para la inicialización, estonces calcule
como en el paso 1 y defina ( )⁄ ( ) ]. Si
localizamos en el centro de la primera estación de datos
( )⁄ ] y en el centro de la segunda estación de datos
( )⁄ ], entonces es simplemente la pendiente de la
línea que conecta y .
3. Iguale ( )⁄ ]. Con esto se estima el valor de la serie en l
tiempo . Observe que es el valor asumido por la línea que conecta
y en .
4. a). Los factores estacionales iniciales se calculan para cada periodo del cual
tenemos datos disponibles y después se promedian para obtener un conjunto
de factores estacionales. Los factores estacionales iniciales se obtienen al
dividir cada una de las observaciones iniciales entre el punto a lo largo de la
línea que conecta y . Esto se puede hacer gráficamente o usando la
siguiente fórmula:
57
Capitulo 2
( )⁄ ]
Donde para la primera estación, para la segunda estación y es el
periodo de la estación. Esto es, para y ; para
para y y así sucesivamente.
b) Promedie los factores estacionales. Asumiendo exactamente dos
estaciones de datos iniciales, obtenemos:
c) Normalicemos los factores estacionales
[ ]
∑
Este procedimiento de inicialización es el sugerido por Winters; aunque no es
el único medio para iniciar el sistema. Los factores estacionales pueden determinarse
por el método de promedios móviles. Otra alternativa puede ser ajustar la regresión
lineal a los datos de base y usar los valores de la pendiente resultante y la
intercepción, como se hizo en el método de Holt, para obtener y . Los factores
estacionales podrán obtenerse al dividir cada observación de demanda en el periodo
base por el valor correspondiente de la línea de regresión, promediando periodos
iguales, y normalizando. Los valores reales de los estimados iniciales intercepción, la
pendiente y los factores estacionales serán similares sin importar el esquema de
inicialización que se utilice.
2.3.12 Método Box-Jenkins

Una técnica avanzada y muy popular con series de tiempo es la llamada
método de Box-Jenkins (Nahmias, 2007). Este método explota posibles
dependencias entre valores de la serie de periodo a periodo (los anteriores métodos
consideran que las observaciones sucesivas son independientes), la consideración
de estas dependencias puede mejorar sustancialmente los pronósticos. Este método
supone que las observaciones en periodos consecutivos, al ser dependientes entre
ellas, tienden a correlacionarse (positiva o negativamente).
58
Marco teórico
La auto-correlación es la correlación (es decir, el grado de dependencia) entre

los valores de datos observados separados por un número fijo de periodos. Si los
valores altos tienden a ser seguidos por valores altos, la auto-correlación de primer
orden es positiva, en caso contrario, es decir, que los valores tiendan a seguir
valores bajos, la auto-correlación de primer orden es negativa. También se puede
medir la auto-correlación de mayor orden que el primero, esto es, positiva o negativa
de segundo orden, positiva o negativa de tercer orden, y así sucesivamente. Para
usar estos métodos se determinan las auto-correlaciones de las muestras a partir de
los datos de un periodo de separación, dos periodos de separación, etcétera.
El modelo Box-Jenkins más generalmente conocido como el modelo de
promedios móviles auto-regresivo integrado (ARIMA, Autoregressive Integrated
Moving Average) también utiliza patrones de datos, sin embargo puede no ser
fácilmente visibles en la serie de tiempo. El modelo usa funciones de diferencias,
auto-correlación y auto-correlación parcial para ayudar a identificar un modelo
aceptable. La auto-correlación: es la correlación entre observaciones de una serie de
tiempo separadas por K unidades de tiempo, su análisis permite seleccionar los
términos a ser incluidos en el modelo ARIMA.
El modelo ARIMA representa una serie de pasos de filtraje hasta que sólo
queda ruido aleatorio. Es un proceso iterativo que consume tiempo de ejecución.
Para este modelo los procesos auto-regresivos y los procesos de promedios móviles
(no confundiéndose con los promedios móviles sencillos), son dos modelos de series
de tiempo con auto-correlación. El término “Integrado” se refiere a diferenciación,
siendo la diferenciación de primer orden el derivar una nueva serie que es igual a las
primeras diferencias de valores sucesivos de la serie original. La diferenciación es un
medio para eliminar la tendencia y el crecimiento polinomial.
El Modelo ARIMA puede utilizarse para modelar series de tiempo con o sin
componentes de tendencia o estacionalidad y proporcionar pronósticos. El perfil de
pronóstico depende del modelo de ajuste. Tiene la ventaja de ser más flexible que
los métodos de suavizamiento para el ajuste de los datos, sin embargo la
identificación del modelo adecuado consume tiempo y no puede ser fácilmente
automatizado (Reyes Aguilar, 2007).
59
Capitulo 2
Los modelos ARIMA no son tan sencillos de construir como los otros métodos
analizados anteriormente. Desarrollar el modelo ARIMA requiere técnicas
matemáticas sofisticadas para estimar los parámetros del modelo, e incluso resulta
más complicado obtener una estimación razonable de la función de auto-correlación,
el uso de paquetes computarizados de programas es por demás recomendable y
entre los más usuales se tienen: SPSS, SCSS, BMDP, STATPACK, MINITAB,
SAS/EST, SIBYL, entre otros (Makridakis & Wheelwrigth, 2009). Se debe contar con
un historial de observaciones grande, recomendándose como mínimo 72
observaciones.
El modelo ARIMA parte del hecho de que la serie de tiempo que se trata
predecir es generalizada por un proceso estocástico y su naturaleza puede ser
determinada por un modelo, para estimación su modelo, se requiere de una serie de
tiempo mensual o trimestral que cuente con un mínimo de 72 observaciones.
Esta metodología consiste en encontrar un modelo matemático que represente
el comportamiento de la serie temporal de datos y permita hacer previsiones
únicamente introduciendo el periodo de tiempo correspondiente y explique el
comportamiento de la serie temporal a partir de observaciones pasadas de la propia
serie y a partir de los errores pasados de previsión.
La notación compacta de los modelos ARIMA es:
( )
Donde:
α = Número de parámetros auto-regresivos (Auto-Regressive)
β = Número de diferenciaciones para estacionar la serie (Integrate difference)
γ = Número de parámetros de medias móviles (Moving Average)
El método Box-Jenkins proporciona predicciones sin necesidad de la

existencia de algún tipo de condición previa, además de ser parsimonioso respecto a
los coeficientes. Una vez encontrado el modelo, se pueden efectuar de manera
inmediata predicciones y comparaciones entre datos reales y estimados para
observaciones pertenecientes al pasado.
60
Marco teórico
2.3.13 Evaluación de pronósticos

En la medida en que el futuro no es reflejado perfectamente por el pasado, el
pronóstico de la demanda futura por lo general tendrá cierto grado de error. El error
en el pronóstico se refiere a lo cerca que se halla el pronóstico del nivel de demanda
real (Ballou, 2004).
Defina el error de pronóstico en cualquier periodo , como la diferencia
entre el pronóstico para el periodo y la demanda real para el mismo periodo
(Nahmias, 2007). Para pronósticos de varios pasos adelante:
Para los pronósticos de un paso adelante:
Digamos que son los errores de pronósticos observados en

periodos. Las dos medidas más comunes de exactitud de pronóstico durante estos
periodos son la Desviación Absoluta Media ( ) y el Error Cuadrático Medio
( ), dados por las formulas siguientes:
( ⁄ ) ∑| |
( ⁄ )∑
Observe que el es similar a la varianza de una muestra aleatoria. La

es con frecuencia el método preferido par medir el error de pronóstico, debido a
que no requiere la elevación al cuadrado. Es más, cuando los errores de pronósticos
se distribuyen normalmente como generalmente se suponen, un estimado de la
desviación estándar del error de pronóstico , está dado por 1.25 veces la .
Aunque la y el son las dos medidas más comunes de la exactitud
del pronóstico, existen otras medidas; Una que no es dependiente de la magnitud de
los valores de demanda es el Error Porcentual Absoluto Medio ( ) dado por:
[( ⁄ ) ∑| ⁄ |]
61
Capítulo 3
Metodología para calcular el abastecimiento
Como se mencionó en el capítulo 1, este trabajo se lleva a cabo en Industrias

RC, que es una empresa metalmecánica, fabricante de productos de goma y goma-
metal principalmente, para uso del ramo automotriz; específicamente usados en
soporte del motor, caja de velocidades, amortiguadores, etcétera, con el propósito de
reducir la vibración o el ruido generado en el uso normal de los automóviles.
El objetivo principal del proyecto es el de establecer un modelo de

abastecimiento de materia prima para evitar faltantes de materiales, reducir costos
de almacenaje, evitar penalizaciones por demoras en la entrega del producto
terminado y tener un almacén de materia prima en función a la demanda.
Una manera efectiva de comprobar si el modelo de abastecimiento es

adecuado, consiste en compararlo contra las ventas reales y los valores
pronosticados, por esta razón en la investigación se llevarán a cabo el pronóstico de
las ventas. El modelo de abastecimiento es evaluado, hasta observar que el nivel de
servicio cumpla con los pronósticos y sobre todo con los valores reales de la venta.
Finalmente se debe obtener el listado de requerimientos de materia prima que

se deba tener en el almacén para cubrir en un cierto nivel de servicio de las
demandas de los clientes.
3.1. Esquema de la metodología
A continuación en la Figura 3.1, se tiene el diagrama de flujo del esquema de

la metodología para obtener el modelo de abastecimiento de materia prima.
62
Capítulo 3
Figura 3.1 Diagrama de flujo de la metodología propuesta
SELECCIÓN DE ARTÍCULOS
PERIODO 2010-11
PRINCIPIO DE PARETO
ETAPA A ETAPA B
ANÁLISIS DEL ANÁLISIS DEL PRONÓSTICO DE
COMPORTAMIENTO DE LOS LA DEMANDA DE VENTAS
DATOS MENSUAL
 COMPORTAMIENTO DE LOS DATOS  CLASIFICAR LOS ARTÍCULOS EN
BASE A VENTAS MENSUALES
 HISTOGRAMA DE LA DISTRIBUCIÓN
 ESTUDIO DEL COMPORTAMIENTO
 DETERMINAR LA MEJOR DE LOS DATOS
DISTRIBUCIÓN EN BASE AL MAYOR
VALOR DE SU VEROSIMILITUD  EVALUACIÓN DE LOS DATOS Y
CÁLCULO DEL PRONÓSTICOS DE
 CÁLCULO DEL CUANTIL DEL LA DEMANDA
MODELO
 ELECCIÓN DEL MEJOR
 CÁLCULO DE LA DEMANDA A PRONÓSTICO EN BASE AL MAD
DIFERENTES NIVELES DE SERVICIO
ETAPA C
REQUERIMIENTOS DE MATERIA PRIMA
 COMPARATIVO DE LOS RESULTADOS Y DECIDIR EL
CUANTIL EN BASE AL MEJOR COMPORTAMIENTO DEL
NIVEL DE SERVICIO
 LISTADO DEL REQUERIMIENTO DE MATERIA PRIMA
63
El proyecto se lleva a cabo con la información de las ventas de los años 2010
y 2011 de la empresa en estudio. Se empieza por seleccionar los materiales que, con
base en el Principio de Pareto, representan el 20% de los artículos y que refleja el
80% de las ventas. Teniendo la selección de los artículos, la aplicación de la
metodología se llevará a cabo en tres etapas:
 ETAPA A.- En esta etapa, se hace el análisis del comportamiento de los

datos.
 ETAPA B.- En esta etapa, se realiza el análisis del pronóstico de la

venta.
 ETAPA C.- Finalmente en esta etapa, se evalúa el modelo del

comportamiento de los datos a diferentes niveles de servicio contra el
pronóstico y las ventas reales; determinando el Cuantil del modelo que
será utilizado. Finalmente se obtiene el listado del requerimiento de
materia prima.
Antes de empezar el análisis del comportamiento de los datos, previamente se

selecciona los materiales y lo primero es determinar cuáles son los que serán
utilizados del total de la demanda de materiales; es decir qué productos son con los
que se va a trabajar.
3.2. Selección de artículos

Tomando la base de datos de la empresa correspondiente a los años 2010 y
2011, que ascienden a un total de 231 artículos y 14,200 movimientos. Estos
productos y sus ventas están resumidos en la Tabla 3.1 (por cuestiones prácticas,
sólo se coloca una parte de ésta, la relación completa se encuentra en el Anexo A).
64
Capítulo 3
Tabla 3.1 Ventas totales del periodo 2010-11

VENTA TOTAL 2010-2011
ARTÍCULO
ITEM DESCRIPCIÓN CANTIDAD MONTO
No. RC
(Piezas) (MILES $)
1 0001-0 GOMA 1,924 5.25
2 0050-0 GOMA CILÍNDRICA VAN 968 2.93
3 0064-0 GOMA UNIVERSAL 59,350 151.42
4 0065-0 GOMA CILÍNDRICA VAN, FORD 106,085 187.59
5 0069-0 GOMA SUJETADORA DE ESCAPE 150 5.82
6 0074-0 GOMA BARRA ESTABILIZ 1,873 23.02
7 0075-0 GOMA REPUESTO BASE AMORT. TRAS. 5,733 49.38
9 0077-0 GOMA COMBI 79-98 3,761 57.69
10 0092-0 TOPE PARA CAJUELA 130 0.48
11 0094-0 GOMA BARRA ESTABILIZADORA 6,000 109.28
12 0207-0 GOMA CARDAN 740 15.87
13 0207-R GOMA CARDAN 3,644 152.31
14 0209-0 GOMA CARDAN 3,045 81.00
15 0209-R GOMA CARDAN 18,036 476.16
16 0217-R GOMA CARDAN 84 1.64
17 0220-0 GOMA CARDAN 954 47.28
18 0220-R GOMA CARDAN 4,846 242.26
19 0225-0 GOMA CARDAN 103,176 3,325.19
20 0225-R GOMA CARDAN 1,220 51.29
21 0226-0 GOMA CARDAN 580 29.15
22 0226-R GOMA CARDAN 4,514 254.28
23 0227-0 GOMA CARDAN 120 5.35
24 0227-R GOMA CARDAN 6,426 366.36
25 0228-0 GOMA CARDAN 200 9.79
26 0228-R GOMA CARDAN 6,528 396.41
27 0229-0 GOMA CARDAN 670 24.52
28 0229-R GOMA CARDAN 2,202 102.80
29 0230-R GOMA CARDAN 834 21.44
30 0231-R GOMA CARDAN 3,200 123.66
31 0312-0 TOPE DE SUSPENSIÓN 104 2.49
33 0331-0 TOPE DE AMORTIGUADOR 5,302 84.18
34 0332-0 GOMA DE AMORTIGUADOR 3,840 92.68
37 0409-0 GOMA AUMENTO PARA RESORTE 1,540 22.82
38 0422-0 CENTER BEARING ASSEMBLY 32,040 1,734.06
39 0431-0 DD/DJ ISOLATOR ASSEMBLY 103,680 5,049.32
40 0432-0 CENTER BEARING 420,819 23,274.19
41 0433-0 CENTER BEARING ASSEMBLY 8,190 470.38
42 0434-0 NISSAN CB ASSY 16,182 1,740.73
44 0648-0 GOMA TUBO ESCAPE 1,803 23.91
45 0649-0 GOMA TUBO ESCAPE 7,734 50.69
46 0650-0 GOMA DE ESCAPE 4,019 37.43
47 0650-R GOMA DE ESCAPE 257 2.36
48 0653-0 GOMA ESCAPE CROWN VICTORIA 6,493 74.25
49 0654-0 SOPORTE GOMA ESCAPE CROWN VICTORIA 994 14.94
65
3.2.1. Selección de datos

Como puede observarse la cantidad de productos a considerar es bastante
grande, por lo que se toma la decisión de realizar una clasificación de ésta con el
objetivo de disminuir la cantidad de productos sin que el estudio deje de ser
significativo.
En la base de datos proporcionada por la empresa, los productos están

ordenados de acuerdo a un número, teniéndose, la descripción del producto, el total
de piezas acumuladas y los montos de ventas correspondientes a los años 2010 y
2011. Como se sabe en el caso en que se dispone de una gran cantidad de
información, ésta debe clasificarse de acuerdo a un criterio de decisión. En este
trabajo se establece el criterio de prioridad de acuerdo al monto total de
transacciones de ventas realizadas durante los periodos 2010 y 2011.
Con este nuevo enfoque, se procede a aplicar una metodología para poder
evaluar sólo los productos que sean mayormente representativos del total de datos;
por lo que aplicamos el denominado “Principio de Pareto o regla 80/20” (en honor a
Wilfredo Pareto).
Primeramente se ordenan los artículos de mayor a menor y de acuerdo al

monto total de ventas de los años 2010-11; con base en este valor se aplica el
porcentaje de acuerdo al monto de cada artículo; obteniéndose que el 80.11% de
ventas de los años 2010-11, son representadas por el 19.48% de artículos, esto es
45 del total (231). En la Tabla 3.2 se tienen los resultados del análisis, se enumera
de nuevo, se realiza el acumulado y su porcentaje del total.
En la Tabla 3.3 se tienen los 45 artículos de la Clase del Pareto que se deben
analizar, pero su porcentual está enfocado sobre el total de los 231 artículos,
teniéndose que los 45 artículos representan el 19.48% del total. En la misma tabla se
muestra el número de los movimientos o ventas de los años 2010-11. El número de
movimientos, serán analizados posteriormente de manera individual, con el fin de
determinar su comportamiento y poder elaborar un modelo de abastecimiento.
66
Capítulo 3
Tabla 3.2 Ventas del periodo 2010-11: 45 artículos más demandados

ITEM ARTÍCULO DESCRIPCIÓN VENTAS (MILES $) PORCENT
PARCIAL ACUMUL. (%)
No. RC
1 0432-0 CENTER BEARING 23,274.19 23,274.19 14.53%
2 1941-0 REPUESTO SOPORTES 6694 Y 6686 10,712.49 33,986.68 21.22%
3 1815-0 BASE PARA AMORTIGUADOR DELANTERA 7,892.74 41,879.42 26.15%
4 3032-0 BUMP STOP 6,919.99 48,799.41 30.47%
5 0737-0 BUJE 6,506.32 55,305.73 34.54%
6 1995-0 SOPORTE DE MOTOR 5,280.46 60,586.19 37.83%
7 0431-0 DD/DJ ISOLATOR ASSEMBLY 5,049.32 65,635.51 40.99%
8 1984-0 SOPORTE MOTOR PICK UP NISSAN 4,275.26 69,910.77 43.66%
9 0225-0 GOMA CARDAN 3,325.19 73,235.96 45.73%
10 1994-0 BASE DELANTERA DE AMORT.DER. IZQ. 2,887.03 76,122.99 47.54%
11 3031-0 BUMPER 2,629.08 78,752.07 49.18%
12 3009-0 MOLDED RETAINER TING 2,617.02 81,369.10 50.81%
13 1715-R SOPORTE MOTOR IZQ Y DER 2,392.74 83,761.84 52.31%
14 1886-0 BASE AMORTIGUADORES 2,339.41 86,101.25 53.77%
15 3010-0 RUBBER BUMPER FOR BELLOW 2,231.87 88,333.11 55.16%
16 1797-0 SOPORTE MOTOR IZQ Y DER 2,203.04 90,536.16 56.54%
17 0437-0 CENTER BEARING ASSEMBLY 2,007.42 92,543.58 57.79%
18 1911-0 SOPORTE TRANSMISIÓN AUTO Y STD 1,858.95 94,402.53 58.95%
19 1829-0 BASE DELANTERA 1,821.58 96,224.11 60.09%
20 0434-0 NISSAN CB ASSY 1,740.73 97,964.84 61.18%
21 0422-0 CENTER BEARING ASSEMBLY 1,734.06 99,698.90 62.26%
22 1944-0 REPUESTO PARA SOPORTE 7010 1,688.79 101,387.69 63.31%
23 1985-0 SOPORTE DE TRANSMISIÓN 1,641.10 103,028.79 64.34%
24 1805-R SOPORTE 1,627.22 104,656.00 65.35%
25 1854-0 BASE AMORTIGUADORES 1,550.30 106,206.30 66.32%
26 1815-R BASE PARA AMORTIGUADOR DELANTERA 1,433.59 107,639.89 67.22%
28 1983-0 SOPORTE HIDRÁULICO TRANSMISIÓN 1,359.30 110,397.31 68.94%
29 1782-0 SOPORTE MOTOR IZQ. Y DER. 1,266.68 111,663.99 69.73%
31 3011-0 RUBBER BUMPER FOR BELLOW 1,249.19 114,164.32 71.29%
32 3039-0 SOPORTE DE MOTOR 1,188.14 115,352.46 72.03%
33 1884-0 SOPORTE TRANSMISIÓN AUTO SOLIDO 1,137.85 116,490.31 72.74%
34 1816-0 BASE DELANT SIN BALERO STD Y AUTO 1,113.44 117,603.75 73.44%
36 1934-0 SOPORTE MOTOR IZQUIERDO 1,087.99 119,787.80 74.80%
37 1928-0 REPUESTO SOPORTE 6668 1,075.27 120,863.07 75.48%
38 0738-0 SILENT BLOC 001770569005 1,046.96 121,910.03 76.13%
39 1973-0 REPUEST SOPORTE 6652 1,040.35 122,950.38 76.78%
40 1861-0 BASE PARA CARBURADOR 999.13 123,949.50 77.40%
41 3040-0 SOPORTE DE MOTOR 3040-0 942.64 124,892.14 77.99%
42 3018-0 RUBBER BUMPER 885.39 125,777.53 78.54%
43 1824-0 SOPORTE MOTOR IZQ Y DER 859.89 126,637.42 79.08%
44 1927-0 REPUESTO PARA SOPORTE 6651 836.97 127,474.39 79.60%
45 1988-0 SOPORTE HIDRÁULICO TRANS 806.77 128,281.16 80.11%
67
Tabla 3.3 Cantidad de datos del periodo 2010-11: 45 artículos más demandados
ITEM ARTÍCULO DESCRIPCIÓN NÚMERO ORDEN PORCENT
No. RC DE DATOS ACUMUL. (%)
1 0432-0 CENTER BEARING 125 1 0.43%
2 1941-0 REPUESTO SOPORTES 6694 Y 6686 494 2 0.87%
3 1815-0 BASE PARA AMORTIGUADOR DELANTERA 55 3 1.30%
4 3032-0 BUMP STOP 289 4 1.73%
5 0737-0 BUJE 117 5 2.16%
6 1995-0 SOPORTE DE MOTOR 219 6 2.60%
7 0431-0 DD/DJ ISOLATOR ASSEMBLY 104 7 3.03%
8 1984-0 SOPORTE MOTOR PICK UP NISSAN 459 8 3.46%
9 0225-0 GOMA CARDAN 131 9 3.90%
10 1994-0 BASE DELANTERA DE AMORT.DER. IZQ. 207 10 4.33%
11 3031-0 BUMPER 114 11 4.76%
12 3009-0 MOLDED RETAINER TING 125 12 5.19%
13 1715-R SOPORTE MOTOR IZQ Y DER 228 13 5.63%
14 1886-0 BASE AMORTIGUADORES 126 14 6.06%
15 3010-0 RUBBER BUMPER FOR BELLOW 112 15 6.49%
16 1797-0 SOPORTE MOTOR IZQ Y DER 224 16 6.93%
17 0437-0 CENTER BEARING ASSEMBLY 33 17 7.36%
18 1911-0 SOPORTE TRANSMISIÓN AUTO Y STD 384 18 7.79%
19 1829-0 BASE DELANTERA 156 19 8.23%
20 0434-0 NISSAN CB ASSY 42 20 8.66%
21 0422-0 CENTER BEARING ASSEMBLY 21 21 9.09%
22 1944-0 REPUESTO PARA SOPORTE 7010 280 22 9.52%
23 1985-0 SOPORTE DE TRANSMISIÓN 275 23 9.96%
24 1805-R SOPORTE 172 24 10.39%
25 1854-0 BASE AMORTIGUADORES 166 25 10.82%
26 1815-R BASE PARA AMORTIGUADOR DELANTERA 116 26 11.26%
28 1983-0 SOPORTE HIDRÁULICO TRANSMISIÓN 196 28 12.12%
29 1782-0 SOPORTE MOTOR IZQ. Y DER. 154 29 12.55%
31 3011-0 RUBBER BUMPER FOR BELLOW 98 31 13.42%
32 3039-0 SOPORTE DE MOTOR 41 32 13.85%
33 1884-0 SOPORTE TRANSMISIÓN AUTO SOLIDO 150 33 14.29%
34 1816-0 BASE DELANT SIN BALERO STD Y AUTO 130 34 14.72%
36 1934-0 SOPORTE MOTOR IZQUIERDO 145 36 15.58%
37 1928-0 REPUESTO SOPORTE 6668 138 37 16.02%
38 0738-0 SILENT BLOC 001770569005 59 38 16.45%
39 1973-0 REPUEST SOPORTE 6652 121 39 16.88%
40 1861-0 BASE PARA CARBURADOR 88 40 17.32%
41 3040-0 SOPORTE DE MOTOR 3040-0 33 41 17.75%
42 3018-0 RUBBER BUMPER 90 42 18.18%
44 1927-0 REPUESTO PARA SOPORTE 6651 242 44 19.05%
45 1988-0 SOPORTE HIDRÁULICO TRANS 132 45 19.48%
68
Capítulo 3
ETAPA A
3.2.2. Estudio del comportamiento de los datos
Después de haber definido la prioridad del estudio y reducir éste de 231
artículos a revisar sólo 45, se debe analizar su comportamiento o patrón que tienen
los datos de cada uno de los artículos.
3.2.3. Comportamiento aleatorio

Primero se traza un diagrama de dispersión de los datos para ver su
comportamiento. Determinando si los datos son aleatorios, esto es, que no presenten
un patrón reconocible o una aparente estructura (datos sin tendencia o con ciclos).
En la Tabla 3.4 se presentan 6 ejemplos de gráficas del comportamiento

aleatorio de las ventas de los artículos de la clase de Pareto, el resto está en el
Anexo B. El eje “X” representa el número del dato o evento del artículo y en el eje “Y”
la cantidad embarcada o las ventas de cada uno de los datos o eventos.
Tabla 3.4 Gráficas del comportamiento aleatorio de las ventas
4,000
Cant. de Piezas
2,000
Cant. de Piezas
3,000 1,500
2,000 1,000
1,000 500
- -
0 100 200 300 400 500 600 0 50 100 150 200 250
No. de Dato No. de Dato
1941-0 1995-0
1,500
Cant. de Piezas
Cant. de Piezas
4,000
1,000 3,000
2,000
500
1,000
- -
0 100 200 300 400 500 0 50 100 150 200 250
1984-0 1715-R
Cant. de Piezas
1,000
Cant. de Piezas
800
600
400 500
200
- -
0 50 100 150 200 250 0 50 100 150 200 250 300
1797-0 1944-0
69
Como se puede observar de las gráficas anteriores y del Anexo B el número

de datos de cada uno de los 45 artículos de la clase del Pareto a estudiar tienen un
comportamiento aleatorio.
3.2.4. Histograma de la distribución

El siguiente paso consiste en trazar un histograma la Distribución de los datos
de las ventas de cada uno de los 45 artículos de la clase del Pareto, con la finalidad
de visualizar su comportamiento. En la Tabla 3.5 se muestran las gráficas de sólo 6
artículos, las restantes están mostradas en el anexo C. En el eje “X” se representa
las clases y en eje “Y” las frecuencias.
Tabla 3.5 Gráficas del histograma de distribución de las ventas
80 200
Frecuencia
Frecuencia
60 150
40 100
20 50
0
0
y mayor...
510.9
1,001.8
1,492.7
1,983.6
2,474.5
2,965.5
3,456.4
3,947.3
4,438.2
4,929.1
5,420.0
20.0
1.0
345.0
689.0
1,033.0
1,377.0
1,721.0
2,065.0
2,409.0
2,753.0
3,097.0
3,441.0
3,785.0
Clase Clase
0432-0 1941-0
25
Frecuencia
80
Frecuencia
20 60
15 40
10
5 20
0 0
y mayor...
y mayor...
400.0
1.0
127.4
253.7
380.1
506.4
632.8
759.1
885.5
2,057.1
3,714.3
5,371.4
7,028.6
8,685.7
1,011.9
1,138.2
1,264.6
1,390.9
1,517.3
1,643.6
1,770.0
10,342.9
12,000.0
Clase Clase
1815-0 1995-0
30 40
Frecuencia
Frecuencia
20 30
20
10 10
0 0
y mayor...
y mayor...
120.0
1,068.0
2,016.0
2,964.0
3,912.0
4,860.0
5,808.0
6,756.0
7,704.0
8,652.0
9,600.0
251.2
487.4
723.6
959.8
15.0
1,196.0
1,432.2
1,668.4
1,904.6
2,140.8
2,377.0
Clase Clase
0431-0 0737-0
Después de haber analizado las gráficas del comportamiento de los datos de

los 45 artículos, se observa que la distribución que presentan, es muy variada, pero
que es posible agrupar en clases de distribuciones: Exponencial, Gamma, Log-
normal, Normal y en mezclas finitas de distribuciones.
70
Capítulo 3
3.2.5. Determinación de la mejor distribución

Para poder determinar a qué clases de distribuciones pertenece cada artículo
se procede a ajustar los modelos, esto es, se utilizará el programa estadístico
denominado “Proyecto R” (podemos ver ejemplos de este programa en el Anexo D).
Este programa realiza un ajuste de los datos, dando finalmente un resultado con
base en la verosimilitud y sus estimadores correspondientes de cada una de las
distribuciones. Los comportamientos de los datos serán evaluados respecto a las
distribuciones: Exponencial, Gamma, Log-normal, Normal y en casos particulares las
mezclas Gamma-Normal y Normal-Normal, siendo estos últimos más complicados. A
continuación se presenta en la Tabla 3.6 el ejemplo del artículo 1941-0, evaluado
respecto a las distribuciones: Exponencial, Gamma, Log-normal, Normal; en el anexo
D se tienen, además de éste, ejemplo de mezclas de distribuciones Gamma-Normal
y Normal-Normal.
Tabla 3.6 Cálculo de la mejor Verosimilitud en el Proyecto R
###########################################################################################
#### PRODUCTO 1941-0 #### PRODUCTO 1941-0 #### PRODUCTO 1941-0 #### PRODUCTO 1941-0 ####
###########################################################################################
productos <- as.matrix(read.csv(file="c:/rexcel/datosrc.csv", header=T))
datos1 <- productos[1:494,2]
veroexponencial <- function(x)
{
n <- length(datos1)
(sum(datos1)/x + n*log(x))
}
logverosimilitud <- -optimize(veroexponencial,c(0,100000) )$objective
estimador <- mean(datos1)
logverosimilitud ### -3608.072
estimador ### 546.6397
verogama <- function(x)
{
n<- length(datos1)
-((x[1]-1)*sum(log(datos1)) - sum(datos1)/x[2]- n*log(gamma(x[1]))-n*x[1]*log(x[2]))
}
logverosimilitud <- -optim(c(1, 2),verogama)$value
estimador <- optim(c(1, 2),verogama)$par
logverosimilitud #### -3605.438
estimador #### 0.8812101 620.0071361
verolognormal <- function(x)
71
{
n<- length(datos1)
sum((log(datos1)-x[1])^2) / (2*(x[2])^2)+ sum(log(datos1)) + n*log(x[2]) + n*log(2*pi)/2
}
logverosimilitud <- -optim(c(200, 40000),verolognormal)$value
estimador <- optim(c(6, 20000),verolognormal)$par
estimador ### 5.639578 1.380862
vernormal <- function()
{
n<- length(datos1)
a <- mean(datos1)
b <- sd(datos1)
-n*log(b*sqrt(2*pi))- sum((datos1-a)^2) / (2*(b)^2)
}
logverosimilitud <- vernormal()
estimador <- c(mean(datos1),sd(datos1))
estimador ### 546.6397 557.9016
hist(datos1,freq = FALSE)
aux11 <- function(x){media <- mean(datos1); exp(-x/media)/media }
plot(aux11,type = "l",col = 1,lty = 1,lwd = 3,main=" ", xlab="", ylab=" ",xlim=c(-1,4000),ylim=c(0,0.0020),add=TRUE) ##,xlim=c(-
10,3000),ylim=c(0,0.0010),add=TRUE)
aux12 <- function(x){a <- 0.8812101 ; b<- 620.0071361 ; x^(a-1)*exp(-x/b)/(gamma(a)*bâ) }
plot(aux12,type = "l",col = 2,lty = 1,lwd = 3, main=" ", xlab="", ylab=" ",xlim=c(-1,4000),ylim=c(0,0.0020),add=TRUE)
aux13 <- function(x){ a <- 5.639578 ; b <- 1.380862 ; exp(-(log(x)-a)^2/(2*b^2)) / (x*b*sqrt(2*pi)) }
plot(aux13,type = "l",col = 4,lty = 1,lwd = 3,main=" ", xlab="", ylab=" ",xlim=c(-1,4000),ylim=c(0,0.0020),add=TRUE)
aux14 <- function(x){ a <- mean(datos1) ; b <- sd(datos1) ; exp(-(x-a)^2/(2*b^2)) / (b*sqrt(2*pi)) }
#aux14 <- dnorm(datos1)#, mean(datos1), sd(datos1))
legend(1000, 0.0010, c("Exponencial", "Gamma","Log-normal","Normal"),lty = 1,col=c(1,2,4,3),bty = "n")
Para el desarrollo de este estudio se siguen los siguientes pasos:

 Elaborar en el paquete Excel una hoja de cálculo, colocando en columnas los
datos por artículo, grabar el archivo con el nombre “datosrc.csv”; en una
carpeta llamada “rexcel”, dentro de “C”.
 En el “Proyecto R”, se programa una secuencia de comandos como en la
tabla 3.6.
 Para cada uno de los artículos se tiene una columna con sus respectivos
datos de ventas, ejemplo datos1 <- productos[1:494,2] esto indica que son
494 datos del producto 1941-0, y están en la columna 2.
72
Capítulo 3
 Los valores se evalúan respecto a distribuciones: Exponencial, Gamma, Log-

normal y Normal. En algunos artículos, por su histograma de distribución, se
evalúan con mezcla finita de distribución: Gamma-Normal y Normal-Normal.
 Correr todas las líneas en el “Proyecto R”.
 Como este paquete también proporciona el histograma, se cambian los datos
de los estimadores para obtener las gráficas de acuerdo a estos nuevos
estimadores. Corriendo nuevamente el programa.
 Finalmente, se comparan los valores en cada caso y la distribución que mejor
ajusta es la que tiene el mayor valor de Verosimilitud o el menor valor AIC.
Las fórmulas utilizadas para calcular las distribuciones son las siguientes:
⁄
Distribución Exponencial: ( )
( )
Distribución Normal: ( )
√
( ( ) )
Distribución Log-Normal: ( )
√
⁄
Distribución Gamma: ( )
( )
( ) ∫
Distribución Gamma + Normal: [( )( )] [( )( )]
Distribución Normal + Normal: [( )( )] [( )( )]
3.2.6. Ajuste de la distribución de la demanda

A continuación, se presenta la Tabla 3.7 en donde se muestran algunas
gráficas obtenidas con el proyecto R, en donde el eje “X” representa la variable “x” y
el eje “Y” la función de densidad “f(x)”, el resto está en el Anexo E. Se evaluaron en
los 4 primeros los comportamientos respecto a las distribuciones: Exponencial,
Gamma, Log-normal y Normal; en el 5º Gamma-Normal y el 6º Normal-Normal. En la
comparación se utiliza como criterio de decisión el valor mayor de la Verosimilitud.
73
Tabla 3.7 Gráficas del ajuste de la distribución de la demanda

f(x) f(x) f(x)
1941-0 x 1995-0 x 1984-0 x
f(x) f(x) f(x)
1983-0 x 0432-0-B x 0432-0-C x
En la Tabla 3.8-1 se tienen los resultados de Verosimilitud y estimadores

obtenidos para cada uno de los artículos, respecto a las distribuciones antes
mencionadas. En la tabla 3.8-2 se tienen los resultados de Verosimilitud y
estimadores respecto a la mezcla finita de distribuciones. Decidiendo que la mejor
distribución es la que tiene el valor mayor de Verosimilitud.
Tabla 3.8-1 Resumen del cálculo de Verosimilitud

NÚMERO VERO-EXPONENCIAL VERO-GAMMA VERO-LOGNORMAL VERO-NORMAL
PRODUCTO LOGVEROSIMILITUD / LOGVEROSIMILITUD / LOGVEROSIMILITUD / LOGVEROSIMILITUD /
ESTIMADOR ESTIMADOR ESTIMADOR ESTIMADOR
-1140.206 -1139.905 -1180.924 -1116.486
0432-0 3366.552 1.0876 3087.4608 7.5982 1.5380 3366.5520 1838.9500
-3608.0720 -3605.4380 -3646.2690 -3824.6020
1941-0 546.6397 0.8812 620.0071 5.6395 1.3808 546.6397 557.9016
-541.8658 -510.7494 -520.8243 -503.0746
1815-0 6989.0910 6.5158 1074.4882 8.7727 0.4858 6989.0910 2291.5040
-2651.9990 -2649.9990 -2688.2700 -2748.4970
3032-0 3556.2730 1.1603 3063.1382 7.6889 1.2135 3556.2730 3272.0210
-1055.2090 -1043.3150 -1057.4130 -1052.1230
0737-0 3037.7860 1.9087 1595.0684 7.7335 0.8913 3037.7860 1954.4060
-1465.9410 -1465.6970 -1487.8650 -1559.7070
1995-0 297.0183 0.9426 314.9590 5.0785 1.3462 297.0183 300.4543
74
Capítulo 3
-822.0861 -815.7481 -831.6317 -817.1401

0431-0 996.9231 1.6227 613.2323 6.5642 1.0121 996.9231 628.2798
-2848.2540 -2847.3480 -2886.4490 -3043.5180
1984-0 182.2440 0.9255 196.8058 4.5765 1.3406 182.2440 183.6275
-1004.6380 -979.3626 -992.4044 -987.1598
0225-0 787.6031 2.5570 307.8216 6.4604 0.7380 787.6031 455.0693
-1422.6190 -1422.3270 -1447.0390 -1498.0780
1994-0 355.1546 0.9349 379.9896 5.2508 1.3770 355.1546 337.1637
-859.1988 -853.1379 -865.2141 -868.4169
3031-0 690.0965 1.5630 441.2534 6.1837 0.9869 690.0965 494.2983
-981.6233 -972.7326 -984.1601 -987.4367
3009-0 946.7040 1.6880 560.9347 6.5293 0.9280 946.7040 654.9474
-1718.9300 -1712.9330 -1738.6790 -1827.9470
1715-R 691.7105 0.7653 904.2080 5.7576 1.5662 691.7105 735.5128
-861.9441 -858.0087 -866.3669 -956.0823
1886-0 344.0635 0.7479 459.2973 5.0394 1.5173 344.0635 479.6153
-772.7337 -763.9762 -776.6922 -777.0095
3010-0 364.8214 1.7359 210.6392 5.5850 0.9329 364.8214 250.4127
-1288.9250 -1288.1690 -1308.3230 -1386.7850
1797-0 116.0625 0.9047 128.1700 4.1080 1.3674 116.0625 118.4272
-257.7115 -254.3807 -263.8521 -249.8103
0437-0 906.3636 1.8974 478.0537 6.5231 1.0546 906.3636 476.3826
-2249.7410 -2240.2430 -2258.4960 -2348.4530
1911-0 128.8568 1.3453 95.7548 4.4429 1.02023 128.8568 109.7415
-963.2249 -963.0861 -978.4540 -1031.1350
1829-0 176.7115 0.9485 186.2051 4.5627 1.3372 176.7115 180.2070
-292.0674 -287.2030 -296.5373 -287.6958
0434-0 385.2857 1.9979 192.9784 5.6837 0.9585 385.2857 231.1034
-174.9346 -172.361 -173.4207 -173.7769
0422-0 1525.714 2.0394 748.4573 7.0659 0.7965 1525.7143 972.5871
-1679.7730 -1677.6260 -1699.7750 -1765.7200
1944-0 148.2929 1.1734 126.4675 4.5161 1.1452 148.2929 132.8193
-1500.0270 -1499.9810 -1508.1140 -1615.5540
1985-0 86.0254 1.0228 84.1311 3.8915 1.1890 86.0254 86.2819
-1099.6810 -1097.9430 -1110.7840 -1178.2070
1805-R 219.9709 0.8422 261.0246 4.6948 1.4112 219.9709 229.0658
-1092.0160 -1091.0330 -1109.2540 -1159.9540
1854-0 264.6506 0.8781 301.2699 4.9098 1.4242 264.6506 262.8928
-836.6363 -835.4218 -847.8806 -889.3181
1815-R 498.8879 0.8402 593.2031 5.5109 1.4611 498.8879 519.0016
-878.8542 -877.2814 -884.5954 -955.1800
1920-0 95.8101 0.8454 113.4040 3.8651 1.3707 95.8101 102.4801
-1124.2690 -1124.2610 -1132.9490 -1207.3060
1983-0 113.9847 1.0108 112.7839 4.1663 1.2159 113.9847 114.8167
-898.1432 -897.2990 -907.6023 -965.6965
1782-0 125.4740 0.8811 142.3258 4.1670 1.3602 125.4740 128.3890
-871.7451 -866.5040 -868.7117 -972.1621
1897-0 82.6459 0.7431 111.2188 3.6087 1.4455 82.6459 101.7421
-705.5931 -702.0898 -710.6667 -723.6692
3011-0 492.7143 1.4327 344.2517 5.8118 1.0205 492.7143 391.7185
-247.1629 -246.6161 -252.4339 -261.7310
3039-0 152.6829 0.8242 185.4092 4.3108 1.5331 152.6829 145.0299
75
-822.3600 -821.2801 -826.6696 -905.2514

1884-0 88.4466 0.8661 102.1555 3.8033 1.3348 88.4466 101.4335
-829.8513 -826.5190 -835.9172 -888.4273
1816-0 217.7769 0.7652 285.0620 4.6058 1.5004 217.7769 225.6451
-1193.4270 -1193.3540 -1203.3720 -1282.0640
1900-0 111.0718 0.9687 114.8463 4.1104 1.2552 111.0718 111.9141
-782.2075 -782.0108 -790.3671 -839.0838
1934-0 81.0069 1.0650 76.0078 3.8578 1.1898 81.0069 79.1460
-779.9701 -777.3656 -787.8347 -847.6161
1928-0 104.7899 0.7944 131.8525 3.9047 1.4704 104.7899 112.9370
-434.0138 -425.1486 -429.9040 -436.2611
0738-0 576.0339 2.2606 253.6407 6.1169 0.7795 576.0339 396.9429
-689.1201 -688.5286 -697.8593 -744.8578
1973-0 109.4215 0.8872 123.2671 4.0354 1.3697 109.4215 114.5537
-536.1702 -535.1123 -545.2617 -562.1165
1861-0 162.8523 1.2225 133.2543 4.6317 1.1569 162.8523 144.6664
-199.0436 -198.9807 -203.2753 -206.2914
3040-0 153.1818 1.0802 141.7644 4.5019 1.2691 153.1818 127.4175
-488.9994 -487.8071 -492.3557 -514.1340
3018-0 84.2111 1.2370 68.0616 3.9768 1.0760 84.2111 73.6420
-1003.2890 -1002.5130 -1005.1550 -1094.2080
1824-0 50.3039 1.1191 44.9283 3.4079 1.1053 50.3039 51.7940
-1309.7270 -1309.7200 -1321.3370 -1422.9900
1927-0 82.4421 1.0099 81.6701 3.8411 1.2215 82.4421 86.7692
-752.7721 -751.2622 -757.1334 -817.9269
1988-0 110.2576 0.8337 132.2557 3.9953 1.3786 110.2576 119.2552
Tabla 3.8-2 Complemento mezcla finita de las distribuciones

NÚMERO TIPO DE ESTIMADORES
PRODUCTO DISTRIBUCIÓN P a1 b1 a2 b2 VEROSIMILITUD
0432-0-B 0.52854170 0.49227420 32.24297100 46.57590010 0.69169080 -404.55508060

0431-0-B GAMMA 0.50638908 1.23000295 7.71570841 14.93954673 0.08790854 -291.73504785
0437-0-B + 0.79902270 2.71505976 2.70938841 9.05628053 0.08142979 -80.37439051
0434-0-B NORMAL 0.47755521 0.46230075 16.90853763 2.87483722 0.01618524 -10.48934887
0422-0-B 0.43387510 1.26715120 13.92675534 8.95801352 0.07214734 -58.92464466
0432-0-C 0.40593480 46.65286600 1.08425780 21.76572490 21.42600440 -424.54507080
0431-0-C NORMAL 0.46292700 3.06220200 1.72856400 13.90945200 4.61761200 -322.98729500
0437-0-C + 0.04656334 9.09063310 0.62148407 9.92227017 6.13186923 -96.70610912
0434-0-C NORMAL 0.00151882 53.82209130 11.04155988 3.91668140 2.37933601 -94.42080442
0422-0-C 0.59343500 14.38969800 8.19632220 27.20168900 0.18735380 -60.47461970
A continuación, se presentan las Tablas 3.9-1, 3.9-2 y 3.9-3, en donde son

separados los artículos de la clase Pareto según su comportamiento agrupándose
de acuerdo a su distribución, en donde a diferencia de las tablas 3.8-1 y 3.8-2, se
muestran únicamente los resultados que dieron el valor mayor de Verosimilitud.
76
Capítulo 3
Tabla 3.9-1 Clase de la distribución Gamma

ESTIMADOR
NÚMERO PRODUCTO VEROSIMILITUD
ALFA (α) BETA (β)
1941-0 -3605.4380 0.8812 620.0071

3032-0 -2649.9990 1.1603 3063.1382
0737-0 -1043.3150 1.9087 1595.0684
1995-0 -1465.6970 0.9426 314.9590
1984-0 -2847.3480 0.9255 196.8058
0225-0 -979.3626 2.5570 307.8216
1994-0 -1422.3270 0.9349 379.9896
3031-0 -853.1379 1.5630 441.2534
3009-0 -972.7326 1.6880 560.9347
1715-R -1712.9330 0.7653 904.2080
1886-0 -858.0087 0.7479 459.2973
3010-0 -763.9762 1.7359 210.6392
1797-0 -1288.1690 0.9047 128.1700
1911-0 -2240.2430 1.3453 95.7548
1829-0 -963.0861 0.9485 186.2051
1944-0 -1677.6260 1.1734 126.4675
1985-0 -1499.9810 1.0228 84.1311
1805-R -1097.9430 0.8422 261.0246
1854-0 -1091.0330 0.8781 301.2699
1815-R -835.4218 0.8402 593.2031
1920-0 -877.2814 0.8454 113.4040
1983-0 -1124.2610 1.0108 112.7839
1782-0 -897.2990 0.8811 142.3258
1897-0 -866.5040 0.7431 111.2188
3011-0 -702.0898 1.4327 344.2517
3039-0 -246.6161 0.8242 185.4092
1884-0 -821.2801 0.8661 102.1555
1816-0 -826.5190 0.7652 285.0620
1900-0 -1193.3540 0.9687 114.8463
1934-0 -782.0108 1.0650 76.0078
1928-0 -777.3656 0.7944 131.8525
0738-0 -425.1486 2.2606 253.6407
1973-0 -688.5286 0.8872 123.2671
1861-0 -535.1123 1.2225 133.2543
3040-0 -198.9807 1.0802 141.7644
3018-0 -487.8071 1.2370 68.0616
1824-0 -1002.5130 1.1191 44.9283
1927-0 -1309.7200 1.0099 81.6701
1988-0 -751.2622 0.8337 132.2557
77
Tabla 3.9-2 Clase de la distribución Normal

ESTIMADOR
NÚMERO PRODUCTO VEROSIMILITUD
MEDIA (µ) DESV STD (σ)
1815-0 -503.0746 6989.0910 2291.5040
Tabla 3.9-3 Mezcla finita de distribución

NÚMERO TIPO DE VEROSIMILITUD ESTIMADORES
PRODUCTO DISTRIBUCIÓN p a1 a2 b1 b2
0432-0-B GAMMA+NORMAL -404.55508060 0.52854170 0.49227420 32.24297100 46.57590010 0.69169080
0431-0-B GAMMA+NORMAL -291.73504785 0.50638908 1.23000295 7.71570841 14.93954673 0.08790854
0437-0-B GAMMA+NORMAL -80.37439051 0.79902270 2.71505976 2.70938841 9.05628053 0.08142979
0434-0-B GAMMA+NORMAL -10.48934887 0.47755521 0.46230075 16.90853763 2.87483722 0.01618524
0422-0-B GAMMA+NORMAL -58.92464466 0.43387510 1.26715120 13.92675534 8.95801352 0.07214734
3.2.7. Cálculo del Cuantil del modelo

Después de haber realizado el estudio del comportamiento de la distribución
de los 45 artículos en estudio, se procede con el modelo que mejor ajuste a calcular
el cuantil de la venta a diferentes niveles de servicio.
A continuación, se presentan las fórmulas a utilizar en el “Proyecto R” para el
cálculo del Cuantil” con los modelos que mejor ajustaron.
Distribución Exponencial: ( )
Distribución Log-normal: ( )
Distribución Normal: ( )
Distribución Gamma: ( )
Distribución Gamma + Normal: ( )
Distribución Normal + Normal: ( )
Donde se tiene el significado de las variables:
78
Capítulo 3
A continuación, se presenta en la Tabla 3.10 un ejemplo del cálculo del Cuantil

para cada una de las distribuciones realizado en el “Proyecto R”, siendo al 90% el
nivel de servicio. Los demás cálculos están mostrados en el anexo F.
Tabla 3.10 Cálculo del Cuantil en el proyecto R

ARTÍCULO TIPO DE FORMULACIÓN PROYECTO “R” AL 90% DE CUANTIL
DISTRIBUCIÓN SERVICIO (Piezas)
1941-0 Gamma qgamma(0.90, 0.8812, 1/620.0071) 1,297.679
1815-0 Normal qnorm(0.90, 6989.0910, 2291.5040) 9,925.772
0432-0-B Gamma ##### GAMMA + NORMAL ##### 4,739.812
salida <- c(0.5285417, 0.4922742, 32.2429710, 46.5759001,
+
0.6916908)
Normal auxreal <- function(t)
{
p <- salida[1];
a1 <- salida[2];
b1 <- salida[3];
a2 <- salida[4];
b2 <- salida[5];
p*(t)^(a1-1)*exp(-t/b1)/(gamma(a1)*b1â1) +
(1-p)*exp(-((t-a2)^2)/(2*(b2)^2))/sqrt(2*pi*b2^2)
}
f <- function(x)
{
abs(0.90-integrate(auxreal,0,x)$value)
}
(optimize(f,c(0,60))$minimum)*100
A continuación en las tablas 3.11-1, 3.11-2, 3.11-3, 3.11-4 y 3.11-5 se

presentan los resultados del cálculo de la venta en función del cuantil del modelo y
diferentes niveles de servicio (80%, 85%, 90%, 95% y 99%, respectivamente) de los
45 artículos, con la finalidad de observar hasta que nivel de servicio es el más
adecuado (teniéndose la decisión en la Etapa C. El cálculo de la venta mensual es el
resultado del producto del Cuantil del modelo por la frecuencia y dividido entre 12. En
la Etapa C, serán comparados los 5 valores de las ventas mensuales contra la venta
real y el pronóstico obtenido en la Etapa B para decidir cuál es el más adecuado.
79
Tabla 3.11-1. Cálculo de la Demanda al 80% de Servicio.

ITEM ARTÍCULO FRECUENCIA CUANTIL VENTA
NÚMERO (ANUAL) (PIEZAS) (MENSUAL)
1 0432-0 65 4,688 25,393
2 1941-0 196 888 14,504
3 1815-0 28 8,918 20,809
4 3032-0 243 5,646 114,332
5 0737-0 72 4,583 27,498
6 1995-0 88 480 3,520
7 0431-0 61 1,501 7,630
8 1984-0 203 295 4,990
9 0225-0 79 1,144 7,531
10 1994-0 115 575 5,510
11 3031-0 64 1,062 5,664
12 3009-0 80 1,446 9,640
13 1715-R 94 1,133 8,875
14 1886-0 71 563 3,331
15 3010-0 72 557 3,342
16 1797-0 90 188 1,410
17 0437-0 28 968 2,259
18 1911-0 200 202 3,367
19 1829-0 79 285 1,876
20 0434-0 33 480 1,320
21 0422-0 0 1,462 -
22 1944-0 117 235 2,291
23 1985-0 114 138 1,311
24 1805-R 95 358 2,834
25 1854-0 119 430 4,264
26 1815-R 68 812 4,601
27 1920-0 65 156 845
28 1983-0 88 183 1,342
29 1782-0 80 204 1,360
30 1897-0 87 136 986
31 3011-0 64 767 4,091
32 3039-0 24 115 230
33 1884-0 72 144 864
34 1816-0 76 357 2,261
35 1900-0 114 180 1,710
36 1934-0 75 130 813
37 1928-0 46 171 656
38 0738-0 34 846 2,397
39 1973-0 60 178 890
40 1861-0 34 257 728
41 3040-0 15 245 306
42 3018-0 51 133 565
43 1824-0 105 80 700
44 1927-0 125 133 1,385
45 1988-0 65 180 975
80
Capítulo 3
Tabla 3.11-2 Cálculo de la Demanda al 85% de Servicio.

1 0432-0 65 4,710 25,513
2 1941-0 196 1,057 17,264
3 1815-0 28 9,364 21,849
4 3032-0 243 6,581 133,265
5 0737-0 72 5,175 31,050
6 1995-0 88 569 4,173
7 0431-0 61 1,505 7,650
8 1984-0 203 350 5,921
9 0225-0 79 1,273 8,381
10 1994-0 115 681 6,526
11 3031-0 64 1,214 6,475
12 3009-0 80 1,644 10,960
13 1715-R 94 1,367 10,708
14 1886-0 71 681 4,029
15 3010-0 72 632 3,792
16 1797-0 90 223 1,673
17 0437-0 28 1,088 2,539
18 1911-0 200 233 3,883
19 1829-0 79 338 2,225
20 0434-0 33 771 2,120
21 0422-0 0 1,925 -
22 1944-0 117 274 2,672
23 1985-0 114 163 1,549
24 1805-R 95 428 3,388
25 1854-0 119 512 5,077
26 1815-R 68 971 5,502
27 1920-0 65 187 1,013
28 1983-0 88 216 1,584
29 1782-0 80 243 1,620
30 1897-0 87 164 1,189
31 3011-0 64 881 4,699
32 3039-0 24 138 276
33 1884-0 72 172 1,032
34 1816-0 76 431 2,730
35 1900-0 114 212 2,014
36 1934-0 75 152 950
37 1928-0 46 206 790
38 0738-0 34 947 2,683
39 1973-0 60 211 1,055
40 1861-0 34 299 847
41 3040-0 15 287 359
42 3018-0 51 154 655
43 1824-0 105 94 823
44 1927-0 125 156 1,625
45 1988-0 65 215 1,165
81

1 0432-0 65 4,740 25,675
2 1941-0 196 1,298 21,201
3 1815-0 28 9,926 23,161
4 3032-0 243 7,889 159,752
5 0737-0 72 5,987 35,922
6 1995-0 88 694 5,089
7 0431-0 61 1,519 7,722
8 1984-0 203 427 7,223
9 0225-0 79 1,447 9,526
10 1994-0 115 832 7,973
11 3031-0 64 1,423 7,589
12 3009-0 80 1,917 12,780
13 1715-R 94 1,701 13,325
14 1886-0 71 849 5,023
15 3010-0 72 735 4,410
16 1797-0 90 274 2,055
17 0437-0 28 1,248 2,912
18 1911-0 200 276 4,600
19 1829-0 79 412 2,712
20 0434-0 33 1,224 3,366
21 0422-0 0 2,560 -
22 1944-0 117 328 3,198
23 1985-0 114 197 1,872
24 1805-R 95 528 4,180
25 1854-0 119 629 6,238
26 1815-R 68 1,198 6,789
27 1920-0 65 230 1,246
28 1983-0 88 262 1,921
29 1782-0 80 298 1,987
30 1897-0 87 205 1,486
31 3011-0 64 1,039 5,541
32 3039-0 24 170 340
33 1884-0 72 211 1,266
34 1816-0 76 536 3,395
35 1900-0 114 258 2,451
36 1934-0 75 184 1,150
37 1928-0 46 255 978
38 0738-0 34 1,084 3,071
39 1973-0 60 259 1,295
40 1861-0 34 357 1,012
41 3040-0 15 346 433
42 3018-0 51 184 782
43 1824-0 105 113 989
44 1927-0 125 189 1,969
45 1988-0 65 265 1,435
82
Capítulo 3

1 0432-0 65 4,810 26,054
2 1941-0 196 1,712 27,963
3 1815-0 28 10,758 25,102
4 3032-0 243 10,106 204,647
5 0737-0 72 7,329 43,974
6 1995-0 88 908 6,659
7 0431-0 61 2,000 10,167
8 1984-0 203 561 9,490
9 0225-0 79 1,731 11,396
10 1994-0 115 1,090 10,446
11 3031-0 64 1,772 9,451
12 3009-0 80 2,372 15,813
13 1715-R 94 2,281 17,868
14 1886-0 71 1,142 6,757
15 3010-0 72 908 5,448
16 1797-0 90 360 2,700
17 0437-0 28 1,510 3,523
18 1911-0 200 348 5,800
19 1829-0 79 539 3,548
20 0434-0 33 1,920 5,280
21 0422-0 0 3,619 -
22 1944-0 117 420 4,095
23 1985-0 114 256 2,432
24 1805-R 95 700 5,542
25 1854-0 119 830 8,231
26 1815-R 68 1,589 9,004
27 1920-0 65 305 1,652
28 1983-0 88 340 2,493
29 1782-0 80 393 2,620
30 1897-0 87 275 1,994
31 3011-0 64 1,305 6,960
32 3039-0 24 226 452
33 1884-0 72 279 1,674
34 1816-0 76 719 4,554
35 1900-0 114 337 3,202
36 1934-0 75 237 1,481
37 1928-0 46 341 1,307
38 0738-0 34 1,309 3,709
39 1973-0 60 342 1,710
40 1861-0 34 455 1,289
41 3040-0 15 446 558
42 3018-0 51 234 995
43 1824-0 105 145 1,269
44 1927-0 125 246 2,563
45 1988-0 65 352 1,907
83

1 0432-0 65 6,000 32,500
2 1941-0 196 2,683 43,822
3 1815-0 28 12,320 28,747
4 3032-0 243 15,201 307,820
5 0737-0 72 10,316 61,896
6 1995-0 88 1,409 10,333
7 0431-0 61 2,000 10,167
8 1984-0 203 872 14,751
9 0225-0 79 2,353 15,491
10 1994-0 115 1,693 16,225
11 3031-0 64 2,559 13,648
12 3009-0 80 3,391 22,607
13 1715-R 94 3,656 28,639
14 1886-0 71 1,837 10,869
15 3010-0 72 1,293 7,758
16 1797-0 90 562 4,215
17 0437-0 28 2,070 4,830
18 1911-0 200 513 8,550
19 1829-0 79 835 5,497
20 0434-0 33 1,920 5,280
21 0422-0 0 4,000 -
22 1944-0 117 631 6,152
23 1985-0 114 392 3,724
24 1805-R 95 1,105 8,748
25 1854-0 119 1,302 12,912
26 1815-R 68 2,508 14,212
27 1920-0 65 481 2,605
28 1983-0 88 522 3,828
29 1782-0 80 616 4,107
30 1897-0 87 443 3,212
31 3011-0 64 1,906 10,165
32 3039-0 24 358 716
33 1884-0 72 438 2,628
34 1816-0 76 1,152 7,296
35 1900-0 114 521 4,950
36 1934-0 75 361 2,256
37 1928-0 46 543 2,082
38 0738-0 34 1,805 5,114
39 1973-0 60 535 2,675
40 1861-0 34 679 1,924
41 3040-0 15 679 849
42 3018-0 51 349 1,483
43 1824-0 105 219 1,916
44 1927-0 125 378 3,938
45 1988-0 65 557 3,017
84
Capítulo 3
ETAPA B
Para comprobar si el modelo de abastecimiento es adecuado y determinar qué
nivel de servicio es el más acorde, se deben realizar los cálculos correspondientes
de los pronósticos de las ventas mensuales y posteriormente compararlos para cada
uno de los 45 artículos.
3.3. Análisis del pronóstico de la demanda
Como se comentó, el pronóstico de la venta es una predicción de lo que

sucederá con las ventas existentes de los productos de la empresa; lo ideal es
determinar el pronóstico de la venta con un enfoque multifuncional. En esta sección
se abordará el tema de pronósticos de la empresa de estudio, de tal forma que el
trabajo estará destinado a la proyección del pronóstico de ventas de la empresa;
estableciéndose la cantidad más adecuada del pronóstico de acuerdo al mejor
método utilizado. Se identificará el comportamiento que siguen los datos históricos
de las ventas reales de los años 2010 y 2011 de la empresa. Se hace el comentario
que de los 24 valores mensuales de las ventas de los dos años, sólo serán utilizados
del 1 al 22, dejando 2 restantes (23 y 24) para compararlos contra el mejor
pronóstico resultante de todos los métodos utilizados.
Se aplicará para cada uno de los productos la metodología para el cálculo del
pronóstico, utilizando los modelos descritos previamente, obteniendo el valor del
MAD (Middle Absolute Difference, Desviación Absoluta Media por sus siglas en
inglés) y decidiendo que el valor menor, será el método a utilizar para obtener el
pronóstico de los dos meses proyectados. Finalmente estos valores serán
comparados con los dos valores últimos reales para observar su variación.
3.3.1. Selección de artículos

De acuerdo al cálculo 80/20 obtenido anteriormente, se tienen los 45 artículos
a estudiar del total de 231 que comprende la empresa. Para el cálculo del pronóstico
de la venta, los datos de las ventas de los 45 artículos estarán resumidos por meses
de los años 2010 y 2011 en las tablas 3.12-1 y 3-12-2.
85
Tabla 3.12-1 Ventas mensuales por artículo periodo 2010

ITEM PRODUCTO VENTAS 2010
RC ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC TOTAL
1 0432 9,600 14,400 19,200 19,200 25,800 27,000 19,200 9,600 14,400 19,140 19,140 19,800 216,480
2 1941 12,029 10,143 7,955 11,880 8,413 7,206 15,969 16,348 13,443 12,000 9,000 17,900 142,286
3 1815 18,000 19,500 18,000 18,000 16,500 19,500 19,500 24,000 7,900 21,000 24,000 18,000 223,900
4 3032 150 5 455 3,050 5,100 1,500 9,535 27,000 33,500 39,000 41,500 43,500 204,295
5 0737 7,989 8,160 0 0 6,480 18,220 18,700 25,080 24,614 9,600 16,464 6,240 141,547
6 1995 1,119 5,106 3,508 5,726 1,554 1,953 3,522 1,718 3,653 3,912 3,145 3,761 38,677
7 0431 4,650 6,000 6,000 1,500 1,500 4,500 4,500 2,940 4,540 4,980 3,485 3,000 47,595
8 1984 3,800 3,780 2,635 2,533 3,303 3,033 1,790 4,865 5,268 4,428 3,401 3,887 42,723
9 0225 2,250 2,950 5,399 6,427 2,800 1,000 4,212 3,200 4,595 5,850 2,250 2,400 43,333
10 1994 2,017 2,228 3,600 5,907 2,720 2,329 3,151 910 4,338 3,562 2,945 2,700 36,407
11 3031 0 2,725 360 0 954 3,463 3,796 1,787 1,500 4,444 5,151 5,062 29,242
12 3009 4,560 2,040 3,440 5,600 4,960 6,800 6,720 6,880 0 5,920 3,760 4,480 55,160
13 1715 0 8,592 7,601 4,431 7,000 8,403 6,758 6,802 10,229 8,636 6,460 7,054 81,966
14 1886 1,834 166 3,370 7,669 1,776 2,118 734 1,366 420 2,014 1,700 568 23,735
15 3010 960 640 400 1,216 2,540 2,272 1,408 3,055 216 2,537 1,904 992 18,140
16 1797 1,300 1,289 1,400 0 1,000 928 2,514 1,819 1,299 1,202 1,300 679 14,730
17 0437 0 0 0 0 0 0 0 0 0 0 2,490 2,700 5,190
18 1911 2,100 1,781 1,228 1,922 510 2,293 2,765 2,814 2,195 3,137 0 1,869 22,614
19 1829 1,325 1,171 809 2,091 713 2,244 2,318 1,145 355 1,300 1,159 1,045 15,675
20 0434 0 4 288 288 338 0 0 0 288 0 0 539 1,745
21 0422 2,940 5,400 5,400 2,700 3,900 8,700 0 0 0 2,700 300 0 32,040
22 1944 2,800 2,000 1,494 898 2,024 2,431 3,019 1,951 966 1,700 1,615 1,600 22,498
23 1985 1,000 1,000 63 674 2,026 1,438 2,295 1,013 1,209 1,533 862 1,634 14,747
24 1805 0 0 1,935 1,125 2,995 2,028 1,187 2,414 0 2,000 0 1,770 15,454
25 1854 3,000 2,000 1,946 2,000 1,700 3,383 985 0 0 0 0 29 15,043
26 1815 2,200 1,500 4,250 4,000 1,500 1,500 4,600 2,052 548 1,400 1,750 1,750 27,050
27 1920 401 1,381 700 0 599 184 515 1,781 775 593 317 1,090 8,336
28 1983 226 761 676 1,642 496 2,290 1,773 1,009 871 400 986 426 11,556
29 1782 722 1,291 1,123 0 750 953 779 1,698 938 774 1,126 0 10,154
30 1897 769 13 726 250 650 500 680 409 1,104 787 529 65 6,482
31 3011 1,496 782 306 3,000 2,946 2,325 1,768 4,250 800 1,988 1,870 1,018 22,549
32 3039 0 0 0 0 0 0 0 990 0 0 2,000 0 2,990
33 1884 463 568 646 0 1,300 699 898 436 414 600 700 450 7,174
34 1816 1,000 1,519 500 1,600 550 900 1,392 837 863 750 700 700 11,311
35 1900 716 1,132 801 532 954 491 550 434 1,597 1,049 600 793 9,649
36 1934 39 833 43 323 326 847 329 728 746 856 592 249 5,911
37 1928 597 1,559 1,000 323 193 1,457 438 1,034 1,493 926 0 0 9,020
38 0738 473 1,000 1,000 1,000 1,500 1,500 1,940 3,590 3,480 0 1,500 946 17,929
39 1973 712 586 650 600 581 612 700 671 156 923 550 514 7,255
40 1861 900 219 900 1,600 176 950 988 252 1,084 900 400 700 9,069
41 3040 0 0 0 0 0 0 0 985 0 0 2,000 0 2,985
42 3018 200 100 50 100 430 504 528 460 434 406 361 52 3,625
43 1824 262 988 450 0 0 500 564 490 446 270 584 514 5,068
44 1927 432 658 1,000 760 1,200 800 1,650 350 1,160 912 897 829 10,648
45 1988 333 717 168 439 1 1,596 986 335 561 743 407 779 7,065
86
Capítulo 3
Tabla 3.12-2 Ventas mensuales por artículo periodo 2011

ITEM PRODUCTO VENTAS 2011
RC ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC TOTAL
1 0432 13,860 13,860 19,140 18,480 18,529 9,240 18,480 23,150 13,860 18,480 23,400 13,860 204,339
2 1941 7,296 24,602 20,270 0 0 10,031 7,753 13,247 9,000 11,004 12,051 12,500 127,754
3 1815 12,000 12,000 28,500 0 12,000 24,000 12,000 36,000 12,000 6,000 6,000 0 160,500
4 3032 28,000 54,000 58,280 63,000 216,780 27,000 66,230 73,289 78,000 50,000 60,639 48,250 823,468
5 0737 16,896 7,720 24,320 8,528 18,112 15,343 30,493 15,634 20,660 18,129 18,600 19,439 213,874
6 1995 0 368 3,395 2,988 2,249 551 3,566 2,883 2,270 2,103 2,697 3,300 26,370
7 0431 2,745 2,055 6,780 7,725 6,585 8,910 1,980 3,465 1,980 3,960 5,940 3,960 56,085
8 1984 3,440 5,488 3,743 4,501 2,363 3,021 2,149 3,222 3,300 3,200 3,200 3,300 40,927
9 0225 4,950 3,600 7,100 3,550 2,651 7,233 4,850 6,450 4,800 6,950 4,538 3,171 59,843
10 1994 4,504 1,059 3,047 4,275 3,222 4,979 2,800 3,024 0 2,500 2,700 5,000 37,110
11 3031 2,000 4,945 1,344 3,156 3,807 2,329 6,087 4,242 5,245 6,121 4,763 5,390 49,429
12 3009 5,200 5,960 4,800 6,920 7,440 5,520 8,720 8,458 1,360 3,260 4,180 1,360 63,178
13 1715 3,600 5,755 9,504 7,118 9,561 7,767 9,639 8,000 0 3,000 6,000 5,800 75,744
14 1886 1,032 3,998 2,760 2,466 951 731 1,801 1,985 32 1,800 2,000 61 19,617
15 3010 960 1,184 712 1,202 2,967 2,668 2,281 2,557 583 2,566 2,288 2,752 22,720
16 1797 1,021 1,200 1,380 1,225 2 885 1,270 1,135 600 1,100 1,100 350 11,268
17 0437 2,700 1,800 1,500 1,800 1,020 3,900 3,000 2,100 900 1,500 2,400 2,100 24,720
18 1911 1,187 2,778 1,766 3,845 2,905 1,908 2,216 2,726 1,200 2,000 2,000 2,336 26,867
19 1829 187 192 1,711 1,765 1,735 105 1,485 1,310 200 1,157 1,074 971 11,892
20 0434 1,477 1,440 2,592 1,728 2,592 1,728 576 0 1,152 0 864 288 14,437
21 0422 0 0 0 0 0 0 0 0 0 0 0 0 0
22 1944 2,000 1,888 1,932 2,100 1,704 1,670 1,023 1,507 500 1,400 1,400 1,900 19,024
23 1985 277 253 639 1,304 841 426 632 948 870 920 900 900 8,910
24 1805 1,830 2,690 3,433 3,063 1,471 189 1,946 2,406 48 1,400 1,900 2,005 22,381
25 1854 560 1,974 2,248 3,811 3,920 2,505 1,445 2,526 1,100 2,585 2,593 3,622 28,889
26 1815 3,224 3,885 4,406 3,130 2,476 2,300 1,200 2,500 300 2,400 2,400 2,600 30,821
27 1920 350 700 750 700 790 810 0 669 281 552 695 505 6,802
28 1983 585 753 1,397 917 533 0 1,511 2,057 232 900 900 1,000 10,785
29 1782 600 1,338 1,336 926 0 643 726 700 600 650 800 850 9,169
30 1897 844 226 289 1,071 1,062 573 5 867 346 600 532 409 6,824
31 3011 1,492 2,720 724 1,553 2,389 2,848 1,690 1,374 1,951 3,419 3,363 2,214 25,737
32 3039 0 0 10 1,230 30 0 0 0 2,000 0 0 0 3,270
33 1884 700 900 313 778 2 294 814 600 200 650 350 492 6,093
34 1816 1,231 3,300 1,383 1,000 2,395 1,831 175 1,425 244 1,503 1,500 1,013 17,000
35 1900 1,514 509 1,622 834 1,331 589 991 2,253 822 950 950 1,200 13,565
36 1934 445 729 654 47 764 335 353 801 200 450 450 607 5,835
37 1928 0 778 646 896 345 824 2 0 0 700 778 472 5,441
38 0738 920 0 1,440 2,415 1,412 868 2,632 1,380 1,020 1,590 726 1,654 16,057
39 1973 729 389 1 700 590 1,253 44 348 381 500 500 550 5,985
40 1861 134 700 700 700 230 132 2 866 350 600 550 298 5,262
41 3040 0 0 10 2,030 30 0 0 0 0 0 0 0 2,070
42 3018 250 0 17 281 250 109 784 309 795 469 436 254 3,954
43 1824 701 372 296 424 496 311 488 555 339 174 583 455 5,194
44 1927 1,407 397 614 1,323 330 919 499 1,295 550 800 793 376 9,303
45 1988 71 318 592 780 1,172 0 1,477 679 300 650 650 800 7,489
87
3.3.2. Estudio del comportamiento de los datos

Primero se debe graficar el comportamiento mensual de las ventas de los
años 2010-11 para analizar su comportamiento y el objetivo es encontrar patrones
predecibles y repetibles en los datos.
En la tabla 3.13 se presentan 6 ejemplos de las gráficas del comportamiento

(teniéndose los dos periodos 2010-11), el resto está en el Anexo G. En el eje “X” se
representan los 24 meses y el eje “Y” la cantidad total de ventas.
Tabla 3.13 Comportamiento mensual de las ventas

COMPORTAMIENTO MENSUAL DE VENTAS POR ARTÍCULO
( PERIODO 2010-11)
30,000
Cant. de Piezas
30,000
Cant. de Piezas
25,000 25,000
20,000 20,000
15,000 15,000
10,000 10,000
5,000 5,000
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No. de Mes No. de Mes
0432-0 1941-0
40,000
Cant. de Piezas
Cant. de Piezas
250,000
30,000 200,000
150,000
20,000
100,000
10,000
50,000
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
1815-0 3032-0
40,000 8,000
Cant. de Piezas
Cant. de Piezas
30,000 6,000
20,000 4,000
10,000 2,000
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
0737-0 1995-0
Después de haber analizado el comportamiento mensual de ventas por

artículo, observamos series de tiempo estacionarias y con tendencia, estacionalidad
y mezcla de ellos, entonces para establecer cuál de las series de tiempo es la más
adecuada se evalúa con los métodos más usuales y explicados previamente.
88
Capítulo 3
3.3.3. Evaluación de los datos
Se evalúan los datos utilizando 5 métodos: MA (Moving Average, Promedio

Móvil), SES (Single Exponential Smoothing, Suavización Exponencial Simple), DES
(Double Exponential Smoothing, Suavización Exponencial Doble llamado también
método de Holt), WM (Winter Method Método, Winter) y el método ARIMA
(Autoregressive Integrated Moving Average, Promedio Móvil Auto-regresivo
Integrado).
Para la realización de los cálculos se utilizan los paquetes Excel y Minitab:
 En el caso de los PM (Promedios Móviles) se utilizará el paquete de Excel en

3, 6, 9, y 12 periodos.
 Para los restantes cuatro se utilizará el paquete Minitab.
 El método ARIMA, será en 36 diferentes combinaciones, siendo 6
integraciones de orden (0,1,2,3,4,5) y 6 promedios móviles (0,1,2,3,4,5).
Finalmente todos los pronósticos obtenidos, se agrupan en una tabla para

comparar el MAD (Middle Absolute Difference, Desviación Absoluta Media),
concluyendo que el mejor pronóstico estará en el método que tenga el menor valor
del MAD.
Como se comentó de los 24 datos de ventas mensuales que se tienen de los

45 artículos, sólo serán utilizados 22 para los cálculos de pronósticos, los dos últimos
(denominados 23 y 24) serán utilizados para compararse contra los valores de las
ventas mensuales reales.
A continuación se dará sólo el ejemplo del artículo 0432-0, así como los pasos
que se realizaron para el cálculo de los pronósticos de las ventas:
1. Cálculo en Excel del mejor MA (Promedio Móvil), del artículo 0432-0, para 3,
6, 9 y 12 periodos, mostrado en la Figura 3.2. después de analizarlo, el mejor
PM es para 9 periodos, pues bien ahora en Minitab se obtiene la gráfica,
correspondiente y esta mostrada en la Figura 3.3.
89
Figura 3.2 Cálculo en Excel del Promedio Móvil del Artículo 0432-0
Figura 3.3 Gráfica del Promedio Móvil para 9 periodos del Artículo 0432-0
Moving Average Plot for VENTAS

28000 Variable
A ctual
26000 F its
F orecasts
24000 95.0% PI
22000 Mov ing A v erage

Length 9
20000 A ccuracy Measures
VENTAS
MA PE 21
18000 MA D 3102
MSD 14780093
16000
14000
12000
10000
2 4 6 8 10 12 14 16 18 20 22 24
Index
2. Posteriormente se calcula el SES (Suavizamiento Exponencial Simple) en el

paquete Minitab y la gráfica correspondiente es mostrada en la Figura 3.4.
90
Capítulo 3
Figura 3.4 Gráfica del SES del Artículo 0432-0.
Smoothing Plot for VENTAS

Single Exponential Method
Variable
A ctual
25000 F its
F orecasts
95.0% PI
Smoothing C onstant
20000
A lpha 0.0609571
VENTAS
A ccuracy Measures
MA PE 26
15000 MA D 3917
MSD 22887901
10000
5000
2 4 6 8 10 12 14 16 18 20 22 24
Index
3. Ahora se calcula el DES (Suavizamiento Exponencial Doble), en el paquete

Minitab y la gráfica correspondiente es mostrada en la Figura 3.5.
Figura 3.5 Gráfica del DES del Artículo 0432-0

Smoothing Plot for VENTAS
Double Exponential Method
35000 Variable
A ctual
F its
30000 F orecasts
95.0% PI
25000 Smoo thing C onstants

A lpha (lev el) 0.817307
Gamma (trend) 0.078628
VENTAS
20000
A ccuracy Measures
MA PE 29
MA D 4133
15000 MSD 30892799
10000
5000
2 4 6 8 10 12 14 16 18 20 22 24
Index
4. Después se calcula el WM (Método de Winter) en el paquete Minitab y la

gráfica correspondiente es mostrada en la Figura 3.6.
91
Figura 3.6 Gráfica del WM del Artículo 0432-0

Winters' Method Plot for VENTAS
Multiplicative Method
28000 Variable
A ctual
26000 F its
F orecasts
24000
95.0% PI
22000 Smoothing C onstants
A lpha (lev el) 0.2
20000 Gamma (trend) 0.2
VENTAS
Delta (seasonal) 0.2

18000
A ccuracy Measures
16000 MA PE 20
MA D 3035
14000 MSD 19547865
12000
10000
2 4 6 8 10 12 14 16 18 20 22 24
Index
5. Finalmente se calcula el Método ARIMA (Promedio Móvil Auto-regresivo

Integrado) en el paquete Minitab y la gráfica correspondiente es mostrada, en
la Figura 3.7.
Figura 3.7 Gráfica del ARIMA del Artículo 0432-0 en Excel
30,000
25,000
20,000
15,000 REAL
ARIMA
10,000
5,000
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
92
Capítulo 3
En la tabla 3.14 se muestran los resultados del MAD para los 45 artículos y el
pronóstico de los datos 23 y 24 para el método que tiene el menor valor del MAD,
remarcado en color amarillo y que será utilizado en la Etapa C.
Tabla 3.14 Concentrado del cálculo de los Pronósticos

ITEM ARTÍCULO REAL (PZS.) CÁLCULO DEL M.A.D. PRONÓSTICO
RC MES: 23 MÉTODO UTILIZADO MES: 23
24 M.A. S.E.S. D.E.S. W.M. ARIMA 24
1 0432-0 23,400 3,102 3,917 4,133 3,035 2,148 17,387
13,860 16,540
2 1941-0 12,051 5,545 4,255 4,895 4,517 2,997 14,521
12,500 8,495
3 1815-0 6,000 7,379 6,187 6,682 5,919 3,878 31,387
0 14,688
4 3032-0 60,639 26,519 21,262 20,623 16,007 N/A 95,396
48,250 97,310
5 0737-0 18,600 5,152 6,331 6,925 6,462 3,372 13,463
19,439 4,574
6 1995-0 2,697 990 1,198 1,312 916 777 2,578
3,300 3,682
7 0431-0 5,940 2,011 1,768 2,027 1,607 1,227 4,334
3,960 4,411
8 1984-0 3,200 742 736 893 583 495 3,231
3,300 4,106
9 0225-0 4,538 1,302 1,530 1,568 1,109 907 6,248
3,171 4,999
10 1994-0 2,700 977 1,019 1,403 943 631 3,753
5,000 4,538
11 3031-0 4,763 1,352 1,455 1,436 1,246 1,113 2,374
5,390 4,387
12 3009-0 4,180 1,766 1,799 1,772 1,011 1,137 5,472
1,360 6,627
13 1715-R 6,000 1,925 2,266 2,363 2,524 1,202 9,856
5,800 12,911
14 1886-0 2,000 796 1,084 1,667 913 742 2,545
61 2,729
15 3010-0 2,288 796 796 773 231 478 2,387
2,752 1,253
16 1797-0 1,100 269 346 477 303 226 1,485
350 1,837
17 0437-0 2,400 753 516 586 497 420 1,144
2,100 131
18 1911-0 2,000 659 685 752 N/A 343 2,895
2,336 1,559
19 1829-0 1,074 577 558 664 444 433 1,764
971 320
20 0434-0 864 567 476 512 N/A 327 118
288 824
93
21 0422-0 0
0
22 1944-0 1,400 282 440 530 397 245 1,957

1,900 1,886
23 1985-0 900 386 412 465 411 276 1,030
900 1,081
24 1805-R 1,900 958 968 1,051 N/A 640 108
2,005 2,074
25 1854-0 2,593 1,017 808 829 N/A 513 2,334
3,622 2,413
26 1815-R 2,400 893 1,015 1,293 756 539 2,233
2,600 2,561
27 1920-0 695 192 288 364 266 212 584
505 584
28 1983-0 900 499 470 588 399 345 1,905
1,000 760
29 1782-0 800 289 318 305 N/A 199 1,346
850 931
30 1897-0 532 311 282 342 224 113 642
409 1,134
31 3011-0 3,363 648 N/A 910 622 344 1,578
2,214 1,049
32 3039-0 0 527 480 504 N/A 352 194
0 177
33 1884-0 350 209 241 268 232 143 359
492 610
34 1816-0 1,500 569 515 598 450 400 973
1,013 893
35 1900-0 950 400 341 395 317 234 1,162
1,200 1,734
36 1934-0 450 216 245 257 220 150 559
607 556
37 1928-0 778 361 441 503 N/A 268 437
472 576
38 0738-0 726 605 669 761 561 457 2,051
1,654 1,222
39 1973-0 500 246 201 210 196 139 1,209
550 605
40 1861-0 550 266 330 378 273 185 511
298 166
41 3040-0 0 485 345 461 N/A 341 63
0 216
42 3018-0 436 178 158 172 137 86 437
254 196
43 1824-0 583 124 167 216 211 81 504
455 590
44 1927-0 793 290 296 335 335 182 843
376 971
45 1988-0 650 326 333 387 313 243 370
800 688
94
Capítulo 3
ETAPA C
En este apartado se establecen las características generales del estudio y se
determinan las mejores condiciones que se deban tener en cuanto al modelo de
abastecimiento en función del análisis de la demanda y el pronóstico de ventas
analizadas en las Etapas A y B.
En la Etapa A se obtuvo la venta a diferentes niveles de servicio para cada

uno de los 45 artículos de los años 2010-11, se determinó el comportamiento de
acuerdo a su distribución y el ajuste correspondiente en el programa R,
estableciendo la mejor distribución con base en el modelo que tiene el mayor valor
de Verosimilitud.
Posteriormente en la Etapa B, se determinó el pronóstico de los mismos 45

artículos, esta vez basándose en las ventas mensuales del mismo periodo 2010-11;
se realizo con 5 de los métodos utilizados para el cálculo del pronósticos como son:
Promedios Móviles, Suavización Exponencial Simple, Suavización Exponencial
Doble, Método de Winter y el Método ARIMA; decidiendo el mejor en base al menor
valor del MAD (Desviación Absoluta Media).
Finalmente en esta Etapa C, se comparan los resultados del modelo de

abastecimiento (a diferentes niveles de servicio), el pronóstico y los valores reales de
los meses 23 y 24 (que no fueron considerados en los pronóstico), con el fin de
observar hasta que nivel de servicio se deba tener en el almacén para cubrir la
demanda de las ventas reales y los pronósticos.
3.4. Comparativo de los resultados

A continuación se presenta el comparativo del modelo de abastecimiento de la
Etapa A (para los niveles de servicio 80%, 85%, 90%, 95% y 99%), el pronóstico
obtenido en la Etapa B y los valores reales de los meses 23 y 24. Un ejemplo se
muestra en la Figura 3.8 para el artículo 1715-R, los demás están en el anexo H.
95
Figura 3.8 Comparativo del Artículo 1715-R a diferentes niveles de servicio
COMPARATIVO ARTÍCULO 1715-R MES 23 Y 24

VENTA REAL, PRONÓSTICO Y CUANTIL DEL MODELO
34,000
29,000
24,000
PIEZAS
19,000
14,000
9,000
4,000
MES 23 MES 24
REAL 2011 6,000 5,800
PRONOSTICO 9,856 12,911
MODELO 80% 8,875 8,875
MODELO 85% 10,708 10,708
MODELO 90% 13,325 13,325
MODELO 95% 17,868 17,868
MODELO 99% 28,639 28,639
Como se puede observar en la gráfica, el valor del Cuantil varía en función del
nivel de servicio, teniéndose que a niveles del 80% y 85%, aunque cumple con las
ventas reales, está por debajo del pronóstico de ventas. Para niveles de servicio del
95% y 99% estaremos muy por arriba; teniendo almacenes con inventario muy alto.
Por lo que se concluye que el nivel de servicio adecuado para este artículo es del
90%, que responde a las necesidades reales y el pronóstico de la demanda.
A continuación se presenta en la tabla 3.15 el resumen de los 45 artículos, las

ventas reales de los meses 23 y 24, los valores del pronóstico de éstos meses y los
Cuantiles a niveles de servicio del 80%, 85%, 90% 95% y 99%; para visualizar y
poder determinar cuál es el nivel de servicio adecuado. En color amarillo se marca el
nivel de servicio en el que no cubre el pronóstico de la venta y en color rojo en el que
no cubre la demanda de la venta real.
96
Capítulo 3
Tabla 3.15 Comparativo entre venta real, valor pronóstico y Cuantil del modelo
ITEM ARTÍCULO MES VENTAS VALOR CUANTIL DEL MODELO
REAL PRONÓSTICO 80% 85% 90% 95% 99%
1 0432-0 23 23,400 17,387 25,393 25,513 25,675 26,054 32,500
24 13,860 16,540
2 1941-0 23 12,051 14,521 14,504 17,264 21,201 27,963 43,822
24 12,500 8,495
3 1815-0 23 6,000 31,387 20,809 21,849 23,161 25,102 28,747
24 0 14,688
4 3032-0 23 60,639 95,396 114,332 133,265 159,752 204,647 307,820
24 48,250 97,310
5 0737-0 23 18,600 13,463 27,498 31,050 35,922 43,974 61,896
24 19,439 4,574
6 1995-0 23 2,697 2,578 3,520 4,173 5,089 6,659 10,333
24 3,300 3,682
7 0431-0 23 5,940 4,334 7,630 7,650 7,722 10,167 10,167
24 3,960 4,411
8 1984-0 23 3,200 3,231 4,990 5,921 7,223 9,490 14,751
24 3,300 4,106
9 0225-0 23 4,538 6,248 7,531 8,381 9,526 11,396 15,491
24 3,171 4,999
10 1994-0 23 2,700 3,753 5,510 6,526 7,973 10,446 16,225
24 5,000 4,538
11 3031-0 23 4,763 2,374 5,664 6,475 7,589 9,451 13,648
24 5,390 4,387
12 3009-0 23 4,180 5,472 9,640 10,960 12,780 15,813 22,607
24 1,360 6,627
13 1715-R 23 6,000 9,856 8,875 10,708 13,325 17,868 28,639
24 5,800 12,911
14 1886-0 23 2,000 2,545 3,331 4,029 5,023 6,757 10,869
24 61 2,729
15 3010-0 23 2,288 2,387 3,342 3,792 4,410 5,448 7,758
24 2,752 1,253
16 1797-0 23 1,100 1,485 1,410 1,673 2,055 2,700 4,215
24 350 1,837
17 0437-0 23 2,400 1,144 2,259 2,539 2,912 3,523 4,830
24 2,100 131
18 1911-0 23 2,000 2,895 3,367 3,883 4,600 5,800 8,550
24 2,336 1,559
19 1829-0 23 1,074 1,764 1,876 2,225 2,712 3,548 5,497
24 971 320
20 0434-0 23 864 118 1,320 2,120 3,366 5,280 5,280
24 288 824
21 0422-0 23 0 0 0 0 0 0 0
24 0 0
22 1944-0 23 1,400 1,957 2,291 2,672 3,198 4,095 6,152
24 1,900 1,886
97
23 1985-0 23 900 1,030 1,311 1,549 1,872 2,432 3,724

24 900 1,081
24 1805-R 23 1,900 108 2,834 3,388 4,180 5,542 8,748
24 2,005 2,074
25 1854-0 23 2,593 2,334 4,264 5,077 6,238 8,231 12,912
24 3,622 2,413
26 1815-R 23 2,400 2,233 4,601 5,502 6,789 9,004 14,212
24 2,600 2,561
27 1920-0 23 695 584 845 1,013 1,246 1,652 2,605
24 505 584
28 1983-0 23 900 1,905 1,342 1,584 1,921 2,493 3,828
24 1,000 760
29 1782-0 23 800 1,346 1,360 1,620 1,987 2,620 4,107
24 850 931
30 1897-0 23 532 642 986 1,189 1,486 1,994 3,212
24 409 1,134
31 3011-0 23 3,363 1,578 4,091 4,699 5,541 6,960 10,165
24 2,214 1,049
32 3039-0 23 0 194 230 276 340 452 716
24 0 177
33 1884-0 23 350 359 864 1,032 1,266 1,674 2,628
24 492 610
34 1816-0 23 1,500 973 2,261 2,730 3,395 4,554 7,296
24 1,013 893
35 1900-0 23 950 1,162 1,710 2,014 2,451 3,202 4,950
24 1,200 1,734
36 1934-0 23 450 559 813 950 1,150 1,481 2,256
24 607 556
37 1928-0 23 778 437 656 790 978 1,307 2,082
24 472 576
38 0738-0 23 726 2,051 2,397 2,683 3,071 3,709 5,114
24 1,654 1,222
39 1973-0 23 500 1,209 890 1,055 1,295 1,710 2,675
24 550 605
40 1861-0 23 550 511 728 847 1,012 1,289 1,924
24 298 166
41 3040-0 23 0 63 306 359 433 558 849
24 0 216
42 3018-0 23 436 437 565 655 782 995 1,483
24 254 196
43 1824-0 23 583 504 700 823 989 1,269 1,916
24 455 590
44 1927-0 23 793 843 1,385 1,625 1,969 2,563 3,938
24 376 971
45 1988-0 23 650 370 975 1,165 1,435 1,907 3,017
24 800 688
98
Capítulo 3
Podemos concluir de la Tabla 3.15 que: al 90% de nivel de servicio, se cubren

44 de los 45 artículos, por lo que se determina que este es el nivel de servicio más
adecuado y será el que utilizaremos para elaborar el listado de requerimientos de
materia prima.
3.4.1. Listado del requerimiento de materia prima

Para tenerse el listado de requerimiento de materia prima, además del Cuantil
al nivel de servicio del 90%, debemos tener el desglose en los componente de
materia prima de cada uno de los artículos y para ello nos apoyaremos del llamado
BOM (Bill Of Materials) que es la lista de las materias primas requeridas para fabricar
cada uno de los 45 artículos ya mencionados. Esta lista es el explosionado de los
materiales, el nivel n al que se encuentran en el proceso productivo y su consumo
por unidad. A continuación se presenta en la Figura 3.9 un ejemplo.
Figura 3.9 BOM (Requerimiento de Materiales) del Artículo 0225-0
Prog.: bmr30 INDUSTRIAS AUTOMOTRICES R.C., S.A. DE C.V. Página: 1

Usuario: 40076 INFORME DE GUÍA DE EMBARQUE Fecha: 21/06/11
NIVEL DE SANGRÍA Hora: 2:30 pm
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Niv. Tipo Sec. Nro. De parte Revisión Descripción Cant. /ppal. Cant. req. UM
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
0225-0 A GOMA CARDAN 1.00000 PZ

1 Asm 10 . R0225-0 S/R GOMA REBABEADA 0225-0 1.00000000 1.00000 PZ
2 Asm 10 .. V0225-0 B GOMA SEMITERM. 0225-0 1.00000000 1.00000 PZ
3 Asm 10 ... T0630 A HULE EN TIRA T0630 0.17850000 0.17902 KG
4 Asm 10 .... 00630 A MEZCLA 00630 1.00000000 0.17902 KG
5 Mtl 40 ..... 1020900630 MEZCLA 00630 1.00000000 0.17902 KG
Como se puede observar en este listado, se tienen de manera general dos

tipos de materiales, los que son materia prima y los productos en proceso. Para este
estudio se consideran sólo las materias primas, ya que el estudio está enfocado en
un modelo de abastecimiento para el almacenamiento de estos materiales.
El siguiente paso es elaborar el modelo de abastecimiento de los materiales y

para obtenerlo se debe multiplicar para cada uno de los 45 artículos, el cuantil del
modelo por el consumo unitario requerido de las materias primas para fabricar cada
artículo. Las operaciones serán realizadas en una hoja de cálculo en Excel.
A continuación se resume todos los cálculos en la tabla 3.16.

99
Tabla 3.16 Listado de Requerimientos de Materia Prima (Servicio al 90%)

ITEM CLAVE DESCRPCIÓN UNIDAD REQUERIMIENTO
ANUAL MENSUAL
1 1010200002 TUBO CEDULA 40 A 0.865" MT 1,613 134
2 1010200051 TUBO CAL. 10 DIA. EXT. 17.15 MT 26,670 2,223
3 1010200073 TUBO CAL. 12 DE 45 X 36 MM MT 2,451 204
4 1010200085 TUBO CAL13 A 2.900" ASTM 513 MT 14,412 1,201
5 1010200087 TUBO CAL. 14 SAE 1008 AST MT 619 52
6 1010200090 TUBO DE ACERO DIA, INT. 19.10 MT 28,614 2,385
7 1010200091 TUBO DE ACERO ASTM A513-T5 D.I MT 2,285 190
8 1010200092 TUBO CAL. 14 A 3.000" MT 1,018 85
9 1020100001 HULE NATURAL HM 20 KG 1,342 112
10 1020100016 REBABA DE HULE RECUPERADA KG 8,027 669
11 1020100124 HULE PISO KG 107,915 8,993
12 1020500020 STRUKTOL WB-212 KG 386 32
13 1020600001 AZUFRE GRADO HULERO KG 2,584 215
14 1020600002 DELAC MOR CYRE RUTE OBTS KG 531 44
15 1020600003 NAUGEX MBTS CURE RITE MB KG 79 7
16 1020600004 VULMIC TMT METHYL TUADAS NOVAR KG 232 19
17 1020600005 VULMIC ZDE ETHYL ZIMATE KG 31 3
18 1020600008 DELAC NS. VANAX NS. CURITE BBT KG 874 73
19 1020600009 VESPERAC R (4.4 DITIDI KG 935 78
20 1020600011 VULMIC MS (TETRAMETIL TIU KG 133 11
21 1020600022 VULCUP 40 KE KG 77 6
22 1020700017 SANTOGAR PVI KG 64 5
23 1020700023 PETROLATO KG 2,014 168
24 1020800414 MASTER 414 KG 7,688 641
25 1020800450 MASTER 450 KG 70,989 5,916
26 1020800512 MASTER 512 KG 2,607 217
27 1020800514 MASTER 514 KG 8,149 679
28 1020800736 MASTER 736 KG 25,002 2,083
29 1020800798 MASTER 798 KG 6,566 547
30 1020800802 MASTER 802 KG 5,732 478
31 1020800895 MASTER 895 KG 36,205 3,017
32 1020800902 MASTER 902 KG 122,847 10,237
33 1020900523 MEZCLA 00523 KG 49,863 4,155
34 1020900612 MEZCLA 00612 KG 107,915 8,993
35 1020900630 MEZCLA 00630 KG 20,464 1,705
36 1020900710 MEZCLA 00710 KG 26,917 2,243
37 1040100069 TORN. DE 1/2 -13 UNC 2A PZ 24,796 2,066
38 1040100121 TORN. M 8 - 1.25 -6g PZ 320,909 26,742
39 1040100148 TORN. M10 -1.50 X 24 MM PZ 105,655 8,805
40 1040100150 TORN. M10-1.5 -6g X 32 PZ 56,514 4,709
41 1040100154 TORN. M10 X 1.25 -6g X PZ 11,929 994
42 1040100163 TORN. M12 -1.75 -6g X 2 PZ 17,837 1,486
43 1040100172 TORN. EST. M12-1.75 6G X 48 MM PZ 5,190 433
44 1040200080 TUERCA M6 -1.0 MAQUINADA PZ 37,313 3,109
45 1040400110 REMACHE 3/8 X 5/8 SAE J430 PZ 37,080 3,090
46 1040500022 PERNO DE 9.46 X 50.00 MM PZ 24,660 2,055
47 1040500023 PERNO ESPECIAL 9.7 X 54.8 PZ 17,835 1,486
48 1040700004 BALERO AKLF - 54825 PZ 95,680 7,973
49 1040700010 BALERO 91016-88-002 PZ 40,392 3,366
50 1040800023 HERRAJE DE COMPRA 1934-3 PZ 13,800 1,150
100
Capítulo 3

79 1080200005 RONDANA DE HULE ID0 380 OD0 PZ 17,835 1,486
80 1080200008 INSERTO DE NYLON RC 1928-2 PZ 12,097 1,008
81 101010108P ROLLO DE LAMINA CAL. 8 T.P. SA KG 27,309 2,276
82 101010111P ROLLO DE LAMINA CAL. 11 T.P. S KG 384,928 32,077
83 101010112C ROLLO DE LAMINA CAL 12 T.C. SA KG 16,426 1,369
84 101010116H ROLLO LAM CAL. 16 HSLA50 DE 36 KG 56,579 4,715
85 101010116P ROLLO LAM RF CAL 16 SAE 1008 T KG 83,695 6,975
86 101010118P ROLLO DE LAMINA CAL. 18 LF KG 96,570 8,047
87 10101C0306 LAMINA CAL 7 T.C. 5.700" TR 18 1
88 10101C0307 LAMINA CAL 7 TC 6.640" TR 1,188 99
89 10101C0701 LAMINA CAL 8 TC 1.250" TR 472 39
90 10101C0819 LAMINA CAL 9 TC 4.680" TR 482 40
91 10101C0932 LAMINA CAL 10 TC 5.660" TR 771 64
92 10101C1138 LAMINA CAL 12 TC 2.125" TR 457 38
93 10101C1140 LAMINA CAL 12 TC 4.732" TR 425 35
94 10101C1145 LAMINA CAL 11 TC 3.275" TR 594 49
95 10101C1208 LAMINA CAL 13 TC 1.815" TR 349 29
96 10101C1317 LAMINA CAL 13 TC 6.300" TR 336 28
97 10101C2601 LAMINA CAL 1/4 TC 2.360" TR 852 71
98 10101P0709 LAMINA CAL 8 TP 7.000" TR 650 54
99 10101P0711 LAMINA CAL 8 TP 9.000" TR 892 74
100 10101P1002 LAMINA CAL 11 TP 4.400" TR 2,569 214
101 10101P1123 LAMINA CAL 12 TP 7.837" TR 470 39
102 10101P1207 LAMINA CAL 12 TP 4.375" TR 2,233 186
103 10101P1212 LAMINA CAL 13 TP 2.800" TR 1,346 112
104 10101P1217 LAMINA CAL 13 TP 5.984" TR 2,066 172
105 10101P1302 LAMINA CAL 14 TP 3.800" TR 1,090 91
106 10101P1306 LAMINA CAL 14 TP 3.250" TR 859 72
107 10101P1411 LAMINA CAL 14 TP 5.718" TR 864 72
108 10101P1603 LAMINA CAL 16 TP 5.250" TR 1,872 156
109 10101SC1216 LAM SLITTER CAL 13 TC 3.143" KG 13,772 1,148
110 10101SC1401 LAM SLITTER CAL 14 TC 4.970" KG 10,571 881
111 10101SP1801 LAM SLITTER CAL 18 TP 5.700" KG 22,146 1,845
101
Conclusiones
Actualmente la empresa Industrias Automotrices RC tiene un problema de
desabasto de materia prima en las áreas de producción, derivado de no contar con
metodologías actuales para el cálculo de la demanda o el pronóstico de ventas, que
prevengan los cambios constantes de la demanda del mercado. Todo esto propicia
que el departamento de compras no puedan reaccionar a cambios y abastecer los
almacenes de materia prima a tiempo; teniéndose que modificar los programas y
procesos de producción a aquellos en los que se disponga de las materias primas
que los contengan; con el consecuente pago, no planeado de re-procesos, tiempo
extra, compras urgentes, fletes extras, etcétera.
Como producto de la investigación se realizo una propuesta de solución,

basada en una metodología que fue estructurada bajo diferentes principios: selección
de material, modelación estadística clásica y moderna, principios de inventarios y
obviamente pronósticos. Después de concluir la investigación y realizar la
comprobación del buen funcionamiento de la metodología se puede concluir que la
conjunción de estos métodos y teorías da como resultado una mejor planeación en el
abastecimiento de la materia prima.
La comprobación del funcionamiento de la metodología fue realizada utilizando

una parte de la base de datos de las ventas, proporcionada por la empresa. Con
estos valores se realizo una comparación entre el modelo de la venta, el pronóstico y
la venta real, obteniendo resultados aceptables que dependen del nivel de servicio
deseado. A continuación se describe la aplicación de la metodología.
Como inicio se aplicó el principio de Pareto, para obtener del total de los
artículos, los que representan el mayor peso de ventas; teniéndose que de los 231
102
Conclusiones
artículos, sólo 45 serán analizados, ya que, representan el 19.48% de los 231

artículos y son el 80.11 del total de ventas (Tabla 3.2 y 3.3).
En la sección A del Capítulo 1, se analizó la dispersión y distribución de los

datos en Excel, estudiándose su comportamiento de distribución en el paquete R, de
acuerdo al comportamiento Exponencial, Log-normal, Gamma, Normal y mezcla finita
de distribuciones Gamma-Normal y Normal-Normal; obteniéndose los valores
menores de acuerdo a su Verosimilitud y teniéndose la siguiente relación de los 45
artículos:
 1 Articulo (1815-0) con distribución Normal.
 5 Artículos (0432-0, 0431-0, 0437-0, 0434-0 y 0422-0) con mezcla finita
Gamma-Normal.
 39 Artículos restantes tienen distribución Gamma (ver Tablas 3.8-1 y 3.8-2).
De acuerdo a estos valores, se obtiene el Cuantil del modelo al nivel de servicio del
80%, 85%, 90%, 95% y 99% (Tablas 3.11-1,3.11-2, 3.11-3, 3.11-4 y 3.11-5).
En la sección B se realizo el análisis del pronóstico de la venta de los 45

artículos, evaluándose con cinco métodos: PM (Promedio Móvil en 3, 6, 9 y 12
periodos), SES (Suavización Exponencial Simple), DES (Suavización Exponencial
Doble), WM (Método Winter) y Métodos ARIMA (Promedio Móvil Auto-Regresivo
Integrado en 6 niveles de integración y 6 promedios móviles). Obteniéndose los
mejores pronósticos de acuerdo al menor valor del MAD (Desviación Absoluta
Media), teniéndose la siguiente relación (ver Tabla 3.14):
 1 Articulo (1920-0) con Promedio Móvil.
 3 Artículos (3032-0, 3009-0 y 3010-0) con Método Winter.
 1 Artículo (0422-0) no se tienen valores de ventas en el año 2011.
 39 Artículos restantes con el método de ARIMA.
En la Parte C se comparó el valor real de los meses 23 y 24, los valores del
pronóstico y los valores Cuantil del modelo (al nivel de servicio 80%, 85%, 90%, 95%
y 99%) de cada uno de los 45 artículos; teniéndose los siguientes resultados (ver
Tabla 3.15 y Anexo H):
103
Conclusiones
 Al 80% en el nivel de servicio, se tienen 9 artículos con valores por debajo del
pronóstico y 2 artículos abajo del real.
 Al 85% en el nivel de servicio, se tienen 5 artículos con valores por debajo del
pronóstico.
 A partir del 90% en el nivel de servicio, se tiene sólo 1 artículo por debajo del
pronóstico.
Con base en los resultados anteriores, es posible concluir que el mejor valor del
Cuantil del modelo es al 90% del nivel de servicio (Tabla 3.15).
El objetivo principal del presente trabajo se cumplió, ya que, a partir del análisis
para el cálculo del Cuantil del modelo al 90% del servicio, la lista de materiales (BOM
Bill Of Materials) y la frecuencia con la cual se demandaron los 45 artículos en el año
2011; se obtuvo finalmente el Listado de Requerimientos de Materia Prima (Tabla
3.16) del almacén para cumplir a un nivel de servicio del 90% los 44 de los 45
artículos (recordando que el 0422-0 dejo de existir a partir del 2011), la venta real y el
pronóstico de ventas, de los meses 23 y 24 en estudio.
Entre los principales problemas que se presentaron en la realización del

presente trabajo, se tienen los siguientes:
 A pesar del tiempo que tiene la empresa de haberse fundado, sólo cuenta
con base de datos confiable de dos años (24 periodos mensuales), siendo
esto una desventaja, ya que en algunos cálculos, sobre todo de
pronósticos, podría dirigir el cálculo en otra línea.
Se deja para estudio posterior lo siguiente:

 El análisis de los 186 artículos restante, bajo todas las premisas del estudio
aquí presentado; esto es para tener al 100% los requerimientos del
almacén de materia.
 Actualizar los datos de entrada de las ventas y entregas (periódicamente),
para tener una visión actualizada de la venta y el pronóstico.
 Introducir costos para trabajar la investigación bajo otro enfoque, esto es,
como un sistema de inventarios.
104
Bibliografía
1. Arango, M. D., Zapata, J. A., & Wilson, A. J. (Julio de 2011). Aplicación del
modelo de inventario manejado por el vendedor en una empresa del sector
alimentario colombiano. Escuela de Ingeniería de Antioquia . (R. EIA, Ed.)
Medellin, Colombia.
2. Ballou, R. H. (2004). Logística Administración de la Cadena de Suministro.
México: Pearson Prestice Hall.
3. Bowersox, D. J., Closs, D. J., & Cooper, M. B. (2007). Administración y
logística en la cadena de suministro. D.F., México: McGraw-Hill.
4. Carranza, O. (2004). Logística. USA: Thomson.
5. Chopra, S., & Meindl, P. (2008). Administración de la cadena de suministro.
Estrategias, planeación y operación. D. F., México: Pearson Prentice Hall.
6. Christopher, M. (1992). Logistic and Supply Chain Management strategies to
reducing costs and improving service. (Pitman, Ed.) London, UK.
7. CSCMP. (2008). Logistics Management. Council Supply Chain Management
Professionals . USA: Research Starters.
8. Díaz G., H. B., García C., R. G., & Porcell M., N. (Agosto de 2008). Las PyME:
Costos en la cadena de abastecimiento. (R. EAN, Ed.)
9. Flores A., J. F. (2004). Medición de la efectividad de la cadena de suministro.
México: Panorama.
10. Giménez, J. L. (2007). ¿Pocos lotes grandes o muchos lote pequeños? IESA .
Caracas, Venezuela.
11. Goldratt, E. M., & Cox, J. (2006). La Meta. Un proceso de mejora contínua.
Monterrey, México: Edicione Regiomontanas , S.A. de C.V.
12. Gutiérrez González, E. (2010). Fundamentos de la Teoría de las
Probabilidades. Estado de México, México: Nauka-Educación.
13. Handfield, R. B., & Nichols Jr., E. L. (1999). Introduction to supply chain
management. NJ, USA: Prestice Hall.
14. Hernández Ochoa, C. E. (2010). Facilitación Comercial y Retos Logísticos.
México: Secretaría de Economía.
15. Kearney, A. T. (2009). Encuesta de Evaluación de Cadenas de Suministro en
México. México: Kearney.
16. Khai, E. (1988). What is Vendor Managed Inventory? USA.
105
Bibliografía
17. LaLonde, B. J., & Master, J. M. (1994). Emerging Logistics Strategies:

Blueprints for the Next Century. International Journal of Physical Distribution
and Logistics Management . USA.
18. Lambert, D., & Cooper, M. (2000). Issues in Supply Chain Management.
Industrial Marketing Management .
19. Makridakis, S., & Wheelwrigth, S. (2009). Métodos de Pronósticos. D.F.,
México: Noriega Limusa.
20. Martínez Trigueros, L. (2010). International Logistic Summit & Expo. México:
Subsecretaría de Industria y Comercio.
21. Maxine, E., & Xaver, F. (October de 2007). In conversation with (Xaver Franz
Director of Rolls-Royce Motor Car Automotive). Automotive Logistics . UK.
22. Mentzer, J. T., Dewitt, W., & Keebler, J. S. (2001). Defining Supply Chain
Management. Journal of Business Logistics , 22-2 . USA.
23. Nahmias, S. (2007). Análisis de la Producción y las Operaciones. México: Mc
Graw Hill.
24. Pan-Pro. (Enero de 2004). Vendor Managed Inventory primer. USA.
25. Parada, O. (Junio de 2009). Un enfoque multicriterio para la toma de
decisiones en la gestión de inventarios. Cuaderno de Admisión . Bogotá,
Colombia.
26. Porter, M. (1985). Competitive advantage. New York, USA: Free Press.
27. Reyes Aguilar, P. (Marzo de 2007). Metodología de análisis con series de
tiempo.
28. Ribas, V. I. (2007). Estado del arte de la Planificación colaborativa en la
cadena de suministro. España: Intangible Capital.
29. Sallenave, J. P. (2002). La gerencia integral. ¡No le tema a la competencia,
témale a la incompetencia! Bogotá, Colombia: Norma.
30. Sánchez Gómez, G. (2008). Cuantificación de valor en la cadena de
suministro extendida. México: Del Blanco.
31. Simchi-Levi, D., Kaminsky, P., & Simchi-Levi, E. (2003). Designing &
Managing the Supply Chain: Concepts, Strategies and case Studies. New
York, USA: Mc Graw-Hill.
32. Taylor, G. D. (2008). Logistics engineering handbook. USA.
33. Torres, S., & García, R. G. (Junio de 2008). Formas de gobernación de la
cadena de abastecimiento: Revisión bibliográfica y propuesta de modelo de
investigación. Colciencias . Bogotá, Colombia.
34. Valentine, S. (March de 2005). Case in Point Johnson Controls. MBT Mag.
USA.
35. Vidal, C. J., Londoño, J. C., & Contreras, F. (Septiembre de 2004). Aplicación
de modelos de inventario en una cadena de abastecimiento de productos de
106
Bibliografía
consumo masivo con una bodega y N puntos de venta. Ingeniería y

Competitividad , Volúmen 6 . Bogotá, Colombia.
36. Wienclaw, R. A. (2008). Logistic Management. Research Starters . (A. t.
overviews, Ed.) USA.
37. Williamson, O. (1991). Markets and hierarchies, analysis and antitru.sth
implication. (F. Press, Ed.) New York, USA.
107
Anexo A
Ventas totales del periodo 2010-11
VENTA TOTAL 2010-11
ARTÍCULO
ITEM No. RC DESCRIPCIÓN CANTIDAD MONTO
(Piezas) (MILES $)
1 0001-0 GOMA 1,924 5.25
2 0050-0 GOMA CILINDRICA VAN 968 2.93
3 0064-0 GOMA UNIVERSAL 59,350 151.42
4 0065-0 GOMA CILINDRICA VAN, FORD 106,085 187.59
5 0069-0 GOMA SUJETADORA DE ESCAPE 150 5.82
6 0074-0 GOMA BARRA ESTABILIZ 1,873 23.02
9 0077-0 GOMA COMBI 79-98 3,761 57.69
10 0092-0 TOPE PARA CAJUELA 130 0.48
11 0094-0 GOMA BARRA ESTABILIZADORA 6,000 109.28
12 0207-0 GOMA CARDAN 740 15.87
13 0207-R GOMA CARDAN 3,644 152.31
14 0209-0 GOMA CARDAN 3,045 81.00
15 0209-R GOMA CARDAN 18,036 476.16
16 0217-R GOMA CARDAN 84 1.64
17 0220-0 GOMA CARDAN 954 47.28
18 0220-R GOMA CARDAN 4,846 242.26
19 0225-0 GOMA CARDAN 103,176 3,325.19
20 0225-R GOMA CARDAN 1,220 51.29
21 0226-0 GOMA CARDAN 580 29.15
22 0226-R GOMA CARDAN 4,514 254.28
23 0227-0 GOMA CARDAN 120 5.35
24 0227-R GOMA CARDAN 6,426 366.36
25 0228-0 GOMA CARDAN 200 9.79
26 0228-R GOMA CARDAN 6,528 396.41
27 0229-0 GOMA CARDAN 670 24.52
28 0229-R GOMA CARDAN 2,202 102.80
29 0230-R GOMA CARDAN 834 21.44
30 0231-R GOMA CARDAN 3,200 123.66
31 0312-0 TOPE DE SUSPENSION 104 2.49
33 0331-0 TOPE DE AMORTIGUADOR 5,302 84.18
34 0332-0 GOMA DE AMORTIGUADOR 3,840 92.68
37 0409-0 GOMA AUMENTO PARA RESORTE 1,540 22.82
39 0431-0 DD/DJ ISOLATOR ASSEMBLY 103,680 5,049.32
40 0432-0 CENTER BEARING 420,819 23,274.19
41 0433-0 CENTER BEARING ASSEMBLY 8,190 470.38
42 0434-0 NISSAN CB ASSY 16,182 1,740.73
108
Anexos
44 0648-0 GOMA TUBO ESCAPE 1,803 23.91

45 0649-0 GOMA TUBO ESCAPE 7,734 50.69
46 0650-0 GOMA DE ESCAPE 4,019 37.43
47 0650-R GOMA DE ESCAPE 257 2.36
48 0653-0 GOMA ESCAPE CROWN VICTORIA 6,493 74.25
49 0654-0 SOPORTE GOMA ESCAPE CROWN VICTORIA 994 14.94
50 0736-0 BUJE 8,512 96.36
51 0737-0 BUJE 355,421 6,506.32
52 0738-0 SILENT BLOC 001770569005 33,986 1,046.96
53 0745-0 BONDED BUSHING 23,464 591.88
54 0757-0 BUJE DE HULE 74,402 325.14
55 0758-0 BUJE DE HULE 38,500 132.75
56 0759-0 SOPORTE REBABEADO 0759-0 600 2.55
57 1652-0 SOPORTE MOTOR TRANS SUP IZQ Y DER 1,941 89.32
58 1654-0 SOPORTE 790 41.97
59 1678-0 SOPORTE MOTOR DEL IZQ Y DER 5,154 166.25
60 1685-0 SOPORTE TRANSMISION IZQ Y DER 1,786 29.36
61 1706-0 SOPORTE MOTOR IZQ Y DER 662 52.57
63 1714-0 SOPORTE MOTOR IZQ Y DER 4,075 258.39
65 1715-R SOPORTE MOTOR IZQ Y DER 157,710 2,392.74
66 1757-0 SOPORTE TRANSMISION AUTO Y STD 7,427 349.92
67 1782-0 SOPORTE MOTOR IZQ. Y DER. 19,323 1,266.68
68 1796-0 SOPORTE (EQUIV. 1799-0) 11,182 565.96
69 1797-0 SOPORTE MOTOR IZQ Y DER 25,998 2,203.04
71 1799-0 SOPORTE MOTOR IZQ YT DER 2,982 164.26
72 1804-0 SOPORTE DELANTERO IZQ Y DER 362 20.70
73 1805-0 SOPORTE TRANSMISION 9,610 400.65
74 1805-R SOPORTE 37,835 1,627.22
75 1809-0 AMORTIGUADOR TORSION TRASERO 1,488 84.26
76 1810-0 SOPORTE MOTOR DERECHO 2,222 125.97
77 1815-0 BASE PARA AMORTIGUADOR DELANTERA 384,400 7,892.74
78 1815-R BASE PARA AMORTIGUADOR DELANTERA 57,871 1,433.59
79 1816-0 BASE DELANT SIN BALERO STD Y AUTO 28,311 1,113.44
80 1819-0 HORQUILLA 147 6.44
81 1821-0 BASE TRASERA STD Y AUTO 1,344 50.15
82 1822-0 BASE TRASERA 2,462 144.94
83 1823-9 SOPORTE (EQUIV. 1874-0) 453 44.28
85 1827-9 REPUESTO DE SOPORTE DE TRANSMISION 3,415 99.35
86 1829-0 BASE DELANTERA 27,567 1,821.58
87 1830-0 AMORT DE TORSION FRONT INF 1,242 90.70
88 1831-0 AMORT DE TORSION TRAS. INF 1,159 87.38
89 1832-0 SOPORTE DE TRANSMISION 9,842 516.73
90 1833-0 SOPORTE MOTOR DIAM 64.4MM 6,497 171.84
91 1837-0 SOPORTE TRANSMISION AUTOMATICO 5,393 360.19
92 1838-0 SOPORTE TRANSMISION STD 3,666 254.03
93 1839-0 SOPORTE DEL. DERECHO 6,552 510.96
94 1840-0 BASE PARA CARBURADOR 8,126 314.45
96 1849-0 REPUESTO SOPORTE DE MOTOR 1865 256 20.16
97 1850-0 REPUESTO SOPORTE MOTOR 1866 250 19.65
98 1852-0 BASE AMORTIGUADORES 1,142 97.02
99 1854-0 BASE AMORTIGUADORES 43,932 1,550.30
109
Anexos
100 1855-0 BASE AMORTIGUADOR DELANTERO 9,122 549.37

101 1861-0 BASE PARA CARBURADOR 14,331 999.13
102 1864-0 SOPORTE 7,344 407.55
103 1865-0 SOPORTE MOTOR DERECHO 357 39.68
104 1866-0 SOPORTE MOTOR IZQUIERDO 380 41.92
105 1867-0 SOPORTE MOTOR DIAM 74.6MM 6,307 217.64
106 1868-0 REPUEST SOPORTE 1910 5,901 223.40
107 1871-0 SOPORTE FRONTAL 345 49.93
108 1874-0 REPUESTO PARA SOPORTE 1823 875 87.23
109 1876-0 SOPORTE DE GENERADOR 746 120.56
110 1877-0 SOPORTE 600 21.24
111 1881-0 SOPORTE MOTOR IZQ Y DER SOLIDO 1,873 175.91
112 1882-0 SOPORTE PARA CONV CATALITICO 3,157 68.35
113 1884-0 SOPORTE TRANSMISION AUTO SOLIDO 13,267 1,137.85
115 1886-0 BASE AMORTIGUADORES 43,352 2,339.41
116 1887-0 BUJE PARA BARRA ESTABILIZADORA 37,248 652.38
117 1890-0 BASE AMORTIGUADORES 1,389 90.68
119 1893-0 SOPORTE 150 6.93
120 1894-0 SOPORTE TRANS STD (EQUIV. 1895-0) 3,287 213.36
121 1895-0 SOPORTE TRANSMISION AUT. 700 45.71
126 1901-0 AMORT DE TORSION TRASERO INF 3,353 235.17
127 1902-0 AMORT DE TORSION FRONTAL INF 4,848 331.18
129 1906-0 SOPORTE MOTOR TRASERO 8,874 553.46
130 1907-0 SOPORTE MOTOR 658 126.03
131 1908-0 REPUESTO DE SOPORTE DRECHO 16,928 697.79
132 1909-0 AMORT DE TORSION FRONTAL 2,251 129.32
133 1910-0 SOPORTE FRONTAL 534 103.21
134 1911-0 SOPORTE TRANSMISION AUTO Y STD 49,481 1,858.95
136 1912-9 SOPORTE (EQUIV. 1913/1914) 5,408 559.22
140 1919-0 SOPORTE TRANSMISION REFORZADO 1,139 131.43
142 1924-0 SOPORTE TRANSMISION 70 4.17
143 1927-0 REPUESTO PARA SOPORTE 6651 19,951 836.97
144 1928-0 REPUESTO SOPORTE 6668 14,461 1,075.27
145 1929-0 SOPORTE MOTOR IZQUIERDO 11,521 621.93
147 1934-0 SOPORTE MOTOR IZQUIERDO 11,746 1,087.99
148 1935-0 SOPORTE TRASERO C/AC 10,629 581.99
149 1940-0 SOPORTE TRANSMISION AUTOMATICO 1,050 51.33
150 1941-0 REPUESTO SOPORTES 6694 Y 6686 270,040 10,712.49
152 1943-0 REPUESTO SOPORTE 6665 Y 6824 4,213 193.12
153 1944-0 REPUESTO PARA SOPORTE 7010 41,522 1,688.79
155 1970-0 SOPORTE MOTOR INF DERECHO 3,628 444.27
110
Anexos
156 1971-0 SOPORTE FRONTAL DER AUTOMATICO 2,798 272.92

157 1972-0 SOPORTE DE MOTOR 1,148 111.39
158 1973-0 REPUEST SOPORTE 6652 13,240 1,040.35
162 1977-0 SOPORTE MOTOR IZQUIERDO 2,168 309.68
163 1979-0 SOPORTE DE TRANSMISION IZQUIERDO 5,218 158.05
164 1980-0 SOPORTE MOTOR TRASERO DERECHO 2,580 186.06
165 1981-0 REP SOPORTE MOTOR TOPAZ 4,062 135.85
166 1982-0 SOPORTE DE MOTOR FRONTAL 9,623 389.74
167 1983-0 SOPORTE HIDRAULICO TRANSMISION 22,341 1,359.30
168 1984-0 SOPORTE MOTOR PICK UP NISSAN 83,650 4,275.26
169 1985-0 SOPORTE DE TRANSMISION 23,657 1,641.10
170 1986-0 SOPORTE DE MOTOR 6683 10,946 328.65
171 1987-0 SOPORTE DE MOTOR DERECHO 5,049 451.93
172 1988-0 SOPORTE HIDRAULICO TRANS 14,554 806.77
173 1989-0 SOPORTE HIDRAULICO TRANSMISION 4,018 224.29
174 1991-0 REP. SOPORTE DE MOTOR 669 11,409 420.50
175 1992-0 SOPORTE DE MOTOR 6698 9,842 411.86
176 1994-0 BASE DELANTERA DE AMORT.DER. IZQ. 73,517 2,887.03
177 1995-0 SOPORTE DE MOTOR 65,047 5,280.46
178 1997-0 BASE DE AMORTIGUADOR CORSA 5,303 281.46
179 1999-0 BASE DE AMORT DELANTERA SUPERIOR 13,681 742.98
180 3009-0 MOLDED RETAINER TING 118,338 2,617.02
181 3010-0 RUBBER BUMPER FOR BELLOW 40,860 2,231.87
182 3011-0 RUBBER BUMPER FOR BELLOW 48,286 1,249.19
183 3013-0 RUBBER BUMPER 4,309 258.85
184 3014-0 RUBBER BUMPER 11,708 321.37
185 3015-0 RUBBER BUMPER 7,683 466.01
186 3017-0 RUBBER BUMPER 3,285 411.78
187 3018-0 RUBBER BUMPER 7,579 885.39
188 3019-0 RUBBER BUMPER 30 3.64
189 3020-0 END PLUG WITH BUMPER ASB- 45,455 737.65
190 3021-0 END PLUG WITH BUMPER 6,333 99.70
192 3026-0 SOPORTE DE PALANCA DE VELOCIDADES 18,671 507.01
193 3031-0 BUMPER 78,671 2,629.08
194 3032-0 BUMP STOP 1,027,763 6,919.99
196 3039-0 SOPORTE DE MOTOR 6,260 1,188.14
197 3040-0 SOPORTE DE MOTOR 3040-0 5,055 942.64
198 3062-0 SOPORTE 896 62.52
199 4027-0 BRACKET MARK LT DERECHO 2,427 243.06
200 4028-0 BRACKET MARK LT IZQUIERDO 2,383 238.63
201 6000-0 SOPORTE BUTACA 2,167 37.92
202 6070-0 GOMA PARA CAJA DE DIRECCION 508 5.30
203 6546-0 GOMA 268 12.59
205 7113-0 SOPORTE FRONTAL DE MOTOR 716 189.93
206 7114-0 SOPORTE 702 180.04
207 7115-0 SOPORTE 494 89.16
208 7116-0 SOPORTE 300 73.17
209 FP01-0 GOMA PARA SUSPENSION 1,878 26.20
210 FP02-0 GOMA PARA SUSPENSION 700 14.25
111
Anexos

213 FP06-0 GOMA PARA ESCAPE 850 38.79
217 0073-0 GOMA AUMENTO PARA RESORTE 100 1.34
218 0231-0 GOMA CARDAN 70 2.88
219 0439-0 SOPORTE DE CARDAN 0439-0 900 146.83
220 1640-0 SOPORTE MOTOR SUPERIOR IZQ Y DER 254 6.47
223 1760-0 SOPORTE TRANSMISION STD. GALAXIE 200 15.35
224 1781-0 SOPORTE MOTOR IZQ. Y DER. 200 16.01
225 1887-9 REPUESTO GOMA BARRA ESTABILIZADORA 500 4.55
226 1913-9 REPUESTO PARA SOPORTE 1913 1,042 110.52
227 3012-0 RUBBER BUMPER 1,450 103.12
228 3016-0 RUBBER BUMPER 153 29.54
229 3036-0 SOPORTE DE MOTOR TRASERO TSURUIII 1,500 110.03
230 3045-0 SOPORTE DE TRANSMISION GM 1,000 64.84
112
Anexos
Anexo B
Comportamiento aleatorio de las ventas
COMPORTAMIENTO DE VENTAS POR ARTÍCULO ( PERIODO 2010-11)
6,000
Cant. de Piezas
4,000
Cant. de Piezas
3,000
4,000
2,000
2,000
1,000
- -
0 50 100 150 0 100 200 300 400 500 600
0432-0 1941-0
Cant. de Piezas
15,000 20,000
Cant. de Piezas
15,000
10,000
10,000
5,000 5,000
- -
0 10 20 30 40 50 60 0 100 200 300 400
1815-0 3032-0
15,000 2,000
Cant. de Piezas
Cant. de Piezas
1,500
10,000
1,000
5,000
500
- -
0 50 100 150 0 50 100 150 200 250
0737-0 1995-0
2,500 1,500
Cant. de Piezas
Cant. de Piezas
2,000
1,500 1,000
1,000 500
500
- -
0 20 40 60 80 100 120 0 100 200 300 400 500
0431-0 1984-0
Cant. de Piezas
3,000
Cant. de Piezas
3,000
2,000 2,000
1,000 1,000
- -
0 50 100 150 0 50 100 150 200 250
0225-0 1994-0
113
Anexos
Cant. de Piezas
3,000 4,000
Cant. de Piezas 3,000
2,000
2,000
1,000
1,000
- -
0 20 40 60 80 100 120 0 50 100 150
3031-0 3009-0
Cant. de Piezas
Cant. de Piezas
4,000 4,000
3,000 3,000
2,000 2,000
1,000 1,000
- -
0 50 100 150 200 250 0 50 100 150
1715-R 1886-0
1,500 800
Cant. de Piezas
Cant. de Piezas
600
1,000
400
500
200
- -
0 20 40 60 80 100 120 0 50 100 150 200 250
3010-0 1797-0
2,000
Cant. de Piezas
Cant. de Piezas
800
1,500 600
1,000 400
500 200
- -
0 10 20 30 40 0 100 200 300 400 500
0437-0 1911-0
1,500
Cant. de Piezas
Cant. de Piezas
1000
800
1,000
600
500 400
200
- 0
0 50 100 150 200 0 10 20 30 40 50
1829-0 0434-0
Cant. de Piezas
Cant. de Piezas
3,000 1,000
800
2,000
600
1,000 400
200
- -
0 5 10 15 20 25 0 50 100 150 200 250 300
0422-0 1944-0
114
Anexos
Cant. de Piezas
600 1,500
Cant. de Piezas
400 1,000
200 500
- -
0 50 100 150 200 250 300 0 50 100 150 200
1985-0 1805-R
Cant. de Piezas
Cant. de Piezas
1,500 3,000
1,000 2,000
500 1,000
- -
0 50 100 150 200 0 50 100 150
1854-0 1815-R
Cant. de Piezas
Cant. de Piezas
500 800
400 600
300
400
200
100 200
- -
0 50 100 150 200 0 50 100 150 200 250
1920-0 1983-0
Cant. de Piezas
800 800
Cant. de Piezas
600 600
400 400
200 200
- -
0 50 100 150 200 0 50 100 150 200
1782-0 1897-0
Cant. de Piezas
2,500 600
Cant. de Piezas
2,000
1,500 400
1,000
200
500
- -
0 20 40 60 80 100 120 0 10 20 30 40 50
3011-0 3039-0
1,500
Cant. de Piezas
Cant. de Piezas
800
600 1,000
400
500
200
- -
0 50 100 150 200 0 50 100 150
1884-0 1816-0
115
Anexos
Cant. de Piezas
600
Cant. de Piezas
600
400 400
200 200
- -
0 50 100 150 200 250 0 50 100 150 200
1900-0 1934-0
Cant. de Piezas
3,000
Cant. de Piezas
500
400
2,000
300
200
1,000
100
- -
0 50 100 150 0 20 40 60 80
1928-0 0738-0
Cant. de Piezas
800 800
Cant. de Piezas
600 600
400 400
200 200
- -
0 50 100 150 0 20 40 60 80 100
1973-0 1861-0
Cant. de Piezas
Cant. de Piezas
600 500
400
400 300
200 200
100
- 0
0 10 20 30 40 0 20 40 60 80 100
3040-0 3018-0
Cant. de Piezas
Cant. de Piezas
400 600
300
400
200
200
100
- -
0 50 100 150 200 250 0 50 100 150 200 250 300
1824-0 1927-0
800
Cant. de Piezas
600
400
200
-
0 50 100 150
No. de Dato
1988-0
116
Frecuencia Frecuencia Frecuencia Frecuencia Frecuencia
0
0
5
10
20
30
10
15
20
25
0
20
40
60
80
0
10
20
30
40
0
10
20
30
40
25.0 15.0 120.0 400.0 20.0
250.0 251.2 1,068.0 510.9

2,057.1
475.0 487.4 1,001.8
2,016.0
700.0 723.6 3,714.3 1,492.7
2,964.0
925.0 1,983.6
959.8 3,912.0 5,371.4
1,150.0 2,474.5
1,196.0 4,860.0
0225-0
0431-0
0737-0
1815-0
0432-0
1,375.0 7,028.6 2,965.5
1,432.2 5,808.0
1,600.0 3,456.4
1,668.4 6,756.0 8,685.7
1,825.0 3,947.3
1,904.6 7,704.0 10,342.9
2,050.0 4,438.2
2,275.0 2,140.8 8,652.0
4,929.1
12,000.0
2,500.0 2,377.0 9,600.0 5,420.0
y mayor... y mayor... y mayor... y mayor... y mayor...
Clase
Clase
Clase
Clase
Clase
0
20
40
60
80
0
20
40
60
80
100
150
100
150
200
0
0
50
50
100
0
20
40
60
80
1.0 1.0 5.0 1.0
2.0
127.4 1,063.5
175.0 100.0 345.0
253.7 2,122.1
348.0 3,180.6
198.9 380.1 689.0
521.0 4,239.1
297.9 506.4 1,033.0
694.0 5,297.6
632.8 6,356.2
867.0 396.8 1,377.0
759.1 7,414.7
1,040.0
495.8 885.5 8,473.2 1,721.0
1,213.0
1994-0
1984-0
1995-0
3032-0
1941-0
9,531.8
1,386.0 1,011.9 2,065.0
594.7 10,590.3
1,559.0 1,138.2
11,648.8 2,409.0
693.7 1,264.6
1,732.0 12,707.4
2,753.0
1,905.0 792.6 1,390.9 13,765.9
1,517.3 14,824.4 3,097.0
2,078.0 891.6 15,882.9
2,251.0 1,643.6
HISTOGRAMA DE LAS VENTAS POR ARTÍCULO ( PERIODO 2010-11)
16,941.5 3,441.0
990.5 1,770.0
2,424.0 18,000.0 3,785.0
y mayor... y mayor... y mayor... y mayor...
Clase
Clase
Clase
Clase
Clase
Histograma de la distribución de las ventas
Anexos
Anexo C
117
Frecuencia Frecuencia Frecuencia Frecuencia Frecuencia Frecuencia
0
10
20
30
0
10
20
30
40
0
5
10
15
0
2
4
6
8
10
100
0
0
20
40
60
20
40
60
80
1.0 12.0 1.0 16.0
240.0 8.0
85.9 237.3 224.4
121.2
473.7
170.8 432.8
366.4 230.4 710.0
855.0 255.8 946.3 641.2
339.6
340.7 1,182.7
724.8 448.8 849.6
425.6 1,419.0
1,470.0
558.0 1,655.3 1,058.0
510.5
0422-0
1829-0
0437-0
3010-0
3031-0
1715-R
1,083.2 1,891.7
595.4 667.2 1,266.4
2,085.0 2,128.0
680.3 2,364.3 1,474.8
1,441.6 776.4
765.3 2,600.7
885.6 1,683.2
2,700.0 850.2 2,837.0
1,800.0 994.8 3,073.3 1,891.6
935.1
3,309.7
1,020.0 1,104.0 2,100.0
y mayor... 3,546.0
y mayor...
y mayor... y mayor... y mayor... y mayor...
Clase
Clase
Clase
Clase
Clase
Clase
0
10
20
30
0
0
20
40
60
80
10
20
30
0
20
40
60
80
0
20
40
60
80
100
150
0
50
2.0 1.0 1.0 2.0 40.0
4.0 35.1
61.1 46.6
69.1 314.0 312.7
120.3 92.1
147.3 103.2
179.4 626.0 585.5
137.2 137.7
238.5 171.3 938.0 858.2
183.3
297.6 290.7 205.3
239.4 228.9 1,250.0 1,130.9
356.8
415.9 273.4 274.4
434.0 1,562.0 1,403.6
307.5
475.0 320.0
341.5
1944-0
0434-0
1911-0
1797-0
1886-0
3009-0
1,874.0 1,676.4
534.1 375.6 365.6
577.3 1,949.1
593.3 409.6 411.1 2,186.0
652.4 443.7 2,221.8
456.7 2,498.0
711.5 720.7 477.7
511.8 502.3 2,810.0 2,494.5
770.6
545.8 547.9
829.8 864.0 3,122.0 2,767.3
579.9
888.9 593.4
613.9 3,434.0 3,040.0
948.0 648.0 639.0
y mayor...
Clase
Clase
Clase
Clase
Clase
Clase
Anexos
118
0
20
40
60
80
0
0
0
10
20
30
40
20
40
60
80
20
40
60
0
20
40
60
0
100
20
40
60
80
1.0 8.0 1.0 1.0 1.0 1.0

49.6 49.2 40.3 117.6 30.2
251.6
98.2 59.4
97.3 79.5 234.2
495.1 88.6
146.8 145.5 118.8 350.8 117.8
195.3 738.7 193.7 158.0 467.3 146.9
243.9 197.3 583.9 176.1
982.2 241.8
205.3
292.5 290.0 236.5 700.5
234.5
1884-0
3011-0
1782-0
1920-0
1854-0
1985-0
1,225.8
341.1 338.2 275.8 817.1 263.7
389.7 1,469.3 386.3 315.0 933.7 292.9
322.1
438.3 1,712.9 434.5 354.3 1,050.3
351.3
486.8 482.7 393.5 1,166.8 380.4
1,956.4
535.4 530.8 432.8 1,283.4 409.6
2,200.0 438.8
584.0 579.0 472.0 1,400.0
468.0
y… y mayor... y mayor... y… y mayor... y…
Clase
Clase
Clase
Clase
Clase
Clase
0
20
40
60
0
5
0
10
15
20
20
40
60
80
0
20
40
60
80
100
0
20
40
60
80
0
20
40
60
1.0 1.0 1.0 1.0
1.0 1.0
45.8 95.5
90.4 56.6 250.9
90.6 190.1
179.7 90.8 112.2
135.4 500.8
284.6
167.8
269.1 180.1 750.7
180.7 379.2
223.3 224.9
358.5 473.7
1,000.6
278.9 269.7
447.8 270.5 568.2
334.5 314.5 1,250.5
662.8
1816-0
3039-0
1897-0
1983-0
537.2
1815-R
1805-R
390.1 359.3 1,500.4

626.5 360.3 757.3
404.1
445.7 1,750.3 851.8
715.9 448.9
450.2 501.3 946.4
493.6 2,000.2
805.3
556.8 538.4 1,040.9
894.6 540.0 2,250.1
612.4 583.2 1,135.5
984.0 628.0 2,500.0 1,230.0
668.0
y mayor...
y… y mayor... y mayor... y mayor... y mayor...
Clase
Clase
Clase
Clase
Clase
Clase
Anexos
119
0
5
10
15
0
0
10
20
30
40
50
20
40
60
0
20
40
60
80
0
20
40
60
80
100
0
20
40
60
80
1.0 1.0 1.0 1.0 1.0

2.0
22.9 55.5 39.2
63.8 41.8
44.7 77.4
126.6 108.4 109.9 82.6
66.6 115.6
189.5 88.4 164.4 123.5 153.9
252.3 110.3 214.8 218.8 164.3 192.1
132.1 273.3 205.1 230.3
315.1
154.0 268.5
321.2
1988-0
1824-0
3040-0
1973-0
1928-0
1900-0
377.9 327.7 245.9

175.9 306.7
440.7 197.7 382.2 286.7 344.9
219.6 427.6 436.6 327.5
503.5 383.1
566.4 241.4 491.1 368.4 421.4

263.3 534.0 459.6
629.2 545.5 409.2
285.1 497.8
692.0 600.0 450.0
307.0 536.0
y mayor...
Clase
Clase
Clase
Clase
Clase
Clase
0
10
20
30
0
10
20
30
40
0
0
10
20
30
40
20
40
60
100
0
20
40
60
80
1.0 3.0 2.0 20.0 1.0
38.2 34.6
45.6 84.3
75.4 377.1 68.2
112.6 88.1 166.7
101.8
149.8 734.3
187.0 130.7 249.0 135.3
224.2 1,091.4 168.9
173.2 331.3
261.4 202.5
1,448.6
1927-0
3018-0
1861-0
0738-0
1934-0
298.6 215.8 413.7

236.1
335.8
258.3 496.0 1,805.7 269.7
373.0
410.2 300.9 578.3 303.3
2,162.9
447.4 336.8
343.4 660.7
484.6
2,520.0 370.4
521.8 386.0 743.0
404.0
559.0
y mayor... y mayor...
y mayor... y mayor... y mayor...
Clase
Clase
Clase
Clase
Clase
Anexos
120
Anexos
Anexo D
Ejemplos del cálculo de la mejor
Verosimilitud en el Proyecto R
EJEMPLO DE DISTRIBUCION EXPONENCIAL, GAMMA, LOG-NORMAL Y NORMAL
###################################################################################
#### ARTICULO 1941-0 #### ARTICULO 1941-0 #### ARTICULO 1941-0 #### ARTICULO 1941-0 ####
###################################################################################
datos1 <- productos[1:494,2]
veroexponencial <- function(x)

{
n <- length(datos1)
(sum(datos1)/x + n*log(x))
}
logverosimilitud <- -optimize(veroexponencial,c(0,100000) )$objective
estimador <- mean(datos1)
estimador ### 546.6397
verogama <- function(x)

{
n<- length(datos1)
-((x[1]-1)*sum(log(datos1)) - sum(datos1)/x[2]- n*log(gamma(x[1]))-n*x[1]*log(x[2]))
}
logverosimilitud <- -optim(c(1, 2),verogama)$value
estimador <- optim(c(1, 2),verogama)$par
logverosimilitud #### -3605.438
estimador #### 0.8812101 620.0071361
verolognormal <- function(x)

{
n<- length(datos1)
sum((log(datos1)-x[1])^2) / (2*(x[2])^2)+ sum(log(datos1)) + n*log(x[2]) + n*log(2*pi)/2
}
logverosimilitud <- -optim(c(200, 40000),verolognormal)$value
estimador <- optim(c(6, 20000),verolognormal)$par
estimador ### 5.639578 1.380862
vernormal <- function()

{
n<- length(datos1)
a <- mean(datos1)
b <- sd(datos1)
-n*log(b*sqrt(2*pi))- sum((datos1-a)^2) / (2*(b)^2)
}
logverosimilitud <- vernormal()
121
Anexos
estimador <- c(mean(datos1),sd(datos1))

estimador ### 546.6397 557.9016
hist(datos1,freq = FALSE)
aux11 <- function(x){media <- mean(datos1); exp(-x/media)/media }

plot(aux11,type = "l",col = 1,lty = 1,lwd = 3,main=" ", xlab="", ylab=" ",xlim=c(-1,4000),ylim=c(0,0.0020),add=TRUE) ##,xlim=c(-
10,3000),ylim=c(0,0.0010),add=TRUE)
aux12 <- function(x){a <- 0.8812101 ; b<- 620.0071361 ; x^(a-1)*exp(-x/b)/(gamma(a)*bâ) }

aux13 <- function(x){ a <- 5.639578 ; b <- 1.380862 ; exp(-(log(x)-a)^2/(2*b^2)) / (x*b*sqrt(2*pi)) }

plot(aux13,type = "l",col = 4,lty = 1,lwd = 3,main=" ", xlab="", ylab=" ",xlim=c(-1,4000),ylim=c(0,0.0020),add=TRUE)
aux14 <- function(x){ a <- mean(datos1) ; b <- sd(datos1) ; exp(-(x-a)^2/(2*b^2)) / (b*sqrt(2*pi)) }

#aux14 <- dnorm(datos1)#, mean(datos1), sd(datos1))
legend(1000, 0.0010, c("Exponencial", "Gamma","Log-normal","Normal"),lty = 1,col=c(1,2,4,3),bty = "n")
EJEMPLO DE MEZCLA FINITA DE DISTRIBUCIÓN GAMMA + NORMAL

############################################################################################
#### ARTICULO 0432-0-B ##### ARTICULO 0432-0-B ##### ARTICULO 0432-0-B ##### ARTICULO 0432-0-B #####
############################################################################################
##### GAMMA + NORMAL #####
###################### DATOS SIMULADOS #### DATOS SIMULADOS ##############################
resultado <- function(m,datos,liminfp=0,limsupp=1,liminfa1=0.01,limsupa1=10,liminfb1=0.01,limsupb1=10,

liminfa2=0.01,limsupa2=10,liminfb2=0.01,limsupb2=10)
{
fveros <- function(x)
{
p <- x[1]
a1 <- x[2]
b1 <- x[3]
a2 <- x[4]
b2 <- x[5]
sum(log( p*(datos)^(a1-1)*exp(-datos/b1)/(gamma(a1)*b1â1) + (1-p)*exp(-((datos-a2)^2)/(2*b2^2))/sqrt(2*pi*b2^2)))
}
tabla <- matrix(NA,m,6)

for(i in 1:m)
{
p <- runif(1,0,0.9) #runif(1,liminfp,limsupp)
a1 <- runif(1,0,10) #runif(1,liminfa1,limsupa1)
b1 <- runif(1,0,40) #runif(1,liminfb1,limsupb1)
res <- c(p,a1,b1,a2,b2)

valor <- fveros(res)
tabla[i,] <- c(res,valor)
}
########## BUSQUEDA DE LA SEMILLA EN LA TABLA QUE DIO LA MEJOR VEROSIMILITUD ###############
mayor <- max(tabla[ ,6])

imayor <- 1
while(mayor > tabla[imayor,6]) { imayor <- imayor + 1 }
122
Anexos
########## SALIDAS PARA MOSTRAR LOS RESULTADOS #############################################
tabla[imayor, ]
}
datos1 <- productos[1:125,1]/100
salida <- resultado(100000,datos1)
salida
auxreal <- function(t)

{
p <- salida[1];
a1 <- salida[2];
b1 <- salida[3];
a2 <- salida[4];
b2 <- salida[5];
p*(t)^(a1-1)*exp(-t/b1)/(gamma(a1)*b1â1) + (1-p)*exp(-((t-a2)^2)/(2*b2^2))/sqrt(2*pi*b2^2)
}
#############################################################################################
## GRÁFICAS ### GRÁFICAS #### GRÁFICAS #### GRÁFICAS #### GRÁFICAS #### GRÁFICAS
#############################################################################################
hist(datos1,freq=FALSE,ylim=c(0,0.06),xlim=c(0.,60),cex.axis=1.1)
curve(auxreal,type = "l",col = 1,lty = 1,lwd = 2.5,main=" ", xlab="", ylab=" ",xlim=c(0,60),add=TRUE)
> salida
[1] 0.5285417 0.4922742 32.2429710 46.5759001 0.6916908
[6] -404.5550806
EJEMPLO DE MEZCLA FINITA DE DISTRIBUCIÓN NORMAL + NORMAL

#########################################################################################################
##### ARTICULO 0432-0-C ##### ARTICULO 0432-0-C ##### ARTICULO 0432-0-C ##### ARTICULO 0432-0-C #####
#########################################################################################################
##### NORMAL + NORMAL #####
###################### DATOS SIMULADOS #### DATOS SIMULADOS ##############################
resultado <- function(m,datos,liminfp=0,limsupp=1,liminfa1=0.01,limsupa1=10,liminfb1=0.01,limsupb1=10,

liminfa2=0.01,limsupa2=10,liminfb2=0.01,limsupb2=10)
{
fveros <- function(x)
{
p <- x[1]
a1 <- x[2]
b1 <- x[3]
a2 <- x[4]
b2 <- x[5]
# sum(log( p*(datos)^(a1-1)*exp(-datos/b1)/(gamma(a1)*b1â1) + (1-p)*exp(-((datos-a2)^2)/(2*b2^2))/sqrt(2*pi*b2^2)))
sum(log( p*exp(-((datos-a1)^2)/(2*b1^2))/sqrt(2*pi*b1^2)+(1-p)*exp(-((datos-a2)^2)/(2*b2^2))/sqrt(2*pi*b2^2)))
}
tabla <- matrix(NA,m,6)

for(i in 1:m)
{
p <- runif(1,0,0.9) #runif(1,liminfp,limsupp)
123
Anexos

res <- c(p,a1,b1,a2,b2)

valor <- fveros(res)
tabla[i,] <- c(res,valor)
}
########## BUSQUEDA DE LA SEMILLA EN LA TABLA QUE DIO LA MEJOR VEROSIMILITUD ###############
mayor <- max(tabla[ ,6])

imayor <- 1
while(mayor > tabla[imayor,6]) { imayor <- imayor + 1 }
########## SALIDAS PARA MOSTRAR LOS RESULTADOS #############################################
tabla[imayor, ]
}
datos1 <- productos[1:125,1]/100
salida <- resultado(100000,datos1)
salida

{
p <- salida[1];
a1 <- salida[2];
b1 <- salida[3];
a2 <- salida[4];
b2 <- salida[5];
p*exp(-((t-a1)^2)/(2*b1^2))/sqrt(2*pi*b1^2) + (1-p)*exp(-((t-a2)^2)/(2*b2^2))/sqrt(2*pi*b2^2)
}
#############################################################################################
## GRÁFICAS ### GRÁFICAS #### GRÁFICAS #### GRÁFICAS #### GRÁFICAS #### GRÁFICAS
#############################################################################################
hist(datos1,freq=FALSE,ylim=c(0,0.025),xlim=c(0.,60),cex.axis=1.1)
curve(auxreal,type = "l",col = 1,lty = 1,lwd = 2.5,main=" ", xlab="", ylab=" ",xlim=c(0,60),add=TRUE)
> salida
[1] 0.4059348 46.6528660 1.0842578 21.7657249 21.4260044
[6] -424.5450708
124
Anexos
Anexo E
Ajuste de la distribución de las ventas en
forma gráfica
AJUSTE DE LA DISTRIBUCIÓN DE LAS VENTAS
(Exponencial, Gamma, Log-normal y Normal)
f(x) f(x) f(x)
0432-0 x 1941-0 x 1815-0 x
f(x) f(x) f(x)
3032-0 x 0737-0 x 1995-0 x
f(x) f(x) f(x)
0431-0 x 1984-0 x 0225-0 x
125
Anexos
f(x) f(x) f(x)
1994-0 x 3031-0 x 3009-0 x
f(x) f(x) f(x)
1715-R x 1886-0 x 3010-0 x
f(x) f(x) f(x)
1797-0 x 0437-0 x 1911-0 x
f(x) f(x) f(x)
1829-0 x 0434-0 x 0422-0 x
126
Anexos
f(x) f(x) f(x)
1944-0 x 1985-0 x 1805-R x
f(x) f(x) f(x)
1854-0 x 1815-R x 1920-0 x
f(x) f(x) f(x)
1983-0 x 1782-0 x 1897-0 x
f(x) f(x) f(x)
3011-0 x 3039-0 x 1884-0 x
127
Anexos
f(x) f(x) f(x)
1816-0 x 1900-0 x 1934-0 x
f(x) f(x) f(x)
1928-0 x 0738-0 x 1973-0 x
f(x) f(x) f(x)
1861-0 x 3040-0 x 3018-0 x
f(x) f(x) f(x)
1824-0 x 1927-0 x 1988-0 x
128
Anexos
AJUSTE DE LA DISTRIBUCIÓN DE LAS VENTAS

(Mezcla finita de distribuciones: B=Gamma-Normal, C=Normal-Normal)
f(x) f(x) f(x)
0432-0-B x 0431-0-B x 0437-0-B x
f(x) f(x)
0434-0-B x 0422-0-B x
f(x) f(x) f(x)
0432-0-C x 0431-0C x 0437-0-C x
f(x) f(x)
0434-0-C x 0422-0-C x
129
Anexos
Anexo F
Cálculo del Cuantil en proyecto R
ARTICULO TIPO DE FORMULACION PROYECTO “R” AL 90% DE CUANTIL
No. RC DISTRIBUCIÓN SERVICIO (Piezas)
1941-0 Gamma qgamma(0.90, 0.8812, 1/620.0071) 1,297.679
3032-0 Gamma qgamma(0.90, 1.1603, 1/3063.1382) 7,888.759
0737-0 Gamma qgamma(0.90, 1.9087, 1/1595.0684) 5,986.802
1995-0 Gamma qgamma(0.90, 0.9426, 1/314.9590) 693.607
1984-0 Gamma qgamma(0.90, 0.9255, 1/196.8058) 427.462
0225-0 Gamma qgamma(0.90, 2.5570, 1/307.8216) 1,446.617
1994-0 Gamma qgamma(0.90, 0.9349, 1/379.9896) 831.655
3031-0 Gamma qgamma(0.90, 1.5630, 1/441.2534) 1,422.835
3009-0 Gamma qgamma(0.90, 1.6880, 1/560.9347) 1,917.393
1715-R Gamma qgamma(0.90, 0.7653, 1/904.2080) 1,700.649
1886-0 Gamma qgamma(0.90, 0.7479, 1/459.2973) 848.863
3010-0 Gamma qgamma(0.90, 1.7359, 1/210.6392) 735.477
1797-0 Gamma qgamma(0.90, 0.9047, 1/128.1700) 273.648
1911-0 Gamma qgamma(0.90, 1.3453, 1/95.7548) 275.682
1829-0 Gamma qgamma(0.90, 0.9485, 1/186.2051) 411.998
1944-0 Gamma qgamma(0.90, 1.1734, 1/126.4675) 328.467
1985-0 Gamma qgamma(0.90, 1.0228, 1/84.1311) 197.037
1805-R Gamma qgamma(0.90, 0.8422, 1/261.0246) 527.935
1854-0 Gamma qgamma(0.90, 0.8781, 1/301.2699) 628.882
1815-R Gamma qgamma(0.90, 0.8402, 1/593.2031) 1,197.624
1920-0 Gamma qgamma(0.90, 0.8454, 1/113.4040) 230.024
1983-0 Gamma qgamma(0.90, 1.0108, 1/112.7839) 261.805
1782-0 Gamma qgamma(0.90, 0.8811, 1/142.3258) 297.863
1897-0 Gamma qgamma(0.90, 0.7431, 1/111.2188) 204.546
3011-0 Gamma qgamma(0.90, 1.4327, 1/344.2517) 1,039.337
3039-0 Gamma qgamma(0.90, 0.8242, 1/85.4092) 169.940
1884-0 Gamma qgamma(0.90, 0.8661, 1/102.1555) 211.036
130
Anexos
1816-0 Gamma qgamma(0.90, 0.7652, 1/285.0620) 536.096

1900-0 Gamma qgamma(0.90, 0.9687, 1/114.8463) 258.180
1934-0 Gamma qgamma(0.90, 1.0650, 1/76.0078) 183.516
1928-0 Gamma qgamma(0.90, 0.7944, 1/131.8525) 255.123
0738-0 Gamma qgamma(0.90, 2.2606, 1/253.6407) 1,083.796
1973-0 Gamma qgamma(0.90, 0.8872, 1/123.2671) 259.325
1861-0 Gamma qgamma(0.90, 1.2225, 1/133.2543) 356.945
3040-0 Gamma qgamma(0.90, 1.0802, 1/141.7644) 345.954
3018-0 Gamma qgamma(0.90, 1.2370, 1/68.0616) 183.941
1824-0 Gamma qgamma(0.90, 1.1191, 1/44.9283) 112.600
1927-0 Gamma qgamma(0.90, 1.0099, 1/81.6701) 189.453
1988-0 Gamma qgamma(0.90, 0.8337, 1/132.2557) 265.446
1815-0 Normal qnorm(0.90, 6989.0910, 2291.5040) 9,925.772
0432-0-B Gamma ################################################### 4,739.812
#### ARTICULO 0432-0-B #### ARTICULO 0432-0-B ####
+
###################################################
Normal
salida <- c(0.5285417, 0.4922742, 32.2429710, 46.5759001,

0.6916908)
{
p <- salida[1];
a1 <- salida[2];
b1 <- salida[3];
a2 <- salida[4];
b2 <- salida[5];
(1-p)*exp(-((t-a2)^2)/(2*(b2)^2))/sqrt(2*pi*b2^2)
}
f <- function(x)
{
}
0431-0-B Gamma ################################################### 1,518.983

+
###################################################
Normal
salida <- c(0.50638908, 1.23000295, 7.71570841, 14.93954673,

0.08790854)
131
Anexos

{
p <- salida[1];
a1 <- salida[2];
b1 <- salida[3];
a2 <- salida[4];
b2 <- salida[5];
(1-p)*exp(-((t-a2)^2)/(2*(b2)^2))/sqrt(2*pi*b2^2)
}
f <- function(x)
{
}
0437-0-B Gamma ################################################### 1,248.190

+
###################################################
Normal
salida <- c(0.79902270, 2.71505976, 2.70938841, 9.05628053,

0.08142979)
{
p <- salida[1];
a1 <- salida[2];
b1 <- salida[3];
a2 <- salida[4];
b2 <- salida[5];
(1-p)*exp(-((t-a2)^2)/(2*(b2)^2))/sqrt(2*pi*b2^2)
}
f <- function(x)
{
}
0434-0-B Gamma ################################################### 1,224.028

+
###################################################
Normal
salida <- c(0.47755521, 0.46230075, 16.90853763, 2.87483722,

0.01618524)
132
Anexos

{
p <- salida[1];
a1 <- salida[2];
b1 <- salida[3];
a2 <- salida[4];
b2 <- salida[5];
(1-p)*exp(-((t-a2)^2)/(2*(b2)^2))/sqrt(2*pi*b2^2)
}
f <- function(x)
{
}
0422-0-B Gamma ################################################### 2,560.364

+
###################################################
Normal
salida <- c(0.43387510, 1.26715120, 13.92675534, 8.95801352,

0.07214734)
{
p <- salida[1];
a1 <- salida[2];
b1 <- salida[3];
a2 <- salida[4];
b2 <- salida[5];
(1-p)*exp(-((t-a2)^2)/(2*(b2)^2))/sqrt(2*pi*b2^2)
}
f <- function(x)
{
}
133
Anexos
Anexo G
Comportamiento mensual de las ventas
COMPORTAMIENTO MENSUAL DE VENTAS POR ARTÍCULO (AÑOS 2010-11)
Cant. de Piezas
Cant. de Piezas
30,000 30,000
25,000 25,000
20,000 20,000
15,000 15,000
10,000 10,000
5,000 5,000
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes No de Mes
0432-0 1941-0
Cant. de Piezas
250,000
Cant. de Piezas
40,000
30,000 200,000
150,000
20,000
100,000
10,000
50,000
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes No de Mes
1815-0 3032-0
Cant. de Piezas
Cant. de Piezas
40,000 8,000
30,000 6,000
20,000 4,000
10,000 2,000
- -
1 3 5 7 9 11 13 15 17 19 21 23 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes No de Mes
0737-0 1995-0
Cant. de Piezas
Cant. de Piezas
10,000 6,000
8,000 5,000
4,000
6,000
3,000
4,000 2,000
2,000 1,000
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes No de Mes
0431-0 1984-0
Cant. de Piezas
Cant. de Piezas
8,000 8,000
6,000 6,000
4,000 4,000
2,000 2,000
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes No de Mes
0225-0 1994-0
134
Anexos
10,000
Cant. de Piezas
Cant. de Piezas
8,000
8,000
6,000
6,000
4,000
4,000
2,000 2,000
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes No de Mes
3031-0 3009-0
Cant. de Piezas
10,000
Cant. de Piezas
12,000
10,000 8,000
8,000 6,000
6,000
4,000
4,000
2,000 2,000
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes No de Mes
1715-R 1886-0
Cant. de Piezas
Cant. de Piezas
4,000 3,000
2,500
3,000
2,000
2,000 1,500
1,000 1,000
500
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes No de Mes
3010-0 1797-0
Cant. de Piezas
Cant. de Piezas
5,000 5,000
4,000 4,000
3,000 3,000
2,000 2,000
1,000 1,000
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes No de Mes
0437-0 1911-0
Cant. de Piezas
Cant. de Piezas
2,500 3,000
2,000 2,500
2,000
1,500
1,500
1,000
1,000
500 500
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes No de Mes
1829-0 0434-0
Cant. de Piezas
Cant. de Piezas
10,000 4,000
8,000 3,000
6,000
2,000
4,000
1,000
2,000
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes No de Mes
0422-0 1944-0
135
Anexos
Cant. de Piezas
Cant. de Piezas
2,500 4,000
2,000 3,000
1,500
2,000
1,000
500 1,000
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes No de Mes
1985-0 1805-R
Cant. de Piezas
5,000
Cant. de Piezas
5,000
4,000 4,000
3,000 3,000
2,000 2,000
1,000 1,000
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes No de Mes
1854-0 1815-R
Cant. de Piezas
Cant. de Piezas
2,000 2,500
2,000
1,500
1,500
1,000
1,000
500 500
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes No de Mes
1920-0 1983-0
Cant. de Piezas
2,000
Cant. de Piezas
1,200
1,000
1,500
800
1,000 600
400
500
200
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes No de Mes
1782-0 1897-0
Cant. de Piezas
Cant. de Piezas
5,000 2,500
4,000 2,000
3,000 1,500
2,000 1,000
1,000 500
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes No de Mes
3011-0 3039-0
Cant. de Piezas
4,000
Cant. de Piezas
1,500
3,000
1,000
2,000
500
1,000
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes No de Mes
1884-0 1816-0
136
Anexos
Cant. de Piezas
Cant. de Piezas
2,500 1,000
2,000 800
1,500 600
1,000 400
500 200
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes No de Mes
1900-0 1934-0
Cant. de Piezas
2,000
Cant. de Piezas
4,000
1,500 3,000
1,000 2,000
500 1,000
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes No de Mes
1928-0 0738-0
Cant. de Piezas
Cant. de Piezas
1,500 2,000
1,500
1,000
1,000
500
500
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes No de Mes
1973-0 1861-0
Cant. de Piezas
Cant. de Piezas
2,500 1,000
2,000 800
1,500 600
1,000 400
500 200
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes No de Mes
3040-0 3018-0
Cant. de Piezas
Cant. de Piezas
1,200 2,000
1,000
1,500
800
600 1,000
400
500
200
- -
1 2 3 4 5 6 7 8 9 101112131415161718192021222324 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes No de Mes
1824-0 1927-0
Cant. de Piezas
2,000
1,500
1,000
500
-
1 2 3 4 5 6 7 8 9 101112131415161718192021222324
No de Mes
1988-0
137
Anexos
Anexo H
Comparativo: Venta real, Pronóstico y Cuantil
COMPARATIVO VENTAS: REAL, PRONÓSTICO Y CUANTIL DEL MODELO A 80%, 85%,
90%, 95% Y 99% DE NIVEL DE SERVICIO DE LOS MESES 23 Y 24
40,000 REAL
PRONOSTICO
30,000
MODELO 80%
20,000
MODELO 85%
10,000 MODELO 90%
0 MODELO 95%
MES 23 MES 24 MODELO 99%
0432-0
50,000 REAL
40,000 PRONOSTICO
30,000 MODELO 80%
20,000 MODELO 85%
10,000 MODELO 90%
MODELO 95%
0
1941-0
40,000 REAL
30,000 PRONOSTICO
MODELO 80%
20,000 MODELO 85%
10,000 MODELO 90%
MODELO 95%
0
1815-0
400,000 REAL
300,000 PRONOSTICO
MODELO 80%
200,000
MODELO 85%
100,000 MODELO 90%
0 MODELO 95%
3032-0
138
Anexos
80,000 REAL
60,000 PRONOSTICO
MODELO 80%
40,000
MODELO 85%
20,000 MODELO 90%
0 MODELO 95%
0737-0
12,000 REAL
10,000 PRONOSTICO
8,000 MODELO 80%
6,000
MODELO 85%
4,000
MODELO 90%
2,000
0 MODELO 95%
1995-0
15,000 REAL
PRONOSTICO
10,000 MODELO 80%
MODELO 85%
5,000
MODELO 90%
MODELO 95%
0
0431-0
20,000
REAL
15,000
PRONOSTICO
10,000
MODELO 80%
5,000
MODELO 85%
0 MODELO 90%
MES 23 MES 24
1984-0
20,000 REAL
15,000 PRONOSTICO
MODELO 80%
10,000
MODELO 85%
5,000 MODELO 90%
MODELO 95%
0
0225-0
139
Anexos
20,000 REAL
15,000 PRONOSTICO
10,000 MODELO 80%

MODELO 85%
5,000
MODELO 90%
0
1994-0
15,000 REAL
PRONOSTICO
10,000
MODELO 80%
MODELO 85%
5,000
MODELO 90%
0 MODELO 95%
3031-0
25,000 REAL
20,000 PRONOSTICO
15,000 MODELO 80%
10,000 MODELO 85%
5,000 MODELO 90%

MODELO 95%
0
3009-0
12,000 REAL
10,000 PRONOSTICO
8,000 MODELO 80%
6,000
MODELO 85%
4,000
MODELO 90%
2,000
0 MODELO 95%
1886-0
10,000 REAL
8,000 PRONOSTICO
6,000 MODELO 80%
4,000 MODELO 85%
2,000 MODELO 90%
0 MODELO 95%
3010-0
140
Anexos
5,000 REAL
4,000 PRONOSTICO
3,000 MODELO 80%
2,000 MODELO 85%
1,000 MODELO 90%

MODELO 95%
0
1797-0
6,000 REAL
5,000 PRONOSTICO
4,000 MODELO 80%
3,000
MODELO 85%
2,000
MODELO 90%
1,000
MODELO 95%
0
0437-0
10,000 REAL
8,000 PRONOSTICO
6,000 MODELO 80%
4,000 MODELO 85%
2,000 MODELO 90%
MODELO 95%
0
1911-0
6,000 REAL
5,000 PRONOSTICO
4,000 MODELO 80%
3,000
MODELO 85%
2,000
MODELO 90%
1,000
MODELO 95%
0
1829-0
6,000 REAL
5,000 PRONOSTICO
4,000 MODELO 80%
3,000
MODELO 85%
2,000
MODELO 90%
1,000
MODELO 95%
0
0434-0
141
Anexos
1 REAL
1 PRONOSTICO
1 MODELO 80%
0 MODELO 85%
0 MODELO 90%
MODELO 95%
0
0422-0
8,000 REAL
PRONOSTICO
6,000
MODELO 80%
4,000
MODELO 85%
2,000 MODELO 90%
MODELO 95%
0
1944-0
4,000 REAL
3,000 PRONOSTICO
MODELO 80%
2,000
MODELO 85%
1,000 MODELO 90%
MODELO 95%
0
1985-0
10,000 REAL
8,000 PRONOSTICO
6,000 MODELO 80%
4,000 MODELO 85%
2,000 MODELO 90%
MODELO 95%
0
1805-R
15,000 REAL
PRONOSTICO
10,000 MODELO 80%
MODELO 85%
5,000
MODELO 90%
MODELO 95%
0
1854-0
142
Anexos
15,000 REAL
PRONOSTICO
10,000 MODELO 80%
MODELO 85%
5,000
MODELO 90%
0 MODELO 95%
1815-R
3,000 REAL
2,500 PRONOSTICO
2,000 MODELO 80%
1,500
MODELO 85%
1,000
MODELO 90%
500
MODELO 95%
0
1920-0
5,000 REAL
4,000 PRONOSTICO
3,000 MODELO 80%
2,000 MODELO 85%
1,000 MODELO 90%

MODELO 95%
0
1983-0
5,000 REAL
4,000 PRONOSTICO
3,000 MODELO 80%
2,000 MODELO 85%
1,000 MODELO 90%
0 MODELO 95%
1782-0
4,000 REAL
3,000 PRONOSTICO
MODELO 80%
2,000
MODELO 85%
1,000 MODELO 90%
MODELO 95%
0
1897-0
143
Anexos
12,000 REAL
10,000 PRONOSTICO
8,000
MODELO 80%
6,000
MODELO 85%
4,000
MODELO 90%
2,000
0 MODELO 95%
3111-0
800 REAL
600 PRONOSTICO
MODELO 80%
400
MODELO 85%
200 MODELO 90%
0 MODELO 95%
3039-0
3,000 REAL
PRONOSTICO
2,000 MODELO 80%
MODELO 85%
1,000
MODELO 90%
0 MODELO 95%
1884-0
8,000 REAL
6,000 PRONOSTICO
MODELO 80%
4,000
MODELO 85%
2,000 MODELO 90%
0 MODELO 95%
1816-0
6,000 REAL
5,000 PRONOSTICO
4,000
MODELO 80%
3,000
MODELO 85%
2,000
MODELO 90%
1,000
0 MODELO 95%
1900-0
144
Anexos
2,500 REAL
2,000 PRONOSTICO
1,500 MODELO 80%
1,000 MODELO 85%
500 MODELO 90%
MODELO 95%
0
1934-0
2,500 REAL
2,000 PRONOSTICO
1,500 MODELO 80%
1,000 MODELO 85%
500 MODELO 90%
0 MODELO 95%
1928-0
6,000 REAL
5,000 PRONOSTICO
4,000 MODELO 80%
3,000
MODELO 85%
2,000
MODELO 90%
1,000
MODELO 95%
0
0738-0
3,000 REAL
2,500 PRONOSTICO
2,000 MODELO 80%
1,500
MODELO 85%
1,000
MODELO 90%
500
MODELO 95%
0
1973-0
2,500 REAL
2,000 PRONOSTICO
1,500 MODELO 80%
1,000 MODELO 85%
500 MODELO 90%

MODELO 95%
0
1861-0
145
Anexos
1,000 REAL
800 PRONOSTICO
600 MODELO 80%
400 MODELO 85%
200 MODELO 90%
0 MODELO 95%
3040-0
2,000 REAL
1,500 PRONOSTICO
MODELO 80%
1,000
MODELO 85%
500 MODELO 90%
0 MODELO 95%
3018-0
2,500 REAL
2,000 PRONOSTICO
1,500 MODELO 80%
1,000 MODELO 85%
500 MODELO 90%
0 MODELO 95%
1824-0
5,000 REAL
4,000 PRONOSTICO
3,000 MODELO 80%
2,000 MODELO 85%
1,000 MODELO 90%
MODELO 95%
0
1927-0
4,000 REAL
3,000 PRONOSTICO
MODELO 80%
2,000
MODELO 85%
1,000 MODELO 90%
MODELO 95%
0
1988-0
146

Abastecimiento-Partes Automotriz

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Abastecimiento-Partes Automotriz

Hochgeladen von

Copyright:

Verfügbare Formate

INSTITUTO POLITÉCNICO NACIONAL

UNIDAD PROFESIONAL INTERDISCIPLINARIA DE INGENIERÍA

SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN

“METODOLOGÍA PARA CALCULAR EL ABASTECIMIENTO DE UNA

MAESTRO EN INGENIERÍA INDUSTRIAL

JOSÉ DANIEL GÓMEZ HERNÁNDEZ

DR. EDUARDO GUTIÉRREZ GONZÁLEZ

MÉXICO, D.F. JUNIO 2012

SECRETARÍA DE INVESTIGACIÓN Y POSGRADO

CARTA CESIÓN DE DERECHOS

José Daniel Gómez Hernández

A mi esposa, familia y a todas aquellas

Con cariño y respeto.

A la Sección de Estudios de Posgrado e

Al Colegio de Profesores que participaron

Capítulo 2. Marco teórico 23

2.1.1 Objetivo de la gestión de la cadena de suministro 24

2.3.11.2 Método de Winters para los problemas estacionales 56

Capitulo 3. Metodología para calcular el abastecimiento 62

Capítulo 2. Revisión bibliográfica

Capitulo 3. Caso de estudio

Tabla 3.9.1 Clase de la distribución Gamma 77

Capítulo 2. Revisión bibliográfica

Capitulo 3. Caso de estudio

En otra etapa de la metodología se desarrolla un estudio de pronósticos para

Se presentan cinco escenarios para el nivel de abastecimiento del almacén de

In another stage of the methodology a forecasts study of sales was developed,

Descripción del Problema

Por pertenecer al ramo automotriz, se debe entregar los productos terminados

Entre las limitaciones que se tienen al elaborar el presente trabajo, se cuentan,

Reseña del estudio

En el capítulo 2 se tiene el marco teórico, teniéndose la revisión bibliográfica

En el capítulo 3 se describen y ejecutan las tres Etapas que integran la

Finalmente se presentan las conclusiones, explicando las aportaciones que

En este capítulo, se establece la situación actual en la que se encuentra la

1.1 Situación actual de México

Bruto en el mundo; además cuenta con un mercado interno fuerte y en expansión

Figura 1.1 Comportamiento del Producto Interno Bruto en México

COMERCIO DE MERCANCIAS COMO % DEL PIB

Fuente: Datos de la Secretaria de Economía

1.1.1 Situación de la logística en México

Los costos logísticos influyen directamente en el desarrollo comercial de todo

Tabla 1.1 Ubicación de México en el Índice de Percepción Logística

Fuente: Connecting to Compete, 2010

Figura 1.2 Distribución de los costos logísticos por sector

Fuente: Análisis de Kearney 2009

1.1.2 Problemática de la logística en México

En los últimos años, México ha mejorado su desempeño en materia logística,

A pesar de que entre 2007 y 2009 la muestra de países considerados en el

En el ámbito interno, la Secretaría de Economía conjuntamente con el sector

En la segunda medición, realizada en el 2009, los resultados obtenidos

en promedio un 89% de cumplimiento. Las mejoras en las prácticas logísticas han

Un dato relevante en la logística de comercio exterior muestra que en los

Asimismo se mejoraron los tiempos de estadía en puertos y aeropuertos e

A pesar de los avances, existen importantes áreas de oportunidad en materia

Asimismo, es indispensable continuar fortaleciendo la infraestructura del país.

1.2 Industrias Automotrices RC

La capacidad de embarque y red de distribución les permite llegar a toda la

Cuentan con 3 Plantas Industriales ubicadas en la Ciudad de México, con un

1.2.1 Breve historia de la empresa

En 1960 surge el proyecto de establecer una planta manufacturera de

1.2.2 Los clientes

Figura 1.3 Principales clientes de Industrias RC