Está en la página 1de 32

U NIVERSIDAD A UTNOMA T AMAULIPAS

F ACULTAD
DE

DE

I NGENIERA A RTURO N ARRO S ILLER

PROBLEMAS

PRONSTICOS

MATERIA:

ADMINISTRACION DE OPERACIONES

PRESENTA:

CATEDRATICO

DR. OSCAR LAUREANO CASANOVA

CENTRO UNIVERSITARIO TAMPICO-MADERO

MAYO

2011

PRONOSTICOS

2.1. LAS TEMPERATURAS MXIMAS DIARIAS EN LA CIUDAD DE HOUSTON LA SEMANA PASADA FUERON COMO SIGUE: a) Pronosticar la temperatura mxima para hoy, utilizando un promedio mvil de tres das. D a 1 2 3 4 5 6 7 Temperat ura 93 94 93 95 96 88 90 Pronostico 93.333 94 94.667 93

b) Pronosticar la temperatura mxima para hoy, utilizando un promedio mvil de dos das. Da 1 2 3 4 5 6 7 Tempera tura 93 94 93 95 96 88 90 Pronostico

93.5 93.5 94 95.5 92

c) Calcular la desviacin media absoluta basada en el promedio mvil de dos das.

Da 1 2 3 4 5 6 7

Temperat ura 93 94 93 95 96 88 90

Pronostic o prom. Movil 2 dias

Diferenci a absoluta

93.5 93.5 94 95.5 92 Mad

0.5 1.5 2 7.5 2 2.7

Pgin a4

PRONOSTICOS

2.2. PARA LOS DATOS QUE ESTN A CONTINUACIN, DESARROLLAR UN PRONSTICO DE PROMEDIOS MVILES DE TRES MESES.

Prome Cantida Ventas dio d de acumulad movil autos as para de 3 redonde Mes autos meses ada 20 Enero 21 Febrero 15 Marzo 14 18.6666 19 Abril 7 13 16.6666 17 Mayo 7 16 14 Junio 14 17 14.3333 15 Julio 3 18 15.3333 16 Agosto 3 Septiem 20 17 bre 17 20 18.3333 19 Octubre 3 Noviem 21 19.3333 20 bre 3 Diciemb 23 20.3333 21 re 3 2.3. CON LOS DATOS QUE SE DAN A CONTINUACIN, DESARROLLAR UN PRONSTICO DE DEMANDA DE PROMEDIOS MVILES DE TRES AOS. Ao 1 2 3 4 5 6 7 8 9 10 11 Demanda 7 9 5 9 13 8 12 13 9 11 7 Pronostico promedio movil de 3 aos

7 7.6666667 9 10 11 11 11.333333 11

Pgin a5

PRONOSTICOS

2.4. SUSAN GOODMAN HA DESARROLLADO EL SIGUIENTE MODELO DE PRONSTICO: = 36 + 4.3 x Donde: = demanda para acondicionadores de aire azteca y X = la temperatura exterior (f). Pronosticar a) la demanda para el azteca cuando la temperatura es de 70f.

Y=36+4.370=2,821 Aires acondiconados


b) cul es la demanda para una temperatura de 80f?

Y=36+4.380=3,224 Aires acondiconados

c)

cul es la demanda para una temperatura de 90f?

Y=36+4.390=3,627 Aires acondiconados


2.5. LOS DATOS RECOLECTADOS PARA LA DEMANDA DE COSTALES DE 50 LIBRAS DE SEMILLA DE PASTO EN BOBS HARDWARE STORE SE MUESTRAN EN LA TABLA. DESARROLLAR UN PROMEDIO MVIL DE TRES AOS PARA PRONOSTICAR LAS VENTAS. DESPUS DETERMINAR UNA VEZ MS LA DEMANDA CON UN PROMEDIO MVIL PONDERADO EN EL CUAL A LAS VENTAS EN EL AO MS RECIENTE SE LES DA UN PESO DE 2 Y A LAS VENTAS DE LOS OTROS DOS AOS SE LES DA UN PESO DE 1 A CADA UNA CUL ES EL MTODO CREE QUE SEA MEJOR? Demanda de semillas de pasto (en miles de costales) 4 6 4 5 10 8 7 9 4.66666667 5 6.33333333 7.66666667 8.33333333 0.3333333 5 1.6666667 0.6666667 0.6666667 4.5 5 7.25 7.75 8 5 0.75 0.75 1 Promedio mvil ponderado pesos: 1,1 y 2

Ao 1 2 3 4 5 6 7 8

Promedio mvil 3 aos

Diferencia absoluta

Diferencia absoluda

Pgin a6

PRONOSTICOS

9 10 11

12 14 15

8 9.33333333 11.6666667 Mad movil 3 aos

4 4.6666667 3.3333333 2.5416667

8.25 10 12.25

3.75 4 2.75

Mad 2.31 ponderado 2 La diferencia media absoluta es menor al pronosticar con el promedio movil ponderado, por lo tanto este es mejor 2.6. DESARROLLAR UN PROMEDIO MVIL DE DOS Y DE CUATRO AOS PARA LA DEMANDA DE SEMILLAS DE PASTO DEL PROBLEMA 2.5 Demanda de semillas de pasto (en miles de costales) 4 6 4 5 10 8 7 9 12 14 15 5 5 4.5 7.5 9 7.5 8 10.5 13 4.75 6.25 6.75 7.5 8.5 9 10.5

Ao 1 2 3 4 5 6 7 8 9 10 11

Promedio movil de 2 aos

Promedio movil de 4 aos

2.7. EN LOS PROBLEMAS 2.5 Y 2.6, SE DESARROLLAN 4 DIFERENTES PRONSTICOS PARA LA DEMANDA DE SEMILLAS DE PASTO. ESTOS 4 PRONSTICOS SON PROMEDIOS MVILES DE 2 AOS, PROMEDIOS MVILES DE 3 AOS, UN PROMEDIO MVIL PONDERADO Y PROMEDIOS MVILES DE 4 AOS. CUL UTILIZARA? EXPLICAR SU RESPUESTA.
DEMANDA DE SEMILLAS DE PASTO (EN MILES DE COSTALES )

AO

PROMEDIO DIFERENCI MOVIL DE 2 A AOS ABSOLUTA

PROMEDIO MOVIL DE 4 AOS

DIFERENCI A ABSOLUTA

1 2 3 4 5 6 7

4 6 4 5 10 8 7 5 5 4.5 7.5 9 1 0 5.5 0.5 2 4.75 6.25 6.75 5.25 1.75 0.25

Pgin a7

PRONOSTICOS

8 9 10 11

9 12 14 15

7.5 8 10.5 13

1.5 4 3.5 2

7.5 8.5 9 10.5 Mad Movil 4 aos Mad ponderad o2

1.5 3.5 5 4.5 2.416666 67 2.31

2.222222 Mad movil 22 2 aos Mad movil 2.541666 3 aos 7

De los mtodos mencionados el que tiene la menor diferencia en relacin con la demanda real es el promedio movil de 2 aos. 2.8. UTILIZAR LA SUAVIZACIN EXPONENCIAL CON UNA CONSTANTE DE SUAVIZACIN DE 0.3 PARA PRONOSTICAR LA DEMANDA DE SEMILLAS DE PASTO DEL PROBLEMA 2.5. ASUMIR QUE EL PRONSTICO DEL LTIMO PERIODO PARA EL AO 1 ES DE 5000 COSTALES PARA PRINCIPIAR EL PROCEDIMIENTO. PREFERIRA UTILIZAR EL MODELO DE SUAVIZACIN EXPONENCIAL O EL MODELO DE PROMEDIO PONDERADO DESARROLLADO EN EL PROBLEMA 2.5? EXPLICAR LA RESPUESTA.

Ao 1 2 3 4 5 6 7 8 9 10 11

Demanda de semillas de pasto (en miles de costales) 4 6 4 5 10 8 7 9 12 14 15

Diferenc Suavizac ia in absoluta 5 4.7 5.09 4.76 4.83 6.38 6.87 6.91 7.54 8.87 10.41 1 1.3 1.09 0.24 5.17 1.62 0.13 2.09 4.46 5.13 4.59

Promedio mvil ponderad o

Diferencia absoluta

4.5 5 7.25 7.75 8 8.25 10 12.25

0.5 5 0.75 0.75 1 3.75 4 2.75

Mad: 2.44 mad 2.31 Como se puede observar el metodo que tiene menor diferenca absoluta es el promedio movil ponderado que se calculo en el problema 2.5 2.9. UTILIZANDO LAS CONSTANTES DE SUAVIZACIN DE 0.6 Y 0.9, DESARROLLAR UN PRONSTICO PARA LAS VENTAS DE GREEN LINE JET SKIS. VASE EL PROBLEMA RESUELTO 2.1.

Pgin a8

PRONOSTICOS

DA

TEMPERAT URA

PRONOSTIC O

0.6

DIFERENCI A ABSOLUTA

0.9

DIFERENCI A ABSOLUTA

1 2 3 4 5 6 7

93 94 93 95 96 88 90 93.5 93.20000 94.28000 95.31200 90.92480 Mad 0.6 1.80000 93.05000 1.72000 94.80500 7.31200 95.88050 0.92480 88.78805 2.35136 Mad 0.9 1.95000 1.19500 7.88050 1.21195 3.05936

2.10. QU EFECTO TUVO LA CONSTANTE DE SUAVIZACIN EN EL PRONSTICO GREEN LINE JET SKIS? VASE EL PROBLEMA 2.1 Y EL PROBLEMA 2.9. CUL CONSTANTE DE SUAVIZACIN OFRECE EL PRONSTICO MS EXACTO?
DA TEMPERAT URA PRONOSTIC O 0.6 DIFERENCI A ABSOLUTA 0.9 DIFERENCI A ABSOLUTA

1 2 3 4 5 6 7

93 94 93 95 96 88 90

93.5 93.20000 1.80000 93.05000 1.95000 94.28000 1.72000 94.80500 1.19500 95.31200 7.31200 95.88050 7.88050 90.92480 0.92480 88.78805 1.21195 Mad 0.6 2.35136 Mad 0.9 3.05936 La mejor constante de suavizacion es la de 0.6

2.11. UTILIZAR UN MODELO DE PRONSTICO DE PROMEDIO MVIL DE TRES AOS PARA PRONOSTICAR LAS TEMPERATURAS VASE EL PROBLEMA RESUELTO 2.1.
DIA TEMPERATURA PRONOSTICO PROMEDIO MOVIL

1 2 3 4 5 6 7

93 94 93 95 96 88 90 93.300 94.000 94.700 93.000

Pgin a9

PRONOSTICOS

2.12. UTILIZANDO EL MTODO DE PROYECCIN DE TENDENCIA, DESARROLLAR UN MODELO DE PRONSTICO PARA LAS TEMPERATURAS. VASE EL PROBLEMA RESUELTO 2.1 Utilizando las siguientes formulas:

b=xy-nxyx2-nx2 a=y-bx
Dia x 1 2 3 4 5 6 7 Sumatori a: Promedio : A= 28 4 95.28571 43 Temperatu ra y 93 94 93 95 96 88 90 649 92.7142857 0.6428571 B= 4 X2 1 4 9 16 25 36 49 140 Xy 93 188 279 380 480 528 630 2578

Sustituyendo estos datos en la ecuacin lineal:

Por lo tanto la ecuacin de la tendencia de los mnimos cuadrados es:

y=95.2857143-.64285714 x
En donde:

y=pronostico de temperatura x=da


2.13. UTILIZARA LA SUAVIZACIN EXPONENCIAL CON UNA CONSTANTE DE SUAVIZACIN DE 0.3, UN PROMEDIO MVIL DE 3 MESES, O TENDENCIA PARA PREDECIR LAS VENTAS DE GREEN LINES JET SKIS? REFIRASE AL PROBLEMA RESUELTO 2.1 Y LOS PROBLEMAS 2.11 Y 2.12. Pro nos tico Diferen cia Promedio absolut movil 3 a dias Diferenci Ecuacion a tendencia absoluta 94.642857 1.6428571 2 6

Tempe ratura 93

0.3

Diferencia absoluta

Pgin a 10

PRONOSTICOS

94 93 95 96 88 90 93.5 93.3500 0 93.8450 0 94.4915 0 92.5440 5 1.65000 2.15500 6.49150 2.54405 93.3000 94.0000 94.7000 1.70000 2.00000 6.70000

93.0000 3.00000 Mad Mad 3.2101 prom 0.3 4 movil 3.35000 Mad ec El modelo de tendencia es el que tiene menor diferencia con respecto al pronostico real, por lo tanto es conveniente usar la ecuacion de tendencia

94 93.357142 9 92.714285 7 92.071428 6 91.428571 5 90.785714 3

0.00 0.3571428 8 2.2857142 6 3.9285714 3.4285714 6 0.7857143 2 1.775510 214

2.14. LA DEMANDA PARA CIRUGA DE TRASPLANTE DE CORAZN EN EL WASHINGTON GENERAL HOSPITAL HA CRECIDO CONSTANTEMENTE EN LOS AOS PASADOS, COMO SE APRECIA EN LA SIGUIENTE TABLA: EL DIRECTOR DE LOS SERVICIOS MDICOS PREDIJO HACE SEIS AOS QUE LA DEMANDA DEL AO 1 SERA DE 41 CIRUGAS. a) USE LA SUAVIZACIN EXPONENCIAL, PRIMERO CON UNA CONSTANTE DE SUAVIZACIN DE 0.6 Y POSTERIORMENTE CON UNA DE 0.9, PARA DESARROLLAR PRONSTICOS PARA LOS AOS 2 A 6. Cirugas realizada s de trasplant e de corazn 45 50 52 56 58 ?

Ao

0.6

0.9

1 2 3 4 5 6

41.00000 43.40000 47.36000 50.14400 53.65760 56.26304

41.00000 44.60000 49.10000 51.71000 55.57100 57.75710

b) Utilice un promedio mvil de 3 aos para pronosticar las demandas de los aos 4, 5 y 6.
AO CIRUGAS REALIZADAS DE TRASPLANTE DE CORAZN PROMEDIO MVIL

1 2 3

45 50 52

Pgin a 11

PRONOSTICOS

4 5 6

56 58 ?

49.0 52.7 55.3

c) Use el mtodo de proyeccin de tendencias para pronosticar la demanda de los aos 1 a 6. Cirugas realizadas de Ao trasplante de X2 Xy Pronstico X corazn Y 1 45 1 45 45.8 2 50 4 100 49.0 3 52 9 156 52.2 4 56 16 224 55.4 5 58 25 290 58.6 6 61.8 Sunmatoria 15 261 55 815 Promedio 3 52.2 A= 42.6 B= 3.2

Pronostico: y=42.6+3.2x d) Con mad como criterio, cul de los 4 sistemas anteriores de pronstico es el
mejor Cirugas realizada A s de o trasplant e de corazn 1 45 2 3 4 5

0.6

D.a.

0.9

D.a.

Prom

D.a.

Tendenc ia 45.800 49.000 52.200 55.400 58.600 Mad

D.a.

El

41.0000 4.0000 0 0 50 6.6 44.6000 5.4000 43.40000 0 0 52 4.64 49.1000 2.9000 47.36000 0 0 56 5.856 51.7100 4.2900 49.00 50.14400 0 0 0 7.000 58 4.3424 55.5710 2.4290 52.70 53.65760 0 0 0 5.300 5.0876 3.8038 6.15 Mad 8 Mad 0 Mad mejor sistema para pronosticar en este caso es tendencia, ya menor diferencia tiene. 41.00000

0.800 1.000 0.200 0.600 0.600

0.64 que es el que

2.15.UN CUIDADOSO ANLISIS DEL COSTO DE OPERACIN DE UN AUTOMVIL FUE HECHO POR UNA EMPRESA. SE DESARROLLO EL SIGUIENTE MODELO: Y = 4000 + 0.20 x Donde:

Pgin a 12

PRONOSTICOS

Y = costo anual X= millas manejadas a) Si un automvil se maneja 15,000 millas este ao, cul es el costo de operacin pronosticado para este automvil? Y = 4000 + 0.20 (15,000) Costo de operacin: $ 7,000.00

b) Si un automvil se maneja 25,000 millas este ao, cul es el costo de operacin pronosticado para este automvil? Y = 4000 + 0.20 (25,000) Costo de operacin: $ 9,000.00

c) Suponga que un automvil se manejo 15 mil millas y el costo anual de operacin fue de $6,000.00, mientras que un segundo automvil se manejo 25,000 millas y el costo de operacin real fue de $10,000.00. Calcule la desviacin media absoluta. Costo real 6,000 10,000

Millas 15,00 0 25,00 0

Pronostico 7,000 9,000 Mad

Diferencia 1,000 1,000 1,000

2.15.CON LOS SIGUIENTES DATOS UTILICE LA SUAVIZACIN EXPONENCIAL (=0.2)


PARA DESARROLLAR UN PRONSTICO DE DEMANDA. PRONSTICO PARA EL PERIODO INICIAL ES DE 5. ASUMA QUE EL

Periodo 1 2 3 4 5 6

Demanda 7 9 5 9 13 8

0.2 5 7.4 9.32 4.136 9.9728 13.60544

2.16.Calcular a) mad, b) mse, c) mape para el siguiente pronostico contra


los nmeros de ventas reales Pronstic o 100 Real 95 D.a. 5

Pgin a 13

PRONOSTICOS

110 120 130

108 123 130 mad Mse Map e1 Map e2

<--se calculo: sumatoria de la diferencia absoluta, expresada como porcentaje de el no. De valores observados (en este caso 4 valores). <--se calculo: sumatoria de la diferencia absoluta, expresada como 2.19% porcentaje con respecto a la sumatoria de los valores observados (en este caso la sumatoria es 45).

2 3 0 2.5 6.25 250.0 0%

2.18.CON LOS SIGUIENTES DATOS, UTILICE LA REGRESIN POR MNIMOS CUADRADOS PARA DERIVAR UNA ECUACIN DE PRONSTICO. CUL ES SU ESTIMADO DE LA DEMANDA PARA EL PERIODO 7? UTILIZANDO LAS FORMULAS:

b=xy-nxyx2-nx2 a=y-bx
Periodo x 1 2 3 4 5 6 Sumatoria Promedio 21 3.5 A= Demanda y 7 9 5 11 10 13 55 9.16666667 5.26666667 B= 1.11428571 X2 1 4 9 16 25 36 91 Xy 7 18 15 44 50 78 212

Pronstico= y=5.2666667+1.11428571x Pronstico para x=7=5.2666667+1.114285717 Pronstico para x=7=13.066667


2.19.CON LOS SIGUIENTES DATOS, UTILICE LA REGRESIN POR MNIMOS CUADRADOS PARA DESARROLLAR LA RELACIN ENTRE EL NMERO DE DAS CON LLUVIA EN VERANO Y EL NMERO DE JUEGOS PERDIDOS POR EL EQUIPO DE BASEBALL BOCA RATON CARDINAL.

Pgin a 14

PRONOSTICOS

AO

DAS CON LLUVIA EN VERANO X

JUEGOS PERDIDOS POR LOS CARDINAL S Y

X2

XY

1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 Sumatoria Promedio

15 25 10 10 30 20 20 15 10 25 180 18

25 20 10 15 20 15 20 10 5 20 120 16 A= 6.4130434 8

225 625 100 100 900 400 400 225 100 625 3700 B=

375 500 100 150 600 300 400 150 50 500 3125

0.5326087

En la siguiente ecuacin se presenta la relacin entre la cantidad de das con lluvias y el nmero de partidos ganados por los cardinals:

Pronstico= y=6.41304348+0.5326087x

2.20.LAS VENTAS DE ASPIRADORAS INDUSTRIALES EN JACK PETERS SUPPLY CO., EN LOS LTIMOS 13 MESES SE MUESTRAN A CONTINUACIN. a) Utilizando un promedio mvil con tres periodos, determinar la demanda de aspiradoras para el prximo febrero.
VENTAS (EN MILES) PRONOSTI CO PROMEDIO MOVIL

MES

Enero Febrero Marzo Abril Mayo Junio Julio Agosto

11 14 16 10 15 17 11 14

13.666666 7 13.333333 3 13.666666 7 14 14.333333 3

Pgin a 15

PRONOSTICOS

Septiembr e Octubre Noviembr e Diciembre Enero Venta pronostic ada para el mes de :

17 12 14 16 11 14 14 14.333333 3 14.333333 3 14 13.66666 67

Febrero

b) USANDO UN PROMEDIO MVIL PONDERADO CON TRES PERIODOS, DETERMINAR LA DEMANDA DE ASPIRADORAS PARA FEBRERO. USAR 3,2 Y 1 PARA LOS PESOS DE LOS PERIODOS MS RECIENTE, SEGUNDO MS RECIENTE Y TERCERO MS RECIENTE, RESPECTIVAMENTE. POR EJEMPLO, SI SE ESTUVIERA PRONOSTICANDO LA DEMANDA PARA FEBRERO, NOVIEMBRE TENDRA UN PESO DE 1; DICIEMBRE TENDRA UN PESO DE 2; Y ENERO TENDRA UN PESO DE 3. Ventas (en miles) 11 14 16 10 15 17 11 14 17 12 14 16 11 13.5 15 14 13.833333 3 14.666666 7 13.166666 7 Promedio movil ponderad o

Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembr e Octubre Noviembre Diciembre Enero Febrero

14.5 12.666666 7 13.5 15.166666 7 13.666666 7

c) Evaluar la exactitud de cada uno de estos mtodos.

Pgin a 16

PRONOSTICOS

Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembr e Octubre Noviembre

Ventas (en miles) 11 14 16 10 15 17 11 14 17 12 14

Promedio movil

D.a.

Promedio movil ponderad o

D.a.

13.666666 3.6666666 7 7 14.5 4.5 13.333333 1.6666666 12.666666 2.3333333 3 7 7 3 13.666666 3.3333333 7 3 13.5 3.5 15.166666 4.1666666 14 3 7 7 14.333333 0.3333333 13.666666 0.3333333 3 3 7 3

14 3 13.5 3.5 14 2 15 3 14.333333 0.3333333 3 3 14 0 Diciembre 16 14.333333 1.6666666 13.833333 2.1666666 3 7 3 7 Enero 11 14.666666 3.6666666 14 3 7 7 Febrero 13.666666 13.666666 13.166666 13.166666 7 7 7 7 3.242424 3.666666 Mad 24 Mad 67 La desviacion absoluta media es menor para el promedio movil, por lo tanto ofrece mayor exactitud

d) qu otros factores pueden considerar peters en sus pronsticos


de ventas? La estacionalidad pudiera ser un factor a considerar, por que en periodo vacacional de semana santa disminuye a 10 mil las ventas.

2.18.

EL GERENTE DE OPERACIONES DE UNA DISTRIBUIDORA DE INSTRUMENTOS MUSICALES CREE QUE LA DEMANDA DE BOMBOS PUEDE ESTAR RELACIONADA CON EL NMERO DE APARICIONES POR TELEVISIN DEL POPULAR GRUPO DE ROCK GREEN SHADES DURANTE EL MES PREVIO. EL GERENTE HA RECOLECTADO LOS DATOS QUE SE MUESTRAN EN LA SIGUIENTE TABLA. Demanda de bombos 3 6 Apariciones en televisin de green shades 3 4

Pgin a 17

PRONOSTICOS

7 5 10 8

7 6 8 5

a) Graficar estos datos para ver si una ecuacin lineal puede describir la relacin entre los shows en televisin del grupo y las ventas de bombos.

Se puede apreciar que una ecuacion lineal puede explicar la relacion entre estas dos variables

b) Utilizar el mtodo de regresin de mnimos cuadrados para derivar


una ecuacin del pronstico.

Aparicion es en Demanda televisi de n de bombos green Y shades X 3 3 4 6 5 8 6 5 7 7 8 10 Sumatoria Promedio 33 5.5 A= 39 6.5 1

X2

Xy

9 16 25 36 49 64 199 B=

9 24 40 30 49 80 232 1

Pronstico= y=1+x

Pgin a 18

PRONOSTICOS

c) cul es el estimado de ventas de bombos si los green shades


tocaron en televisin nueve veces durante el ltimo mes?

Pronstico= y=1+x Pronstico= y=1+9=10


El estimado de ventas es de 10 bombos

2.18. UN ESTUDIO PARA DETERMINAR LA CORRELACIN ENTRE LOS DEPSITOS BANCARIOS Y LOS NDICES DE PRECIOS A CONSUMIDORES EN BIRMINGHAM, ALABAMA, REVELARON LO SIGUIENTE (BASADO EN 5 AOS DE DATOS): x = 15 x2 = 55 xy = 70 y = 20 y2 = 130

a) Encontrar el coeficiente de correlacin. qu significancia tiene para


usted? Promedio de x= Promedio de y= Covarianza= Desviacion de x= 3 4 2 1.41421356

Desviacion de y= 3.16227766 Coeficiente de correlacion lineal= 0.4472136 Dado que la elcoeficiente de correlacion lineal es mas cercano a cero, la relacion entre las variables es debil

b) cul es el error estndar del estimado?

SY,X=y2-ay-bxyn-2
Utilizando la formula anterior se tiene:

B= A=

0.2173913 3.3478260 9 3.9927470 5

Error estandar

Pgin a 19

PRONOSTICOS

2.18.EL CONTADOR DE LESLIE WARDROP COAL DISTRIBUTORS, INC., OBSERVA QUE LA DEMANDA DE CARBN PARECE ESTAR RELACIONADA CON UN NDICE DE SEVERIDAD EN EL CLIMA, DE ACUERDO CON UN ESTUDIO DESARROLLADO POR EL U.S. WEATHER BUREAU. ES DECIR, COMO EL CLIMA FUE EXTREMADAMENTE FRO EN ESTADOS UNIDOS EN LOS LTIMOS CINCOS AOS (Y POR LO TANTO EL NDICE ES ALTO), LAS VENTAS DE CARBN FUERON ALTAS. EL CONTADOR PROPONE QUE SE PUEDE HACER UN BUEN PRONSTICO PARA LA DEMANDA DE CARBN DEL AO PRXIMO AL DESARROLLAR UNA ECUACIN DE REGRESIN, Y DESPUS CONSULTAR EL FARMERS ALMANAC PARA VER QU TAN SEVERO SER EL INVIERNO DEL AO PRXIMO. CON LOS DATOS DE LA SIGUIENTE TABLA, DERIVAR UNA ECUACIN DE REGRESIN DE MNIMOS CUADRADOS Y CALCULAR EL COEFICIENTE DE CORRELACIN DE LOS DATOS. TAMBIN CALCULAR EL ERROR ESTNDAR DEL ESTIMADO.

Ventas de carbn Y (en millones de tons) 4 1 4 6 5 20 4 A=

ndice del clima X 2 1 4 5 3 15 3 1

X2

Xy

Sumatoria Promedio

4 1 16 25 9 55 B=

8 1 16 30 15 70 1

y=1+x

Coeficiente de correlacin=0.84 Error estndar=1.15

2.19.TRECE ESTUDIANTES SE INSCRIBIERON AL PROGRAMA DE P/OM EN EL


ROLLINS COLLEGE HACE DOS AOS. LA SIGUIENTE TABLA INDICA CUALES FUERON SUS CALIFICACIONES (GPAS) DESPUS DE ESTAR EN EL PROGRAMA POR DOS AOS Y LO QUE CADA ESTUDIANTE LOGRO EN EL EXAMEN SAT CUANDO ESTUVO EN LA PREPARATORIA. Estudiante Calificacin sat Gpa A B 421 377 2.90 2.93

Pgin a 20

PRONOSTICOS

C D E F G H I J K L M

585 690 608 390 415 481 729 501 613 709 366

3.00 3.45 3.66 2.88 2.15 2.53 3.22 1.99 2.75 3.90 1.60

a) existe una relacin significativa entre las calificaciones y los sats?


Estudiante A B C D E F G H I J K L M Sumatoria Promedio Calificaci n sat X 421 377 585 690 608 390 415 481 729 501 613 709 366 Gpa Y 2.9 2.93 3 3.45 3.66 2.88 2.15 2.53 3.22 1.99 2.75 3.9 1.6 X2 Xy Y2 8.41 8.5849 9 11.9025 13.3956 8.2944 4.6225 6.4009 10.3684 3.9601 7.5625 15.21 2.56 110.27

177241 1220.9 142129 1104.61 342225 1755 476100 2380.5 369664 2225.28 152100 1123.2 172225 892.25 231361 1216.93 531441 2347.38 251001 996.99 375769 1685.75 502681 2765.1 133956 585.6 3,857,893. 6,885.00 36.96 00 20,299.49 529.61538 2.8430769 5 2 1.0277708 0.0034275 A= 1 B= 9

Promedio de 529.61538 x= 5 Promedio de 2.8430769 y= 2 Covarianza= 55.761952

Pgin a 21

PRONOSTICOS

7 Desviacion de 127.54820 x= 4 Desviacion de 0.6319491 y= 8 Coeficiente de correlacion 0.6918014 lineal= 6 La relacion que existe, interpretando el coeficiente de correlacin lineal, se puede decir que es moderada, ya que no alcanza ni el 70%.

b)

si un estudiante obtuvo 350 en el sat, cul cree que sea su calificacin en el gpa?

y=1.02777081+0.0034279x y=1.02777081+0.0034279(350) y=2.22742845

c) qu tal para un estudiante que obtuvo 800?

y=1.02777081+0.0034279380 y=3.7698454
LA DRA. JERILYN ROSS, UNA PSICLOGA DE NUEVA YORK, SE ESPECIALIZA EN TRATAR PACIENTES QUE TIENEN FOBIAS Y TEMORES AL SALIR DE CASA. LA SIGUIENTE TABLA MUESTRA EL NMERO DE PACIENTES QUE HA ATENDIDO LA DRA. ROSS CADA AO DURANTE LOS LTIMOS 10 AOS. TAMBIN RELACIONA LA TASA DE ROBOS EN NUEVA YORK DURANTE EL MISMO AO. Tasa de crimen Nmero (robos) de Ao por 1000 X2 Xy Y2 pacientes habitante Y s X 1 58.3 36 3398.89 2098.8 1296 2 3 4 5 61.1 73.4 75.7 81.1 33 40 41 40 3733.21 5387.56 5730.49 6577.21 2016.3 2936 3103.7 3244 3733.21 5387.56 5730.49 6577.21

Pgin a 22

PRONOSTICOS

6 7 8 9 10 Sumatoria Promedio

89 101.1 94.8 103.3 116.2 854.00 85.4 A=

55 60 54 58 61

478.00 47.8 1.4090722 1 B=

7921 10221.21 8987.04 10670.89 13502.44 76,129.94

4895 6066 5119.2 5991.4 7088.2 42,558.60

7921 10221.21 8987.04 10670.89 13502.44 74,027.05

0.5432193

Promedio de x= 85.4 Promedio de y= 47.8 Covarianza= 173.74 Desviacion de 17.883903 x= 4 Desviacion de y= 71.539255 Coeficiente de correlacion 0.1357979 lineal= 1 La ecuacin de tendencia quedara como sigue:

y=1.40907221+0.5432193x
Pero la relacin entre la tasa de crmenes y el no. De pacientes de la doctora, Usando el mismo anlisis de tendencia, cuntos pacientes atender la dra. Ross en los aos 11, 12 y 13? qu tan bien encaja el modelo en los datos? Para responder esta pregunta es necesario contar la tasa de crmenes, ya que sta es la variable independiente, a partir de ese dato se podr estimar el no. De pacientes

2.18.UTILIZANDO LOS DATOS DEL PROBLEMA 2.25, APLICAR LA REGRESIN


LINEAL PARA ESTUDIAR LA RELACIN ENTRE LA TASA DE CRMENES Y LA CARGA DE PACIENTES DE LA DRA. ROSS. SI LA TASA DE ROBO SE INCREMENTA A 131.2 EN EL AO 11, CUNTOS PACIENTES CON FOBIA ATENDER LA DRA. ROSS? SI LA TASA DE CRMENES BAJA A 90.6, CUL ES LA PROYECCIN DE PACIENTES? A pesar que dicha ecuacin muestra una relacin baja, se estimara con ella el pronstico solicitado: Para una tasa de 131.2 crimenes:

y=1.40907221+0.5432193(131.2) Pgin a 23

PRONOSTICOS

y=72.67 pacientes y=73


Para una tasa de 90.6 crimenes:

y=1.40907221+0.543219390.6 y=50.62 pacientes y=51

2.19.LOS CONTADORES DE LA EMPRESA GETS AND FARNSWORTH CREAN


QUE VARIOS EJECUTIVOS VIAJEROS PRESENTABAN COMPROBANTES DE VIAJE INUSUALMENTE ALTOS AL REGRESAR DE VIAJES DE NEGOCIOS. LOS CONTADORES TOMARON UNA MUESTRA DE 200 COMPROBANTES PRESENTADOS DESDE EL AO PASADO; POSTERIORMENTE DESARROLLARON LA SIGUIENTE ECUACIN DE REGRESIN MLTIPLE, RELACIONANDO EL COSTO DEL VIAJE (), EL NMERO DE DAS DE VIAJE (X1), Y LA DISTANCIA VIAJADA (X2) EN MILLAS: = $90.00 + $48.50 x1 + 0.40 x2 El coeficiente de correlacin calculado fue de 0.68.

a) Si bill tomlinson regresa de un viaje de 300 millas por el que estuvo


fuera por cinco das, cul es la cantidad espera que debe reclamar como gastos?

Y=90.00+ 48.50 (5) + 0.40 (300) = 452.50 Por lo tanto el gasto esperado es de $452.50

b) Tomlinson reclamo una solicitud de reembolso por $685 qu debe


hacer el contador? c) Revisar comprobantes y checar si no hubo ninguna contingencia que hiciera gastar mas a tomilson.

d) se deben incluir otras variables? cules? por qu? Edad---- asumo que las personas mas jovenes pueden gastar mas. Sexo----- las mujeres normalmente gastan mas. 2.18.EN EL PASADO, LA DISTRIBUCIN DE LLANTAS DE LAURA GUSTAFSON VENDI UN PROMEDIO DE 1000 RADIALES CADA AO. EN LOS LTIMOS DOS AOS SE VENDIERON 200 Y 250, RESPECTIVAMENTE, EN EL OTOO; 300 Y 350 EN INVIERNO; 150 Y 165 EN PRIMAVERA; Y 300 Y

Pgin a 24

PRONOSTICOS

285 EN VERANO. AL PLANEAR UNA EXPANSIN MAYOR, LA SRA. GUSTAFSON PROYECTA QUE LAS VENTAS DEL PRXIMO AO SE INCREMENTEN A 1200 RADIALES. CUL SER LA DEMANDA PARA CADA ESTACIN? Demanda de ventas A 200 300 150 300 B 250 350 165 285 Total Demanda ndice mensual estacional promedio 250 250 250 250 0.9 1.3 0.63 1.17 Pronostic o= Pronostico demanda mensual 270 390 189 351 1200

Estacin Otoo Invierno Primaver a Verano

Demanda promedio 225 325 157.5 292.5 1000

2.19.SUPONGA QUE EL NMERO DE ACCIDENTES DE AUTOMVILES EN


CIERTA REGIN SE RELACIONAN CON EL NMERO DE AUTOMVILES REGISTRADOS EN MILES (B1), VENTA DE BEBIDAS ALCOHLICAS EN $10,000S (B2), Y DECREMENTO EN EL PRECIO DE LA GASOLINA EN CENTAVOS (B3). MS AUN, IMAGINE QUE LA FORMULA DE REGRESIN SE HA CALCULADO COMO: Y= a + b1 x1+ b2 x2 +b3 x3 Donde: Y = el nmero de accidentes de automviles A = 7.5, b1 = 3.5, b2 = 4.5 y b3 = 2.5 Calcular el nmero esperado de accidentes automovilsticos bajo las siguientes condiciones: A B1 B2 b3 = = = = 7.5 3.5 4.5 2.5 Y (no. De accidentes) 50.5 43 58

A) B) C)

X1 2 3 4

X2 3 5 7

X3 9 1 2

2.20.El siguiente modelo de regresin mltiple fue desarrollado para


predecir el desempeo del trabajo, de acuerdo con el ndice de evaluacin de desempeo del trabajo, en una compaa que se bas en la calificacin del examen de preempleo y el promedio de calificaciones de la universidad (gpa).

Pgin a 25

PRONOSTICOS

Y = 35 + 20 x1 + 50 x2 Donde: Y = ndice de evaluacin de desempeo del trabajo X1 = calificacin del examen de preempleo X2 = gpa universitario

a) Pronosticar el ndice de desempeo del trabajo para un solicitante


con gpa de 3.0 y calificacin de 80 en el examen de preempleo.

Y=35+20*80+50*3.0 Y=1785=INDICE DE DESEMPEO

b) Pronosticar el ndice de desempeo del trabajo para un solicitante


con gpa de 2.5 y calificacin de 70 en el examen de preempleo.

Y=35+20*70+50*2.5 Y=1560=INDICE DE DESEMPEO

2.18.EL GOBIERNO DE LA CIUDAD OBTUVO LOS SIGUIENTES DATOS DE RECOLECCIN DE IMPUESTOS SOBRE VENTAS ANUALES Y REGISTROS DE AUTOMVILES NUEVOS: Recolecci Registro de on de automovile impuestos s nuevos sobre X ventas y 10 12 15 16 14 17 20 Sumatoria Promedio 12.50 14.8571429 A= 1 1.4 1.9 2 1.8 2.1 2.3

X2

Xy

Y2

100 144 225 256 196 289 400 104.00 1,610.00 1.7857142 9 0.1581497 8 B=

10 16.8 28.5 32 25.2 35.7 46 194.20

1 144 225 256 196 289 400 1,511.00

0.130837

Pgin a 26

PRONOSTICOS

Promedio de x= Promedio de y= Covarianza= Desviacion de x= Desviacion de y= Coeficiente de correlacion lineal= Determinar:

14.8571429 1.78571429 1.2122449 3.04389654 14.5831535

0.0273092

a) La ecuacin de regresin de mnimos cuadrados.

Y=-0.15814978+0.130837x
b) Utilizando los resultados de la parte a), encontrar la recoleccin estimada de impuestos sobre ventas, si el total en los registros de automviles nuevos fue de 22.

Y=-0.15814978+0.13083722 Y=2.72026432=RECOLECCION ESTIMADA DE IMPUESTOS

c) Los coeficientes de correlacin y determinacin.

Coeficiente de correlacion lineal=

0.0273092

2.18.las millas voladas por pasajeros en northeast airlines, una empresa


de enlace que da servicio en la ciudad de boston, se muestran para las 12 semanas pasadas. a) Asumiendo que el pronstico inicial para la semana 1 fue de 17,000 millas, utilizar la suavizacin exponencial para calcular las millas de las semanas 2 a la 12. Emplear = 0.2. Millas de Pronstico pasajeros (millas de Diferencia Error Semana reales (en pasajeros absoluta pronostico miles) en miles) 1 17 17.00 0.00 0.00 2 21 17.00 4.00 4.00 3 19 17.80 1.20 1.20 4 23 18.00 5.00 5.00 5 18 19.00 1.00 -1.00 6 16 18.80 2.80 -2.80

Pgin a 27

PRONOSTICOS

7 8 9 10 11 12

20 18 22 20 15 22

18.30 18.60 18.50 19.20 19.40 18.50 Total

1.70 0.60 3.50 0.80 4.40 3.50 28.50 Mad 2.38 10.9 Rsfe 0 Rsfe / mad 4.59

1.70 -0.60 3.50 0.80 -4.40 3.50 10.90

b) cul es el mad para este modelo?

2.33. SE CREE QUE LOS VIAJES EN AUTOBS Y METRO EN WASHINGTON, D.C., DURANTE LOS MESES DEL VERANO ESTN VINCULADOS CON EL NMERO DE TURISTAS QUE VISITAN EN ESTA CIUDAD. DURANTE LOS LTIMOS 12 AOS, SE HAN OBTENIDO LOS SIGUIENTES DATOS: A o 1 2 3 4 5 6 Nmero de turistas (millones) 7 2 6 4 14 15 Viajes (millones) 1.5 1.0 1.3 1.5 2.5 2.7 A o 7 8 9 10 11 12 Nmero de turistas (millones) 16 12 14 20 15 7 Viajes (millones) 2.4 2.0 2.7 4.4 3.4 1.7

a) Graficar estos datos y decidir si es razonable un modelo lineal. Se puede decir que si es razonable un modelo linear

b) Desarrollar una relacin de regresin.

Pgin a 28

PRONOSTICOS

Ao

1 2 3 4 5 6 7 8 9 10 11 12 Sumatoria Promedio

Nmero de turistas (millones ) x 7 2 6 4 14 15 16 12 14 20 15 7 132.00

Viajes (millones ) Y 1.5 1 1.3 1.5 2.5 2.7 2.4 2 2.7 4.4 3.4 1.7

X2

Xy

Y2

A=

27.10 2.2583333 11 3 0.5060077 5 B=

49 4 36 16 196 225 256 144 196 400 225 49 1,796.00

10.5 2 7.8 6 35 40.5 38.4 24 37.8 88 51 11.9 352.90 0.1593023 3

2.25 4 36 16 196 225 256 144 196 400 225 49 1,749.25

Y=0.50600775+0.15930233x
c) cul es la relacin esperada si 10 millones de turistas visitan la ciudad en un ao?

Y=0.50600775+0.15930233(10) Y=2.09903101 millones de viajes


d) Explicar la relacin que se predijo si no hay turistas.

Y=0.50600775+0.15930233(0) Y=0.50600775 millones de viajes

e) cul es el error estndar del estimado?

error estndar=0.407
f) cul es el coeficiente de correlacin del modelo y el coeficiente de determinacin? CORRELACIN DEL MODELO 0.92 Y EL COEFICIENTE DE DETERMINACIN 0.84

Pgin a 29

PRONOSTICOS

2.34. LAS LLAMADAS DE EMERGENCIA AL SISTEMA 911 DE WINTER PARK, FLORIDA, DURANTE LAS LTIMAS 24 SEMANAS SE MUESTRAN A CONTINUACIN.

a) Calcular el pronstico de suavizacin exponencial de llamadas para cada


semana. Asumir un pronstico inicial de 50 llamadas en la primera semana, y utilizar = 0.1. cul es el pronstico para la semana 25? Diferenc ia absolut a 25 7.5 3.3 12.1 15.9 4.3 11.1 0 5 10.5 14.5 12 25.8 3.2 7.1 23.6 21.2 4.1 1.3 23.8 36.4 7.8 3 22.3 40.1 13.636

Llamada Semana s 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 50 35 25 40 45 35 20 30 35 20 15 40 55 35 25 55 55 40 35 60 75 50 40 65 85

0.1 25 27.5 28.3 27.9 29.1 30.7 31.1 30 30 30.5 29.5 28 29.2 31.8 32.1 31.4 33.8 35.9 36.3 36.2 38.6 42.2 43 42.7 44.9 Mad

0.6 25 40 37 29.8 35.9 41.4 37.5 27 28.8 32.5 25 19 31.6 45.6 39.3 30.7 45.3 51.1 44.4 38.8 51.5 65.6 56.2 46.5 57.6 Mad

Diferenc ia abs 25 5 12 10.2 9.1 6.4 17.5 3 6.2 12.5 10 21 23.4 10.6 14.3 24.3 9.7 11.1 9.4 21.2 23.5 15.6 16.2 18.5 27.4 14.524

b) Pronosticar de nuevo para cada periodo empleando = 0.6. Ver tabla anterior

c) Las llamadas reales durante la semana 25 fueron 85. qu constante de


suavizacin ofrece un pronstico mejor? Explicar y justificar la medida de error utilizada.

Pgin a 30

PRONOSTICOS

La constante de suavizacion que pronostica mejor es la de 0.1, con un una mad menor a la de 0.6

2.35. ORLANDO POWER AND LIGHT HA RECOLECTADO INFORMACIN DE LA DEMANDA DE ENERGA ELCTRICA EN LA SUCURSAL UCF DURANTE LOS LTIMOS DOS AOS. LOS DATOS SE MUESTRAN A CONTINUACIN: Demanda en megawatts Mes Ene Feb Mar Abr May Jun Ao pasado 5 6 10 13 18 15 Este ao 17 14 20 23 30 38 Mes Jul Ago Sep Oct Nov Dic Demanda en megawatts Ao pasado 23 26 21 15 12 14 Este ao 44 41 33 23 26 17

La empresa de servicio necesita pronosticar la demanda para cada mes del siguiente ao, para poder planear la expansin y negociar el prstamo de energa de las instalaciones vecinas durante los periodos pico. Sin embargo, los modelos de pronstico estndares discutidos en este captulo no siguen los datos observados durante los dos aos.

a) cules son las debilidades de las tcnicas estndares pronsticos cuando se aplican a este conjunto de datos?

de

En algunos no se puede tomar en cuenta la estacionalidad, y provoca que exista sesgo. b) Debido a que los modelos usados no son realmente apropiados aqu, proponga su propio sistema para pronosticar. Aunque no existe una solucin perfecta para atacar datos como stos (en otras palabras, no hay respuestas 100% correctas o incorrectas), justifique su modelo. El modelo factible estacionalidad, ya comportamiento. sera tal vez tomar en cuenta mucho la que ese observan en los datos este

Pgin a 31

PRONOSTICOS

c) Pronostique la demanda para cada mes del ao prximo, utilizando el modelo propuesto por usted. Demanda en megawatts Mes Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic Ao pasado 5 6 10 13 18 15 23 26 21 15 12 14 Este ao 17 14 20 23 30 38 44 41 33 23 26 17 Demanda promedio 11 10 15 18 24 26.5 33.5 33.5 27 19 19 15.5 252 Demanda en megawatts Demanda mensual promedio 21 21 21 21 21 21 21 21 21 21 21 21 Indice 0.5238095 2 0.4761904 8 0.7142857 1 0.8571428 6 1.1428571 4 1.2619047 6 1.5952381 1.5952381 1.2857142 9 0.9047619 0.9047619 0.7380952 4 Demanda anual (pronosti co) 18.77 17.06 25.6 30.71 40.95 45.22 57.16 57.16 46.07 32.42 32.42 26.45 430

2.36. LA ASISTENCIA A LA ATRACCIN VACATION WORLD, UN PARQUE SIMILAR A DISNEY EN ORLANDO, SE MUESTRA A CONTINUACIN: Calcular los ndices estacionales, utilizando toda la informacin anterior. Visitantes (en miles) 1990 1991 1992 Demand Demand a a promedi promedi o o periodo 76 107 111 107 107 107

Trimest re Inviern o Primav era Verano Otoo

ndice 0.7100 1.0400 1.5500 0.7000

73 104 168 74

65 82 124 52

89 146 205 98

166 75 Total: 428.00 428/4=1 Dmp: 07

2.37. SAMANTHA SHANE, ADMINISTRADORA DE SHANES DEPARTMENT STORE, HA UTILIZADO EXTRAPOLACIN DE SERIES DE TIEMPO PARA

Pgin a 32

PRONOSTICOS

PRONOSTICAR LAS VENTAS AL MENUDEO PARA LOS PRXIMOS CUATRO TRIMESTRES. LAS VENTAS ESTIMADAS SON DE $120,000, $140,000, $160,000 Y $180,000 PARA LOS TRIMESTRES RESPECTIVOS. LOS NDICES ESTACIONALES PARA LOS CUATRO TRIMESTRES SON DE 1.25, 0.90, 0.75 Y 1.15, RESPECTIVAMENTE. CALCULAR UN PRONSTICO DE VENTAS ESTACIONALIZADO O AJUSTADO.
VENTA TRIMEST PRONOSTIC RE ADA PRONST ICO

NDICE

1 2 3 4

120,000 140,000 160,000 180,000

1.25 0.90 0.75 1.15

150,000 126,000 120,000 207,000

Pgin a 33