Ejercicios de tarea

Producción II

a.- Pronostique la demanda para la semana del 12 de octubre usando un promedio

b.- Utilice un promedio móvil ponderado de 3 semanas con ponderaions de 0.1,0.3 y
c.- Calcule el pronóstico para la semana del 12 de octubre usando suavizamiento ex
ALFA= 0.2
Ponderación 0.1 0.3 0.6

Promedio P.M. Suavizamiento

Semana Unidades Móvil ponderado Exponencial
Aug-31 360 360.00
Sep-07 389 360.00
Sep-14 410 365.80
Sep-21 381 398.70 434.7 374.64
Sep-28 368 390.50 429.4 375.91
Oct-05 374 376.10 417.1 374.33
PRONÓSTICO Oct-12 372.90 411 374.26
ubre usando un promedio móvil de 3 semanas
on ponderaions de 0.1,0.3 y 0.6
e usando suavizamiento exponencial con un pronóstico de 360 para el 31 de agosto y α=0.2
 a.-
Grafique los datos anteriores. Observa alguna tendencia, ciclos o variacio
b.- Comenzando del año 4 hasta el 12.Pronostique la demanda usando prom
Grafique su pron´stico en la misma gráfica que los datos originales
c.-
Comenzando del ao 4 y hasta el 12 pronostique la demanda usando un p
para el año más reciente. GRAFIQUE EN LA MISMA GRÁFICA.
d.- Al comparar cada pronóstico contra los datos originales, cuál
parece proporcionar mejores resultados?
Ponderacion 0.1 0.3 0.6

Promedio P.M. Pronósti

ponderado 14
Año Demanda Móvil
Dem
1 7 12
2 9
3 5 10
4 9 7.00 6.4 9
5 13 7.67 7.8 8
6 8 9.00 11 7
7 12 10.00 9.6 6
8 13 11.00 10.9 5
9 9 11.00 12.2 4

10 11 11.33 10.5
2
11 7 11.00 10.6
PRONÓSTICO 12 9.00 8.4
0
1 2 3

a.- La demánda esalgo incierta, aumenta y vuelve a bajar

con años con alta demanda como el 5to y8vo año pero con
años con baja demanda como el 11avo y 6to año.

d.- El pronóstico más cercano es el promedio móvil

guna tendencia, ciclos o variaciones aleatorias?
stique la demanda usando promedios móviles de 3 aos.
a que los datos originales
stique la demanda usando un promedio movil de 3 años con ponderaciones de 0.1, 0.3, 0.6 usando 0.6
A MISMA GRÁFICA.
atos originales, cuál

Pronóstico de la demanda en un periodo de 12 años

14
Demanda Real 13Promedio Móvil Promedio
13 Movil Ponderado
12 12 12.2
11.3333333333333
11 11
10.9 11 11 11
10.5 10.6
10 10
9.6
9 9 9 9 9
8.4
8 7.8 8
7.66666666666667
7 7 7
6.4
6
5
4

0
1 2 3 4 5 6 7 8 9 10 11 12

uelve a bajar
vo año pero con
o año.

io móvil
 a.-
Desarrolle un pronóstico para los años 2 a 12 usado suavizamiento exp
nuevo pronóstico junto con los datos reales y un pronóstico intuitiv
α 0.4

Suavizamiento
Año Demanda Exponencial
1 7 6
2 9 6
3 5 7
4 9 6
5 13 7
6 8 10
7 12 9
8 13 10
9 9 11
10 11 10
11 7 11
PRONÓSTICO 12 9
R// Con un alfa igual a 4 el
pronóstico no se acerca nada
a la demanda real
12 usado suavizamiento exponencial con α=0.4 y un pronóstico para el año 1 de 6.Grafique su
ales y un pronóstico intuitivo. Con base en una inspección visual, cuál pronóstico es mejor?
 A.- Cuál es el pronóstico para Julio?
b.- Si el centro recibio 45 millones de cheque en julio, cuál es el pronóstico p
c.- Porqué podría se rinapropiado utilizar este método de pronóstico?
Constante 0.2

Real Pronóstico
Junio L 40,000,000.00 L 42,000,000.00
Julio L 45,000,000.00 L 41,600,000.00
Pronóstico Agosto L 42,280,000.00

c.- La variacion que existe entre el valor pronosticado y el

valor real al utilizar millones son demasiadas altas,
probablemente no es el mejor método para pronosticar,
ya que no es tan preciso.
 ue en julio, cuál es el pronóstico para agosto?
este método de pronóstico?

l valor pronosticado y el
on demasiadas altas,
método para pronosticar,
a.- Pronostique el número de millas para el otro año usando promedio m
b.- Encuentre la MAD para el promedio movil.
c.- Use proomedio movil ponderado de 2 años con ponderaciones de 0.
d.- Calcule el pronóstico con suavizamiento exponencial con pronóstico
Ponderaciones 0.6 0.4 Sumatoria 1
ALFA 0.5

Millas Promedio Error

año reales Movil Absoluto
1 3000
2 4000
3 3400 3500 100
4 3800 3700 100
5 3700 3600 100
Pronóstico 6 3750
MAD 100
ro año usando promedio movil de 2 años

s con ponderaciones de 0.4 y 0.6 siendo 0.6 el más reciente y calcule su MAD
ponencial con pronóstico para el año 1 de 3000 y ALFA de 0.5

Movil Error Suavizamiento

Ponderado Absoluto Exponencial
3000
3000
3600 200 3500
3640 160 3450
3640 60 3625
3740 3662.5
140
 a.- Grafique los datos de las ventas anuales
b.- Pronostique las ventas para enero usando cada una de las técnicas siguie
Método intuitivo
Promedio Movil 3 meses
Promedio Movil Ponderado 6 meses empleando 0.1, 0.1, .01, .02, .02, .03
Suavizamiento Exponencial con ALFA=0.3 y pronóstico para septiembre d
Proyección de tendencia
c.- Qué método permitiría elaborar el pronóstico de ventas para el próximo
Ponderaciones 0.3 0.2 0.2 0.1
alfa 0.3

Promedio
Meses Real Intuitivo
Movil
Enero 20
Febrero 21 20
Marzo 15 21
Abril 14 15 18.67
Mayo 13 14 16.67
Junio 16 13 14.00
Julio 17 16 14.33
Agosto 18 17 15.33
Septiembre 20 18 17.00
Octubre 20 20 18.33
Noviembre 21 20 19.33
Diciembre 23 21 20.33
Pronóstico Enero 23 21.33

Gráfica meses vrs ventas

25
23
21 21
2020 20 20
18
17
16
15 15
14
13
10

0
0
o cada una de las técnicas siguientes

leando 0.1, 0.1, .01, .02, .02, .03 la más alta para el mes más reciente
y pronóstico para septiembre de 18.

stico de ventas para el próximo mes de marzo?

0.1 0.1

Movil Suaviz.
Ponderado Exponencial

15.8
15.9
16.2 18.00
17.3 18.60
18.2 19.02
19.4 19.61
20.6 20.63

ventas

23
21
20 20

c.- Ninguno de los

metodos utilizados.
c.- Ninguno de los
metodos utilizados.
 a.- Cuál es el valor de su pronóstico? Cuatro
meses de
Ponderaciones 0.167 0.25 0.25 0.333 ponderación.

Semanas Real Promedio

Ponderado
1 65
2 62
3 70
4 48
5 63 59.84
6 52 60.83
pronóstico 7 56.76
Cuatro
meses de
ponderación.
 a.- Pronostique la temperatura máxima para hoy usando promedio móvil de 3 días
b.- Pronostique temperatura usando promedio móvil de 2 días
c.- Calcule la desviación absoluta media con base en un promedio movil de 2 días
d.- Calcule error cuadrático medio para promedio móvil de 2 días
e.- Calcule error porcentual absoluto medio para promedio movil de 2 días
3 días 2 días
Promedio Error Promedio Error
Día Real Movil Absoluto Movil Absoluto
lunes 93
martes 94
miércoles 93 93.50 0.5
jueves 95 93.33 1.67 93.50 1.5
viernes 96 94.00 2.00 94.00 2
sábado 88 94.67 6.67 95.50 7.5
domingo 90 93.00 3.00 92.00 2
Pronóstico Lunes 91.33 89.00
MAD 2.7
MSE 36.45
MAPE 2.99
a.- Use promedio móvil de 2 meses en todos los datos y grafique los promedios y los p
b.- Use un promedio móvil de 3 meses y agréguelo en la gráfica creada en el inciso A.
c.- Cuál es el mejor, de 2 o 3 meses?
d.- Calcule el pronóstico para cada mes usando suavizamiento y un pronóstico inicial p
Suavizamiento 0.1 0.3 0.5

2 meses 3 meses
Promedio Error Promedio
Meses Real Movil Absoluto Movil
Enero 1.8
febrero 1.67
Marzo 1.7 1.74 0.03
Abril 1.85 1.69 0.17 1.72
Mayo 1.9 1.78 0.13 1.74
Junio 1.87 1.88 0.00 1.82
Julio 1.8 1.89 0.08 1.87
Agosto 1.83 1.84 0.00 1.86
Septiembre 1.7 1.82 0.12 1.83
Pctubre 1.65 1.77 0.12 1.78
Noviembre 1.7 1.68 0.03 1.73
Diciembre 1.75 1.68 0.07 1.68
Enero 1.73 1.70
MAD 0.08 0.09

c.- El mejor promedio es el de 2 meses.

d.- Con un alfa de 0.5 se obtiene el error

más pequeño.
rafique los promedios y los precios
ráfica creada en el inciso A.

ento y un pronóstico inicial para enero de 1.8 Utilice primero ALFA= 0.1 DESPUÉS 0.3 y por último alfa = 0.5 empleando mad qué alda esm

0.1 0.3 0.5

Error Suavi. Error Suavi. Error Suavi. Error
absoluto Exponencial Absoluto Exponencial Absoluto Exponencial Absoluto
1.8 0.00 1.8 0.00 1.8 0.00
1.80 0.13 1.80 0.13 1.80 0.13
1.79 0.09 1.76 0.06 1.74 0.03
0.13 1.78 0.07 1.74 0.11 1.72 0.13
0.16 1.79 0.11 1.77 0.13 1.78 0.12
0.05 1.80 0.07 1.81 0.06 1.84 0.03
Real v
0.07 1.80 0.00 1.83 0.03 1.86 0.06
0.03 1.80 0.03 1.82 0.01 1.83 0.00
0.13 1.81 0.11 1.82 0.12 1.83 0.13 1.95
0.13 1.80 0.15 1.79 0.14 1.76 0.11 1.9
0.03 1.78 0.08 1.75 0.05 1.71 0.01
1.85 1.8
0.07 1.77 0.02 1.73 0.02 1.70 0.05
1.81.8
1.77 1.74 1.73
0.072 0.070 0.066 1.75
1.735
1.7233333
1.7 1.7
1.6
1.67
1.65
1.6

1.55
1.5
er
o ro zo ril
En bre ar Ab
f e M
leando mad qué alda esmejor?

Real vrs promedio 2 meses y 3 meses

REAL Movil 2 meses Movil 3 meses
1.95
1.9 1.9
1.875 1.885
1.87333333333333
1.87
1.85 1.85 1.85666666666667
1.835
1.83333333333333
1.83
1.81666666666667 1.815
1.81.8 1.8
1.775 1.77666666666667
1.765
1.75 1.74 1.75
1.735
1.72333333333333 1.72666666666667 1.725
1.7 1.7 1.7 1.7 1.7
1.685 1.68333333333333
1.675 1.675
1.67
1.65 1.65
1.6

1.55
1.5
er
o ro zo ril ay
o
ni
o li o to br
e
br
e
br
e
br
e
er
o
En re ar Ab Ju Ju os tu En
f e b M M A g em Pc
vi em ci em
pti Di
Se No
 a.- Desarrolle un promedio movil de 3 años para pronosticarlas inscripciones
b.- Estime la demanda de nuevo para los años 4 a 12 con un promedio movi
del año más reciente tenga un peso de 2 y en los otros 2 a
c.- Grafique los datos originales y los dos pronósticos. Cuál de los 2 métodos
Ponderación 1 1 2

Promedio Promedio
año Real Movil Ponderado
1 4
2 6
3 4
4 5 4.67 4.50
5 10 5.00 5.00
6 8 6.33 7.25
7 7 7.67 7.75
8 9 8.33 8.00
9 12 8.00 8.25
10 14 9.33 10.00
11 15 11.67 12.25
Pronóstico 12 13.67 14.00

Gráfica datos reales vrs promedio movil y ponderado

Real Promedio Movil Movil Ponderado
16
14
12
10
8
6
4
2
0
1 2 3 4 5 6 7 8 9 10 11
para pronosticarlas inscripciones del año 4 al 12.
os 4 a 12 con un promedio movil ponderado donde la inscripción
a un peso de 2 y en los otros 2 años un peso de 1
nósticos. Cuál de los 2 métodos de pronóstico es mejor?
Use suavizamiento exponencial con constante de suavizamiento de 0.3 para
pronosticar las inscripciones al seminario del problema 4.10 para comenzar el
procedimiento suponga que el pronóstico 1 es 5,000 personas.
Constante 0.3

Suavizamiento Error
año Real Exponencial absoluto
1 4 5 1
2 6 5 1
3 4 5 1
4 5 5 0
5 10 5 5
6 8 6 2
7 7 7 0
8 9 7 2
9 12 8 4
10 14 9 5
11 15 10 5
Pronóstico 12 12
MAD 2
Universidad Nacional Autonoma De Honduras
Ejercicios de Pronostico

Catedratica: Mireya Landa

Asignatura: Ingenieria de Produccion II

Alumna: Blanca Alcerro

Numero de Cuenta: 20131009688

 a.- Pronóstico para el viernes

constante 0.25

Día Demanda Pronóstico

Lunes 88 88
Martes 72 88
Miércoles 68 84
Jueves 48 80
Viernes 72
 a.- Use suavizamiento exponencial,primerco con una constante de 0.6 despu
b.- Utilice un promedio Movil de 3 años para pronosticar la demanda de los
c.- Use el método de proyección de tendencia y pronostique la demanda pa
d.- Con la MAD como criterio, cuá es el mejor?
0.6 0.9
X Y Suavi. Suavi.
año real Exponencial Error Absoluto Exponencial
1 45 41.00 4.00 41.00
2 50 43.40 6.60 44.60
3 52 47.36 4.64 49.46
4 56 50.14 5.86 51.75
5 58 53.66 4.34 55.57
Pronóstico 6 56 58
MAD 5.09 3.72

Utilizando la MAD como

criterio, la que presenta el
menor error es ¨la proyección
de tendencia¨.
 a constante de 0.6 después 0.9 y pronostique del año 2 al 6.
sticar la demanda de los años 4, 5 y 6.
nostique la demanda para los años 1 a 6

Y=a+bx
Error Promedio Error Proyección Error
Absoluto Movil Absoluto Tendencia Absoluto
4.00 45.80 0.80
5.40 49.00 1.00
2.54 52.20 0.20
4.25 45.02 10.98 55.40 0.60
2.43 48.60 9.40 58.60 0.60
52 61.8
10.19 0.64
 a.- Cuáles son los valores del MAD y del MSE para cada método?

Semanas Demanda Real Método 1 E. absoluto Método 2 E. Absoluto

1 0.7 0.9 0.2 0.8 0.1
2 1 1.05 0.05 1.2 0.2
3 1 0.95 0.05 0.9 0.1
4 1 1.2 0.2 1.11 0.11
MAD 0.13 0.13
MSE 4.20 4.02
ara cada método?
 Use promedio movil de 3 años para pronosticar ventas durante 2008.
Cuál es la MAD?

Año Ventas Promedio Error

Movil Absoluto
2003 450
2004 495
2005 518
2006 563 488 75.33
2007 584 525 58.67
PRONÓSTICO 2008 555
MAD 67
durante 2008.
 Use el método de proyección de tendencia y calcule la MAD
X Y
Año Ventas Proyección Error
Tendencia Absoluto

2003 450 454.8 4.8

2004 495 488.4 6.6
2005 518 522 4
2006 563 555.6 7.4
2007 584 589.2 5.2
TENDENCIA 2008 622.8
MAD 5.6
 Usando suavizamiento exponencial con constantes de0.3, 0.6, 0.9 desarrolle un pronó
a.- Qué efecto tiene la constante de suavizamiento sobre el pronóstico?
b.- Use MAD para determinar cuál constante es mejor.

Constantes 0.3 0.6

Año Ventas Suav. Suav.
Exponencial Error Absoluto Exponencial
2003 450 410 40 410
2004 495 422 73 434
2005 518 444 74 471
2006 563 466 97 499
2007 584 495 89 537
Pronóstico 2008 522 565
MAD 75 52

a.- Cuando las ventas de los últimos años se han mantenido más o menos estables prefe
que el resultado no variará mucho, pero si las ventas son intermitentes o cambiantes
más alta para poder ver su comportamiento con más d

b.- Con una constante de 0.9 se obtiene la desviación más pequeña

 .6, 0.9 desarrolle un pronóstico de ventas

0.9
Error Suav. Error
Absoluto Exponencial Absoluto
40 410 40
61 446 49
47 490 28
64 515 48
47 558 26
581
38

más o menos estables preferiremos una constante pequeña, ya

termitentes o cambiantes entonces preferiremos una constante
omportamiento con más detalle
 El primer pronóstico F se obtuvo observando A y estableciendo D igual a A. Los pronósticos
subsecuentes se obtuvieron mediante suavizamiento Exponencial Usando el método de
suavizamiento exponencial encuentre el pronóstico para el quinto periodo. Primero es
necesario encontrar la constante

Constante 0.25

Suav. Suavizamiento exponencial

Periodo Demanda Exponencial Fr: Ft-1 + α [ At-1 - Ft-1]
1 50 50 α : Ft - Ft-1/ At-1 - Ft-1
2 42 50 α : 48-50/42-50
3 56 48 α :0.25
4 46 50
Pronóstico 5 49
ual a A. Los pronósticos
Usando el método de
o periodo. Primero es

onencial
Ft-1]
t-1
 Use suavizamiento exponencial con ajuste de tendencia para pronosticar el ingreso de agosto par
despacho de abogados. Suponga que el pronóstico inicial para febrero es de 65000 y el ajuste
tendencia inicial es de 0. Las constantes son 0.1 y 0.2
α β
Constantes 0.1 0.2

Demanda Pronóstico Tendencia Pronóstico con

Mes Real suavizado(Ft) Suavizada (Tt) Tendencia FITt
Febrero 70 65.00 0.00 65.00
Marzo 68.5 65.50 0.10 65.60
Abril 64.8 65.89 0.16 66.05
Mayo 71.7 65.92 0.13 66.06
Junio 71.3 66.62 0.25 66.87
Julio 72.8 67.31 0.33 67.64
Pronóstico Agosto 68.16 0.44 68.60
sticar el ingreso de agosto para este
ebrero es de 65000 y el ajuste de
n 0.1 y 0.2
 Resuelva el problema 4.19 con Alfa= 0.1 y beta= 0.8 usando MSE determine la constante de suav

α β
Constantes 0.1 0.8

Demanda Pronóstico Tendencia Pronóstico con

Mes Real suavizado(Ft) Suavizada (Tt) Tendencia FITt
Febrero 70 65.00 0.00 65.00
Marzo 68.5 65.50 0.40 65.90
Abril 64.8 66.16 0.61 66.77
Mayo 71.7 66.57 0.45 67.02
Junio 71.3 67.49 0.82 68.31
Julio 72.8 68.61 1.06 69.68
Pronóstico Agosto 69.99 1.31 71.30
MSE
MSE anterior

Las constantes que presentan un

error mas pequeño son: α=0.1 y
β=0.2
termine la constante de suavizamiento que proporciona el mejor pronóstico

Para constante Para constantes

0.1 y 0.8 0.1 y 0.2
Errores Errores
absolutos Absolutos
5.00 5.00
2.60 2.90
1.97 -1.25
4.68 5.64
2.99 4.43
3.12 5.16

69.06
79.82
 Vea la ilustración de suavizamiento exponencial con ajuste de tendencia del ejemplo 7 en las página
meses y mostramos el detalle de los cálculos para los meses 2 y 3 . En el problema resuelto 4.2 conti
para los meses 5 y 6 para F,T y FIT.

α β
Constantes 0.2 0.4

Demanda Pronóstico Tendencia Pronóstico con

Mes Real suavizado(Ft) Suavizada (Tt) Tendencia FITt
1 12 11.00 2.00 13.00
2 17 12.80 1.92 14.72
3 20 15.18 2.10 17.28
4 19 17.82 2.32 20.14
5 24 19.91 2.23 22.14
Pronóstico
6 21 22.51 2.38 24.89
dencia del ejemplo 7 en las páginas 119 y 121. Usando ALFA= 0.2 Y BETA= 0.4 pronosticamos las ventas de 9
En el problema resuelto 4.2 continuamos el proceso para el mes 4. En este problema muestre sus cálculos
 Retome el problema 4.21 complete los cálculos del pronóstico de suavizamiento exponencial co
periodos 7, 8 y 9. Confirme que sus cifras para F, T y FIT correspondan a las d

α β
Constantes 0.2 0.4
Pronóstico
Tendencia con
Demanda Pronóstico Suavizada Tendencia
Mes Real suavizado(Ft) (Tt) FITt
1 12 11.00 2.00 13.00
2 17 12.80 1.92 14.72
3 20 15.18 2.10 17.28
4 19 17.82 2.32 20.14 Las cifras
coinciden con las
5 24 19.91 2.23 22.14 de la tabla 4.1.
6 21 22.51 2.38 24.89
7 31 24.11 2.07 26.18
8 28 27.14 2.45 29.59
9 36 29.28 2.32 31.60
suavizamiento exponencial con ajuste de tendencia para los
, T y FIT correspondan a las de la tabla 4.1

Las cifras
coinciden con las
de la tabla 4.1.
 a.- Calcule MAD y MAPE como técnica de administración
b.- Los resultados de la administración(tienen MAD y MAPE menores que) superaron el p
c.- Qué pronóstico recomendaría usted, con base en el menor error de pronóstico?

Error Pronóstico Error

Mes Ventas reales Pronóstico Absoluto intuitivo Absoluto
Julio 100
Agosto 93 100 7
Septiembre 96 93 3
Octubre 110 96 14
Noviembre 124 110 14
Diciembre 119 124 5
Enero 92 119 27
Febrero 83 92 9
Marzo 101 120 19 83 18
Abril 96 114 18 101 5
Mayo 89 110 21 96 7
Junio 108 108 0 89 19
MAD 14.5 11.64
MAPE 15.29% 11.60%
enores que) superaron el pronóstico intuitivo?
error de pronóstico?

b.- Los resultados de la administración no

mejoraron el método intuitivo.

c.- Recomiendo el método intuitivo,

porque tiene una mejor precision al
método utilizado por la administración.
 a.- Grafique con estos datos para saber si una ecuación lineal podría describir la relació
b.- Use el método de regresión por mínimos cuadrados para obtener una ecuación de
c.- Cuál sería la estimación de las ventas de tambores bajos si los stone Telpme Pilots h
d.- Cuáles son el coeficiente de correlación r y el coeficiente de determinación r^2 par

x y

# Apariciones Demanda X^2

1 3 3 9
2 4 6 16
3 7 7 49
4 6 5 36
5 8 10 64
6 5 7 25
SUMATORIAS 33 38 199

Pronóstico de apariciones por método de mínimos cuadrados

Apariciones
x
Pronóstico de
Apariciones demanda
Pronóstico 9 9.93

Coeficiente El coeficiente de correlación nos indica la relación existente entre las variables X y
0.82
Correlación(r) cercano a 1 sea el coeficiente entonces más relaciona
Coeficiente El coeficiente de determinación es la variación presente en la variable dependient
Determ. (r^2) 68% se puede explicar con la recta de regresión, en este caso el comportamiento de la
un 68% con la recta de regresión
una ecuación lineal podría describir la relación que hay entre las apariciones en televisión del grupo y la venta de tambores bajos.
os cuadrados para obtener una ecuación de pronóstico
e tambores bajos si los stone Telpme Pilots hubiesen aparecido nueve veces en televisión el mes anterior?
r y el coeficiente de determinación r^2 para este modelo y qué significan?

X*Y n= 6
9 b= 1.03
24 a= 0.68
49
30 Y= a+bx
80
35
227

a la relación existente entre las variables X y Y, y su valor oscila entre 0 y 1. Entre más
a 1 sea el coeficiente entonces más relacionadas estarán

ariación presente en la variable dependiente. Nos indica qué porcentaje de variación

sión, en este caso el comportamiento de la variable dependiente se puede explicar en
un 68% con la recta de regresión
a venta de tambores bajos.
 Pronostique el número de accidentes que ocurrirán en mayo usando regresión de mínimos cuad

x y

meses # Accidentes X^2 X*Y

Enero 1 3 1 3
Febrero 2 6 4 12
Marzo 3 7 9 21
Abril 4 5 16 20
SUMATORIAS 10 21 30 56

x
Accidentes
mes
Pronóstico MAYO 5 7.00
o regresión de mínimos cuadrados para obtener una ecuación de tendencia.

n= 4
b= 0.70
a= 3.50
Y= a+bx
 En el pasado la distribuidora X vendió un promeedio de 1,000 llantas radiales al año. Con una ampli
puerta, la distribuidora X incrementará el próximo año a 1,200 llantas radiales. Cuál será la demand

Demanda
Demanda Promedio Indice Pronóstico
Año 1 Año 2 Promedio Mensual Estacional siguiente año
Otoño 200 250 225 83.33 2.7 270
Invierno 350 300 325 83.33 3.9 390
Primavera 150 165 157.5 83.33 1.89 189
Verano 300 285 292.5 83.33 3.51 351
Sumatoria 1000 1000 1000 Demanda 1200
diales al año. Con una ampliación importante en
adiales. Cuál será la demanda en cada estación ?

Si la señal de control
da negativo, es que
la demanda es
menor de lo que
pronostique.
Mark ha pronosticado que la demanda anual de sus lanchas en 2009 será igual a 5,600. Con base
estacional multiplicativo, cuál será el nivel de la demanda para las lanchas de Marl en la primave
Modelo estacional multiplicativo

Demanda
Temporada 2004 2005 2006 2007 promedio
Invierno 1400 1200 1000 900 1125
Primavera 1500 1400 1600 1500 1500
Verano 1000 2100 2000 1900 1750
Otoño 600 750 650 500 625
Sumatoria 4500 5450 5250 4800 5000

2009
Invierno 1125
Pronóstico demanda 2019 Primavera 1500
Verano 1750
Otoño 625
Demanda año 2019 5000
 rá igual a 5,600. Con base en estos datos y el modelo
has de Marl en la primavera de 2009?

Demanda
Promedio
Mensual índice Estacional
416.67 2.7
416.67 3.6
416.67 4.2
416.67 1.5
Calcule los índices estacionales usando todos los datos

Demanda
Demanda Promedio Indice
2005 2006 2007 Promedio Mensual Estacional
Invierno 73 65 89 167.67 76.78 2.18
Primavera 104 82 146 234.67 76.78 3.06
Verano 168 124 205 360.33 76.78 4.69
Otoño 74 52 98 158.67 76.78 2.07
Sumatoria 2424 2329 2545 921.33
Se estima que la recta de tendencia de la demanda es D= 77+0.43Q
Donde Q es el número secuencial trimestral y Q=1 para el invierno de 1984. además los factores mu
Pronostique el uso de energía para los cuatro trimestres de 2009 comenzando en invierno

Demanda
Demanda Promedio Pronóstico
Trimestre Factor D Promedio Mensual 2019
Invierno 0.8 77 110.11 37.635 30.11
Primavera 1.1 78 110.54 37.635 41.40
Verano 1.4 79 110.97 37.635 52.69
Otoño 0.7 100 120 37.635 26.34
Sumatorias 451.62
de 1984. además los factores multiplicadores estacionales son:
menzando en invierno
Modelo de pronóstico Y= 36+4.3x
Donde:
Y= Demanda de aires acondicionados Aztec
X= La temperatura exterior

a.- Pronostique la demanda de Aztec cuando la temperatura es de 70 F

b.- Cuál es la demanda cuando la temperatura es de 80 F
c.- Cuál es la demanda cuando la temperatura de es 90F
Demanda
cuando
Demanda la
Pronóstico
temperatura
cuando
Demanda la
es de Es
Temp. 70Fde 337
cuando la
80 Es
temp. F de 380
90F 423
ura es de 70 F
 Usando estos datos, cuántos cafés con leche sabor Moca pronosticaría usted para ser vendidos d

x y
Cafes
# Precio ($) vendidos X^2 X*Y
1 2.7 760 7.29 2052
2 3.5 510 12.25 1785
3 2 980 4 1960
4 4.2 250 17.64 1050
5 3.1 320 9.61 992
6 4.05 480 16.4025 1944
SUMATORIAS 19.55 3300 67.1925 9783

Pronóstico de venta de
café a $1.80 por método
de mínimos cuadrados.

x
Pronóstico
Precio ($) de cafes

Pronóstico 1.8 954.87

ría usted para ser vendidos de acuerdo con una regresión lineal simple si el precio por taza fuera de 1.80?

n= 6
b= -277.63
a= 1454.60

Y= a+bx

venta de
or método
adrados.
 Desarrolle una regresión lineal que relacione las ventas del bar con los huespedes ( No con el tie
Si el pronóstico para la semana siguiente es de 20 huespedes, de cuánto se espera que sean las v

Ventas del
# Huéspedes bar($) X^2 X*Y
1 16 330 256 5280
2 12 270 144 3240
3 18 380 324 6840
4 14 300 196 4200
SUMATORIAS 60 1280 920 19560
Pronóstico de venta en el bar con
20 huéspedes.

Pronóstico
de ventas
($)
Huéspedes
Pronóstico 20 410.00
os huespedes ( No con el tiempo)
ánto se espera que sean las ventas?

n= 4
b= 18.00
a= 50.00

Y= a+bx
a.- Usando Regresión lineal pronostique el número de transistores que se fabricará el próximo año.
b.- Calcule el error cuadrático medio (MSE) cuando use la regresión lineal
c.- Calcule el error porcentual absoluto medio (MAPE)

x y

Año Transistores X^2 X*Y

1 140 1 140
2 160 4 320
3 190 9 570
4 200 16 800
5 210 25 1050
Pronóstico 6
SUMATORIAS 15 900 55 2880
MAD
MAPE

Pronóstico de venta de café a

$1.80 por método de mínimos
cuadrados.
tores que se fabricará el próximo año.
resión lineal

Pronóstico con Error

Regresión Lineal Absoluto
144.00 4.00
162.00 2.00
180.00 10.00
198.00 2.00
216.00 6.00
234.00

4.80
2.65%

Y= a+bx
n= 5
b= 18.00
a= 126.00
 El número de accidentes automovilísticos en ciertas regiones está relacionado con el número de au
registrados en miles(Xi), la venta de bebidas alcogólicas en unidades de 10,000(x2) y la cantidad de
pulgadas (x3). Además la fórmula de regresión se ha calculado como :
x1 Número de accidentes Y = a + b1X1 + b2X2 + b3X3
x2 10000 donde Y = número de accidentes automovilísticos a = 7.5 b1 = 3.5 b2 = 4
x3 Pulg. De lluvia
a.- 7.5
b1.- 3.5
b2.- 4.5 Calcule el número esperado de accidentes bajo las condiciones A, B, C.
b3.- 2.5

Pronóstico
x1 x2 x3 Y
a 2 3 0 28
b 3 5 1 43
c 4 7 2 58
elacionado con el número de automóviles
s de 10,000(x2) y la cantidad de lluvia medida en
o:

ovilísticos a = 7.5 b1 = 3.5 b2 = 4.5 b3 = 2.5

diciones A, B, C.
 Modelo
Y = 13,473 + 37.65X

El coeficiente de correlación para el modelo es de 0.63

a.- Use el modelo mencionado para predecir el precio de venta de una casa que tiene 1860 pies cuadrados.

b.- Una casa con 1860 pies cuadrados se vendio recientemente en 95,000 dólares. Explique porqué esta cifra no
C.-Si usara regresión múltiple para desarrollar dicho modelo, cuáles otras variables cuantitativas podrían incluirse
D.- Cuál es el valor del coeficiente de determinación en este problema?

a.- Pronóstico Precio Casa de 1860 pie cuadrado L 83,502.00

b.- El modelo tiene un coeficiente de correlación bajo de 0.63, eso podría explicar porqué hay una dife
casi 12,000$ entre el valor real de la venta y el valor pronosticado.

c.- Si utilizara regresión múltiple podríamos incluir los acabados, la calidad de materiales de construcc
estará amueblada, o no, como métodos cuantitativos de pronosticar su valor .

d.- Correlación 0.63

Determinación 40%
1860 pies cuadrados.

lique porqué esta cifra no se corresponde con la predicción del modelo.

antitativas podrían incluirse?

xplicar porqué hay una diferencia de

r pronosticado.

de materiales de construcción y si ya
pronosticar su valor .
 Elcoeficiente de correlación calculado fue de 0.68
a.- Si Wanda Regresa de un viaje de 300 millas por el que estuvo 5 días fuera de la ciudad
b.- Fennell introdujo una solicitud de reembolso por 685 dólares, qué debe hacer el conta
c.- Deberían incluirse otras variables? Cuáles? Porqué?
x1= Número días de viaje
x2= Distancia recorrida

y= 90+48.50x1+0.40x2
Proyección
de costo
a.- Pronóstico $452.50

b.- Primero el contador debería de cotejar la diferencia de gastos proyectadas con la que declara Fe
ecuación con más variables que le permitan tener un coeficiente de correlación más alto, pues es pr
reportada por Fennell sea correcta.

c.- Incluir otras variables es muy importante, porque la correlación es muy baja, y la diferencia en
proyectada podría explicarse por una baja correlación entre las variables uti
 estuvo 5 días fuera de la ciudad, cuál es la cantidad esperada que debe solicitar por los gastos?
dólares, qué debe hacer el contador?

oyectadas con la que declara Fennell, y debería crear otra

correlación más alto, pues es probable que la cantidad

n es muy baja, y la diferencia entre la cantidad reportada y la

correlación entre las variables utilizadas
 Las ventas de las pasadas 10 semanas registradas en la tienda de música se muestran en la tabla sig
Pronostique la demanda para cada semana incluyendo la semana 10, usando suavizamiento expone

a.- Calcule MAD

c.- Calcule la señal de control.

Alfa 0.5
Suavizamiento Error
Semana Demanda Exponencial Absoluto MSFE
1 20 20.00 0.00 0.00
2 21 20.00 1.00 1.00
3 28 20.50 7.50 7.50
4 37 24.25 12.75 12.75
5 25 30.63 5.63 -5.63
6 29 27.81 1.19 1.19
7 36 28.41 7.59 7.59
8 22 32.20 10.20 -10.20
9 25 27.10 2.10 -2.10
10 28 26.05 1.95 1.95
Sumatoria 49.91 14.05
MAD 4.99
Señal de control 2.82
e muestran en la tabla siguiente.
do suavizamiento exponencial con ALFA=0.5 y pronóstico inicial de 20
 a.- Determine la ecuación de regresión de mínimos cuadrados
b.- A partir de los resultados del inciso a, encuentre la recaudación estamada de impues
c.- Los coeficientes de correlación y determinación

x y
Registros Autos Impuestos
# (miles) Recaudados(millones) X^2 X*Y
1 10 1 100 10
2 12 1.4 144 16.8
3 15 1.9 225 28.5
4 16 2 256 32
5 14 1.8 196 25.2
6 17 2.1 289 35.7
7 20 2.3 400 46
SUMATORIAS 104 12.5 1610 194.2

Pronóstico de recaudación de impuestos por

22mil autos

x
Coeficiente
Registro Autos Pronóstico recaudación Correlación(
r)
Coeficiente
Pronóstico 22 2.63 Determ.
(r^2)
dación estamada de impuestos por ventas si los registros de automóviles nuevos ascienden a 22,000

n= 6
b= 0.12
a= 0.06

Y= a+bx

0.97

93%
Usando el análisis de tendencia, pronostique el número de
pacientes que la doctora X atenderá en los años 11 y 12.
Qué tan bien se ajusta el modelo a los datos?

x y
Número de
# año pacientes X^2 X*Y
1 1 36 1 36
2 2 33 4 66
3 3 40 9 120
4 4 41 16 164
5 5 40 25 200
6 6 55 36 330
7 7 60 49 420
8 8 54 64 432
9 9 58 81 522
10 10 61 100 610
SUMATORIAS 55 478 385 2900
Pronóstico de número de pacientes en año 11 y 12

x
Número de Coeficiente
Año pacientes Correlación( 0.92
Pronóstico 11 65.87 r)
Coeficiente
Pronóstico 12 69.15 Determ.
(r^2) 85%

El modelo se ajusta excelente a los

datos, y la relación que existe entre
ellos es muy grande.
 n= 10
b= 3.28
a= 29.73

Y= a+bx
Con los datos del problema 3.39 aplique regresión lineal para estudiar la relación que hay entre el índice de robo
Si el índice de robos se incrementa a 131.2 en el año 11,
Cuántos pacientes con fobia atenderá la doctora?
Si el índice de robos cae a 90.6 cuál es la proyección de pacientes?

x y
Índice de Pacientes
# robos con fobia X^2 X*Y
1 58.3 36 3398.89 2098.8
2 61.1 33 3733.21 2016.3
3 73.4 40 5387.56 2936
4 75.7 41 5730.49 3103.7
5 81.1 40 6577.21 3244
6 89 55 7921 4895
7 101.1 60 10221.21 6066
8 94.8 54 8987.04 5119.2
9 103.3 58 10670.89 5991.4
10 116.2 61 13502.44 7088.2
SUMATORIAS 854 478 76129.94 42558.6

Pronóstico de número de pacientes en año 11 y 12

x
índice de Número de Coeficiente
robos pacientes Correlación( 0.95
Pronóstico 90.6 50.62 r)
Pronóstico 131.2 72.68

El número de pacientes que atenderá la Dr. Si el

índice aumenta a 131.2 será de 73 pacientes, y si
cae a 90.6 entonces atenderá a 51 pacientes.

El índice de correlación entre los robos y el número

de pacientes que atiene la Dr. Es alto, equivalente a
0.95.
e hay entre el índice de robos y la carga de pacientes de la doctora Sweeney.

n= 10
b= 0.54
a= 1.41

Y= a+bx
a.- Grafique estos datos y decida si es razonable emplear el modelo lineal
b.- Desarrolle una relación de regresión
c.- Cuál es el número de viajes esperado si en un ao visitan londres 10 millones de turistas?
d.- Explique el comportamiento de los viajes pronosticados si no hubiera turistas
e.- Cuál es el error estandar de la estimación?
f.- Cuáles son el coeficiente de correlación y de determinación del modelo?

x y
Turistas Viajes
# (millones) (millones) X^2 X*Y
1 7 1.5 49 10.5
2 2 1 4 2
3 6 1.3 36 7.8
4 4 1.5 16 6
5 14 2.5 196 35
6 15 2.7 225 40.5
7 16 2.4 256 38.4
8 12 2 144 24
9 14 2.7 196 37.8
10 20 4.4 400 88
11 15 3.4 225 51
12 7 1.7 49 11.9
SUMATORIAS 132 27.1 1796 352.9

Pronóstico de venta del número de viajes según la

cantidad de turistas. c.- Se esperan 2 millones de viajes para 1
millones de turistas.
x
Número de
Turistas viajes
Pronóstico 10 2.10 Coeficiente 0.92
Pronóstico 0 0.51 Correlación(r)
Coeficiente 84%
Determ. (r^2)

Error Estandar 0.41

dres 10 millones de turistas?
o hubiera turistas

del modelo?

y^2
n= 12
2.25 b= 0.16
1 a= 0.51
1.69
2.25 Y= a+bx
6.25
7.29
5.76
4
7.29
19.36
11.56
2.89
71.59

e esperan 2 millones de viajes para 10

ones de turistas.

d.- De no haber turistas igual se pueden

predecir 290mil viajes, probablemente de
carácter local, comercial o viajes de negocio,
es decir, de la misma localidad.
Para plantear una expansi{on y acordar el pr{estamo de energ{ia con otras compañías de servicio pú
estar en posibilidad de pronosticar la demanda de cada mes para el próximo año.Sin embarlo los m
esste capítulo no se ajustan a los datos
a.- Cuáles son las debilidades de las técnicas de pronósticos estandar al aplicarse a esta
b.- Cómo los modelos conocidos no son apropiados para este caso haga una propuesta
c.- Pronostique la demanda para cadames del próximo año con el modelo que usted pr

a.- Los datos son insuficientes, deberían de poderse analizar la estacionalidad y sus fac
b.-
Y
X
Prom. Año
# Año pasado Año Actual pasado/actual

Enero 1 5 17 11
Febrero 2 6 14 10
Marzo 3 10 20 15
Abril 4 13 23 18
Mayo 5 18 30 24
Junio 6 15 38 26.5
Julio 7 23 44 33.5
Agosto 8 26 41 33.5
Septiembre 9 21 33 27
Octubre 10 15 23 19
Noviembre 11 12 26 19
Diciembre 12 14 17 15.5
SUMATORIAS 78 252

Pronótico de consumo de energía en MW año siguiente

x Pronóstico
Año
siguiente MegaWatts
Enero 13 34.36
Febrero 14 36.12
Marzo 13 34.36
Abril 14 36.12
Mayo 15 37.89
Junio 16 39.65
Julio 17 41.41
Agosto 18 43.17
Septiembre 19 44.93
Octubre 20 46.69
Noviembre 21 48.46
Diciembre 22 50.22
Enero 23 51.98
Febrero 24 53.74
{ia con otras compañías de servicio público durante los periodo pico, Dess necesita
ara el próximo año.Sin embarlo los modelos de pronóstico estandar analizados en

ronósticos estandar al aplicarse a esta serie de datos?

os para este caso haga una propuesta para aproximarse al pronóstico. Aunque no exista una solución perfecta para manejar datos de este
óximo año con el modelo que usted propuso

rse analizar la estacionalidad y sus factores de tendencia

X^2 X*Y
n= 10
25 85 b= 1.76
36 84 a= 11.46
100 200
169 299 Y= a+bx
324 540
225 570
529 1012
676 1066
441 693
225 345
144 312
196 238
3090 5444

ño siguiente

Coeficiente
0.38
Correlación(r)
Coeficiente
14%
Determ. (r^2)
ra manejar datos de este tipo. Justifique
a.- Calcule el pronóstico suavizado exponencialmente de las llamadas para cada semana. Suponga un p
semana. Use ALFA=0.2 . Cuál es el pronóstico para la semana 25?
b.- Pronostique de nuevo cada periodo con ALFA=0.6
C.- Las llamadas reales durante la semana 25 fueron 85. Qué constante de suavizamiento proporciona
Explique y justifique la medida de error que use

Constantes 0.2 0.6

semana Llamadas Suav. Error Suav. Error
Exponencial Absoluto Exponencial Absoluto
1 50 50 0 50 0
2 35 50 15 50 15
3 25 47 22 41 16
4 40 43 3 31 9
5 45 42 3 37 8
6 35 43 8 42 7
7 20 41 21 38 18
8 30 37 7 27 3
9 35 36 1 29 6
10 20 35 15 33 13
11 15 32 17 25 10
12 40 29 11 19 21
13 55 31 24 32 23
14 35 36 1 46 11
15 25 36 11 39 14
16 55 34 21 31 24
17 55 38 17 45 10
18 40 41 1 51 11
19 35 41 6 44 9
20 60 40 20 39 21
21 75 44 31 52 23
22 50 50 0 66 16
23 40 50 10 56 16
24 65 48 17 46 19
Pronóstico 25 51 58
MAD 8 13

c.- La constante de suavizamiento 0.2 otorga un error menor o mas pequeño ,

pero aún así se aleja mucho de las llamadas que realmente se realizaron.

d.-Se utilizo MAD como medida de error por ser la más fácil y
apropiada para este tipo de datos.
d.-Se utilizo MAD como medida de error por ser la más fácil y
apropiada para este tipo de datos.
ara cada semana. Suponga un pronóstico inicial de 50 llamadas para cada

de suavizamiento proporciona un pronóstico superior?

Usando los datos del problema anterior pronostique las llamadas para las semanas 2 a 24 con un m
exponencial con ajuste de tendencia.
Suponga un pronóstico inicial de 50 llamadas para la semana 1 y una tendencia inicial de 0. Use ALF
Es éste el mejor modelo que el del problema 4.43? Qué ajuste podría ser útil paramejorarlo aún má
para la semana 25 fueron 85.

α β
Constantes 0.3 0.2

Tendencia
Demanda Pronóstico Suavizada
Mes Real suavizado(Ft) (Tt)
1 50 50.00 0.00
2 35 50.00 0.00
3 25 45.50 -0.90
4 40 38.72 -2.08
5 45 37.65 -1.87
6 35 38.54 -1.32
7 20 36.56 -1.45
8 30 30.57 -2.36
9 35 28.75 -2.25
10 20 29.05 -1.74
11 15 25.11 -2.18
12 40 20.55 -2.66
13 55 24.53 -1.33
14 35 32.74 0.58
15 25 33.82 0.68
16 55 31.65 0.11
17 55 38.73 1.50
18 40 44.66 2.39
19 35 44.94 1.97
20 60 43.33 1.25
21 75 49.21 2.18
22 50 58.47 3.59
23 40 58.44 2.87
24 65 54.92 1.59
Pronóstico 25 59.06 2.10

.
Este modelo es mucho mejor que el del ejercicio anterior, tiene un
error más pequeño, en comparacion.
das para las semanas 2 a 24 con un modelo de suavizamiento

1 y una tendencia inicial de 0. Use ALFA= 0.3, y BETA= 0.2,

podría ser útil paramejorarlo aún más? Suponga que las llamadas

Pronóstico con
Tendencia FITt
50.00
50.00
44.60
36.64
35.78
37.22
35.10
28.21
26.49
27.30
22.93
17.89
23.20
33.31
34.50
31.76
40.23
47.05
46.90
44.58
51.39
62.06
61.31
56.51
61.16

cio anterior, tiene un

Encuentre el valor de la señal de control al final de diciembre.

Demanda Demanda Demanda- Error

Mes Real Pronosticada Pronóstico Absoluto
Mayo 100 100 0 0
Junio 80 104 -24 24
Julio 110 99 11 11
Agosto 115 101 14 14
Septiembre 105 104 1 1
Octubre 110 104 6 6
Noviembre 125 105 20 20
Diciembre 120 109 11 11
MAD 10.88
Señal de Control 3.59
 a.- Existe alguna relación significativa entre los puntos obtenidos en matemáticas en
el SAT y los promedio finales?
b.- Si un estudiante obtuvo 350 puntos, cuál será su GPA?
c.- Qué ocurre con un estudiante que obtuvo 800?

X Y

Puntos Sat GPA X^2 X*Y

a 421 2.9 177241 1220.9

b 377 2.93 142129 1104.61
c 585 3 342225 1755
d 690 3.45 476100 2380.5
e 608 3.66 369664 2225.28
f 390 2.88 152100 1123.2
g 415 2.15 172225 892.25
h 481 2.53 231361 1216.93
ii 729 3.22 531441 2347.38
j 501 1.99 251001 996.99
k 613 2.75 375769 1685.75
l 709 3.9 502681 2765.1
m 366 1.6 133956 585.6
SUMATORIAS 6885 36.96 3857893 20299.49

Relación entre el puntaje SAT y GPA.

x Pronóstico
Puntos SAT GPA Correlación 0.69

Enero 350 2.23

Febrero 800 3.77
Tomando en cuenta el
coeficiente de correlación existe
una mediana relación entre el
puntaje obtenido y los
promedios finales.
dos en matemáticas en

n= 13
b= 0.0034
a= 1.03

Y= a+bx

ión existe
entre el
 Y
X Ventas de
Contratos Servicios
PEC X^2 X*Y
Firmados
1 153 8 23409 1224
2 172 10 29584 1720
3 197 15 38809 2955
4 178 9 31684 1602
5 185 12 34225 2220
6 199 13 39601 2587
7 205 12 42025 2460
8 226 16 51076 3616
SUMATORIAS 1515 95 290413 18384
 Ecuación de Regresión
para predecir la
demanda de servicio PEC
n= 8
b= 0.11
a= -9.35

Y= a+bx

Coeficiente
Correlación( 0.90
r)
Coeficiente
Determ. 80%
(r^2)