Instituto Tecnológico

de Querétaro

GESTIÓN DE LA PRODUCCIÓN 1

PROFESOR:
SÁNCHEZ ARCINIEGA RAFAEL

ALUMNO
CARRILLO LEDEZMA JEHIELI SARAHI

GRUPO: 7A
2/MARZO/21
4.1 La tabla siguiente da el número de litros de sangre tipo B que el hospital Woodlawn utilizó en
las últimas 6 semanas:

SEMANA DE LITROS USADOS

Agosto 31 360

Septiembre 7 389

Septiembre 14 410

Septiembre 21 381

Septiembre 28 368

Octubre 5 374

a) Pronostique la demanda para la semana del 12 de octubre usando un promedio móvil de 3

semanas.

Litros usados Promedio

Semana de
Móvil
sep-21 381
sep-28 368
oct-05 374
oct-12 374.33

1,123/3 = 374.33 promedio móvil

b) Utilice un promedio móvil ponderado de tres semanas, con ponderaciones de 0.1, 0.3 y 0.6,
usando .6 para la semana más reciente. Pronostique la demanda para la semana del 12 de
octubre.

semana de litros usados promedio móvil ponderación aplicada

ago-31 360
sep-07 389
sep-14 410
sep-21 381 386.33 398.7
sep-28 368 393.33 390.5
oct-05 374 386.33 376.1
oct-12 374.33 372.9
 c) Calcule el pronóstico para la semana del 12 de octubre usando suavización
exponencial con un pronóstico de 360 para el 31 de agosto y a 5 0 .2

semana de litros usados pronostico

ago-31 360 360
sep-07 389 360
sep-14 410 365.08
sep-21 381 374.64
sep-28 368 375.91
oct-05 374 374.33
oct-12   374.26

4.7 La demanda real de los pacientes en la clínica médica Omaha Emergency para las primeras seis
semanas de este año es como sigue:

Semana Nim. Real de

pacientes
1 65
2 62
3 70
4 48
5 63
6 52

El administrador de la clínica, Marc Schniederjans, quiere que pronostique la demanda de

pacientes para la semana 7 usando estos datos. Usted decide usar un promedio móvil ponderado
para encontrar este pronóstico. Su método utiliza cuatro niveles de demanda real, con
ponderaciones de 0.333 en el periodo actual, de 0.25 hace un periodo, de 0.25 hace dos periodos,
y de 0.167 hace tres periodos.

a) ¿Cuál es el valor de su pronóstico?

Semana Núm. Real de pacientes Ponderación Pronóstico

1 65 0.167
2 62 0.25
3 70 0.25
4 48 0.333
5 63 59.84
6 52 60.83
7 56.76
SUMA Ponderación 1
( 70 )( 0.167 )+ ( 48 ) ( 0.25 ) + ( 63 ) ( 0.25 ) +(52)(0.333)
=56.756=57
1

b) Si las ponderaciones fueran 20, 15, 15 y 10, respectivamente, ¿cómo cambiaría el pronóstico?
Explique por qué.

Semana Núm. Real de pacientes Ponderación Pronóstico

1 65 20
2 62 15
3 70 15
4 48 10
5 63 62.67
6 52 60.67
7 59.75
SUMA Ponderación 60

SEMANA 5= ( 48∗10+70∗15+62∗15+65∗20) /60=62.67

SEMANA 6=(63∗10+48∗15+70∗15+62∗20) /60=60.67
SEMANA 7=(52∗10+ 63∗15+ 48∗15+70∗20)/60=59.75

c) Y si las ponderaciones fueran 0.40, 0.30, 0.20 y 0.10, respectivamente, ¿cómo sería ahora el
pronóstico para la semana 7?

Semana Núm. Real de pacientes Ponderación Pronóstico

1 65 0.4
2 62 0.3
3 70 0.2
4 48 0.1
5 63 63.40
6 52 61.70
7 60.20
SUMA Ponderación 1
 SEMANA 5= ( 48∗0.1+70∗0.2+62∗0.3+65∗0.4)/1=63.4
SEMANA 6=(63∗0.1+48∗0.2+70∗0.3+62∗0.4)/ 1=61.7
SEMANA 7=(52∗0.1+ 63∗0.2+ 48∗0.3+70∗0.4)/1=60.2

4.13 Como se puede observar en la tabla siguiente, la demanda de cirugías para trasplantes de
corazón en el Hospital General de Washington ha aumentado de manera estable durante los
últimos años: ¿AÑO 1 2 3 4 5 6 TRASPLANTES DE CORAZÓN 45 50 52 56 58? El director de servicios
médicos pronosticó hace 6 años que la demanda en el año 1 sería de 41 cirugías

a) Use suavización exponencial, primero con una constante de suavización de 0.6 y después de 0.9,
y desarrolle el pronóstico para los años 2 a 6

Añ Trasplantes de Desviación Desviación

α=0.6 α=0.9
o corazón Absoluta Absoluta
1 45 41 4 41 4
2 50 43 6 45 5
3 52 47 4 49 2
4 56 50 5 52 4
5 58 53 4 56 2
6 56 58
SUM SUM
25 18
A A
MAD 5 MAD 3

b) Utilice un promedio móvil de 3 años para pronosticar la demanda de los años 4, 5 y 6.

Año Trasplantes de corazón P. Móvil 3

1 45
2 50
3 52
4 56 49
5 58 53
6 55
 c) Use el método de proyección de tendencia y pronostique la demanda para
los años 1 a 6.

Añ Trasplantes de Desv.
x2 xy Pronostico
o corazón Absoluta
1 45 1 45 45.8 0.8
2 50 4 100 49 1
3 52 9 156 52.2 0.2
4 56 16 224 55.4 0.6
5 58 25 290 58.6 0.6
6 55 36 330 61.8
SUMA 21 316 91 1145 SUMA 3.2
MEDI
3.5 52.2 MAD 0.64
AS

a 44.8
a=52.2−3.5 ( 3 )=44.8
b 2.23
815−( 5 ) ( 3 ) ( 52.2 )
b= =2.23
55−( 5 ) ( 32 )
y=44.8+2.23 x

d) Con la MAD como criterio, ¿cuál de los cuatro métodos de proyección es el mejor?

El 0.64 es mejor por ser el menor de todos los datos obtenidos

• 4.17 Retome el problema resuelto 4.1. Usando constantes de

suavización de .6 y .9, desarrolle pronósticos para las ventas de Volkswagen Beetle. ¿Qué efecto
tiene la constante de suavización en el pronóstico? Use la MAD para determinar cuál de las tres
constantes de

suavización (0.3, 0.6 y 0.9) da el pronóstico más acertado

Venta
Año α=0.3 MAD α=0.6 MAD α=0.9 MAD
s
2003 450 410 40 410 40 410 40
2004 495 422 73 434 61 446 49
2005 518 443.9 74.1 470.6 47.4 490.1 27.9
2006 563 466.1 96.9 499.01 63.99 515.21 47.79
2007 584 495.2 88.8 537.41 46.59 558.22 25.78
2008 521.8 521.8 565.36 565.36 581.43 581.43
SUMA 372.8 258.98 190.47
MAD 74.56 51.796 38.094
La constante de suavizamiento ayuda a tener un pronóstico más preciso, en este caso la
mejor opción es una constante de α=0.9 ya que esta tiene el valor más pequeño de MAD

4.23 La tabla siguiente muestra las ventas de cobertores registradas durante el año pasado en la
tienda departamental Bud Banis de Carbondale. Los administradores prepararon un pronóstico
empleando una combinación de suavización exponencial y su juicio colectivo para los siguientes 4
meses (marzo, abril, mayo y junio). MES VENTAS UNITARIAS PRONÓSTICO DE LA ADMINISTRACIÓN
Julio 100 Agosto 93 Septiembre 96 Octubre 110 Noviembre 124 Diciembre 119 Enero 92 Febrero
83 Marzo 101 120 Abril 96 114 Mayo 89 110 Junio 108 108

a) Calcule la MAD y el MAPE de la técnica usada por la administración.

Mes Ventas Unitarias Pronóstico Admón. MAD MAPE

Julio 100
Agosto 93
Septiembre 96
Octubre 110
Noviembre 124
Diciembre 119
Enero 92
Febrero 83
Marzo 101 120 19 18.8118812
Abril 96 114 18 18.75
Mayo 89 110 21 23.5955056
Junio 108 108 0 0
SUMA 58 61.16
14.5 15.29

b) ¿Los resultados de la administración superaron (tienen MAD y MAPE menores que) el

pronóstico intuitivo?

MAD= 14.5 y MAPE= 15.29

c) ¿Qué pronóstico recomendaría, con base en el menor error de pronóstico?

Se recomendaría el MAD ya que tiene menor error que el MAPE

4.31 El administrador de Café Michigan, Gary Stark, sospecha que la demanda de cafés con leche
sabor moca depende de su

precio. Según las observaciones históricas, Gary ha recopilado los siguientes datos que muestran el
número de cafés de este tipo vendidos

a seis precios diferentes:

PRECIO CAFÉS
VENDIDOS

$2.70 760

$3.50 510

$2.00 980

$4.20 250

$3.10 320

$4.05 480

Usando estos datos, ¿cuántos cafés con leche sabor moca pronosticaría usted para ser vendidos
de acuerdo con una regresión lineal simple

si el precio por taza fuera de $2.80?

Cafés Vendidos
Precio (x)
(y) x^2 y^2 xy
2.7 760 7.29 577600 2052
3.5 510 12.25 260100 1785
2 980 4 960400 1960
4.2 250 17.64 62500 1050
3.1 320 9.61 102400 992
4.05 480 16.4025 230400 1944
SUMA 19.55 3300 67.1925 2193400 9783
MEDIA 3.258333333 550

b -277.627968 Recta de Regresión y= 1454.6-277.628x

a 1454.604462

Por lo tanto, si el precio de la taza fuera de $2.80

y=1454.6−277.628 ( 2.80 )=678 tazas vendidas
4.35 Rhonda Clark, una corredora de bienes raíces de Slippery

Rock, Pennsylvania, ha diseñado un modelo de regresión que le ayuda a determinar los precios de
las casas residenciales localizadas al noroeste de Pennsylvania. El modelo se desarrolló empleando
las ventas

recientes registradas en un vecindario en particular. El precio de la

casa (Y) se basa en su tamaño (pies cuadrados = X). El modelo es:

Y = 13473 + 37.65X

El coeficiente de correlación para el modelo es de 0.63.

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

y= (13473+(37.65*(1860)) =$83,502

b) Una casa con 1860 pies cuadrados se vendió recientemente en 95000 dólares. Explique por
qué esta cifra no se corresponde con la predicción del modelo.

el pronóstico dio 83,502. Por lo tanto, la cifra corresponde para una casa de 1860 pies

c) Si usara regresión múltiple para desarrollar dicho modelo, ¿cuáles otras variables cuantitativas
podrían incluirse?

Número de habitaciones, si la casa esta amueblada, tamaño del terreno, ubicación, que tantos
años tiene de construcción la casa, etc.

d) ¿Cuál es el valor del coeficiente de determinación en este problema?

Coeficiente de correlación= 0.632 = 0.397

Esto indica que el 39.7% es la variabilidad de la venta de la casa (solo incluye el tamaño en pies
cuadrados)