ADMINISTRACION DE OPERACIONES

Tema: Pronósticos
Practica dirigida: Pronósticos

1. Consideremos el caso de una empresa comercial, dedicada en el mercado a la

1 carteras o billeteras, cuya demanda mensual es la que se muestra en el cuadro
el pronó stico para 3 meses

n=3 metodo pon

deman
Periodo da PMS Error Error absol PMPonderad
1 10
2 18
3 29
4 15 19 -4 4 20
5 30 21 9 9 20
6 12 25 -13 13 25
7 16 19 -3 3 18
8 8 19 -11 11 19
9 22 12 10 10 12
10 14 15 -1 1 16
11 15 15 0 0 15
12 27 17 10 10 17
13 30 19 11 11 20
14 23 24 -1 1 25
15 15 27 -12 12 26
16 pronostico 23 22

analisis:
El pronostico de billeteras para el periodo 16 asciende a 23 billeteras al emplear
el pronostico movil simple, y contrastando con el modelo promedio movil
ponderado que asciende a 22 billeteras. Estas proyeccion muestran una tendecia
2 ascendente y flexible , influendo en la demanda de billeteras hacia pronostico
de demanda ………………………………………………………………………………………………………………….

1. Caso de una empresa industrial cuyas ventas de artículos de cerá mica, se muestran en la
tabla , y cuya base histó rica corresponde a 24 meses. Se pide aplicar el pronó stico mó vil
n=4
doble para los 4 meses siguientes:
 n Ventas PMS PMD Ajuste a Ajuste b
1 1140
2 1212
 3 1274
4 1297
5 1317 1231
6 1370 1275
7 1348 1315
8 1436 1333 1288 1377.69 29.79
9 1433 1368 1323 1412.94 30.13
10 1461 1397 1353 1440.50 29.17
11 1509 1420 1379 1459.75 26.83
12 1510 1460 1411 1508.56 32.54
13 1546 1478 1439 1517.94 26.46
14 1541 1507 1466 1547.00 27.00
15 1494 1527 1493 1560.25 22.50
16 1545 1523 1509 1537.00 9.50
17 1552 1532 1522 1541.19 6.46
18 1568 1533 1528 1537.56 3.04
19 1605 1540 1532 1547.75 5.33
20 1621 1568 1543 1592.06 16.38
21 1647 1587 1557 1616.31 19.88
22 1728 1610 1576 1644.50 22.83
23 1730 1650 1604 1696.88 31.08
24 1766 1682 1632 1730.88 32.92
25
26
27
28

analisis

3
1. Consideremos las ventas trimestrales de una fá brica de calzado “sport fine” en miles de
Ventas soles , correspondiente
2018 a los periodos
2019 2018,2019, 2020.
2020
1 er trimestre 170 125 165
2do trimestre 150 155 170
3er trimestre 135 165 180
4to. trimestre 140 180 160
Obtener las series de tendencia por el método de las medias móviles empleando
cuatro observaciones. Analizar e interpretar los resultados
n=4
Tiempo Ventas Media no cenTendencia T*C= V/T
I-2018 170
II-2018 150 148.75
III-2018 135 137.5 143 0.94323
IV-2018 140 138.75 138 1.01357
I-2019 125 146.25 143 0.87719
II-2019 155 156.25 151 1.02479
III-2019 165 166.25 161 1.02326
IV-2019 180 170 168 1.07063
I-2020 165 173.75 172 0.96000
II-2020 170 168.75 171 0.99270
III-2020 180
IV-2020 160

hipotesis aditiva
periodos media Promed (T+C)Indice estacional Porcentaje
III-2018+III 1 0.98324 0.99501200932 99.50%
IV-2018+IV 2 1.042103315 1.05457618521 105.46%
I 2019 +I 20 3 0.91860 0.92959111549 92.96%
II -2019+II- 4 1.008747059 1.02082068998 102.08%
3.95269

Media
3.95269 0.98817262334 (factor)
𝐼𝐸= 4

𝑋 ̅/
𝑋 ̅_
Analisis:
𝑔
De acuerdo a la naturaleza de las ventas de calzado, se puede notar que el indice estacional
muestra una tendencia favorable, que se puiede observar en lo siguientes
En lo que respecta al I3 ( indice 3) significa que en los terceros trimestres la estacionalidad
ha afectado significativamente a las ventas de calzado, siendo esa baja en un 7%, a
(100-92.96), diferencia del indice I2( indice 2) , que muestra que la estacionalidad es alcista
produciendo ventas en un 5.46%..........................................................................................
……………………………………………………………………………………………………………………………………..
5

1. Determine el pronóstico de la demanda para el año 2019, mediante el modelo de variaci

estacional con tendencia, como se indica en la siguiente tabla .
Demanda
Periodo 2017 2018 2019 Y media
I 26000 44000 58000 42667
II 35500 51000 65000 50500
III 35000 46000 60000 47000
IV 34000 49000 69000 50667
190833

X promedio glob 190833

4

47708.33

t=y
No. Periodo Trimestre Demanda Indice
1 2017 I 26000 0.894
2 2017 II 35500 1.059
3 2017 III 35000 0.985
4 2017 IV 34000 1.062
5 2018 I 44000 0.894
6 2018 II 51000 1.059
7 2018 III 46000 0.985
8 2018 IV 49000 1.062
9 2019 I 58000 0.894
10 2019 II 65000 1.059
11 2019 III 60000 0.985
12 2019 IV 69000 1.062
78 572500

𝑏= (∑▒ 〖𝑥 𝑦 −𝑛 𝑥 ̅𝑦
 ̅ 〗 )/(∑▒𝑥^2 − 𝑛
(𝑥 2) ̅ )
 𝑏= (∑▒ 〖𝑥 𝑦 −𝑛 𝑥 ̅𝑦
 ̅ 〗 )/(∑▒𝑥^2 − 𝑛
12*4209184.65-572500*78
(𝑥 2) ̅ ) 12*650- (78)^2

b 5855215.77
1716

a= 47708.33-3412.13*6.5 22178.8476265 25529.5

6.5
47708.3333

Y= a+bx Ŷ=25529.5+3412.13T

Demanda
Periodo 2017 2018 2019 Y media
I 26000 44000 58000 42667
II 35500 51000 65000 50500
III 35000 46000 60000 47000
IV 34000 49000 69000 50667

Indice Estacio
0.89
1.06
0.99
1.06
rcial, dedicada en el mercado a la venta de
l es la que se muestra en el cuadro: Determinar

PMS
Wi PMS:Di/n

0.28 Error: D-P

0.3 Error absoluto: ABS(D-P)
0.42
1 𝑃𝑀𝑆 = (𝐷_(𝑡 + 𝐷_(𝑡−1) )+
…………. +𝐷_(𝑡 + 𝑛 −1))/𝑛
0.18 10
0.32 18
0.51 𝑃𝑀𝑃 = 𝑊_1 𝐷_𝑡 + 𝑊_2 𝐷_(𝑡−1)
29
1.00 57
………..𝑤_(𝑛 ) 𝐷_(𝑡− 𝑛+1)
Venta de billeteras
35

30

25

20

15

10
asciende a 23 billeteras al emplear
o promedio movil 5
n muestran una tendecia 0
teras hacia pronostico 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
……………………………………………….

cerá mica, se muestran en la

aplicar el pronó stico mó vil

Pron=a+b*p
 .2/4-1 Articulos de ceramica
0.666667 2000
1407 1800
1443 1600
1470 1407.48 1400
1487 1200
1000
1541
800
1544
600
1574 400
1583 200
1547 0
1548 1 3 5 7 9 1 1 13 1 5 17 19 2 1 23
1541
1553
1608
1636
1667
1728 tiempos de pronosticos
1764 1
1797 2
1830 3
1863 4

alzado “sport fine” en miles de

t1 t2 T3 1 año
Xt = TCt * Et * It

Paso1: Media no central

 Paso2: Tendencia
medias móviles empleando Paso3: Componente residual y estaciones
ados Paso $: indice de variacion estacional

Indice estacional: Promedio/ Maritmetica

residuos

170
150
Media movil no central
135
140

St= T+C+E+I
Indice estacional
1.1

1.05
puede notar que el indice estacional
1 Indice estacion
ar en lo siguientes
ceros trimestres la estacionalidad 0.95
iendo esa baja en un 7%, a
stra que la estacionalidad es alcista 0.9
......................................................
0.85
……………………………………………..
19, mediante el modelo de variación
iente tabla.
Indice Estacional
0.894 -0.11
1.06 Los índices estacionales, que representan el efecto estacional de la serie de tiempo para cad
0.06
0.99 -0.01
1.06
trimestres, lo que se desea lograr al calcular estos índices estacionales es retirar los efectos e
0.06
la serie de tiempo.

Paso1: Dterminar el indice estacional

Paso2 . Desestacionalizar la demanda
Paso 3. Analisis de lo pronostico
Paso4: Analizar las tendencias. Metodos de causalidad. ( causa y efecto)
Metodo de regresion lineal (Metodo de minimos cuadraticos )
Y= a+bx ecuacion de regresion

Y= variable dependiente el valor del indice estacional

Ŷ= a + b X
𝐼𝐸= 𝑋  Ŷ
X ̅/𝑋 ̅_𝑔 x2 diagrama de dispersion o de
Desetacionalizar Xi.t. t^2 b esparcimiento
29072.27 29072.27 1
33537.54 67075.08 4 a
35527.48 106582.45 9
32014.80 128059.21 16
49199.22 245996.09 25 x1
48180.69 289084.16 36
46693.26 326852.84 49
46138.98 369111.84 64
64853.52 583681.64 81
80000
61406.77 614067.66 100
60904.26 669946.81 121 70000
64971.22 779654.61 144
60000
572500 4209185 650
50000

40000

30000

20000

10000
〖𝑥 𝑦 −𝑛 𝑥 ̅𝑦
𝑎= 𝑦 ̅ − 𝑏𝑥 ̅ 0
▒𝑥^2 − 𝑛 1 2 3 4 5 6 7 8 9 10 11 12
 30000

20000

10000
〖𝑥 𝑦 −𝑛 𝑥 ̅𝑦
𝑎= 𝑦 ̅ − 𝑏𝑥 ̅ 0
▒𝑥^2 − 𝑛 1 2 3 4 5 6 7 8 9 10 11 12
12*4209184.65-572500*78 Analisis de los resultados
12*650- (78)^2 De acuerdo a la informacion de las demanadas de los eperiodos 201
muestran una tendencia estacional , al que de be ser ajustado o redu
de su desestacionalizacion de la demanda. Para la cual se empleo el
3412.13 observandose una fluctuacion marcada entre la demanda historica e
de su estacionalidad. …….. Como se muestra en los indices calculado
cuatro trimestres que presentan duna variacion de creciente y decre
por ejemploe se observa un efecto estacional negativo de 11% y del
de efecto positivo estacional ………………………………………..

73299.31136391

90000
Indice Estacional Yestima Pronostico 2020 80000
0.89 69887.18 62501.72 70000
1.06 73299.31 77588.44 60000
0.99 76711.44 75572.49 50000
Yestima
1.06 80123.57 85091.93 40000 Pronostico 202
30000
Yestima Pronostico 2020 20000
62501.72 10000
69887.18
0
69887.18 73976.65
1 2 3 4
69887.18 68849.55
69887.18 74220.80
76000
74000
72000
70000
68000
66000 Yestima
Pronostico 2
64000
62000
60000
58000
56000
1 2 3 4
de billeteras

demanda
PMS
PMPonderaddo

10 11 12 13 14 15
de ceramica

Ventas
Pron=a+b*p

17 19 2 1 23
 serie de tiempo

estacional

onal

Indice estacional
a serie de tiempo para cada uno de los
ales es retirar los efectos estacionales de

nimos cuadraticos )

ce estacional

iagrama de dispersion o de
sparcimiento

Demanda
Desetacionalizar

6 7 8 9 10 11 12
6 7 8 9 10 11 12

nadas de los eperiodos 2017,2018 y 2019

ue de be ser ajustado o reducido a traves
a. Para la cual se empleo el indice estacional
ntre la demanda historica en funcion
tra en los indices calculados de los
riacion de creciente y decreciente
onal negativo de 11% y del 6%
……………………..

Yestima
Pronostico 2020

Yestima
Pronostico 2020

4
Microsoft Excel 14.0 Informe de respuestas
Hoja de cálculo: [resolucion practica 2 pronostico.xlsx]Hoja2
Informe creado: 15/09/2021 12:01:11 p.m.
Resultado: Solver encontró una solución. Se cumplen todas las restricciones y condiciones óptimas.
Motor de Solver
Motor: GRG Nonlinear
Tiempo de la solución: 0.062 segundos.
Iteraciones: 0 Subproblemas: 0
Opciones de Solver
Tiempo máximo Ilimitado, Iteraciones Ilimitado, Precision 0.000001, Usar escala automática
Convergencia 0.0001, Tamaño de población 100, Valor de inicialización aleatorio 0, Adelantada de derivados, Requerir lími
Máximo de subproblemas Ilimitado, Máximo de soluciones de enteros Ilimitado, Tolerancia de enteros 1%, Asumir no nega

Celda objetivo (Mín)

Celda Nombre Valor original Valor final
$G$160 pronostico ⎸Error⎹ 2.38 2.38

Celdas de variables
Celda Nombre Valor original Valor final Entero
$D$164 Alfa pronostico 0.2 0.2 Continuar

Restricciones
Celda Nombre Valor de la celda Fórmula Estado Demora
$D$164 Alfa pronostico 0.2 $D$164<=1 No vinculante 0.8
$D$164 Alfa pronostico 0.2 $D$164>=0 No vinculante 0.2
tada de derivados, Requerir límites
de enteros 1%, Asumir no negativo
Microsoft Excel 14.0 Informe de respuestas
Hoja de cálculo: [resolucion practica 2 pronostico.xlsx]Hoja2
Informe creado: 15/09/2021 12:04:07 p.m.
Resultado: Solver encontró una solución. Se cumplen todas las restricciones y condiciones óptimas.
Motor de Solver
Motor: GRG Nonlinear
Tiempo de la solución: 0.016 segundos.
Iteraciones: 0 Subproblemas: 0
Opciones de Solver
Tiempo máximo Ilimitado, Iteraciones Ilimitado, Precision 0.000001, Usar escala automática
Convergencia 0.0001, Tamaño de población 100, Valor de inicialización aleatorio 0, Adelantada de derivados, Requerir lími
Máximo de subproblemas Ilimitado, Máximo de soluciones de enteros Ilimitado, Tolerancia de enteros 1%, Asumir no nega

Celda objetivo (Mín)

Celda Nombre Valor original Valor final
$G$160 pronostico ⎸Error⎹ 2.43 2.43

Celdas de variables
Celda Nombre Valor original Valor final Entero
$D$164 Alfa pronostico 0.3 0.3 Continuar

Restricciones
Celda Nombre Valor de la celda Fórmula Estado Demora
$D$164 Alfa pronostico 0.3 $D$164<=1 No vinculante 0.7
$D$164 Alfa pronostico 0.3 $D$164>=0 No vinculante 0.3
tada de derivados, Requerir límites
de enteros 1%, Asumir no negativo
4 1. La empresa de videos Temá ticos « VIDEO START», se dedica a la venta de videos de alta
calidad. Por encargo de la gerencia, el analista de mercadeo ha obtenido los pronó sticos de
ventas mensuales para los pró ximos 5 meses, empleando tres métodos diferentes para
pronosticar. Se desea saber cuá l de los tres métodos aplicados pronosticar mejor las
ventas. En el siguiente cuadro se muestra las ventas reales y las pronosticadas con cada
uno de los tres métodos:

Pronostico
Periodos en Demanda
meses Método A Método B Método C
1 9050 9100 9090 9020
2 10100
10020 10050 10150
3 12050 12005 12100 12100
4 11200 11150 11150 11120
5 12500 12400 12450 12420

metodo A
Periodos en Demanda
meses Pronostico Error MAD MSE
1 9050 9100 -50 50 2500
2 10100 10020 80 80 6400
3 12050 12005 45 45 2025
4 11200 11150 50 50 2500
5 12500 12400 100 100 10000
54900 325 23425
Promedio 10980 65 4685

𝑀𝐴𝑃𝐸 = (∑▒ 〖 100|𝑉𝑎𝑙𝑜𝑟 𝑅𝑒𝑎𝑙 𝑖 − 𝑃𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜𝑖|

/𝑅𝑒𝑎𝑙𝑖 〗 )/𝑛
metodo B
Periodos en
meses Demanda
Pronostico Error MAD MSE
1 9050 9090 -40 40 1600
2 10100 10050 50 50 2500
3 12050 12100 -50 50 2500
4 11200 11150 50 50 2500
5 12500 12450 50 50 2500
54900 240 11600
Promedio 10980 48 2320
 metodo C
Periodos en
meses Demanda
Pronostico Error MAD MSE
1 9050 9020 30 30 900
2 10100 10150 -50 50 2500
3 12050 12100 -50 50 2500
4 11200 11120 80 80 6400
5 12500 12420 80 80 6400
54900 290 18700
Promedio 10980 58 3740

Metodo MAD MSE MAPE

A 65 4685 0.0059
B 48 2320 0.0044
C 58 3740 0.0052

6 1.       Considere el caso de las Ventas mensuales de productos materiales de oficina (Tay

441.67+359.62X
X Ventas (y) xy X^2 Ŷ (L. regresion)
1 600 600 1 801.28
2 1550 3100 4 1160.90
3 1500 4500 9 1520.51
4 1500 6000 16 1880.13
5 2400 12000 25 2239.74
6 3100 18600 36 2599.36
7 2600 18200 49 2958.97
8 2900 23200 64 3318.59
9 3800 34200 81 3678.21
10 4500 45000 100 4037.82
11 4000 44000 121 4397.44
12 4900 58800 144 4757.05
78 33350 268200 650

media X 6.5
MediaY 2779.17

𝑏= (∑▒ 〖𝑥 𝑦 −𝑛 𝑥
 ̅𝑦 ̅ 〗 )/(∑▒𝑥^2 −
𝑛 (𝑥 2) ̅ )
𝑏= (∑▒ 〖𝑥 𝑦 −𝑛 𝑥
268200-12*6.5*2779.17 51425
650- 12*6.5*6.5 143
 ̅𝑦 ̅ 〗 )/(∑▒𝑥^2 −
𝑛 (𝑥 2) ̅ )
2779.17- 359.62*6.5 441.67
𝑎= 𝑦 ̅ − 𝑏𝑥 ̅

Ŷ= a+bx 441.67+359.62X

Pronostico: 13 5116.73
Pronostico: 14 5476.28
Pronostico: 15 5835.89

analisis

las ventas presentadas muestran un patron

de comportamiento creciente, y sus 5476 y ( ventas)
estimacion estan garantizadas para los
periodos 13 ( 5116.73), 14 (5476.28) y 15(5835.89)
a su vez muestra un error de estimacion: 363.88
3319
……………………………………………………………………….

asigno valores arbitrarios a la 442

variable independiente X , es decir
un minimo , o inyermedio o final

441.67+359.62X

Y
X0=0 441.67

xi = 8 3318.63

Xj= 14 5476.35
7 1. Aplicar el método Suavisamiento exponencial para el pronó stico de ventas de gasolina a
partir de la siguiente informació n: (⍺ = 0.2)
Periodos 1 2 3 4 5 6 7 8 9 10 11 12

Ventas 17 21 19 23 18 16 20 18 22 20 15 22

⍺ 0.2
Periodos Ventas (Y)gasol Pronostico Error: ⎸Error⎹
1 17 17 0 0
2 21 17 4 4
3 19 18 1.20 1.20
4 23 18 4.96 4.96
5 18 19 -1.03 1.03
6 16 19 -2.83 2.83
7 20 18 1.74 1.74
8 18 19 -0.61 0.61
9 22 18 3.51 3.51
10 20 19 0.81 0.81
11 15 19 -4.35 4.35
12 22 18 3.52 3.52
13 231 19 10.92 28.56
pronostico 220 0.91 2.38

Media error 0.91

DMA 2.38 𝑅𝑀𝑆𝐸=√((220−231)2/12)
Alfa 0.2
ForecastRMSE 3.175
a a la venta de videos de alta
ha obtenido los pronó sticos de
es métodos diferentes para
dos pronosticar mejor las
y las pronosticadas con cada

MAD = ∑ │Real – Pronóstico │

n

𝑀𝑆𝐸= (∑▒ 〖 (𝐸𝑟𝑟𝑜𝑟𝑒𝑠 𝑑𝑒𝑙 𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜 )

2 〗 )/
𝑛

MAPE
-50 0.0055
80 0.0079
45 0.0037
50 0.0045
100 0.0080
0.0296
0.0059

𝑎𝑙 𝑖 − 𝑃𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜𝑖|

MAPE
-40 0.0044
50 0.0050
-50 0.0041
50 0.0045
50 0.0040
0.0220
0.0044
 DEMANDA
MAPE A B C
30 0.0033 4685
-50 0.0050
-50 0.0041 3740
80 0.0071
80 0.0064
2320
0.0260
0.0052

65 48 58 0.0059 0.0044 0.0052

MAD MSE MAPE

ductos materiales de oficina (Tay Loy) Ŷ= a+bx ecuacion de regresion

(yi-Ŷ)^2
𝑏= (∑▒ 〖𝑥 𝑦 −𝑛
40514.46 𝑥 ̅𝑦 ̅ 〗 )/(∑▒𝑥^2
151400.81 − 𝑛 (𝑥 2) ̅ )
420.78
144497.45 𝑆_𝑦𝑥 = 1324070.51/12-2
25682.12
250641.44
√(( ∑▒( 𝑦_𝑖 − 132407.051
128862.59 (𝑦)) ̂ 2)/(𝑛−2)) 363.88
175217.37
14833.99 Error estandar
213609.88 de estimacion
157955.29
20434.34 R2 R r
1324070.51 0.9332 0.9660 0<r<1
x ---y x--- y posee una relacion fuerte

6000

5000
f(x) = 359.615384615385 x + 441.666666666667
R² = 0.933186101557578
4000
 6000

359.62
5000
f(x) = 359.615384615385 x + 441.666666666667
R² = 0.933186101557578
4000

3000

2000

1000

0
0 2 4 6 8 10 12 14

Se requiere elaborar el pronóstico para los meses 13, 14 y 15 . Aplicar la recta de regresión y efectuar
análisis de resultados. Utilice y comprueba con la hoja de calculo

nube de esparcimiento

442

14 (tiempo)
0 8
ico de ventas de gasolina a
12

22

Ft+1 = α Yt + (1 - α)Ft

Pasos Ventas de gasolina

pronosticar 25
error: V-P
Error abs(V-P)
20
Error medio
Error medio abs En la practica sue
15 Ventas (Y)gasol
menor
Pronostico
o mínimo e
Para ello debemo
10 pará metros posib
1). Esto permitirá s
5 de error posible,

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

ajuste del modelo suavizado exonencial en cada serie temporal

𝑅𝑀𝑆𝐸=√((220−231)2/12) 𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡 𝑅𝑀𝑆𝐸=
√((∑▒(𝑉𝑠𝑢𝑎𝑣−𝑉𝑡𝑒𝑚𝑝)2)/𝑡)

RMSE = error cuadratico medio

mide el grado con el que el modelo
suavizado exponencial se ajusta a
los valores brutos de la serie temporal
9 0.0044 0.0052
MAPE
 12 14

recta de regresión y efectuar el

 En la practica suele utilizarse «el solver excel « para saber cual seria el
Ventas (Y)gasol
menor
Pronostico
o mínimo error del pronostico.
Para ello debemos activar el Solver «excel» y establecer los
pará metros posible que nos muestre el menor error residual (( 0 ≤α ≤
1). Esto permitirá saber en primer el valor del pronostico alineado al nivel
de error posible,

n cada serie temporal

 1. Una compañ ía desea hacer predicciones del valor anual de sus ventas totales en cierto país
a partir de la relació n de éstas y la renta nacional. Para investigar la relació n cuenta con los
8 siguientes datos:

renta nacio Ventas

n x y x^2 y^2
1 189 402 35721 161604
2 190 404 36100 163216
3 208 412 43264 169744
4 227 425 51529 180625
5 239 429 57121 184041
6 252 436 63504 190096
7 257 440 66049 193600
8 274 447 75076 199809
9 293 458 85849 209764
Media x 250.27 10 308 469 94864 219961
Media y 435.55 11 316 469 99856 219961
2753 4791 708933 2092421
Objetivo: Coeficiente de correlacion:

varianza X 𝜎2𝑥=𝑥^2/𝑛 -
(𝑥^(2 )) 708933/11 - (250.27)^2 64448.4545

Varianza Y σ2y= y^2/n - (y^2 ) 2092421/11 - (435.55)^2 190220.091

cov(x,y) 1209720/11 - (250.27)(435.55)

969.4 969.4
42.57*22.81 970.926287

480

f(x) = 0.5349822580
460 R² = 0.99685169053
Coef. De determinacion
r2 0.99685849 440

420

400

380

360
420

400

380

360
180 200 220
1. Una empresa fabricante de electrodomésticos desea pronosticar cuál será el nivel de
ventas para el pró ximo añ o, luego de que se ha analizado el histó rico de ventas anteriores,
se determinó que existe relació n con el grado de inversió n en cuanto a publicidad. Es decir
mientras má s dinero se ha invertido en publicidad (variable independiente) mayor ha sido
el nú mero de ventas de sus productos (variable dependiente). Aplicando el método de
regresió n lineal pronostique el volumen de ventas para los tres añ os siguientes. Y se
contará con $6000 dó lares para gastos publicitarios

año Ventas (miles Publicidad año Ventas (y)

de soles) Y en miles S/. X 1 1500
1 1500 40 2 1570
9 2 1570 45 3 1620
3 1620 47 4 1660
4 1660 50
5 1770
5 1770 52
6 2100
6 2100 80
7 1620
7 1620 46
8 1890
8 1890 38
9 2100 95 9 2100
15830 493 15830
 Media X 54.78
Media Y 1758.89

𝑏= (∑▒ 〖𝑥 𝑦 −𝑛
𝑥 ̅𝑦 ̅ 〗 )/(∑▒𝑥^2
− 𝑛 (𝑥 2) ̅ )
Ŷ=1240.84+9.457X b= 895670-9*(54.78*1758.89)
Y10= 1240.84+9.457 (6000) 30023- 9(54.78)^2

57982.84 Ventas futuras para el periodo 2020 57983

Ventas futuras para el periodo 2021 57983
Ventas futuras para el periodo 2022 57983

2500

2000 f(x) = 9.45725016569703 x + 1240.84174092

R² = 0.672890501567296

1500

Axis Title
1000

500

0
30 40 50 60 70 80 9
Axis Title

analisis

medias de las ventas 1758

medias de la publicidad 54.78 relacion lineal entre las variables ventas y publicidad
la ecucion de regresion la ecucion de estimacion es:
Ventas futura con publicidad de 6000
 1. La empresa de software Megasoft tiene disponibles los datos de demanda de Tab
ú ltimos 2 añ os, divididos en 8 trimestres. Para ello, el gerente de operaciones pla
10 realizar las proyecciones, se ha tomado en cuentas las técnicas de regresió n linea
primer trimestre al 8 . Siendo la ecuació n lineal . La siguiente informació n se mue
tabla :
F(i )=361+70,667(x)

Ŷ=a +b X 361 70.667

Trimestre demanda Pronostico Error

1 300 432 -132
 2 540 502 38
3 885 573 312
4 580 644 -64
5 416 714 -298
6 760 785 -25
7 1191 856 335
8 760 926 -166

a) Determine la señ al de control de rastreo y su grafica de control

b) Efectú e el aná lisis e interpretació n de resultados

Analisis
De acuerdo aa las condiciones de la señal de rastreo, del pronostico practicada pa
de tablet en el mercado de la region , donde se aprecia que debido al contro
detectado que los margenes del TS, nos señala un rango del 57.62% , lo que nos ind
favorable intencion del pronostico que se espera actualizar en funcion a las activid
en las v entas de tablet.
………………………………………………………………… ……………………………………

1. En el siguiente caso se muestra el pronó stico efectuado para lo

2019 en un negocio dedicado a la venta de artefactos del hogar, ju
en dichos períodos. Se desea evaluar el desempeñ o de su pronó s
conserva dentro de los límites aceptables, los cuales se definen co

Ventas reales Pronostico PERIODO

700 660 1
2
760 840 3
780 750 4
5
790 835 6
850 910
950 890
analisis
11
al de sus ventas totales en cierto país
a investigar la relació n cuenta con los

X.Y
75978
76760
85696
96475
102531
109872 6.42
113080
122478 X=12 Ŷ= 301.65+0.535(12)
134194 x=13 Ŷ= 301.65+0.535(13)
144452
148204
1209720 Ŷ= 301.65+0.535X

62636.438016529 1812.0 σx 42.57 Analisis

las medias x y y
coeficiente de correlacion lineal
189699.84297521 520.25 σy 22.81

109974.54545455 109005.149 cov(x,y) 969.396694

0.998428009105 correlacion lineal fuerte

480

f(x) = 0.534982258020378 x + 301.653985788172

460 R² = 0.996851690532427

440

420

400

380

360
420

400

380

360
180 200 220 240 260 280 300 320 340
car cuál será el nivel de
rico de ventas anteriores,
anto a publicidad. Es decir
pendiente) mayor ha sido
. Aplicando el método de
es añ os siguientes. Y se

Publicidad (x) XY x^2 Publicidad (x) Ventas (y)

40 60000 1600 40 1500
45 70650 2025 45 1570
47 76140 2209 47 1620
50 83000 2500 50 1660
52 92040 2704 52 1770
80 168000 6400 80 2100
46 74520 2116 46 1620
38 71820 1444 38 1890
95 199500 9025 95 2100
493 895670 30023
▒ 〖𝑥 𝑦 −𝑛 𝑎= 𝑦 ̅ − 𝑏𝑥 ̅
)/(∑▒𝑥^2
2) ̅ )
28537.78 9.457 a=1758.89-9.45725*54.78 1240.842
3017.56

2500

2000 f(x) = 9.45725016569703 x + 12

R² = 0.672890501567296
f(x) = 9.45725016569703 x + 1240.84174092348
R² = 0.672890501567296 1500

1000

500

0
30 40 50 60
40 50 60 70 80 90 100
Axis Title

entre las variables ventas y publicidad

estimacion es: Ŷ=1240.84+9.457X
 1400
1200
1000
800
isponibles los datos de demanda de Tablet de los Axis Title 600
Para ello, el gerente de operaciones planteo para Colu
400
n cuentas las técnicas de regresió n lineal desde el Line
200
n lineal . La siguiente informació n se muestra en la
0
0 1 2 3 4 5 6 7 8 9
Axis Title

RSFE
Desv.acumulada ABS (Err0r) Ʃdesv abs . Acum MAD Control TS FORCAST
-132 132 132 132 -1 f(T) = 361+70.667*9
 -94 38 169 85 -1.1 636.003
218 312 481 160 1.4 997.003
154 64 545 136 1.1
-144 298 843 169 -0.9
-169 25 868 145 -1.2
166 335 1204 172 1.0
0 166 1370 171 0.0

streo y su grafica de control Control TS

de resultados
2

1.5

de rastreo, del pronostico practicada para la demanda 1

, donde se aprecia que debido al control se ha
0.5
eñala un rango del 57.62% , lo que nos indica una
espera actualizar en funcion a las actividades futuras 0
1 2 3 4 5 6 7
… …………………………………… -0.5

-1

-1.5

uestra el pronó stico efectuado para los 6 primeros meses del

ado a la venta de artefactos del hogar, junto con las ventas reales
ea evaluar el desempeñ o de su pronó stico de ventas y vea si se
ites aceptables, los cuales se definen como.

RSFE
Ventas pronostico Error Desv acum MAD ABS (E.) Ʃdesv. Acumul
700 660 40 40 40 40 40
760 840 -80 -40 60 80 120
780 750 30 -10 50 30 150
790 835 -45 -55 48.75 45 195
850 910 -60 -115 51 60 255
950 890 60 -55 52.5 60 315

Cont
1.5

1
0.5

0
1 2 3 4
 Cont
1.5
1

0.5

0
1 2 3 4
-0.5

-1

-1.5

-2

-2.5
 308.07

308.07
308.6

elacion lineal
 = 9.45725016569703 x + 1240.84174092348
= 0.672890501567296

50 60 70 80 90 100
 Column E
Linear (Column E)

6 7 8 9

361+70.667*9
 Control TS

Control TS

4 5 6 7 8

RSE/MAD
Control TS
1
-0.67
-0.2
-1.13
-2.25
-1.05

Control TS

Control TS
2 3 4 5 6
 Control TS

Control TS
2 3 4 5 6
x y
No. Periodo Trimestre Demanda xy X^2
1 2017 I 26000 26000 1
2 2017 II 35500 71000 4
3 2017 III 35000 105000 9
4 2017 IV 34000 136000 16
5 2018 I 44000 220000 25
6 2018 II 51000 306000 36
7 2018 III 46000 322000 49
8 2018 IV 49000 392000 64
9 2019 I 58000 522000 81
10 2019 II 65000 650000 100
11 2019 III 60000 660000 121
12 2019 IV 69000 828000 144
78 572500 4238000 650

Media X 6.5
Media Y 47708.3333

𝑏= (∑▒ 〖𝑥 𝑦 −𝑛 𝑎= 𝑦 ̅ − 𝑏𝑥 ̅

𝑥 ̅𝑦 ̅ 〗 )/(∑▒𝑥^2
− 𝑛 (𝑥 2) ̅ )
b=4238000-(12)*6.5*47708.33 3721250 516750 3613.63636
650- 12*6.5*6.5 507 143

Y = 24219.69+3613.64X

Ŷ=25529.5+3412.13T

80000

70000

60000

50000

40000 Demanda
Desetacionalizar
30000

20000

10000
 50000

40000 Demanda
Desetacionalizar
30000

20000

10000

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

Periodo 1. pronostico 1500 Ventas: 1132 Tendencia 150

Considerando los datos sobre la demanada de unidades de produccion
dado en meses deterinar la demanda futura para el periodo 13
emplear el metodo de suavizacion de tendencia de Holt

Pronostico
Pronostico Tendencia con
Periodo Demanda suavisado suavizado tendencia
1 1132
2 1600
3 1690
4 1640
5 1765
6 1879
7 1990
8 2100
9 2210
10 2356
11 2201
12 2027
 80000

70000
f(x) = 3613.63636363636 x + 24219.696969697
60000 R² = 0.929847361000429

50000

40000 Column F
Linear (Column F)
30000

20000

10000

0
0 2 4 6 8 10 12 14

47708.33-3613.64*6.5

23488.6364 24219.697

80000

70000

60000

50000

Demanda 40000
Column F
Desetacionalizar
30000

20000

10000
 50000

Demanda 40000
Column F
Desetacionalizar
30000

20000

10000

0
11 12 I II III IV I II III IV I II III IV

⍺=0.10 δ= 0.30

dencia de Holt
Column F
Column F