4.6 Las ventas mensuales en Yazici Batteries, Inc.

,
fueron las siguientes:
MES VENTAS
Enero 20 VENTAS
Febrero 25 21
Marzo 15
20
Abril 14
Mayo 15 13
Junio 10 16
Julio 17
5
Agosto 18
Septiembre 0 20
ro ro zo il o o li o to e re e e
Octubre e 20 re ar br ay ni Ju os br ub br br
En b A M Ju g em t em em
Fe M A
pti Oc vi ci
Noviembre 21 Se No Di
Diciembre 23

a) Grafique los datos de las ventas mensuales. b)

b) Pronostique las ventas para enero usando
cada una de las técnicas siguientes: i)
i) Método intuitivo.
ii) Un promedio móvil de 3 meses.
iii) Un promedio móvil ponderado de 6 meses
empleando 0.1, 0.1, 0.1, 0.2, 0.2 y 0.3, con las
ponderaciones más altas para los meses más iii)
recientes. MES VENTAS
iv) Suavización exponencial con a 5 0.3 y un ENERO 20
pronóstico para septiembre de 18. FEBRERO 21
v) Una proyección de tendencia.
c) Con los datos proporcionados, ¿qué método MARZO 15
le permitiría elaborar el pronóstico de ventas ABRIL 14
para el próximo mes de marzo? PX MAYO 13
JUNIO 16
JULIO 17
AGOSTO 18
SEPTIEMBRE 20
OCTUBRE 20
NOVIEMBRE 21
DICIEMBRE 23

iv)
MES VENTAS
ENERO 20
FEBRERO 21
MARZO 15
ABRIL 14
MAYO 13
JUNIO 16
JULIO 17
AGOSTO 18
SEPTIEMBRE 20
OCTUBRE 20
NOVIEMBRE 21
DICIEMBRE 23

ALFA= 0.3
 re br
e
br
e
tub
Oc vi em ci em
No Di

ii)
PRONOSTICO PARA 3 MESES
18.6666667

PRONOSTICO m α
6 0.1
0.1
0.1
0.2
0.2
0.3
0
0
0
0
0
0

v)
DEMANDA PRONOSTICADA MES VENTAS
20 ENERO 20
20 FEBRERO 21
20 MARZO 15
20 ABRIL 14
20 MAYO 13
20 JUNIO 16
20 JULIO 17
20 AGOSTO 18
20 SEPTIEMBRE 20
20 OCTUBRE 20
20 NOVIEMBRE 21
20 DICIEMBRE 23
4.8 Las temperaturas máximas diarias
en Saint Louis durante la última
semana fueron las siguientes: 93, 94, a) TEMPERATURAS PRONOSTICO
93, 95, 96, 88, 90 (ayer). 93
a) Pronostique la temperatura
máxima para hoy usando un 94
promedio móvil de 3 días. 93
b) Pronostique la temperatura 95 93.333333333
máxima para hoy usando un 96
promedio móvil de 2 días.
c) Calcule la desviación absoluta 88
media con base en un promedio 90
móvil de 2 días.
d) Calcule el error cuadrático medio c) y d) TEMPERATURAS PRONOSTICO
para un promedio móvil de 2 días.
e) Calcule el error porcentual 93
absoluto medio para el promedio 94
móvil de 2 días. PX 93 93.5
95
96
88
90

e) TEMPERATURAS PRONOSTICO
93
94
3 93 93.5
95
96
88
90
 b) TEMPERATURAS PRONOSTICO
93
94
93 93.5
95
96
88
90

ERROR ERROR ABS

-0.5 0.5

ERROR ERROR ABS MAD

-0.5 0.5 0.17

4.9 Lenovo usa el chip ZX-81 en algunas de sus computadoras portátiles.
Los precios del chip durante los últimos 12 meses fueron como sigue:

MES PRECIO POR CHIP

Enero $1.80 b) MES PRECIO POR CHIP
Febrero 1.67 ENERO 1.8
Marzo 1.7 FEBRERO 1.67
Abril 1.85 MARZO 1.7
Mayo 1.9 ABRIL 1.85
Junio 1.87 MAYO 1.9
Julio 1.8 JUNIO 1.87
Agosto 1.83 JULIO 1.8
Septiembre 1.7 AGOSTO 1.83
Octubre 1.65 SEPTIEMBRE 1.7
Noviembre 1.7 OCTUBRE 1.65
Diciembre 1.75 NOVIEMBRE 1.7
DICIEMBRE 1.75
a) Use un promedio móvil de 2 meses en todos los
datos y grafique los promedios y los precios.
b) Use un promedio móvil de 3 meses y agréguelo en c) MES
la gráfica creada en el inciso (a). ENERO
c) ¿Cuál es mejor (usando la desviación absoluta
media): el promedio de 2 meses o el de 3 meses? FEBRERO
d) Calcule el pronóstico para cada mes usando MARZO
suavización exponencial y un pronóstico inicial para ABRIL
enero de $1.80. Utilice primero α=0.1, después α=0.3, MAYO
y por último α=0.5. Empleando la MAD, ¿qué a es
mejor? PX JUNIO
JULIO
AGOSTO
SEPTIEMBRE
OCTUBRE
NOVIEMBRE
DICIEMBRE

d) MES
ENERO
FEBRERO
MARZO
ABRIL
MAYO
JUNIO
JULIO
AGOSTO
SEPTIEMBRE
OCTUBRE
NOVIEMBRE
DICIEMBRE

ALFA=
ALFA=
ALFA=
PROMEDIO 2 PROMEDIO 3
1.95
1.9
1.735
1.85
1.685 1.72333333333333
1.775 1.74 1.8
1.875 1.81666666666667 1.75
1.885 1.87333333333333 1.7
1.835 1.85666666666667
1.65
1.815 1.83333333333333
1.6
1.765 1.77666666666667
1.675 1.72666666666667 1.55
1.675 1.68333333333333 1.5
1 2 3 4 5 6 7 8

PRECIO POR CHIP PROMEDIO 2 ERROR ABS MAD PROMEDIO 3

1.8
1.67
1.7 1.735 0.035 #DIV/0!
1.85 1.685 0.165 #DIV/0! 1.7233333333
1.9 1.775 0.125 #DIV/0! 1.74
1.87 1.875 0.005 #DIV/0! 1.8166666667
1.8 1.885 0.085 #DIV/0! 1.8733333333
1.83 1.835 0.005 #DIV/0! 1.8566666667
1.7 1.815 0.115 #DIV/0! 1.8333333333
1.65 1.765 0.115 #DIV/0! 1.7766666667
1.7 1.675 0.025 #DIV/0! 1.7266666667
1.75 1.675 0.075 #DIV/0! 1.6833333333

PRECIO POR CHIP SUAVIZAMIENTO 0.1 SUAVIZAMIENTO 0.3 SUAVIZAMIENTO 0.5

1.8 1.8 1.8 1.8
1.67 1.8 1.8 1.8
1.7 1.787 1.761 1.735
1.85 1.7783 1.7427 1.7175
1.9 1.78547 1.77489 1.78375
1.87 1.796923 1.812423 1.841875
1.8 1.8042307 1.8296961 1.8559375
1.83 1.80380763 1.82078727 1.82796875
1.7 1.806426867 1.823551089 1.828984375
1.65 1.7957841803 1.7864857623 1.7644921875
1.7 1.78120576227 1.74554003361 1.70724609375
1.75 1.773085186043 1.731878023527 1.703623046875

0.1
0.3
0.5
 PRECIO POR CHIP
PROMEDIO 2
PROMEDIO 3

4 5 6 7 8 9 10 11 12

ERROR ABS MAD

0.1266666667 ###
0.16 ###
0.0533333333 ###
0.0733333333 ###
0.0266666667 ###
0.1333333333 ###
0.1266666667 ###
0.0266666667 ###
0.0666666667 ###
 4.32 Los siguientes datos relacionan las cifras de ventas del pequeño
bar de la casa de huéspedes de Mark Kaltenbach, en Portland, con el
número de huéspedes registrados esa semana:

SEMANA HUÉSPEDES VENTAS DEL BAR b)

1 16 $330
2 12 270
3 18 380
4 14 300

a) Realice una regresión lineal que relacione las ventas

del bar con los huéspedes (no con el tiempo).
b) Si el pronóstico para la semana siguiente es de 20
huéspedes, ¿de cuánto se espera que sean las ventas? PX

a)

RELACION VENTAS-HUESPEDES
400
350 f(x) = 18 x + 50.0000000000001
R² = 0.981818181818182
300
250 VENTAS DEL BAR
Linear (VENTAS DEL BAR)
200
150
100
50
0
11 12 13 14 15 16 17 18 19
SEMANA HUESPEDES VENTAS DEL BAR
1 16 330
2 12 270
3 18 380
4 14 300
5 20 375
4.39 La doctora Lillian Fok, psicóloga radicada en Nueva Orleans, se especializa en el tratamiento
de pacientes con agorafobia (es decir, miedo a salir de casa). La tabla siguiente indica cuántos
pacientes ha atendido anualmente durante los últimos 10 años. Asimismo señala el índice de
robos registrados en Nueva Orleans para el mismo año.

AÑO 1 2 3 4 5 6 7 8 9 10
NUMERO DE PACIENTES 36 33 40 41 40 55 60 54 58 61
ÍNDICE DE ROBOS POR CADA
100 HABITANTES 58.3 61.1 73.4 75.7 81.1 89 101.1 94.8 103.3 116.2

Usando el análisis de tendencia (regresión lineal), pronostique el

número de pacientes que la doctora Fok atenderá en los años 11 y 12
como una función del tiempo. ¿Cómo se ajusta el modelo a los datos?
PX

70

60 f(x) = 3.2
R² = 0.85
50

40

30

20

10

0
1 2 3
 AÑO NUMERO DE IPNDICE DE ROBOS POR CADA 1000 HABITANTES
1 36 58.3
2 33 61.1
3 40 73.4
4 41 75.7
5 40 81.1
6 55 89
7 60 101.1
8 54 94.8
9 58 103.3
10 61 116.2
11 65.8658
12 69.1506

NUMERO DE PACIENTES
70

60 f(x) = 3.28484848484849 x + 29.7333333333333

R² = 0.853003008234898
50
NUMERO DE PACIENTES
40 Linear (NUMERO DE
PACIENTES)
30

20

10

0
1 2 3 4 5 6 7 8 9 10
 4.41 Se cree que los viajes en autobús y tren subterráneo durante los meses de verano en
Londres están muy relacionados con el número de turistas que visitan la ciudad. Durante los
últimos 12 años se han obtenido los siguientes datos:

AÑO (MESES DE NÚMERO DE TURISTAS

VERANO) (EN MILLONES)
1 7
2 2
3 6
4 4
5 14
6 15
7 16
8 12
9 14
10 20
11 15
12 7

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 año visitan Londres 10
millones de turistas?
d) Explique el comportamiento de los viajes pronosticados si no hubiera
turistas.
e) ¿Cuál es el error estándar de la estimación?
f) ¿Cuáles son el coeficiente de correlación y el coeficiente de
determinación del modelo? PX
NÚMERO DE VIAJES (EN
MILLONES)
NUMERO DE VIAJES
1.5
5
1
4.5
1.3
4
1.5
3.5
2.5 NUMERO DE VIAJES
3 f(x) = 0.173776223776224 x + 1.12878787878788 Linear (NUMERO DE
2.7 R² = 0.415657896286757
2.5 VIAJES)
2.4
2
2
1.5
2.7
1
4.4
0.5
3.4
0
1.7 7 2 6 4 14 15 16 12 14 20 15 7
O DE VIAJES

UMERO DE VIAJES
near (NUMERO DE
AJES)
 4.43 En la tabla siguiente se muestran las llamadas de emergencia
hechas al sistema 911 durante las últimas 24 semanas en Durham,
North Carolina:

SEMANA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
LLAMADAS 50 35 25 40 45 35 20 30 35 20 15 40 55 35 25 55 55 40 35

a) Calcule el pronóstico suavizado exponencialmente de las

llamadas para cada semana. Suponga un pronóstico inicial de
50 llamadas en la primera semana, y use a 5 0.2. ¿Cuál es el
pronóstico para la semana 25? b) Pronostique de nuevo cada
periodo usando a 5 0.6. c) Las llamadas reales durante la
semana 25 fueron 85. ¿Qué constante de suavización
proporciona un pronóstico superior? Explique y justifique la
medida de error que use. PX
20 21 22 23 24
60 75 50 40 65

SEMANA LLAMADAS PRON. SUAVIZADO 0.2

1 50 50
2 35 50
3 25 47
4 40 42.6
5 45 42.08
6 35 42.664
7 20 41.1312
8 30 36.90496
9 35 35.523968
10 20 35.4191744
11 15 32.33533952
12 40 28.868271616
13 55 31.0946172928
14 35 35.87569383424
15 25 35.700555067392
16 55 33.5604440539136
17 55 37.8483552431309
18 40 41.2786841945047
19 35 41.0229473556038
20 60 39.818357884483
21 75 43.8546863075864
22 50 50.0837490460691
23 40 50.0669992368553
24 65 48.0535993894842
25 51.4428795115874

ALFA= 0.2
ALFA= 0.6
PRON. SUAVIZADO 0.3
50
50
41
31.4
36.56
41.624
37.6496
27.05984
28.823936
32.5295744
25.01182976
19.004731904
31.6018927616
45.64075710464
39.256302841856
30.7025211367424
45.281008454697
51.1124033818788
44.4449613527515
38.7779845411006
51.5111938164402
65.6044775265761
56.2417910106304
46.4967164042522
57.5986865617009