VENTAS DE MOTOS MSPORT 100

Periodo Año 2005 PMP N=4 Et lEtl PMP N=2

1 Enero 158
2 Febrero 220
3 Marzo 160 195.2
4 Abril 165 184
5 Mayo 171 185.3 -14.3 14.3 163
6 Junio 150 170.3 -20.3 20.3 168.6
7 Julio 230 161.2 68.8 68.8 158.4
8 Agosto 186 183.9 2.1 2.1 198
9 Septiembre 175 178.9 -3.9 3.9 203.6
10 Octubre 168 196.7 -28.7 28.7 179.4
11 Noviembre 187 182.8 4.2 4.2 170.8
12 Diciembre 321 178.3 142.7 142.7 179.4
13 Enero 184 218.4 -34.4 34.4 267.4
14 Febrero 245 211 34 34 238.8
15 Marzo 182 257.4 -75.4 75.4 220.6
16 Abril 179 209.3 -30.3 30.3 207.2
17 Mayo 192 206.5 -14.5 14.5 180.2
18 Junio 172 190.7 -18.7 18.7 186.8
19 Julio 243 179.8 63.2 63.2 180
20 Agosto 198 202 -4 4 214.6
21 Septiembre 185 196 -11 11 216
22 Octubre 202 209.5 -7.5 7.5 190.2
23 Noviembre 212 201.1 10.9 10.9 195.2
24 Diciembre 368 197.8 170.2 170.2 208
25 Enero 195 252.1 -57.1 57.1 305.6
26 Febrero 296 237.1 58.9 58.9 264.2
27 Marzo 174 296.2 -122.2 122.2 255.6
28 Abril 192 226.2 -34.2 34.2 222.8
29 Mayo 215 230.3 -15.3 15.3 184.8
30 Junio 183 202.1 -19.1 19.1 205.8
31 Julio 240 192.1 47.9 47.9 195.8
32 Agosto 213 213.8 -0.8 0.8 217.2
33 Septiembre 162 206.6 -44.6 44.6 223.8
34 Octubre 198 205.5 -7.5 7.5 182.4
35 Noviembre 231 201 30 30 183.6
36 Diciembre 420 195 225 225 217.8
37 Enero 267.6 344.4
MAD 44.428125

Antes de optimizar alfa podíamos ver que el mejor método era el de promedio móvil ponderado con
que este nos arrojaba 44,42 como el menor error, pero al optimzar alfa podemos ver que mejor méto
realizar los pronósticos solicitados por esta empresa es el de suavizamiento exponencial con el alfa op
ya que nos arroja el menor error de todos. Y com podemos ver en la gráfica, es el que más se acerc
demanda real.
Et lEtl Ft 0,7 Et lEtl Ft 0,4 Et

-35.2 35.2 201.4 -41.4 41.4 182.8 -22.8

-19 19 178 -13 13 196 -31
8 8 163.5 7.5 7.5 162 9
-18.6 18.6 169.2 -19.2 19.2 167.4 -17.4
71.6 71.6 156.3 73.7 73.7 162.6 67.4
-12 12 206 -20 20 182 4
-28.6 28.6 199.2 -24.2 24.2 212.4 -37.4
-11.4 11.4 178.3 -10.3 10.3 181.6 -13.6
16.2 16.2 170.1 16.9 16.9 172.2 14.8
141.6 141.6 181.3 139.7 139.7 175.6 145.4
-83.4 83.4 280.8 -96.8 96.8 240.6 -56.6
6.2 6.2 225.1 19.9 19.9 266.2 -21.2
-38.6 38.6 226.7 -44.7 44.7 208.4 -26.4
-28.2 28.2 200.9 -21.9 21.9 219.8 -40.8
11.8 11.8 179.9 12.1 12.1 180.8 11.2
-14.8 14.8 188.1 -16.1 16.1 184.2 -12.2
63 63 178 65 65 184 59
-16.6 16.6 221.7 -23.7 23.7 200.4 -2.4
-31 31 211.5 -26.5 26.5 225 -40
11.8 11.8 188.9 13.1 13.1 192.8 9.2
16.8 16.8 196.9 15.1 15.1 191.8 20.2
160 160 209 159 159 206 162
-110.6 110.6 321.2 -126.2 126.2 274.4 -79.4
 31.8 31.8 246.9 49.1 49.1 298.8 -2.8
-81.6 81.6 265.7 -91.7 91.7 235.4 -61.4
-30.8 30.8 210.6 -18.6 18.6 247.2 -55.2
30.2 30.2 186.6 28.4 28.4 181.2 33.8
-22.8 22.8 208.1 -25.1 25.1 201.2 -18.2
44.2 44.2 192.6 47.4 47.4 202.2 37.8
-4.2 4.2 222.9 -9.9 9.9 205.8 7.2
-61.8 61.8 221.1 -59.1 59.1 229.2 -67.2
15.6 15.6 177.3 20.7 20.7 192.6 5.4
47.4 47.4 187.2 43.8 43.8 176.4 54.6
202.2 202.2 221.1 198.9 198.9 211.2 208.8
363.3 306.6
MAD 44.9294118 MAD 47.0205882 MAD

medio móvil ponderado con N=4 ya

odemos ver que mejor método para
o exponencial con el alfa optimizado
áfica, es el que más se acerca a la
lEtl
W1= 0.3 W1= 0.6
W2= 0.2 W2= 0.4
22.8 W3= 0.4
31 W4= 0.1
9
17.4 Alfa= 0.7
67.4 Alfa optimizado= 0.4
4
37.4
13.6
14.8 Modelos de pronósticos de demanda
145.4 450
56.6
400
21.2
26.4 350
40.8
300
11.2
12.2 250
59
200
2.4
40 150
9.2
100
20.2
162 50
79.4
0
o o o il o o o o e e e e o o o i l o o o o e e e e o o o i l o o
er er rz br ay ni uli st br br br br er er rz br ay ni uli st br br br br er er rz br ay ni
En ebr Ma A M Ju J Ago em ctu iem iem En ebr Ma A M Ju J Ago em ctu iem iem En ebr Ma A M Ju
F pti O ov Dic F pti O ov Dic F
Se N Se N
 100

50

2.8 0
o o o il o o o o e e e e o o o i l o o o o e e e e o o o i l o o
er er rz br ay ni uli st br br br br er er rz br ay ni uli st br br br br er er rz br ay ni
61.4 En ebr Ma A M Ju J Ago em ctu iem iem En ebr Ma A M Ju J Ago em ctu iem iem En ebr Ma A M Ju
F pti O ov Dic F pti O ov Dic F
55.2 Se N Se N

33.8
Column C Column D Column G Column J Column M
18.2
37.8
7.2
67.2
5.4
54.6
208.8

42.8176471
anda

e o o o il o o o o e e e e
br ner rer arz Abr ay uni Juli ost br ubr br br
m E eb M M J Ag tiem Oct viem ciem
F p i
Se No D
 e o o o il o o o o e e e e
br ner rer arz Abr ay uni Juli ost br ubr br br
m E eb M M J Ag tiem Oct viem ciem
F p i
Se No D

mn J Column M
 Ventas de Nodel (en Nómina local (en
millones de dólares) millones de dólares) XY X^2

1 2 1 2 4
2 3 3 9 9
3 2.5 4 10 6.25
4 2 2 4 4
5 2 1 2 4
6 3.5 7 24.5 12.25
Suma 51.5 39.5
Promedio 2.5 3 14.7142857 6.58333333

A= -5.125
B= 3.25
R= 0.901387818865997

Nómina local Y=(B*X)+A

6 3.42307692307692 X=(Y-A)/B

Si, podemos estimar el comportamiento de las ventas de Nodel del próximo año ya que las
variables tienen una fuerte relación entre si como lo podemos ver en el coeficiente de
correlación 0,9013. Por lo tanto, podemos decir que para el año siguiente, si la nómina local es
de 6000 millones de dólares, la nómina de Nodel será aproximadamente de 3,423 miles de
millones de dólares.
 Y^2
Nómina local (en millones de dólares)
1 8
9 7
16 6 f(x) = 3.25 x − 5.125
4 R² = 0.8125
5
1 Nómina local (en millones
Axis Title

4 de dólares)
49 Linear (Nómina local (en
3 millones de dólares))
80
2
13.3333333
1
0
1.8 2 2.2 2.4 2.6 2.8 3 3.2 3.4 3.6
Axis Title