U NIVERSIDAD A UTÓNOMA DE

T AMAULIPAS
F ACULTAD DE I NGENIERÍA “A RTURO N ARRO S ILLER ”

“ PROBLEMAS PRONÓSTICOS ”

MATERIA:

ADMINISTRACION DE OPERACIONES

PRESENTA:

CATEDRATICO

DR. OSCAR LAUREANO CASANOVA

CENTRO UNIVERSITARIO TAMPICO-MADERO MAYO 2011
 PRONOSTICOS

2.1. LAS TEMPERATURAS MÁXIMAS DIARIAS EN LA CIUDAD DE HOUSTON

LA SEMANA PASADA FUERON COMO SIGUE:

a) Pronosticar la temperatura máxima para hoy, utilizando un promedio móvil

de tres días.

Dí Temperat
Pronostico
a ura
1 93 -
2 94 -
3 93 -
93.333
4 95
94
5 96
94.667
6 88
93
7 90

b) Pronosticar la temperatura máxima para hoy, utilizando un promedio móvil

de dos días.

Tempera
Día tura Pronostico
1 93
2 94
3 93 93.5
4 95 93.5
5 96 94
6 88 95.5
7 90 92

c) Calcular la desviación media absoluta basada en el promedio móvil de dos

días.

Pronostic
o prom. Diferenci
Temperat Movil 2 a
Día ura dias absoluta
1 93
2 94
3 93 93.5 0.5
4 95 93.5 1.5
5 96 94 2
6 88 95.5 7.5
7 90 92 2

Mad 2.7

Págin
a4
 PRONOSTICOS

2.2. PARA LOS DATOS QUE ESTÁN A CONTINUACIÓN, DESARROLLAR UN

PRONÓSTICO DE PROMEDIOS MÓVILES DE TRES MESES.

Prome Cantida
Ventas dio d de
acumulad movil autos
as para de 3 redonde
Mes autos meses ada
Enero 20
Febrero 21
Marzo 15
14 18.6666 19
Abril 7
13 16.6666 17
Mayo 7
Junio 16 14 14
17 14.3333 15
Julio 3
18 15.3333 16
Agosto 3
Septiem 20 17
bre 17
20 18.3333 19
Octubre 3
Noviem 21 19.3333 20
bre 3
Diciemb 23 20.3333 21
re 3

2.3. CON LOS DATOS QUE SE DAN A CONTINUACIÓN, DESARROLLAR UN

PRONÓSTICO DE DEMANDA DE PROMEDIOS MÓVILES DE TRES AÑOS.

Pronostico promedio movil de 3

Año Demanda años
1 7
2 9
3 5
4 9 7
5 13 7.6666667
6 8 9
7 12 10
8 13 11
9 9 11
10 11 11.333333
11 7 11

Págin
a5
 PRONOSTICOS

2.4. SUSAN GOODMAN HA DESARROLLADO EL SIGUIENTE MODELO DE

PRONÓSTICO:

Ŷ = 36 + 4.3 x

Donde:

Ŷ = demanda para acondicionadores de aire azteca y

X = la temperatura exterior (°f).
Pronosticar

a) la demanda para el azteca cuando la temperatura es de 70°f.

Y=36+4.370=2,821 Aires acondiconados

b) ¿cuál es la demanda para una temperatura de 80°f?

Y=36+4.380=3,224 Aires acondiconados

c) ¿cuál es la demanda para una temperatura de 90°f?

Y=36+4.390=3,627 Aires acondiconados

2.5. LOS DATOS RECOLECTADOS PARA LA DEMANDA DE COSTALES DE 50

LIBRAS DE SEMILLA DE PASTO EN BOB´S HARDWARE STORE SE MUESTRAN
EN LA TABLA. DESARROLLAR UN PROMEDIO MÓVIL DE TRES AÑOS PARA
PRONOSTICAR LAS VENTAS. DESPUÉS DETERMINAR UNA VEZ MÁS LA
DEMANDA CON UN PROMEDIO MÓVIL PONDERADO EN EL CUAL A LAS
VENTAS EN EL AÑO MÁS RECIENTE SE LES DA UN PESO DE 2 Y A LAS
VENTAS DE LOS OTROS DOS AÑOS SE LES DA UN PESO DE 1 A CADA UNA
¿CUÁL ES EL MÉTODO CREE QUE SEA MEJOR?

Demanda
de semillas Promedio
de pasto móvil
(en miles Promedio ponderado
de móvil 3 Diferencia pesos: 1,1 y Diferencia
Año costales) años absoluta 2 absoluda
1 4
2 6
3 4
4 5 4.66666667 0.3333333 4.5
5 10 5 5 5 5
6 8 6.33333333 1.6666667 7.25 0.75
7 7 7.66666667 0.6666667 7.75 0.75
8 9 8.33333333 0.6666667 8 1

Págin
a6
 PRONOSTICOS

9 12 8 4 8.25 3.75
10 14 9.33333333 4.6666667 10 4
11 15 11.6666667 3.3333333 12.25 2.75
Mad movil 2.5416667
Mad 2.31
3 años ponderado
2
La diferencia media absoluta es menor al pronosticar con el promedio movil
ponderado, por lo tanto este es mejor

2.6. DESARROLLAR UN PROMEDIO MÓVIL DE DOS Y DE CUATRO AÑOS PARA

LA DEMANDA DE SEMILLAS DE PASTO DEL PROBLEMA 2.5

Demanda de
semillas de
pasto (en Promedio Promedio
miles de movil de 2 movil de 4
Año costales) años años
1 4
2 6
3 4 5
4 5 5
5 10 4.5 4.75
6 8 7.5 6.25
7 7 9 6.75
8 9 7.5 7.5
9 12 8 8.5
10 14 10.5 9
11 15 13 10.5

2.7. EN LOS PROBLEMAS 2.5 Y 2.6, SE DESARROLLAN 4 DIFERENTES

PRONÓSTICOS PARA LA DEMANDA DE SEMILLAS DE PASTO. ESTOS 4
PRONÓSTICOS SON PROMEDIOS MÓVILES DE 2 AÑOS, PROMEDIOS
MÓVILES DE 3 AÑOS, UN PROMEDIO MÓVIL PONDERADO Y PROMEDIOS
MÓVILES DE 4 AÑOS. ¿CUÁL UTILIZARÍA? EXPLICAR SU RESPUESTA.

DEMANDA
DE
SEMILLAS
PROMEDIO DIFERENCI PROMEDIO DIFERENCI
DE PASTO
AÑO MOVIL DE 2 A MOVIL DE A
(EN MILES
AÑOS ABSOLUTA 4 AÑOS ABSOLUTA
DE
COSTALES
)
1 4
2 6
3 4 5 1
4 5 5 0
5 10 4.5 5.5 4.75 5.25
6 8 7.5 0.5 6.25 1.75
7 7 9 2 6.75 0.25

Págin
a7
 PRONOSTICOS

8 9 7.5 1.5 7.5 1.5

9 12 8 4 8.5 3.5
10 14 10.5 3.5 9 5
11 15 13 2 10.5 4.5
2.222222 Mad 2.416666
Mad movil 22 Movil 4 67
2 años años
Mad movil 2.541666 Mad 2.31
3 años 7 ponderad
o2

De los métodos mencionados el que tiene la menor diferencia en relación

con la demanda real es el promedio movil de 2 años.

2.8. UTILIZAR LA SUAVIZACIÓN EXPONENCIAL CON UNA CONSTANTE DE

SUAVIZACIÓN DE 0.3 PARA PRONOSTICAR LA DEMANDA DE SEMILLAS DE
PASTO DEL PROBLEMA 2.5. ASUMIR QUE EL PRONÓSTICO DEL ÚLTIMO
PERIODO PARA EL AÑO 1 ES DE 5000 COSTALES PARA PRINCIPIAR EL
PROCEDIMIENTO. ¿PREFERIRÍA UTILIZAR EL MODELO DE SUAVIZACIÓN
EXPONENCIAL O EL MODELO DE PROMEDIO PONDERADO DESARROLLADO
EN EL PROBLEMA 2.5? EXPLICAR LA RESPUESTA.

Demanda de
semillas de Promedio
pasto (en Diferenc móvil
miles de Suavizac ia ponderad Diferencia
Año costales) ión absoluta o absoluta
1 4 5 1
2 6 4.7 1.3
3 4 5.09 1.09
4 5 4.76 0.24 4.5 0.5
5 10 4.83 5.17 5 5
6 8 6.38 1.62 7.25 0.75
7 7 6.87 0.13 7.75 0.75
8 9 6.91 2.09 8 1
9 12 7.54 4.46 8.25 3.75
10 14 8.87 5.13 10 4
11 15 10.41 4.59 12.25 2.75

Mad: 2.44 mad 2.31

Como se puede observar el metodo que tiene menor diferenca
absoluta es el promedio movil ponderado que se calculo en el
problema 2.5

2.9. UTILIZANDO LAS CONSTANTES DE SUAVIZACIÓN DE 0.6 Y 0.9,

DESARROLLAR UN PRONÓSTICO PARA LAS VENTAS DE GREEN LINE JET
SKIS. VÉASE EL PROBLEMA RESUELTO 2.1.

Págin
a8
 PRONOSTICOS

DIFERENCI DIFERENCI
TEMPERAT PRONOSTIC
DÍA 0.6 A 0.9 A
URA O
ABSOLUTA ABSOLUTA
1 93
2 94
3 93 93.5
4 95 93.20000 1.80000 93.05000 1.95000
5 96 94.28000 1.72000 94.80500 1.19500
6 88 95.31200 7.31200 95.88050 7.88050
7 90 90.92480 0.92480 88.78805 1.21195
Mad 0.6 2.35136 Mad 0.9 3.05936

2.10. ¿QUÉ EFECTO TUVO LA CONSTANTE DE SUAVIZACIÓN EN EL

PRONÓSTICO GREEN LINE JET SKIS? VÉASE EL PROBLEMA 2.1 Y EL
PROBLEMA 2.9. ¿CUÁL CONSTANTE DE SUAVIZACIÓN OFRECE EL
PRONÓSTICO MÁS EXACTO?

DIFERENCI DIFERENCI
TEMPERAT PRONOSTIC
DÍA 0.6 A 0.9 A
URA O
ABSOLUTA ABSOLUTA
1 93
2 94
3 93 93.5
4 95 93.20000 1.80000 93.05000 1.95000
5 96 94.28000 1.72000 94.80500 1.19500
6 88 95.31200 7.31200 95.88050 7.88050
7 90 90.92480 0.92480 88.78805 1.21195
Mad 0.6 2.35136 Mad 0.9 3.05936
La mejor constante de suavizacion es la
de 0.6

2.11. UTILIZAR UN MODELO DE PRONÓSTICO DE PROMEDIO MÓVIL DE TRES

AÑOS PARA PRONOSTICAR LAS TEMPERATURAS VÉASE EL PROBLEMA
RESUELTO 2.1.

PRONOSTICO
DIA TEMPERATURA
PROMEDIO MOVIL

1 93
2 94
3 93
4 95 93.300
5 96 94.000
6 88 94.700
7 90 93.000

Págin
a9
 PRONOSTICOS

2.12. UTILIZANDO EL MÉTODO DE PROYECCIÓN DE TENDENCIA,

DESARROLLAR UN MODELO DE PRONÓSTICO PARA LAS TEMPERATURAS.
VÉASE EL PROBLEMA RESUELTO 2.1

Utilizando las siguientes formulas:

b=xy-nxyx2-nx2

a=y-bx

Temperatu
Dia x X2 Xy
ra y
1 93 1 93
2 94 4 188
3 93 9 279
4 95 16 380
5 96 25 480
6 88 36 528
7 90 49 630
Sumatori
a: 28 649 140 2578
Promedio
: 4 92.7142857
-
95.28571 0.6428571
A= 43 B= 4

Sustituyendo estos datos en la ecuación lineal:

Por lo tanto la ecuación de la tendencia de los mínimos cuadrados es:

y=95.2857143-.64285714 x

En donde:

y=pronostico de temperatura

x=día

2.13. ¿UTILIZARÍA LA SUAVIZACIÓN EXPONENCIAL CON UNA CONSTANTE

DE SUAVIZACIÓN DE 0.3, UN PROMEDIO MÓVIL DE 3 MESES, O TENDENCIA
PARA PREDECIR LAS VENTAS DE GREEN LINES JET SKIS? REFIÉRASE AL
PROBLEMA RESUELTO 2.1 Y LOS PROBLEMAS 2.11 Y 2.12.

Diferen
Pro cia Promedio Diferenci
Tempe nos absolut movil 3 Diferencia Ecuacion a
ratura tico 0.3 a dias absoluta tendencia absoluta
94.642857 1.6428571
93 2 6
Págin
a 10
 PRONOSTICOS

94 94 0.00
93.357142 0.3571428
93 93.5 9 8
93.3500 92.714285 2.2857142
95 0 1.65000 93.3000 1.70000 7 6
93.8450 92.071428
96 0 2.15500 94.0000 2.00000 6 3.9285714
94.4915 91.428571 3.4285714
88 0 6.49150 94.7000 6.70000 5 6
92.5440 90.785714 0.7857143
90 5 2.54405 93.0000 3.00000 3 2
Mad 1.775510
Mad 3.2101 prom 214
0.3 4 movil 3.35000 Mad ec
El modelo de tendencia es el que tiene menor diferencia con respecto al
pronostico real, por lo tanto es conveniente usar la ecuacion de tendencia

2.14. LA DEMANDA PARA CIRUGÍA DE TRASPLANTE DE CORAZÓN EN EL

WASHINGTON GENERAL HOSPITAL HA CRECIDO CONSTANTEMENTE EN LOS
AÑOS PASADOS, COMO SE APRECIA EN LA SIGUIENTE TABLA:

EL DIRECTOR DE LOS SERVICIOS MÉDICOS PREDIJO HACE SEIS AÑOS QUE

LA DEMANDA DEL AÑO 1 SERÍA DE 41 CIRUGÍAS.

a) USE LA SUAVIZACIÓN EXPONENCIAL, PRIMERO CON UNA CONSTANTE DE

SUAVIZACIÓN DE 0.6 Y POSTERIORMENTE CON UNA DE 0.9, PARA
DESARROLLAR PRONÓSTICOS PARA LOS AÑOS 2 A 6.

Cirugías
realizada
s de
Año 0.6 0.9
trasplant
e de
corazón
1 45 41.00000 41.00000
2 50 43.40000 44.60000
3 52 47.36000 49.10000
4 56 50.14400 51.71000
5 58 53.65760 55.57100
6 ? 56.26304 57.75710

b) Utilice un promedio móvil de 3 años para pronosticar las demandas de los

años 4, 5 y 6.
CIRUGÍAS
REALIZADAS DE PROMEDIO
AÑO
TRASPLANTE DE MÓVIL
CORAZÓN
1 45
2 50
3 52

Págin
a 11
 PRONOSTICOS

4 56 49.0
5 58 52.7
6 ? 55.3

c) Use el método de proyección de tendencias para pronosticar la demanda de

los años 1 a 6.
Cirugías
realizadas de
Año
trasplante de X2 Xy Pronóstico
X
corazón
Y
1 45 1 45 45.8
2 50 4 100 49.0
3 52 9 156 52.2
4 56 16 224 55.4
5 58 25 290 58.6
6 61.8
Sunmatoria 15 261 55 815
Promedio 3 52.2
A= 42.6 B= 3.2

Pronostico: y=42.6+3.2x

d) Con mad como criterio, ¿cuál de los 4 sistemas anteriores de pronóstico es el

mejor
Cirugías
realizada
Añ s de Tendenc
0.6 D.a. 0.9 D.a. Prom D.a. D.a.
o trasplant ia
e de
corazón
1 45 4 41.0000 4.0000 45.800
41.00000 0 0 0.800
2 50 6.6 44.6000 5.4000 49.000
43.40000 0 0 1.000
3 52 4.64 49.1000 2.9000 52.200
47.36000 0 0 0.200
4 56 5.856 51.7100 4.2900 49.00 55.400
50.14400 0 0 0 7.000 0.600
5 58 4.3424 55.5710 2.4290 52.70 58.600
53.65760 0 0 0 5.300 0.600
5.0876 3.8038 6.15 Mad
Mad 8 Mad 0 Mad 0.64
El mejor sistema para pronosticar en este caso es tendencia, ya que es el que
menor diferencia tiene.

2.15.UN CUIDADOSO ANÁLISIS DEL COSTO DE OPERACIÓN DE UN

AUTOMÓVIL FUE HECHO POR UNA EMPRESA. SE DESARROLLO EL
SIGUIENTE MODELO:

Y = 4000 + 0.20 x

Donde:

Págin
a 12
 PRONOSTICOS

Y = costo anual

X= millas manejadas

a) Si un automóvil se maneja 15,000 millas este año, ¿cuál es el costo de

operación pronosticado para este automóvil?

Y = 4000 + 0.20 (15,000)

Costo de operación: $ 7,000.00

b) Si un automóvil se maneja 25,000 millas este año, ¿cuál es el costo de

operación pronosticado para este automóvil?

Y = 4000 + 0.20 (25,000)

Costo de operación: $ 9,000.00

c) Suponga que un automóvil se manejo 15 mil millas y el costo anual de

operación fue de $6,000.00, mientras que un segundo automóvil se manejo
25,000 millas y el costo de operación real fue de $10,000.00. Calcule la
desviación media absoluta.

Costo
Millas real Pronostico Diferencia
15,00 6,000 7,000 1,000
0
25,00 10,000 9,000 1,000
0
Mad 1,000

2.15.CON LOS SIGUIENTES DATOS UTILICE LA SUAVIZACIÓN EXPONENCIAL (Α=0.2)

PARA DESARROLLAR UN PRONÓSTICO DE DEMANDA. ASUMA QUE EL
PRONÓSTICO PARA EL PERIODO INICIAL ES DE 5.
Periodo Demanda 0.2
1 7 5
2 9 7.4
3 5 9.32
4 9 4.136
5 13 9.9728
6 8 13.60544

2.16.Calcular a) mad, b) mse, c) mape para el siguiente pronostico contra

los números de ventas reales

Pronóstic Real D.a.

o
100 95 5

Págin
a 13
 PRONOSTICOS

110 108 2
120 123 3
130 130 0
mad 2.5
Mse 6.25
Map 250.0 <--se calculo: sumatoria de la diferencia absoluta, expresada como
e1 0% porcentaje de el no. De valores observados (en este caso 4 valores).
<--se calculo: sumatoria de la diferencia absoluta, expresada como
Map
2.19% porcentaje con respecto a la sumatoria de los valores observados
e2
(en este caso la sumatoria es 45).

2.18.CON LOS SIGUIENTES DATOS, UTILICE LA REGRESIÓN POR MÍNIMOS

CUADRADOS PARA DERIVAR UNA ECUACIÓN DE PRONÓSTICO. ¿CUÁL
ES SU ESTIMADO DE LA DEMANDA PARA EL PERIODO 7?
UTILIZANDO LAS FORMULAS:

b=xy-nxyx2-nx2

a=y-bx

Periodo x Demanda y X2 Xy

1 7 1 7

2 9 4 18

3 5 9 15

4 11 16 44

5 10 25 50

6 13 36 78

Sumatoria 21 55 91 212

Promedio 3.5 9.16666667

A= 5.26666667 B= 1.11428571

Pronóstico= y=5.2666667+1.11428571x

Pronóstico para x=7=5.2666667+1.114285717

Pronóstico para x=7=13.066667

2.19.CON LOS SIGUIENTES DATOS, UTILICE LA REGRESIÓN POR MÍNIMOS

CUADRADOS PARA DESARROLLAR LA RELACIÓN ENTRE EL NÚMERO DE
DÍAS CON LLUVIA EN VERANO Y EL NÚMERO DE JUEGOS PERDIDOS POR
EL EQUIPO DE BASEBALL BOCA RATON CARDINAL.

Págin
a 14
 PRONOSTICOS

JUEGOS
DÍAS CON PERDIDOS
LLUVIA EN POR LOS
AÑO X2 XY
VERANO CARDINAL
X S
Y
1984 15 25 225 375
1985 25 20 625 500
1986 10 10 100 100
1987 10 15 100 150
1988 30 20 900 600
1989 20 15 400 300
1990 20 20 400 400
1991 15 10 225 150
1992 10 5 100 50
1993 25 20 625 500
Sumatoria 180 120 3700 3125
Promedio 18 16
A= 6.4130434 B=
8 0.5326087

En la siguiente ecuación se presenta la relación entre la cantidad de días con

lluvias y el número de partidos ganados por los cardinals:

Pronóstico= y=6.41304348+0.5326087x

2.20.LAS VENTAS DE ASPIRADORAS INDUSTRIALES EN JACK PETERS

SUPPLY CO., EN LOS ÚLTIMOS 13 MESES SE MUESTRAN A
CONTINUACIÓN.

a) Utilizando un promedio móvil con tres periodos, determinar la

demanda de aspiradoras para el próximo febrero.

PRONOSTI
VENTAS
CO
MES (EN
PROMEDIO
MILES)
MOVIL
Enero 11
Febrero 14
Marzo 16
Abril 10 13.666666
7
Mayo 15 13.333333
3
Junio 17 13.666666
7
Julio 11 14
Agosto 14 14.333333
3

Págin
a 15
 PRONOSTICOS

Septiembr 17
e 14
Octubre 12 14
Noviembr 14 14.333333
e 3
Diciembre 16 14.333333
3
Enero 11 14
Venta
pronostic
13.66666
ada para Febrero
67
el mes
de :

b) USANDO UN PROMEDIO MÓVIL PONDERADO CON TRES

PERIODOS, DETERMINAR LA DEMANDA DE ASPIRADORAS PARA
FEBRERO. USAR 3,2 Y 1 PARA LOS PESOS DE LOS PERIODOS MÁS
RECIENTE, SEGUNDO MÁS RECIENTE Y TERCERO MÁS RECIENTE,
RESPECTIVAMENTE. POR EJEMPLO, SI SE ESTUVIERA
PRONOSTICANDO LA DEMANDA PARA FEBRERO, NOVIEMBRE
TENDRÍA UN PESO DE 1; DICIEMBRE TENDRÍA UN PESO DE 2; Y
ENERO TENDRÍA UN PESO DE 3.

Promedio
Ventas
movil
Mes (en
ponderad
miles)
o
Enero 11
Febrero 14
Marzo 16
Abril 10 14.5
Mayo 15 12.666666
7
Junio 17 13.5
Julio 11 15.166666
7
Agosto 14 13.666666
7
Septiembr 17
e 13.5
Octubre 12 15
Noviembre 14 14
Diciembre 16 13.833333
3
Enero 11 14.666666
7
Febrero 13.166666
7

c) Evaluar la exactitud de cada uno de estos métodos.

Págin
a 16
 PRONOSTICOS

Promedio
Ventas
Promedio movil
Mes (en D.a. D.a.
movil ponderad
miles)
o
Enero 11
Febrero 14
Marzo 16
Abril 10 13.666666 3.6666666
7 7 14.5 4.5
Mayo 15 13.333333 1.6666666 12.666666 2.3333333
3 7 7 3
Junio 17 13.666666 3.3333333
7 3 13.5 3.5
Julio 11 15.166666 4.1666666
14 3 7 7
Agosto 14 14.333333 0.3333333 13.666666 0.3333333
3 3 7 3
Septiembr 17
e 14 3 13.5 3.5
Octubre 12 14 2 15 3
Noviembre 14 14.333333 0.3333333
3 3 14 0
Diciembre 16 14.333333 1.6666666 13.833333 2.1666666
3 7 3 7
Enero 11 14.666666 3.6666666
14 3 7 7
Febrero 13.666666 13.666666 13.166666 13.166666
7 7 7 7
3.242424 3.666666
Mad 24 Mad 67
La desviacion absoluta media es menor para el promedio movil,
por lo tanto ofrece mayor exactitud

d) ¿qué otros factores pueden considerar peters en sus pronósticos

de ventas?

La estacionalidad pudiera ser un factor a considerar, por que en

periodo vacacional de semana santa disminuye a 10 mil las
ventas.

2.18. EL GERENTE DE OPERACIONES DE UNA DISTRIBUIDORA DE

INSTRUMENTOS MUSICALES CREE QUE LA DEMANDA DE BOMBOS
PUEDE ESTAR RELACIONADA CON EL NÚMERO DE APARICIONES POR
TELEVISIÓN DEL POPULAR GRUPO DE ROCK GREEN SHADES DURANTE
EL MES PREVIO. EL GERENTE HA RECOLECTADO LOS DATOS QUE SE
MUESTRAN EN LA SIGUIENTE TABLA.

Apariciones en televisión
Demanda de bombos
de green shades

3 3

6 4

Págin
a 17
 PRONOSTICOS

7 7

5 6

10 8

8 5

a) Graficar estos datos para ver si una ecuación lineal puede describir
la relación entre los shows en televisión del grupo y las ventas de
bombos.

Se puede apreciar que una ecuacion lineal puede explicar la relacion

entre estas dos variables

b) Utilizar el método de regresión de mínimos cuadrados para derivar

una ecuación del pronóstico.

Aparicion
es en
Demanda
televisió
de
n de X2 Xy
bombos
green
Y
shades
X
3 3 9 9
4 6 16 24
5 8 25 40
6 5 36 30
7 7 49 49
8 10 64 80
Sumatoria 33 39 199 232
Promedio 5.5 6.5
A= 1 B= 1

Pronóstico= y=1+x

Págin
a 18
 PRONOSTICOS

c) ¿cuál es el estimado de ventas de bombos si los green shades

tocaron en televisión nueve veces durante el último mes?

Pronóstico= y=1+x
Pronóstico= y=1+9=10
El estimado de ventas es de 10 bombos

2.18. UN ESTUDIO PARA DETERMINAR LA CORRELACIÓN ENTRE LOS

DEPÓSITOS BANCARIOS Y LOS ÍNDICES DE PRECIOS A CONSUMIDORES
EN BIRMINGHAM, ALABAMA, REVELARON LO SIGUIENTE (BASADO EN 5
AÑOS DE DATOS):

∑x = 15

∑x2 = 55

∑xy = 70

∑y = 20

∑y2 = 130

a) Encontrar el coeficiente de correlación. ¿qué significancia tiene para

usted?
Promedio de x= 3
Promedio de y= 4
Covarianza= 2
Desviacion de x= 1.41421356
Desviacion de y= 3.16227766
Coeficiente de correlacion lineal= 0.4472136
Dado que la elcoeficiente de correlacion lineal es mas
cercano a cero, la relacion entre las variables es debil

b) ¿cuál es el error estándar del estimado?

SY,X=y2-ay-bxyn-2
Utilizando la formula anterior se tiene:

B= 0.2173913
3.3478260
A= 9

3.9927470
Error estandar 5

Págin
a 19
 PRONOSTICOS

2.18.EL CONTADOR DE LESLIE WARDROP COAL DISTRIBUTORS, INC.,

OBSERVA QUE LA DEMANDA DE CARBÓN PARECE ESTAR RELACIONADA
CON UN ÍNDICE DE SEVERIDAD EN EL CLIMA, DE ACUERDO CON UN
ESTUDIO DESARROLLADO POR EL U.S. WEATHER BUREAU. ES DECIR,
COMO EL CLIMA FUE EXTREMADAMENTE FRÍO EN ESTADOS UNIDOS EN
LOS ÚLTIMOS CINCOS AÑOS (Y POR LO TANTO EL ÍNDICE ES ALTO), LAS
VENTAS DE CARBÓN FUERON ALTAS. EL CONTADOR PROPONE QUE SE
PUEDE HACER UN BUEN PRONÓSTICO PARA LA DEMANDA DE CARBÓN
DEL AÑO PRÓXIMO AL DESARROLLAR UNA ECUACIÓN DE REGRESIÓN, Y
DESPUÉS CONSULTAR EL FARMER’S ALMANAC PARA VER QUÉ TAN
SEVERO SERÁ EL INVIERNO DEL AÑO PRÓXIMO. CON LOS DATOS DE LA
SIGUIENTE TABLA, DERIVAR UNA ECUACIÓN DE REGRESIÓN DE
MÍNIMOS CUADRADOS Y CALCULAR EL COEFICIENTE DE CORRELACIÓN
DE LOS DATOS. TAMBIÉN CALCULAR EL ERROR ESTÁNDAR DEL
ESTIMADO.

Ventas de
carbón Índice del
Y clima X2 Xy
(en millones X
de tons)
4 2 4 8
1 1 1 1
4 4 16 16
6 5 25 30
5 3 9 15
Sumatoria 20 15 55 70
Promedio 4 3
A= 1 B= 1

y=1+x

Coeficiente de correlación=0.84

Error estándar=1.15

2.19.TRECE ESTUDIANTES SE INSCRIBIERON AL PROGRAMA DE P/OM EN EL

ROLLINS COLLEGE HACE DOS AÑOS. LA SIGUIENTE TABLA INDICA
CUALES FUERON SUS CALIFICACIONES (GPAS) DESPUÉS DE ESTAR EN
EL PROGRAMA POR DOS AÑOS Y LO QUE CADA ESTUDIANTE LOGRO EN
EL EXAMEN SAT CUANDO ESTUVO EN LA PREPARATORIA.
Estudiante Calificación sat Gpa

A 421 2.90

B 377 2.93
Págin
a 20
 PRONOSTICOS

C 585 3.00

D 690 3.45

E 608 3.66

F 390 2.88

G 415 2.15

H 481 2.53

I 729 3.22

J 501 1.99

K 613 2.75

L 709 3.90

M 366 1.60

a) ¿existe una relación significativa entre las calificaciones y los sats?

Calificaci
Gpa
Estudiante ón sat X2 Xy Y2
Y
X
A 421 2.9 177241 1220.9 8.41
B 377 2.93 142129 1104.61 8.5849
C 585 3 342225 1755 9
D 690 3.45 476100 2380.5 11.9025
E 608 3.66 369664 2225.28 13.3956
F 390 2.88 152100 1123.2 8.2944
G 415 2.15 172225 892.25 4.6225
H 481 2.53 231361 1216.93 6.4009
I 729 3.22 531441 2347.38 10.3684
J 501 1.99 251001 996.99 3.9601
K 613 2.75 375769 1685.75 7.5625
L 709 3.9 502681 2765.1 15.21
M 366 1.6 133956 585.6 2.56
Sumatoria 3,857,893.
6,885.00 36.96 00 20,299.49 110.27
Promedio 529.61538 2.8430769
5 2
1.0277708 0.0034275
A= 1 B= 9

Promedio de 529.61538
x= 5
Promedio de 2.8430769
y= 2
Covarianza= 55.761952

Págin
a 21
 PRONOSTICOS

7
Desviacion de 127.54820
x= 4
Desviacion de 0.6319491
y= 8

Coeficiente de
correlacion 0.6918014
lineal= 6

La relacion que existe, interpretando el coeficiente de correlación

lineal, se puede decir que es moderada, ya que no alcanza ni el
70%.

b) si un estudiante obtuvo 350 en el sat, ¿cuál cree que sea su

calificación en el gpa?

y=1.02777081+0.0034279x
y=1.02777081+0.0034279(350)

y=2.22742845

c) ¿qué tal para un estudiante que obtuvo 800?

y=1.02777081+0.0034279380

y=3.7698454

LA DRA. JERILYN ROSS, UNA PSICÓLOGA DE NUEVA YORK, SE

ESPECIALIZA EN TRATAR PACIENTES QUE TIENEN FOBIAS Y TEMORES
AL SALIR DE CASA. LA SIGUIENTE TABLA MUESTRA EL NÚMERO DE
PACIENTES QUE HA ATENDIDO LA DRA. ROSS CADA AÑO DURANTE
LOS ÚLTIMOS 10 AÑOS. TAMBIÉN RELACIONA LA TASA DE ROBOS EN
NUEVA YORK DURANTE EL MISMO AÑO.
Tasa de
crimen
Número
(robos)
de
Año por 1000 X2 Xy Y2
pacientes
habitante
Y
s
X
1 58.3 36 3398.89 2098.8 1296
2 61.1 33 3733.21 2016.3 3733.21
3 73.4 40 5387.56 2936 5387.56
4 75.7 41 5730.49 3103.7 5730.49
5 81.1 40 6577.21 3244 6577.21

Págin
a 22
 PRONOSTICOS

6 89 55 7921 4895 7921

7 101.1 60 10221.21 6066 10221.21
8 94.8 54 8987.04 5119.2 8987.04
9 103.3 58 10670.89 5991.4 10670.89
10 116.2 61 13502.44 7088.2 13502.44
Sumatoria 854.00 478.00 76,129.94 42,558.60 74,027.05
Promedio 85.4 47.8
1.4090722
A= 1 B= 0.5432193

Promedio de
x= 85.4
Promedio de
y= 47.8
Covarianza= 173.74
Desviacion de 17.883903
x= 4
Desviacion de
y= 71.539255
Coeficiente de
correlacion 0.1357979
lineal= 1

La ecuación de tendencia quedaría como sigue:

y=1.40907221+0.5432193x

Pero la relación entre la tasa de crímenes y el no. De pacientes de la

doctora,

Usando el mismo análisis de tendencia, ¿cuántos pacientes atenderá la

dra. Ross en los años 11, 12 y 13? ¿qué tan bien encaja el modelo en los
datos?

Para responder esta pregunta es necesario contar la tasa de crímenes, ya

que ésta es la variable independiente, a partir de ese dato se podrá
estimar el no. De pacientes

2.18.UTILIZANDO LOS DATOS DEL PROBLEMA 2.25, APLICAR LA REGRESIÓN

LINEAL PARA ESTUDIAR LA RELACIÓN ENTRE LA TASA DE CRÍMENES Y
LA CARGA DE PACIENTES DE LA DRA. ROSS. SI LA TASA DE ROBO SE
INCREMENTA A 131.2 EN EL AÑO 11, ¿CUÁNTOS PACIENTES CON FOBIA
ATENDERÁ LA DRA. ROSS? SI LA TASA DE CRÍMENES BAJA A 90.6,
¿CUÁL ES LA PROYECCIÓN DE PACIENTES?

A pesar que dicha ecuación muestra una relación baja, se estimara con
ella el pronóstico solicitado:

Para una tasa de 131.2 crimenes:

y=1.40907221+0.5432193(131.2)

Págin
a 23
 PRONOSTICOS

y=72.67 pacientes

y=73

Para una tasa de 90.6 crimenes:

y=1.40907221+0.543219390.6

y=50.62 pacientes

y=51

2.19.LOS CONTADORES DE LA EMPRESA GETS AND FARNSWORTH CREÍAN

QUE VARIOS EJECUTIVOS VIAJEROS PRESENTABAN COMPROBANTES DE
VIAJE INUSUALMENTE ALTOS AL REGRESAR DE VIAJES DE NEGOCIOS.
LOS CONTADORES TOMARON UNA MUESTRA DE 200 COMPROBANTES
PRESENTADOS DESDE EL AÑO PASADO; POSTERIORMENTE
DESARROLLARON LA SIGUIENTE ECUACIÓN DE REGRESIÓN MÚLTIPLE,
RELACIONANDO EL COSTO DEL VIAJE (Ŷ), EL NÚMERO DE DÍAS DE VIAJE
(X1), Y LA DISTANCIA VIAJADA (X2) EN MILLAS:

Ŷ = $90.00 + $48.50 x1 + 0.40 x2

El coeficiente de correlación calculado fue de 0.68.

a) Si bill tomlinson regresa de un viaje de 300 millas por el que estuvo

fuera por cinco días, ¿cuál es la cantidad espera que debe reclamar
como gastos?

Y=90.00+ 48.50 (5) + 0.40 (300) = 452.50

Por lo tanto el gasto esperado es de $452.50

b) Tomlinson reclamo una solicitud de reembolso por $685 ¿qué debe

hacer el contador?
c)
Revisar comprobantes y checar si no hubo ninguna contingencia que
hiciera gastar mas a tomilson.

d) ¿se deben incluir otras variables? ¿cuáles? ¿por qué?

Edad---- asumo que las personas mas jovenes pueden gastar mas.
Sexo----- las mujeres normalmente gastan mas.

2.18.EN EL PASADO, LA DISTRIBUCIÓN DE LLANTAS DE LAURA GUSTAFSON

VENDIÓ UN PROMEDIO DE 1000 RADIALES CADA AÑO. EN LOS ÚLTIMOS
DOS AÑOS SE VENDIERON 200 Y 250, RESPECTIVAMENTE, EN EL
OTOÑO; 300 Y 350 EN INVIERNO; 150 Y 165 EN PRIMAVERA; Y 300 Y
Págin
a 24
 PRONOSTICOS

285 EN VERANO. AL PLANEAR UNA EXPANSIÓN MAYOR, LA SRA.

GUSTAFSON PROYECTA QUE LAS VENTAS DEL PRÓXIMO AÑO SE
INCREMENTEN A 1200 RADIALES. ¿CUÁL SERÁ LA DEMANDA PARA
CADA ESTACIÓN?

Demanda de ventas Demanda Pronostico

Demanda Índice
Estación mensual demanda
promedio estacional
A B promedio mensual
Otoño 200 250 225 250 0.9 270
Invierno 300 350 325 250 1.3 390
Primaver 150 165 157.5 250 0.63 189
a
Verano 300 285 292.5 250 1.17 351
Total 1000 Pronostic 1200
o=

2.19.SUPONGA QUE EL NÚMERO DE ACCIDENTES DE AUTOMÓVILES EN

CIERTA REGIÓN SE RELACIONAN CON EL NÚMERO DE AUTOMÓVILES
REGISTRADOS EN MILES (B1), VENTA DE BEBIDAS ALCOHÓLICAS EN
$10,000S (B2), Y DECREMENTO EN EL PRECIO DE LA GASOLINA EN
CENTAVOS (B3). MÁS AUN, IMAGINE QUE LA FORMULA DE REGRESIÓN
SE HA CALCULADO COMO:

Y= a + b1 x1+ b2 x2 +b3 x3

Donde:

Y = el número de accidentes de automóviles

A = 7.5, b1 = 3.5, b2 = 4.5 y b3 = 2.5

Calcular el número esperado de accidentes automovilísticos bajo las

siguientes condiciones:

A = 7.5
B1 = 3.5
B2 = 4.5
b3 = 2.5

Y
(no. De
X1 X2 X3 accidentes)
A) 2 3 9 50.5
B) 3 5 1 43
C) 4 7 2 58

2.20.El siguiente modelo de regresión múltiple fue desarrollado para

predecir el desempeño del trabajo, de acuerdo con el índice de
evaluación de desempeño del trabajo, en una compañía que se basó
en la calificación del examen de preempleo y el promedio de
calificaciones de la universidad (gpa).

Págin
a 25
 PRONOSTICOS

Y = 35 + 20 x1 + 50 x2

Donde:

Y = índice de evaluación de desempeño del trabajo

X1 = calificación del examen de preempleo

X2 = gpa universitario

a) Pronosticar el índice de desempeño del trabajo para un solicitante

con gpa de 3.0 y calificación de 80 en el examen de preempleo.

Y=35+20*80+50*3.0

Y=1785=INDICE DE DESEMPEñO

b) Pronosticar el índice de desempeño del trabajo para un solicitante

con gpa de 2.5 y calificación de 70 en el examen de preempleo.

Y=35+20*70+50*2.5

Y=1560=INDICE DE DESEMPEñO

2.18.EL GOBIERNO DE LA CIUDAD OBTUVO LOS SIGUIENTES DATOS DE

RECOLECCIÓN DE IMPUESTOS SOBRE VENTAS ANUALES Y REGISTROS
DE AUTOMÓVILES NUEVOS:

Recolecci
Registro de
on de
automovile
impuestos X2 Xy Y2
s nuevos
sobre
X
ventas y
10 1 100 10 1
12 1.4 144 16.8 144
15 1.9 225 28.5 225
16 2 256 32 256
14 1.8 196 25.2 196
17 2.1 289 35.7 289
20 2.3 400 46 400
Sumatoria 12.50 104.00 1,610.00 194.20 1,511.00
Promedio 1.7857142
14.8571429 9
-
0.1581497
A= 8 B= 0.130837

Págin
a 26
 PRONOSTICOS

Promedio de
x= 14.8571429
Promedio de
y= 1.78571429
Covarianza= 1.2122449
Desviacion de
x= 3.04389654
Desviacion de
y= 14.5831535
Coeficiente de
correlacion
lineal= 0.0273092

Determinar:

a) La ecuación de regresión de mínimos cuadrados.

Y=-0.15814978+0.130837x

b) Utilizando los resultados de la parte a), encontrar la recolección estimada de

impuestos sobre ventas, si el total en los registros de automóviles nuevos
fue de 22.

Y=-0.15814978+0.13083722

Y=2.72026432=RECOLECCION ESTIMADA DE IMPUESTOS

c) Los coeficientes de correlación y determinación.

Coeficiente de correlacion
lineal= 0.0273092

2.18.las millas voladas por pasajeros en northeast airlines, una empresa

de enlace que da servicio en la ciudad de boston, se muestran para las
12 semanas pasadas.

a) Asumiendo que el pronóstico inicial para la semana 1 fue de 17,000 millas,

utilizar la suavización exponencial para calcular las millas de las semanas 2
a la 12. Emplear α = 0.2.
Millas de Pronóstico
pasajeros (millas de Diferencia Error
Semana
reales (en pasajeros absoluta pronostico
miles) en miles)
1 17 17.00 0.00 0.00
2 21 17.00 4.00 4.00
3 19 17.80 1.20 1.20
4 23 18.00 5.00 5.00
5 18 19.00 1.00 -1.00
6 16 18.80 2.80 -2.80

Págin
a 27
 PRONOSTICOS

7 20 18.30 1.70 1.70

8 18 18.60 0.60 -0.60
9 22 18.50 3.50 3.50
10 20 19.20 0.80 0.80
11 15 19.40 4.40 -4.40
12 22 18.50 3.50 3.50
Total 28.50 10.90
Mad 2.38
10.9
Rsfe 0
Rsfe /
mad 4.59

b) ¿cuál es el mad para este modelo?

2.33. SE CREE QUE LOS VIAJES EN AUTOBÚS Y METRO EN WASHINGTON,

D.C., DURANTE LOS MESES DEL VERANO ESTÁN VINCULADOS CON EL
NÚMERO DE TURISTAS QUE VISITAN EN ESTA CIUDAD. DURANTE LOS
ÚLTIMOS 12 AÑOS, SE HAN OBTENIDO LOS SIGUIENTES DATOS:

Añ Número de Viajes Añ Número de Viajes

o turistas (millones) o turistas (millones)
(millones) (millones)

1 7 1.5 7 16 2.4

2 2 1.0 8 12 2.0

3 6 1.3 9 14 2.7

4 4 1.5 10 20 4.4

5 14 2.5 11 15 3.4

6 15 2.7 12 7 1.7

a) Graficar estos datos y decidir si es razonable un modelo lineal.

Se puede decir que si es razonable un modelo linear

b) Desarrollar una relación de regresión.

Págin
a 28
 PRONOSTICOS

Año Número Viajes X2 Xy Y2

de (millones
turistas )
(millones Y
)
x
1 7 1.5 49 10.5 2.25
2 2 1 4 2 4
3 6 1.3 36 7.8 36
4 4 1.5 16 6 16
5 14 2.5 196 35 196
6 15 2.7 225 40.5 225
7 16 2.4 256 38.4 256
8 12 2 144 24 144
9 14 2.7 196 37.8 196
10 20 4.4 400 88 400
11 15 3.4 225 51 225
12 7 1.7 49 11.9 49
Sumatoria 132.00 27.10 1,796.00 352.90 1,749.25
Promedio 2.2583333
11 3
0.5060077 0.1593023
A= 5 B= 3

Y=0.50600775+0.15930233x

c) ¿cuál es la relación esperada si 10 millones de turistas visitan la

ciudad en un año?

Y=0.50600775+0.15930233(10)

Y=2.09903101 millones de viajes

d) Explicar la relación que se predijo si no hay turistas.

Y=0.50600775+0.15930233(0)
Y=0.50600775 millones de viajes

e) ¿cuál es el error estándar del estimado?

error estándar=0.407

f) ¿cuál es el coeficiente de correlación del modelo y el coeficiente de

determinación?

CORRELACIÓN DEL MODELO 0.92 Y EL COEFICIENTE DE

DETERMINACIÓN 0.84

Págin
a 29
 PRONOSTICOS

2.34. LAS LLAMADAS DE EMERGENCIA AL SISTEMA 911 DE WINTER PARK,

FLORIDA, DURANTE LAS ÚLTIMAS 24 SEMANAS SE MUESTRAN A
CONTINUACIÓN.

a) Calcular el pronóstico de suavización exponencial de llamadas para cada

semana. Asumir un pronóstico inicial de 50 llamadas en la primera semana,
y utilizar α = 0.1. ¿cuál es el pronóstico para la semana 25?

Diferenc
Llamada ia Diferenc
Semana 0.1 0.6
s absolut ia abs
a
1 50 25 25 25 25
2 35 27.5 7.5 40 5
3 25 28.3 3.3 37 12
4 40 27.9 12.1 29.8 10.2
5 45 29.1 15.9 35.9 9.1
6 35 30.7 4.3 41.4 6.4
7 20 31.1 11.1 37.5 17.5
8 30 30 0 27 3
9 35 30 5 28.8 6.2
10 20 30.5 10.5 32.5 12.5
11 15 29.5 14.5 25 10
12 40 28 12 19 21
13 55 29.2 25.8 31.6 23.4
14 35 31.8 3.2 45.6 10.6
15 25 32.1 7.1 39.3 14.3
16 55 31.4 23.6 30.7 24.3
17 55 33.8 21.2 45.3 9.7
18 40 35.9 4.1 51.1 11.1
19 35 36.3 1.3 44.4 9.4
20 60 36.2 23.8 38.8 21.2
21 75 38.6 36.4 51.5 23.5
22 50 42.2 7.8 65.6 15.6
23 40 43 3 56.2 16.2
24 65 42.7 22.3 46.5 18.5
25 85 44.9 40.1 57.6 27.4
Mad 13.636 Mad 14.524

b) Pronosticar de nuevo para cada periodo empleando α = 0.6.

Ver tabla anterior

c) Las llamadas reales durante la semana 25 fueron 85. ¿qué constante de

suavización ofrece un pronóstico mejor? Explicar y justificar la medida de
error utilizada.

Págin
a 30
 PRONOSTICOS

La constante de suavizacion que pronostica mejor es la de 0.1, con

un una mad menor a la de 0.6

2.35. ORLANDO POWER AND LIGHT HA RECOLECTADO INFORMACIÓN DE LA

DEMANDA DE ENERGÍA ELÉCTRICA EN LA SUCURSAL UCF DURANTE LOS
ÚLTIMOS DOS AÑOS. LOS DATOS SE MUESTRAN A CONTINUACIÓN:

Demanda en Demanda en
megawatts megawatts

Mes Año Este Mes Año Este

pasado año pasado año

Ene 5 17 Jul 23 44

Feb 6 14 Ago 26 41

Mar 10 20 Sep 21 33

Abr 13 23 Oct 15 23

May 18 30 Nov 12 26

Jun 15 38 Dic 14 17

La empresa de servicio necesita pronosticar la demanda para cada mes del

siguiente año, para poder planear la expansión y negociar el préstamo de energía
de las instalaciones vecinas durante los periodos pico. Sin embargo, los modelos de
pronóstico estándares discutidos en este capítulo no siguen los datos observados
durante los dos años.

a) ¿cuáles son las debilidades de las técnicas estándares de

pronósticos cuando se aplican a este conjunto de datos?

En algunos no se puede tomar en cuenta la estacionalidad, y

provoca que exista sesgo.

b) Debido a que los modelos usados no son realmente apropiados aquí,

proponga su propio sistema para pronosticar. Aunque no existe una
solución perfecta para atacar datos como éstos (en otras palabras,
no hay respuestas 100% correctas o incorrectas), justifique su
modelo.

El modelo factible serìa tal vez tomar en cuenta mucho la

estacionalidad, ya que ese observan en los datos este
comportamiento.

Págin
a 31
 PRONOSTICOS

c) Pronostique la demanda para cada mes del año próximo, utilizando

el modelo propuesto por usted.

Demanda en Demanda en
megawatts megawatts
Demanda
Demanda
Año Este Demanda anual
Mes mensual Indice
pasado año promedio (pronosti
promedio
co)
Ene 5 17 11 21 0.5238095 18.77
2
Feb 6 14 10 21 0.4761904 17.06
8
Mar 10 20 15 21 0.7142857 25.6
1
Abr 13 23 18 21 0.8571428 30.71
6
May 18 30 24 21 1.1428571 40.95
4
Jun 15 38 26.5 21 1.2619047 45.22
6
Jul 23 44 33.5 21 1.5952381 57.16
Ago 26 41 33.5 21 1.5952381 57.16
Sep 21 33 27 21 1.2857142 46.07
9
Oct 15 23 19 21 0.9047619 32.42
Nov 12 26 19 21 0.9047619 32.42
Dic 14 17 15.5 21 0.7380952 26.45
4
252 430

2.36. LA ASISTENCIA A LA ATRACCIÓN VACATION WORLD, UN PARQUE

SIMILAR A DISNEY EN ORLANDO, SE MUESTRA A CONTINUACIÓN:

Calcular los índices estacionales, utilizando toda la información anterior.

Visitantes (en miles) Demand

Demand
Trimest 1990 1991 1992 a
a
re promedi Índice
promedi
o
o
periodo
Inviern 73 65 89 76 107 0.7100
o
Primav 104 82 146 111 107 1.0400
era
Verano 168 124 205 166 107 1.5500
Otoño 74 52 98 75 107 0.7000
Total: 428.00
428/4=1
Dmp:
07

2.37. SAMANTHA SHANE, ADMINISTRADORA DE SHANE´S DEPARTMENT

STORE, HA UTILIZADO EXTRAPOLACIÓN DE SERIES DE TIEMPO PARA
Págin
a 32
 PRONOSTICOS

PRONOSTICAR LAS VENTAS AL MENUDEO PARA LOS PRÓXIMOS CUATRO

TRIMESTRES. LAS VENTAS ESTIMADAS SON DE $120,000, $140,000,
$160,000 Y $180,000 PARA LOS TRIMESTRES RESPECTIVOS. LOS ÍNDICES
ESTACIONALES PARA LOS CUATRO TRIMESTRES SON DE 1.25, 0.90, 0.75 Y
1.15, RESPECTIVAMENTE. CALCULAR UN PRONÓSTICO DE VENTAS
ESTACIONALIZADO O AJUSTADO.

VENTA
TRIMEST PRONOSTIC PRONÓST
RE ADA ÍNDICE ICO
1 120,000 1.25 150,000
2 140,000 0.90 126,000
3 160,000 0.75 120,000
4 180,000 1.15 207,000

Págin
a 33