Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
F ACULTAD
DE
DE
PROBLEMAS
PRONSTICOS
MATERIA:
ADMINISTRACION DE OPERACIONES
PRESENTA:
CATEDRATICO
MAYO
2011
PRONOSTICOS
2.1. LAS TEMPERATURAS MXIMAS DIARIAS EN LA CIUDAD DE HOUSTON LA SEMANA PASADA FUERON COMO SIGUE: a) Pronosticar la temperatura mxima para hoy, utilizando un promedio mvil de tres das. D a 1 2 3 4 5 6 7 Temperat ura 93 94 93 95 96 88 90 Pronostico 93.333 94 94.667 93
b) Pronosticar la temperatura mxima para hoy, utilizando un promedio mvil de dos das. Da 1 2 3 4 5 6 7 Tempera tura 93 94 93 95 96 88 90 Pronostico
Da 1 2 3 4 5 6 7
Temperat ura 93 94 93 95 96 88 90
Diferenci a absoluta
Pgin a4
PRONOSTICOS
2.2. PARA LOS DATOS QUE ESTN A CONTINUACIN, DESARROLLAR UN PRONSTICO DE PROMEDIOS MVILES DE TRES MESES.
Prome Cantida Ventas dio d de acumulad movil autos as para de 3 redonde Mes autos meses ada 20 Enero 21 Febrero 15 Marzo 14 18.6666 19 Abril 7 13 16.6666 17 Mayo 7 16 14 Junio 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 CONTINUACIN, DESARROLLAR UN PRONSTICO DE DEMANDA DE PROMEDIOS MVILES DE TRES AOS. Ao 1 2 3 4 5 6 7 8 9 10 11 Demanda 7 9 5 9 13 8 12 13 9 11 7 Pronostico promedio movil de 3 aos
7 7.6666667 9 10 11 11 11.333333 11
Pgin a5
PRONOSTICOS
2.4. SUSAN GOODMAN HA DESARROLLADO EL SIGUIENTE MODELO DE PRONSTICO: = 36 + 4.3 x Donde: = demanda para acondicionadores de aire azteca y X = la temperatura exterior (f). Pronosticar a) la demanda para el azteca cuando la temperatura es de 70f.
c)
Ao 1 2 3 4 5 6 7 8
Diferencia absoluta
Diferencia absoluda
Pgin a6
PRONOSTICOS
9 10 11
12 14 15
8.25 10 12.25
3.75 4 2.75
Mad 2.31 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 MVIL DE DOS Y DE CUATRO AOS PARA LA DEMANDA DE SEMILLAS DE PASTO DEL PROBLEMA 2.5 Demanda de semillas de pasto (en miles de costales) 4 6 4 5 10 8 7 9 12 14 15 5 5 4.5 7.5 9 7.5 8 10.5 13 4.75 6.25 6.75 7.5 8.5 9 10.5
Ao 1 2 3 4 5 6 7 8 9 10 11
2.7. EN LOS PROBLEMAS 2.5 Y 2.6, SE DESARROLLAN 4 DIFERENTES PRONSTICOS PARA LA DEMANDA DE SEMILLAS DE PASTO. ESTOS 4 PRONSTICOS SON PROMEDIOS MVILES DE 2 AOS, PROMEDIOS MVILES DE 3 AOS, UN PROMEDIO MVIL PONDERADO Y PROMEDIOS MVILES DE 4 AOS. CUL UTILIZARA? EXPLICAR SU RESPUESTA.
DEMANDA DE SEMILLAS DE PASTO (EN MILES DE COSTALES )
AO
DIFERENCI A ABSOLUTA
1 2 3 4 5 6 7
4 6 4 5 10 8 7 5 5 4.5 7.5 9 1 0 5.5 0.5 2 4.75 6.25 6.75 5.25 1.75 0.25
Pgin a7
PRONOSTICOS
8 9 10 11
9 12 14 15
7.5 8 10.5 13
1.5 4 3.5 2
De los mtodos mencionados el que tiene la menor diferencia en relacin con la demanda real es el promedio movil de 2 aos. 2.8. UTILIZAR LA SUAVIZACIN EXPONENCIAL CON UNA CONSTANTE DE SUAVIZACIN DE 0.3 PARA PRONOSTICAR LA DEMANDA DE SEMILLAS DE PASTO DEL PROBLEMA 2.5. ASUMIR QUE EL PRONSTICO DEL LTIMO PERIODO PARA EL AO 1 ES DE 5000 COSTALES PARA PRINCIPIAR EL PROCEDIMIENTO. PREFERIRA UTILIZAR EL MODELO DE SUAVIZACIN EXPONENCIAL O EL MODELO DE PROMEDIO PONDERADO DESARROLLADO EN EL PROBLEMA 2.5? EXPLICAR LA RESPUESTA.
Ao 1 2 3 4 5 6 7 8 9 10 11
Diferenc Suavizac ia in absoluta 5 4.7 5.09 4.76 4.83 6.38 6.87 6.91 7.54 8.87 10.41 1 1.3 1.09 0.24 5.17 1.62 0.13 2.09 4.46 5.13 4.59
Diferencia absoluta
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 SUAVIZACIN DE 0.6 Y 0.9, DESARROLLAR UN PRONSTICO PARA LAS VENTAS DE GREEN LINE JET SKIS. VASE EL PROBLEMA RESUELTO 2.1.
Pgin a8
PRONOSTICOS
DA
TEMPERAT URA
PRONOSTIC O
0.6
DIFERENCI A ABSOLUTA
0.9
DIFERENCI A ABSOLUTA
1 2 3 4 5 6 7
93 94 93 95 96 88 90 93.5 93.20000 94.28000 95.31200 90.92480 Mad 0.6 1.80000 93.05000 1.72000 94.80500 7.31200 95.88050 0.92480 88.78805 2.35136 Mad 0.9 1.95000 1.19500 7.88050 1.21195 3.05936
2.10. QU EFECTO TUVO LA CONSTANTE DE SUAVIZACIN EN EL PRONSTICO GREEN LINE JET SKIS? VASE EL PROBLEMA 2.1 Y EL PROBLEMA 2.9. CUL CONSTANTE DE SUAVIZACIN OFRECE EL PRONSTICO MS EXACTO?
DA TEMPERAT URA PRONOSTIC O 0.6 DIFERENCI A ABSOLUTA 0.9 DIFERENCI A ABSOLUTA
1 2 3 4 5 6 7
93 94 93 95 96 88 90
93.5 93.20000 1.80000 93.05000 1.95000 94.28000 1.72000 94.80500 1.19500 95.31200 7.31200 95.88050 7.88050 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 PRONSTICO DE PROMEDIO MVIL DE TRES AOS PARA PRONOSTICAR LAS TEMPERATURAS VASE EL PROBLEMA RESUELTO 2.1.
DIA TEMPERATURA PRONOSTICO PROMEDIO MOVIL
1 2 3 4 5 6 7
Pgin a9
PRONOSTICOS
2.12. UTILIZANDO EL MTODO DE PROYECCIN DE TENDENCIA, DESARROLLAR UN MODELO DE PRONSTICO PARA LAS TEMPERATURAS. VASE EL PROBLEMA RESUELTO 2.1 Utilizando las siguientes formulas:
b=xy-nxyx2-nx2 a=y-bx
Dia x 1 2 3 4 5 6 7 Sumatori a: Promedio : A= 28 4 95.28571 43 Temperatu ra y 93 94 93 95 96 88 90 649 92.7142857 0.6428571 B= 4 X2 1 4 9 16 25 36 49 140 Xy 93 188 279 380 480 528 630 2578
y=95.2857143-.64285714 x
En donde:
Tempe ratura 93
0.3
Diferencia absoluta
Pgin a 10
PRONOSTICOS
94 93 95 96 88 90 93.5 93.3500 0 93.8450 0 94.4915 0 92.5440 5 1.65000 2.15500 6.49150 2.54405 93.3000 94.0000 94.7000 1.70000 2.00000 6.70000
93.0000 3.00000 Mad Mad 3.2101 prom 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 CIRUGA DE TRASPLANTE DE CORAZN EN EL WASHINGTON GENERAL HOSPITAL HA CRECIDO CONSTANTEMENTE EN LOS AOS PASADOS, COMO SE APRECIA EN LA SIGUIENTE TABLA: EL DIRECTOR DE LOS SERVICIOS MDICOS PREDIJO HACE SEIS AOS QUE LA DEMANDA DEL AO 1 SERA DE 41 CIRUGAS. a) USE LA SUAVIZACIN EXPONENCIAL, PRIMERO CON UNA CONSTANTE DE SUAVIZACIN DE 0.6 Y POSTERIORMENTE CON UNA DE 0.9, PARA DESARROLLAR PRONSTICOS PARA LOS AOS 2 A 6. Cirugas realizada s de trasplant e de corazn 45 50 52 56 58 ?
Ao
0.6
0.9
1 2 3 4 5 6
b) Utilice un promedio mvil de 3 aos para pronosticar las demandas de los aos 4, 5 y 6.
AO CIRUGAS REALIZADAS DE TRASPLANTE DE CORAZN PROMEDIO MVIL
1 2 3
45 50 52
Pgin a 11
PRONOSTICOS
4 5 6
56 58 ?
c) Use el mtodo de proyeccin de tendencias para pronosticar la demanda de los aos 1 a 6. Cirugas realizadas de Ao trasplante de X2 Xy Pronstico X corazn 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, cul de los 4 sistemas anteriores de pronstico es el
mejor Cirugas realizada A s de o trasplant e de corazn 1 45 2 3 4 5
0.6
D.a.
0.9
D.a.
Prom
D.a.
D.a.
El
41.0000 4.0000 0 0 50 6.6 44.6000 5.4000 43.40000 0 0 52 4.64 49.1000 2.9000 47.36000 0 0 56 5.856 51.7100 4.2900 49.00 50.14400 0 0 0 7.000 58 4.3424 55.5710 2.4290 52.70 53.65760 0 0 0 5.300 5.0876 3.8038 6.15 Mad 8 Mad 0 Mad mejor sistema para pronosticar en este caso es tendencia, ya menor diferencia tiene. 41.00000
2.15.UN CUIDADOSO ANLISIS DEL COSTO DE OPERACIN DE UN AUTOMVIL FUE HECHO POR UNA EMPRESA. SE DESARROLLO EL SIGUIENTE MODELO: Y = 4000 + 0.20 x Donde:
Pgin a 12
PRONOSTICOS
Y = costo anual X= millas manejadas a) Si un automvil se maneja 15,000 millas este ao, cul es el costo de operacin pronosticado para este automvil? Y = 4000 + 0.20 (15,000) Costo de operacin: $ 7,000.00
b) Si un automvil se maneja 25,000 millas este ao, cul es el costo de operacin pronosticado para este automvil? Y = 4000 + 0.20 (25,000) Costo de operacin: $ 9,000.00
c) Suponga que un automvil se manejo 15 mil millas y el costo anual de operacin fue de $6,000.00, mientras que un segundo automvil se manejo 25,000 millas y el costo de operacin real fue de $10,000.00. Calcule la desviacin media absoluta. Costo real 6,000 10,000
Periodo 1 2 3 4 5 6
Demanda 7 9 5 9 13 8
Pgin a 13
PRONOSTICOS
<--se calculo: sumatoria de la diferencia absoluta, expresada como porcentaje de el no. De valores observados (en este caso 4 valores). <--se calculo: sumatoria de la diferencia absoluta, expresada como 2.19% porcentaje con respecto a la sumatoria de los valores observados (en este caso la sumatoria es 45).
2.18.CON LOS SIGUIENTES DATOS, UTILICE LA REGRESIN POR MNIMOS CUADRADOS PARA DERIVAR UNA ECUACIN DE PRONSTICO. CUL ES SU ESTIMADO DE LA DEMANDA PARA EL PERIODO 7? UTILIZANDO LAS FORMULAS:
b=xy-nxyx2-nx2 a=y-bx
Periodo x 1 2 3 4 5 6 Sumatoria Promedio 21 3.5 A= Demanda y 7 9 5 11 10 13 55 9.16666667 5.26666667 B= 1.11428571 X2 1 4 9 16 25 36 91 Xy 7 18 15 44 50 78 212
Pgin a 14
PRONOSTICOS
AO
X2
XY
1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 Sumatoria Promedio
15 25 10 10 30 20 20 15 10 25 180 18
25 20 10 15 20 15 20 10 5 20 120 16 A= 6.4130434 8
225 625 100 100 900 400 400 225 100 625 3700 B=
375 500 100 150 600 300 400 150 50 500 3125
0.5326087
En la siguiente ecuacin se presenta la relacin entre la cantidad de das con lluvias y el nmero de partidos ganados por los cardinals:
Pronstico= y=6.41304348+0.5326087x
2.20.LAS VENTAS DE ASPIRADORAS INDUSTRIALES EN JACK PETERS SUPPLY CO., EN LOS LTIMOS 13 MESES SE MUESTRAN A CONTINUACIN. a) Utilizando un promedio mvil con tres periodos, determinar la demanda de aspiradoras para el prximo febrero.
VENTAS (EN MILES) PRONOSTI CO PROMEDIO MOVIL
MES
11 14 16 10 15 17 11 14
Pgin a 15
PRONOSTICOS
Septiembr e Octubre Noviembr e Diciembre Enero Venta pronostic ada para el mes de :
Febrero
b) USANDO UN PROMEDIO MVIL PONDERADO CON TRES PERIODOS, DETERMINAR LA DEMANDA DE ASPIRADORAS PARA FEBRERO. USAR 3,2 Y 1 PARA LOS PESOS DE LOS PERIODOS MS RECIENTE, SEGUNDO MS RECIENTE Y TERCERO MS RECIENTE, RESPECTIVAMENTE. POR EJEMPLO, SI SE ESTUVIERA PRONOSTICANDO LA DEMANDA PARA FEBRERO, NOVIEMBRE TENDRA UN PESO DE 1; DICIEMBRE TENDRA UN PESO DE 2; Y ENERO TENDRA UN PESO DE 3. Ventas (en miles) 11 14 16 10 15 17 11 14 17 12 14 16 11 13.5 15 14 13.833333 3 14.666666 7 13.166666 7 Promedio movil ponderad o
Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembr e Octubre Noviembre Diciembre Enero Febrero
Pgin a 16
PRONOSTICOS
Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembr e Octubre Noviembre
Promedio movil
D.a.
D.a.
13.666666 3.6666666 7 7 14.5 4.5 13.333333 1.6666666 12.666666 2.3333333 3 7 7 3 13.666666 3.3333333 7 3 13.5 3.5 15.166666 4.1666666 14 3 7 7 14.333333 0.3333333 13.666666 0.3333333 3 3 7 3
14 3 13.5 3.5 14 2 15 3 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
2.18.
EL GERENTE DE OPERACIONES DE UNA DISTRIBUIDORA DE INSTRUMENTOS MUSICALES CREE QUE LA DEMANDA DE BOMBOS PUEDE ESTAR RELACIONADA CON EL NMERO DE APARICIONES POR TELEVISIN DEL POPULAR GRUPO DE ROCK GREEN SHADES DURANTE EL MES PREVIO. EL GERENTE HA RECOLECTADO LOS DATOS QUE SE MUESTRAN EN LA SIGUIENTE TABLA. Demanda de bombos 3 6 Apariciones en televisin de green shades 3 4
Pgin a 17
PRONOSTICOS
7 5 10 8
7 6 8 5
a) Graficar estos datos para ver si una ecuacin lineal puede describir la relacin entre los shows en televisin del grupo y las ventas de bombos.
Se puede apreciar que una ecuacion lineal puede explicar la relacion entre estas dos variables
Aparicion es en Demanda televisi de n de bombos green Y shades X 3 3 4 6 5 8 6 5 7 7 8 10 Sumatoria Promedio 33 5.5 A= 39 6.5 1
X2
Xy
9 16 25 36 49 64 199 B=
9 24 40 30 49 80 232 1
Pronstico= y=1+x
Pgin a 18
PRONOSTICOS
2.18. UN ESTUDIO PARA DETERMINAR LA CORRELACIN ENTRE LOS DEPSITOS BANCARIOS Y LOS NDICES DE PRECIOS A CONSUMIDORES EN BIRMINGHAM, ALABAMA, REVELARON LO SIGUIENTE (BASADO EN 5 AOS DE DATOS): x = 15 x2 = 55 xy = 70 y = 20 y2 = 130
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
SY,X=y2-ay-bxyn-2
Utilizando la formula anterior se tiene:
B= A=
Error estandar
Pgin a 19
PRONOSTICOS
2.18.EL CONTADOR DE LESLIE WARDROP COAL DISTRIBUTORS, INC., OBSERVA QUE LA DEMANDA DE CARBN PARECE ESTAR RELACIONADA CON UN NDICE DE SEVERIDAD EN EL CLIMA, DE ACUERDO CON UN ESTUDIO DESARROLLADO POR EL U.S. WEATHER BUREAU. ES DECIR, COMO EL CLIMA FUE EXTREMADAMENTE FRO EN ESTADOS UNIDOS EN LOS LTIMOS CINCOS AOS (Y POR LO TANTO EL NDICE ES ALTO), LAS VENTAS DE CARBN FUERON ALTAS. EL CONTADOR PROPONE QUE SE PUEDE HACER UN BUEN PRONSTICO PARA LA DEMANDA DE CARBN DEL AO PRXIMO AL DESARROLLAR UNA ECUACIN DE REGRESIN, Y DESPUS CONSULTAR EL FARMERS ALMANAC PARA VER QU TAN SEVERO SER EL INVIERNO DEL AO PRXIMO. CON LOS DATOS DE LA SIGUIENTE TABLA, DERIVAR UNA ECUACIN DE REGRESIN DE MNIMOS CUADRADOS Y CALCULAR EL COEFICIENTE DE CORRELACIN DE LOS DATOS. TAMBIN CALCULAR EL ERROR ESTNDAR DEL ESTIMADO.
X2
Xy
Sumatoria Promedio
4 1 16 25 9 55 B=
8 1 16 30 15 70 1
y=1+x
Pgin a 20
PRONOSTICOS
C D E F G H I J K L M
585 690 608 390 415 481 729 501 613 709 366
3.00 3.45 3.66 2.88 2.15 2.53 3.22 1.99 2.75 3.90 1.60
177241 1220.9 142129 1104.61 342225 1755 476100 2380.5 369664 2225.28 152100 1123.2 172225 892.25 231361 1216.93 531441 2347.38 251001 996.99 375769 1685.75 502681 2765.1 133956 585.6 3,857,893. 6,885.00 36.96 00 20,299.49 529.61538 2.8430769 5 2 1.0277708 0.0034275 A= 1 B= 9
Pgin 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 correlacin lineal, se puede decir que es moderada, ya que no alcanza ni el 70%.
b)
si un estudiante obtuvo 350 en el sat, cul cree que sea su calificacin en el gpa?
y=1.02777081+0.0034279380 y=3.7698454
LA DRA. JERILYN ROSS, UNA PSICLOGA DE NUEVA YORK, SE ESPECIALIZA EN TRATAR PACIENTES QUE TIENEN FOBIAS Y TEMORES AL SALIR DE CASA. LA SIGUIENTE TABLA MUESTRA EL NMERO DE PACIENTES QUE HA ATENDIDO LA DRA. ROSS CADA AO DURANTE LOS LTIMOS 10 AOS. TAMBIN RELACIONA LA TASA DE ROBOS EN NUEVA YORK DURANTE EL MISMO AO. Tasa de crimen Nmero (robos) de Ao por 1000 X2 Xy Y2 pacientes habitante Y s X 1 58.3 36 3398.89 2098.8 1296 2 3 4 5 61.1 73.4 75.7 81.1 33 40 41 40 3733.21 5387.56 5730.49 6577.21 2016.3 2936 3103.7 3244 3733.21 5387.56 5730.49 6577.21
Pgin a 22
PRONOSTICOS
6 7 8 9 10 Sumatoria Promedio
55 60 54 58 61
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 ecuacin de tendencia quedara como sigue:
y=1.40907221+0.5432193x
Pero la relacin entre la tasa de crmenes y el no. De pacientes de la doctora, Usando el mismo anlisis de tendencia, cuntos pacientes atender la dra. Ross en los aos 11, 12 y 13? qu tan bien encaja el modelo en los datos? Para responder esta pregunta es necesario contar la tasa de crmenes, ya que sta es la variable independiente, a partir de ese dato se podr estimar el no. De pacientes
y=1.40907221+0.5432193(131.2) Pgin a 23
PRONOSTICOS
Y=90.00+ 48.50 (5) + 0.40 (300) = 452.50 Por lo tanto el gasto esperado es de $452.50
d) se deben incluir otras variables? cules? por qu? Edad---- asumo que las personas mas jovenes pueden gastar mas. Sexo----- las mujeres normalmente gastan mas. 2.18.EN EL PASADO, LA DISTRIBUCIN DE LLANTAS DE LAURA GUSTAFSON VENDI UN PROMEDIO DE 1000 RADIALES CADA AO. EN LOS LTIMOS DOS AOS SE VENDIERON 200 Y 250, RESPECTIVAMENTE, EN EL OTOO; 300 Y 350 EN INVIERNO; 150 Y 165 EN PRIMAVERA; Y 300 Y
Pgin a 24
PRONOSTICOS
285 EN VERANO. AL PLANEAR UNA EXPANSIN MAYOR, LA SRA. GUSTAFSON PROYECTA QUE LAS VENTAS DEL PRXIMO AO SE INCREMENTEN A 1200 RADIALES. CUL SER LA DEMANDA PARA CADA ESTACIN? Demanda de ventas A 200 300 150 300 B 250 350 165 285 Total Demanda ndice mensual estacional promedio 250 250 250 250 0.9 1.3 0.63 1.17 Pronostic o= Pronostico demanda mensual 270 390 189 351 1200
A) B) C)
X1 2 3 4
X2 3 5 7
X3 9 1 2
Pgin a 25
PRONOSTICOS
Y = 35 + 20 x1 + 50 x2 Donde: Y = ndice de evaluacin de desempeo del trabajo X1 = calificacin del examen de preempleo X2 = gpa universitario
2.18.EL GOBIERNO DE LA CIUDAD OBTUVO LOS SIGUIENTES DATOS DE RECOLECCIN DE IMPUESTOS SOBRE VENTAS ANUALES Y REGISTROS DE AUTOMVILES NUEVOS: Recolecci Registro de on de automovile impuestos s nuevos sobre X ventas y 10 12 15 16 14 17 20 Sumatoria Promedio 12.50 14.8571429 A= 1 1.4 1.9 2 1.8 2.1 2.3
X2
Xy
Y2
100 144 225 256 196 289 400 104.00 1,610.00 1.7857142 9 0.1581497 8 B=
0.130837
Pgin a 26
PRONOSTICOS
0.0273092
Y=-0.15814978+0.130837x
b) Utilizando los resultados de la parte a), encontrar la recoleccin estimada de impuestos sobre ventas, si el total en los registros de automviles nuevos fue de 22.
0.0273092
Pgin a 27
PRONOSTICOS
7 8 9 10 11 12
20 18 22 20 15 22
1.70 0.60 3.50 0.80 4.40 3.50 28.50 Mad 2.38 10.9 Rsfe 0 Rsfe / mad 4.59
2.33. SE CREE QUE LOS VIAJES EN AUTOBS Y METRO EN WASHINGTON, D.C., DURANTE LOS MESES DEL VERANO ESTN VINCULADOS CON EL NMERO DE TURISTAS QUE VISITAN EN ESTA CIUDAD. DURANTE LOS LTIMOS 12 AOS, SE HAN OBTENIDO LOS SIGUIENTES DATOS: A o 1 2 3 4 5 6 Nmero de turistas (millones) 7 2 6 4 14 15 Viajes (millones) 1.5 1.0 1.3 1.5 2.5 2.7 A o 7 8 9 10 11 12 Nmero de turistas (millones) 16 12 14 20 15 7 Viajes (millones) 2.4 2.0 2.7 4.4 3.4 1.7
a) Graficar estos datos y decidir si es razonable un modelo lineal. Se puede decir que si es razonable un modelo linear
Pgin a 28
PRONOSTICOS
Ao
1 2 3 4 5 6 7 8 9 10 11 12 Sumatoria Promedio
Viajes (millones ) Y 1.5 1 1.3 1.5 2.5 2.7 2.4 2 2.7 4.4 3.4 1.7
X2
Xy
Y2
A=
Y=0.50600775+0.15930233x
c) cul es la relacin esperada si 10 millones de turistas visitan la ciudad en un ao?
error estndar=0.407
f) cul es el coeficiente de correlacin del modelo y el coeficiente de determinacin? CORRELACIN DEL MODELO 0.92 Y EL COEFICIENTE DE DETERMINACIN 0.84
Pgin a 29
PRONOSTICOS
2.34. LAS LLAMADAS DE EMERGENCIA AL SISTEMA 911 DE WINTER PARK, FLORIDA, DURANTE LAS LTIMAS 24 SEMANAS SE MUESTRAN A CONTINUACIN.
Llamada Semana s 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 50 35 25 40 45 35 20 30 35 20 15 40 55 35 25 55 55 40 35 60 75 50 40 65 85
0.1 25 27.5 28.3 27.9 29.1 30.7 31.1 30 30 30.5 29.5 28 29.2 31.8 32.1 31.4 33.8 35.9 36.3 36.2 38.6 42.2 43 42.7 44.9 Mad
0.6 25 40 37 29.8 35.9 41.4 37.5 27 28.8 32.5 25 19 31.6 45.6 39.3 30.7 45.3 51.1 44.4 38.8 51.5 65.6 56.2 46.5 57.6 Mad
Diferenc ia abs 25 5 12 10.2 9.1 6.4 17.5 3 6.2 12.5 10 21 23.4 10.6 14.3 24.3 9.7 11.1 9.4 21.2 23.5 15.6 16.2 18.5 27.4 14.524
b) Pronosticar de nuevo para cada periodo empleando = 0.6. Ver tabla anterior
Pgin 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 INFORMACIN DE LA DEMANDA DE ENERGA ELCTRICA EN LA SUCURSAL UCF DURANTE LOS LTIMOS DOS AOS. LOS DATOS SE MUESTRAN A CONTINUACIN: Demanda en megawatts Mes Ene Feb Mar Abr May Jun Ao pasado 5 6 10 13 18 15 Este ao 17 14 20 23 30 38 Mes Jul Ago Sep Oct Nov Dic Demanda en megawatts Ao pasado 23 26 21 15 12 14 Este ao 44 41 33 23 26 17
La empresa de servicio necesita pronosticar la demanda para cada mes del siguiente ao, para poder planear la expansin y negociar el prstamo de energa de las instalaciones vecinas durante los periodos pico. Sin embargo, los modelos de pronstico estndares discutidos en este captulo no siguen los datos observados durante los dos aos.
a) cules son las debilidades de las tcnicas estndares pronsticos cuando se aplican a este conjunto de datos?
de
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 aqu, proponga su propio sistema para pronosticar. Aunque no existe una solucin perfecta para atacar datos como stos (en otras palabras, no hay respuestas 100% correctas o incorrectas), justifique su modelo. El modelo factible estacionalidad, ya comportamiento. sera tal vez tomar en cuenta mucho la que ese observan en los datos este
Pgin a 31
PRONOSTICOS
c) Pronostique la demanda para cada mes del ao prximo, utilizando el modelo propuesto por usted. Demanda en megawatts Mes Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic Ao pasado 5 6 10 13 18 15 23 26 21 15 12 14 Este ao 17 14 20 23 30 38 44 41 33 23 26 17 Demanda promedio 11 10 15 18 24 26.5 33.5 33.5 27 19 19 15.5 252 Demanda en megawatts Demanda mensual promedio 21 21 21 21 21 21 21 21 21 21 21 21 Indice 0.5238095 2 0.4761904 8 0.7142857 1 0.8571428 6 1.1428571 4 1.2619047 6 1.5952381 1.5952381 1.2857142 9 0.9047619 0.9047619 0.7380952 4 Demanda anual (pronosti co) 18.77 17.06 25.6 30.71 40.95 45.22 57.16 57.16 46.07 32.42 32.42 26.45 430
2.36. LA ASISTENCIA A LA ATRACCIN VACATION WORLD, UN PARQUE SIMILAR A DISNEY EN ORLANDO, SE MUESTRA A CONTINUACIN: Calcular los ndices estacionales, utilizando toda la informacin anterior. Visitantes (en miles) 1990 1991 1992 Demand Demand a a promedi promedi o o periodo 76 107 111 107 107 107
73 104 168 74
65 82 124 52
89 146 205 98
2.37. SAMANTHA SHANE, ADMINISTRADORA DE SHANES DEPARTMENT STORE, HA UTILIZADO EXTRAPOLACIN DE SERIES DE TIEMPO PARA
Pgin a 32
PRONOSTICOS
PRONOSTICAR LAS VENTAS AL MENUDEO PARA LOS PRXIMOS CUATRO TRIMESTRES. LAS VENTAS ESTIMADAS SON DE $120,000, $140,000, $160,000 Y $180,000 PARA LOS TRIMESTRES RESPECTIVOS. LOS NDICES ESTACIONALES PARA LOS CUATRO TRIMESTRES SON DE 1.25, 0.90, 0.75 Y 1.15, RESPECTIVAMENTE. CALCULAR UN PRONSTICO DE VENTAS ESTACIONALIZADO O AJUSTADO.
VENTA TRIMEST PRONOSTIC RE ADA PRONST ICO
NDICE
1 2 3 4
Pgin a 33