Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
5-10 Un índice estacional puede ser menor que uno, igual a uno o mayor que uno. Explique
qué significa cada uno de estos valores.
• Si es menor a 1 quiere decir que la variable a estudiar se comportará por debajo del promedio.
• Si es igual a 1 quiere decir que la variable se comportará de acuerdo al promedio de ésta.
• Si es mayor a 1 querrá decir, entonces que los pronósticos van a ser superiores al promedio.
5-12 Explique cuándo debería utilizarse un PMC (en vez de un promedio general) al calcular
un índice estacional. Explique por qué esto es necesario.
Cuando ambas componentes, de tendencia y estacional, están presentes en una serie de tiempo, un cambio de un
mes a otro se podría deber a tendencia, variación estacional o simplemente a fluctuaciones aleatorias: Para prevenir
que una variación causada por la tendencia se interprete incorrectamente como una variación estacional.
Problemas
5-13 Desarrolle un pronóstico con promedio móvil de cuatro meses para Wallace Garden y
calcule la DMA. En la sección sobre promedios móviles de la tabla 5.3, se desarrolló un
pronóstico de promedio móvil de tres meses.
MÓVIL DE 4
MES VENTAS REALES PROM.MESES ERROR ABSOLUTO
(VENTAS-PRONÓSTICO)
Enero 10
Febrero 12
Marzo 13
Abril 16
Mayo 19 (10 + 12 + 13 + 16) /4 =12.75 6.25 6.25
Junio 23 (12 + 13 + 16 + 19) /4 =15.00 8 8
5-14 Utilice la DMA para determinar si el pronóstico del problema 5-13 o el pronóstico en la
sección concerniente a Wallace Garden Supply es más exacto.
El hallado en el anterior problema es más exacto pues considera el error existente entre lo real y lo estimado para así
poder presentar un promedio basado en el error Absoluto. Y se comprueba viendo el problema de la sección inicial
del libro, se obtiene una DMA de 8.67 y nuestro nuevo DMA es de 7.78 (puesto que a menor sea esta cifra es
más confiable).
1 4 (demanda-PRONÓSTICO)
2 6
3 4
4 5 4.67 0.33 0.33
5 10 5.00 5.00 5.00
6 8 6.33 1.67 1.67
7 7 7.67 -0.67 0.67
8 9 8.33 0.67 0.67
9 12 8.00 4.00 4.00
10 14 9.33 4.67 4.67
11 15 11.67 3.33 3.33
TOTAL 19 20.33
PROMEDIO 2.38 2.54
SESGO DMA
1 4 1 (demanda-PRONÓSTICO)
2 6 1
3 4 2
4 5 1 4.5 0.5 0.5
5 10 1 5 5 5
6 8 2 7.25 0.75 0.75
7 7 1 7.75 -0.75 0.75
8 9 1 8 1 1
9 12 2 8.25 3.75 3.75
10 14 1 10 4 4
11 15 1 12.25 2.75 2.75
2 TOTAL 17 18.5
PROMEDIO 2.13 2.31
SESGO DMA
***el SEGUNDO MÉTODO me parece más eficiente (y más exacto) porque toma en cuenta la estimación subjetiva,
pienso yo, de los propios especialistas de la empresa. Aunque pueda implicar ciertas desventajas / riesgos. ***
16 15
14
14
12
DEMANDA (EN MILES DE SACOS)
12
10 y = 1.05x + 2.2
10 9 R² = 0.8225
8
8 7
6
6 5
4 4
4
0
1 2 3 4 5 6 7 8 9 10 11
AÑOS
5-17 En los problemas 5-15 y 5-16, se desarrollaron tres pronósticos diferentes para la
demanda de fertilizante. Los tres son un promedio móvil de 3 años, un promedio móvil
ponderado y una recta de tendencia. ¿Cuál usaría? Explique su respuesta.
Si fuese un Gerente General únicamente me gustaría mirar la línea de tendencia, para tener una idea rápida y concreta
de cómo va la empresa u organización y así poder tomar decisiones rápidas.
5-18 Utilice el suavizamiento exponencial con una constante de suavizamiento de 0.3 para
pronosticar la demanda de fertilizante dada en el problema 5-15. Suponga que el pronóstico
del periodo anterior para el año 1 es de 5000 sacos para comenzar el procedimiento.
¿Preferiría usar el modelo de suavizamiento exponencial o el de promedio ponderado
desarrollado en el problema 5-15? Explique su respuesta.
5-19 Las ventas de acondicionadores de aire Cool-Man han crecido de forma estable
durante los últimos 5 años:
AÑO VENTAS El gerente de ventas predijo, antes de iniciar el negocio, que las
1 450 ventas del año 1 serían de 410 acondicionadores de aire. Utilice
2 495 suavizamiento exponencial con un peso de = 0.30, para
3 518 desarrollar los pronósticos de los años 2 a 6.
4 563
5 584
6 ?
5-20 Con constantes de suavizamiento de 0.6 y 0.9, desarrolle pronósticos para las ventas
de acondicionadores de aire Cool-Man (véase el problema 5-19).
5-22 Use el modelo de pronósticos del promedio móvil para pronosticar las ventas de
acondicionadores de aire Cool-Man (véase el problema 5-19).
650
y = 27.689x + 434.99
R² = 0.9319
600 584
563
581.42
550
Ventas
518
495
500
450
450
400
1 2 3 4 5 6
Años
5-25 Las ventas de aspiradoras industriales en R. Lowenthal Supply Co. durante los últimos
13 meses son las siguientes:
VENTAS (Miles) MES VENTAS (Miles) MES a) Utilice un promedio móvil con tres periodos,
determine la demanda de aspiradoras para el siguiente
11 Enero 14 Agosto febrero.
14 Febrero 17 Septiembre b) Con un promedio móvil ponderado de tres periodos,
16 Marzo 12 Octubre determine la demanda de aspiradoras para febrero.
Utilice 3, 2, y 1 como pesos del periodo más reciente,
10 Abril 14 Noviembre el segundo más reciente y el tercero más reciente,
respectivamente. Por ejemplo, si quisiera pronosticar
15 Mayo 16 Diciembre la demanda de febrero, noviembre tendría un peso de
17 Junio 11 Enero 1, diciembre un peso de 2 y enero un peso de 3.
c) Evalúe la exactitud de cada uno de los métodos.
11 Julio
d) ¿Qué otros factores podría considerar R. Lowenthal
para pronosticar las ventas?
a) promedio móvil :
d)
Podría haber usado el suavizamiento exponencial con un Alpha escogido convenientemente ya que posee varios datos
históricos, esta es una alternativa altamente viable.
5-26 La millas-pasajero voladas en Northeast Airlines, una empresa de transporte con
servicio en Boston, son las siguientes durante las últimas 12 semanas:
MILLAS-PASAJERO MILLAS-PASAJERO a) Suponga que un pronóstico inicial para
SEMANA REALES (Miles) SEMANA REALES (Miles)
la semana 1 es de 17,000 millas, utilice
1 17 7 20 suavizamiento exponencial para calcular
2 21 8 18 las millas para las semanas 2 a 12.
3 19 9 22 Suponga que = 0.2.
4 23 10 20
5 18 11 15 b) ¿Cuál es la DMA para este modelo?
6 16 12 22 c) Calcule la SCEP y las señales de
rastreo. ¿Están dentro de los límites
aceptables?
a)
c)
SCEP 𝟏𝟎.𝟗𝟐
= Señal de rastreo → = 4.59
DMA 𝟐.𝟑𝟖
Las señales de rastreo positivas indican que la demanda es mayor que el pronóstico. Las señales negativas significan
que la demanda es menor que el pronóstico. Una buena señal de rastreo –es decir, una con SCEP baja– tiene tantos
errores positivos como negativos. En otras palabras, las desviaciones pequeñas son aceptables; sin embargo, las
desviaciones positivas y negativas deberían equilibrarse, de manera que la señal de rastreo se centre cerca o alrededor
de cero.
***PARA ESTE PROBLEMA SE DIRÍA QUE LAS SEÑALES DE RASTREO MUESTRAN UN COMPORTAMIENTO MALO
PUESTO QUE EXISTEN MAS ERRORES POSITIVOS QUE NEGATIVOS (7 CONTRA 4). ***
5-27 Las llamadas de emergencia al sistema 911 de Winter Park, Florida, durante las
últimas 24 semanas son las siguientes:
SEMANA LLAMADAS SEMANA LLAMADAS SEMANA LLAMADAS
a) Calcule el pronóstico de suavizamiento exponencial
1 50 9 35 17 55 para las llamadas de cada semana. Suponga un
2 35 10 20 18 40 pronóstico inicial de 50 llamadas en la primera semana
y tome = 0.1. ¿Cuál es el pronóstico para la semana
3 25 11 15 19 35 25?
4 40 12 40 20 60
b) Pronostique de nuevo cada periodo con = 0.6.
5 45 13 55 21 75
c) Las llamadas reales durante la semana 25 fueron
6 35 14 35 22 50 85. ¿Qué constante de suavizamiento brinda un
7 20 15 25 23 40 pronóstico superior?
8 30 16 55 24 65
c)
” Las llamadas reales durante la semana 25 fueron 85”:
Los pronósticos con Alpha 0.1 y 0.6 no estuvieron cerca de este valor, lo que quiere decir que existieron factores no
previsibles que hicieron que este dato se dispare por mucho, ya que no existe registro histórico que acredite que este
sea un valor conocido para el sistema de llamadas del 911. Sin embargo, al emplear un Alpha de 0.6 se obtuvo el valor
57.6 frente a un 46.91 de un Alpha de 0.1(aun así, la DMA mayor se obtuvo al trabajar con = 0.1).
5-28 Respecto a los datos de llamadas al 911 en el problema 5.27, pronostique las llamadas
para las semanas 2 a 25 con = 0.9. ¿Cuál es mejor? (Otra vez, suponga que las llamadas
reales en la semana 25 fueron 85 y use un pronóstico inicial de 50 llamadas.)
Esta claro que si aumenta, nuestro pronóstico aumenta también, pero en este caso dado un valor real del total de
llamadas en la semana 25 aun así no podemos acercarnos a ese valor puesto que supera por muchísimo las
expectativas de cualquier pronóstico.
Semana Llamadas Pronóstico con = 0.9 ERROR ABSOLUTO
1 50 50 0 0
2 35 50 -15 15
3 25 36.5 -11.5 11.5
4 40 26.15 13.85 13.85
5 45 38.62 6.39 6.39
6 35 44.36 -9.36 9.36
7 20 35.94 -15.94 15.94
8 30 21.59 8.41 8.41
9 35 29.16 5.84 5.84
10 20 34.42 -14.42 14.42
11 15 21.44 -6.44 6.44
12 40 15.64 24.36 24.36
13 55 37.56 17.44 17.44
14 35 53.26 -18.26 18.26
15 25 36.83 -11.83 11.83
16 55 26.18 28.82 28.82
17 55 52.12 2.88 2.88
18 40 54.71 -14.71 14.71
19 35 41.47 -6.47 6.47
20 60 35.65 24.35 24.35
21 75 57.56 17.44 17.44
22 50 73.26 -23.26 23.26
23 40 52.33 -12.33 12.33
24 65 41.23 23.77 23.77
TOTAL 14.03 333.03
PRONOSTICO PROMEDIO 0.58 13.88
25→ 62.62 SESGO DMA
5-29 El ingreso por consulta en Kate Walsh Associates para el periodo de febrero a julio ha
sido el siguiente:
MES INGRESO (Miles)
Febrero 70
Marzo 68.5 Utilice suavizamiento exponencial para pronosticar el ingreso de
Abril
agosto. Suponga que el pronóstico inicial para febrero es de
64.8
Mayo
$65,000. La constante de suavizamiento es = 0.1.
71.7
Junio 71.3
Julio 72.8
Semana Ingreso (miles $) Pronóstico con = 0.1 ERROR ABSOLUTO
Febrero 70 65 5 5
Marzo 68.5 65.5 3 3
Abril 64.8 65.8 -1 1
Mayo 71.7 65.7 6 6
Junio 71.3 66.3 5 5
Julio 72.8 66.8 6 6
TOTAL 24 26
PRONOSTICO PROMEDIO 4 4.33
Agosto→ 67.4 SESGO DMA
5-30 Resuelva el problema 5.29 con = 0.3. Usando la DMA, ¿cuál es la constante de
suavizamiento que brinda un mejor pronóstico?
5-31 Una fuente importante de ingresos en Texas es un impuesto de ventas estatal sobre
ciertos tipos de bienes y servicios. Los datos están compilados y el contralor los usa para
proyectar los ingresos futuros para el presupuesto del estado. Una categoría en particular
de bienes se clasifica como comercio al menudeo. La siguiente tabla presenta cuatro años
de datos trimestrales (en millones) para un área del sureste de Texas:
TRIMESTRE AÑO 1 AÑO 2 AÑO 3 AÑO 4 a) Calcule los índices estacionales para cada trimestre
1 218 225 234 250 basados en el PMC.
b) Elimine la estacionalidad de los datos y desarrolle una
2 247 254 265 283 recta de tendencia en los datos sin estacionalidad.
c) Utilice la recta de tendencia para pronosticar las ventas
3 243 255 264 289 para cada trimestre del año 5.
d) Use índices estacionales para ajustar los pronósticos
4 292 299 327 356 encontrados en el inciso c para obtener los finales.
a)
AÑO TRIM VTAS. Prom. Móvil PMC Valor del índice INDICE ESTACIONAL
1 218 0.88
2 247 0.98
1
3 243 250.00 250.88 0.97 0.97
4 292 251.75 252.63 1.16 1.16
1 225 253.50 255.00 0.88 0.88
2 254 256.50 257.38 0.99 0.98
2
3 255 258.25 259.38 0.98 0.97
4 299 260.50 261.88 1.14 1.16
1 234 263.25 264.38 0.89 0.88
2 265 265.50 269.00 0.99 0.98
3
3 264 272.50 274.50 0.96 0.97
4 327 276.50 278.75 1.17 1.16
1 250 281.00 284.13 0.88 0.88
2 283 287.25 290.88 0.97 0.98
4
3 289 294.50 250.88 0.97 0.97
4 356 1.16 1.16
b)
ÍNDICE
VENTAS ESTACIONAL VTAS DESESTAC.
218 0.88 247.04 TENDENCIA (vtas desestacionalizadas)
247 0.98 251.62
243 0.97 250.22 320.00
292 1.16 252.40 310.00
225 0.88 254.97 300.00
254 0.98 258.75 290.00
ventas
Ῠ= 3.6658x + 237.75
vtas 2
trim Vtas desest. x t t DONDE X es el trimestre
desestac.
1 247.04 247.04 1 media y =4302.51/16 =268.91 TRIM 17 300.07
5 254.97 1274.86 25 ▼
▼PRONOSTICOS PARA EL
6 258.75 1552.49 36 AÑO 5 (sin ajuste estacional)
7 262.57 1838.00 49
8 258.45 2067.58 64 b1= 3.67
d)
INDICE
TRIMESTRE VTAS Pronósticos c/ ajuste estacional
ESTACIONAL
17 300.07 0.88 VTAS. Pronosticadas x Indice Est.=264.80
18 303.73 0.98 298.16
19 307.4 0.97 298.54
20 311.06 1.16 359.87
5-32 Utilice los datos del problema 5.31, desarrolle un modelo de regresión múltiple para
predecir las ventas (componentes de tendencia y estacional), usando variables artificiales
para incorporar el factor estacional al modelo. Utilice este modelo para predecir las ventas
de cada trimestre del siguiente año. Comente sobre la exactitud de este modelo.
Coeficientes
Coeficiente de
determinación R^2= 0.96873617
Intercepción 205.89
Variable X 1 3.69
Variable X 2 26.81
Variable X 3 23.61
Variable X 4 75.67
Y x1 x2 x3 x4
trim 1 218 1 0 0 0
trim 2 247 2 1 0 0
trim 3 243 3 0 1 0
trim 4 292 4 0 0 1
trim 5 225 5 0 0 0
trim 6 254 6 1 0 0
trim 7 255 7 0 1 0
trim 8 299 8 0 0 1
trim 9 234 9 0 0 0
trim 10 265 10 1 0 0 a=205.89
trim 11 264 11 0 1 0 b1=3.69
trim 12 327 12 0 0 1 b2=26.81 X1= N° Semestre [17,18,19,20]
trim 13 250 13 0 0 0 b3=23.61
trim 14 283 14 1 0 0 b4=75.67
trim 15 289 15 0 1 0
𝒚 = 𝟐𝟎𝟓.89+3.69𝒙𝟏 +26.81𝒙𝟐 +23.61𝒙𝟑 +75.67𝒙 𝟒
trim 16 356 16 0 0 1
17 0 0 0 268.62
18 1 0 0 299.12 PRONOSTICO DE VENTAS AÑO 5
19 0 1 0 299.61
20 0 0 1 355.36
***Partimos por el valor del Coeficiente de determinación R2 , que tiene un valor de 0.97 , lo que nos ofrece una
confiabilidad muy alta, esto es un buen indicio.
Por otro lado, los pronósticos para el año 5 son similares a los obtenidos a través de los pronósticos con ajuste
estacional***
5-33 Trevor Harty, un ávido ciclista de montaña, siempre quiso abrir una tienda de bicicletas
para montaña de la más alta calidad y otros implementos para el campo traviesa. Hace un
poco más de 6 años, él y un socio cauteloso abrieron una tienda llamada Hale and Harry
Trail Bikes and Supplies. El crecimiento fue rápido durante los 2 primeros años, pero desde
ese tiempo, el crecimiento en las ventas ha disminuido un poco, como se esperaba. La tabla
que sigue contiene las ventas trimestrales (en miles) para los últimos 4 años.
Año 1 Año 2 Año 3 Año4 a) Desarrolle una recta de tendencia con los datos de la tabla.
Utilícela para pronosticar las ventas de cada trimestre del año 5.
T1 274 282 282 296 ¿Qué indica la pendiente de esta línea?
T2 172 178 182 210 b) Use un modelo de descomposición multiplicativo para
T3 130 136 134 158 incorporar ambas componentes, de tendencia y estacional, al
pronóstico. ¿Qué indica la pendiente de esta recta?
T4 162 168 170 182
c) Compare la pendiente de la recta de tendencia del inciso a) con la pendiente de la recta de tendencia, para el modelo de
descomposición que se basó en las cifras de ventas sin estacionalidad. Analice por qué son tan diferentes y explique cuál es
mejor
a)
Recta de tendencia-Pronósticos año 5
350
296
300 282 282
274
250
210
191.9 197.60
200 178 182
172 168 170
162 158 197.60 197.60
136 134 182
150 130
50
0
0 2 4 6 8 10 12 14 16 18 20
b)
197.00
196.00
y = -0.0343x + 195.68
195.00
ventas
194.00
193.00
192.00
191.00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
trimestres
*** Las pendientes halladas tanto en el punto a) como en el punto c) tienen signo negativo lo cual indica que las
ventas de bicicletas vienen disminuyendo significativamente. Sin embargo, para el siguiente año las ventas se
pronostican con mucho optimismo, sobre todo en el modelo de descomposición multiplicativo. ***
CON = 0.2
CON = 0.8
pronósticos
media y 138927.7389 sgtes INDICES ESTAC pronósticos siguientes con ajuste estacional
media t 2.5 206993.01 1.3 5➔ 269090.91
sum(T2) 100 234219.11 0.9 6➔ 1210797.20
261445.22 0.7 7➔ 183011.66
b1 27226.10723 288671.33 1.1 8➔ 317538.46
b0 70862.47086
DEMANDA DE VENTAS/
AÑO DEMANDA INDICE
DEMANDA PROMEDIO DE LOS 2 PROMEDIO ESTACIONAL
1 2 AÑOS TRIMESTRAL PROMEDIO
OTOÑO 200 250 225.000 248.88 0.9
INVIERNO 350 300 325.000 248.88 1.3
PRIMAVERA 150 156 153.000 248.88 0.6
VERANO 300 285 292.500 248.88 1.2
1000 991 996
PRONOSTICO: 996/4
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
P22➔ 13892.594
P23➔ 14392.32
5-38 Use los datos del DJIA del problema 5.37 y suavizamiento exponencial con ajuste de
tendencia para pronosticar el valor de apertura del DJIA para el año 2011. Suponga que
0.8 y 0.2. Compare el ECM para esta técnica con el ECM para la recta de tendencia.
10000.00
8000.00
y = 477.37x + 1169.4
6000.00 R² = 0.9607
4000.00
2000.00
0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
ALFA ECM
0.1 13mlls.
0.2 6 mlls
0.3 4 mlls
0.4 3 mlls
0.5 2 mlls 994
0.6 2 mlls 694
0.7 2 mlls 519
0.8 2 mlls 424
0.9 2 mlls 390
5-40 La siguiente tabla presenta la tasa de cambio mensual promedio entre el dólar
estadounidense y el euro para 2009. Indica que 1 euro era equivalente a 1.324 dólares
estadounidenses en enero de 2009. Desarrolle una recta de tendencia que sirva para
predecir la tasa de cambio para 2010. Utilice el modelo para predecir la tasa de cambio para
enero y febrero de 2010.
1.55
1.50
tasa de cambio
1.45
1.30
1.25
1.20
0 2 4 6 8 10 12 14 16
meses
5-41 Para los datos del problema 5-40, desarrolle un modelo de suavizamiento exponencial
ponderado con constante de suavizamiento igual a 0.3. Use el ECM para comparar esto
con el modelo del problema 5-40.
PARA ESTE SEGUNDO CASO OBTUVIMOS UN MENOR ECM , esto quiere decir el
pronóstico con = 0.3 y era de esperarse que fuese más confiable que el de la recta de
tendencia, obviamente.