CAPÍTULO 5: PREGUNTAS Y PROBLEMAS PARA ANÁLISIS

Preguntas para análisis

5-1 Describa brevemente los pasos para desarrollar un sistema de pronósticos.
1. Determinar el uso del pronóstico: Lo primero es tener definido para qué se usará.
2. Determinar los objetos de estudio, tienen que estar bien definidos.
3. Tiempo: Delimitar la proyección en términos del tiempo será necesario.
4. Conocer qué método, modelo o técnica se usará
5. Conseguir todos los datos que serán estudiados o ayudarán al desarrollo del pronóstico.
6. Validar el modelo del pronóstico: Comprobaciones previas de para un estudio coherente y consistente.
7. Efectuar el pronóstico.
8. Implementar los resultados
5-2 ¿Qué es un modelo de pronósticos de series de tiempo?
los modelos de series de tiempo ven qué ha pasado durante un periodo y usan una serie de datos históricos
para realizar un pronóstico. Ejemplo: si se quiere ver la recaudación mensual de las pensiones de la UCSM,
se tendría que tener como base las cifras de anteriores meses de la misma variable.
5-3 ¿Cuál es la diferencia entre un modelo causal y un modelo de series de tiempo?
Los modelos causales incluyen además de los datos históricos, otros factores que determinan ciertos
comportamientos en uno u otro caso, es decir es más meticuloso que el de series de tiempo, en este sentido.
5-4 ¿Qué es un modelo de pronósticos cualitativo y cuándo es adecuado?
Intentan incorporar factores subjetivos o de opiniones de expertos en el tema. Son útiles sobre todo cuando
se espera que los factores subjetivos sean muy importantes o cuando es difícil obtener datos cuantitativos
precisos.
5-5 ¿Cuáles son algunos problemas y desventajas del modelo de pronósticos de promedio
móvil?
VENTAJAS
• son útiles si podemos suponer que las demandas del mercado permanecerán bastante estables en el
tiempo.
• suele asignar mayor peso a las observaciones más recientes, este pronóstico es más sensible ante los
cambios que ocurran en el patrón de los datos
DESVENTAJA
• si el número de periodos es grande quizá suavicen los cambios reales y no captan la tendencia.
5-6 ¿Qué efecto tiene el valor de la constante de suavizamiento sobre el peso dado al
pronóstico previo y al valor histórico observado?
La constante de suavizamiento () Se puede modificar para dar más peso a los datos recientes con un valor
alto o a los datos pasados cuando es bajo.
5-7 Describa brevemente la técnica Delphi.
Es la presentación de pronósticos de distintos expertos, basados en su expertise, en un proceso en el cual se
va “refinando” una idea para que culmine en consenso mayoritario. Puede tardar varias instancias.
5-8 ¿Qué es la DMA y por qué es importante en la selección y el uso de los modelos de
pronósticos?
Es la desviación media absoluta, que ayuda a obtener una gran mejora en la exactitud del pronóstico ya que
el error (entre lo estimado y el valor real) tiende a ser mínimo.
5-9 Explique cómo se determina el número de estación al pronosticar con una componente
estacional.
Se determina dividiendo el valor promedio para una estación específica entre el promedio de todos los datos.

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.

5-11 Explique qué pasaría si la constante de suavizamiento en un modelo de suavizamiento

exponencial fuera igual a cero. Explique qué pasaría si esa constante fuera igual a uno.
Si es igual a 0 entonces resultado será el mismo resultado del pronóstico del último periodo.
Si es igual a 1, el resultado se verá altamente influenciado por datos recientes.

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

Julio 26 (13 + 16 + 19 + 23) /4 =17.75 8 8

Agosto 30 (16 + 19 + 23 + 26) /4 =21.00 8.25 8.25
Septiembre 28 (19 + 23 + 26 + 30) /4 =24.50 9 9
Octubre 18 (23 + 26 + 30 + 28) /4 =26.75 3.5 3.5
Noviembre 16 (26 + 30 + 28 + 18) /4 =25.50 -8.75 8.75
Diciembre 14 (30 + 28 + 18 + 16) /4 =23.00 -9.5 9.5
Enero - (28 + 18 + 16 + 14) /4 =19.00 -9 9
TOTAL 7.75 62.25
PROMEDIO 0.96 7.78
SESGO DMA

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).

5-15 Los datos recolectados de la demanda anual de sacos de 50 libras de fertilizante en

Wallace Garden se presentan en la siguiente tabla. Desarrolle un promedio móvil de 3 años
para pronosticar las ventas. Luego, estime la demanda de nuevo con un promedio móvil
ponderado, donde las ventas del año más reciente tienen un peso de 2 y las ventas en los
otros 2 años tienen, cada una, un peso de 1. ¿Qué método piensa usted que sea mejor?
Con promedio móvil de 3 años:
Año Demanda de fertilizante PROM. MÓVIL DE 3 MESES ERROR ABSOLUTO
(miles de sacos)

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

Con promedio móvil ponderado:

Peso PROM. MÓVIL ERROR
Año Demanda PONDERADO DE 3 MESES ABSOLUTO

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. ***

5-16 Desarrolle una recta de tendencia para la demanda de fertilizante en el problema 5-

15, utilizando un software de cómputo.
 Tendencia de la demanda de fertilizante - Caso Wallace
Garden
Demand Lineal (Demand)

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.

Año Demanda Pronóstico con  = 0.3 ERROR ABSOLUTO

1 4000 5000 -1000 1000
2 6000 𝐹𝑖+1 = 𝐹𝐼𝑇𝑡 + 𝛼(𝑌𝑡 − 𝐹𝐼𝑇𝑖 ) 4700 1300 1300
3 4000 5090 -1090 1090
4 5000 4763 237 237
5 10000 4834.1 5165.9 5165.9
6 8000 6383.87 1616.13 1616.13
7 7000 6868.71 131.29 131.29
8 9000 6908.10 2091.90 2091.90
9 12000 7535.67 4464.33 4464.33
10 14000 8874.97 5125.03 5125.03
11 15000 10412.48 4587.52 4587.52
TOTAL 22629.11 26809.11
PRONOSTICO PROMEDIO 2057.19 2437.19
PROXIMO PERIODO→ 11788.7 SESGO DMA
***Este MÉTODO parece más eficiente, pero depende de ALPHA (la constante de suavizamiento) y me parece que su
uso debe tomarse con mucho cuidado porque puede influir y arrojar datos que estén sujetos a algún tipo de sesgo.
***

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 ?

Año Ventas Pronóstico con  = 0.3 ERROR ABSOLUTO

1 450 410 40 40
2 495 422 73 73
3 518 443.9 74.1 74.1
4 563 466.13 96.87 96.87
5 584 495.191 88.809 88.809
TOTAL 372.78 372.78
PRONOSTICO PROMEDIO 74.56 74.56
PROXIMO AÑO→ 521.8 SESGO DMA

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).

Año Ventas Pronóstico con  = 0.6 ERROR ABSOLUTO

1 450 410 40 40
2 495 434 61 61
3 518 470.6 47.4 47.4
4 563 499.04 63.96 63.96
5 584 537.42 46.58 46.58
TOTAL 258.94 258.94
PRONOSTICO PROMEDIO 51.79 51.79
PROXIMO AÑO→ 565.37 SESGO DMA
 Año Ventas Pronóstico con  = 0.9 ERROR ABSOLUTO
1 450 410 40 40
2 495 446 49 49
3 518 490.1 27.9 27.9
4 563 515.21 47.79 47.79
5 584 558.22 25.78 25.78
TOTAL 190.47 190.47
PRONOSTICO PROMEDIO 38.09 38.09
PROXIMO AÑO→ 581.42 SESGO DMA
5-21 ¿Qué efecto tiene la constante de suavizamiento sobre el pronóstico de los
acondicionadores de aire Cool-Man? (Véase los problemas 5-19 y 5-20.) ¿Qué constante
de suavizamiento da el pronóstico más preciso?
Es claro que a mayor sea el valor de Alpha, La DMA será cada vez más pequeña, lo que indica más confianza. También
se observa que los pronósticos para el siguiente periodo aumentan a la par que lo hace Alpha.

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).

VENTAS REALES PROM. MÓVIL DE 2 ERROR ABSOLUTO

MES MESES
1 450 (VENTAS-PRONÓSTICO)
2 495
3 518 (450 + 495) /2 =472.5 45.5 45.5
4 563 (495 + 518) /2 =506.5 56.5 56.5
5 584 (518 + 563) /2 =540.5 43.5 43.5
145.5 145.5
PRONOSTICO TOTAL
PROXIMO AÑO→ 573.5 PROMEDIO 48.5 48.5
SESGO DMA

5-23 Con el método de proyección de tendencia, desarrolle un modelo de pronósticos para

las ventas de acondicionadores de aire Cool-Man (véase el problema 5.19).
 Tendencia del Pronóstico- Caso Cool Man
Demanda Lineal (Demanda)

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

5-24 ¿Usaría suavizamiento exponencial con constante de suavizamiento de 0.3, un

promedio móvil de 3 años o una tendencia para predecir las ventas de acondicionadores de
aire Cool-Man? Consulte los problemas 5-19, 5-22 y 5-23.
Para este caso preferiría usar el suavizamiento exponencial, ya que considero que darle un peso y teniendo la
predicción del primer año, estoy asegurando de alguna manera (a mi manera) la solvencia de mis próximas decisiones.

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 :

MES VENTAS REALES PROM. MÓVIL DE 3 MESES ERROR ABSOLUTO

Enero 11
Febrero 14
Marzo 16
Abril 10 13.67 -3.67 3.67
Mayo 15 13.33 1.67 1.67
Junio 17 13.67 3.33 3.33
Julio 11 14 -3 3
Agosto 14 14.33 -0.33 0.33
Setiembre 17 14 3 3
Octubre 12 14 -2 2
Noviembre 14 14.33 -0.33 0.33
Diciembre 16 14.33 1.67 1.67
Enero 11 14 -3 3
PRONOSTICO TOTAL -2.67 22
PROXIMO MES→ 13.67 PROMEDIO -0.27 2.2
SESGO DMA
b) promedio móvil ponderado de tres periodos, con Pesos 3, 2, 1:

Peso PROM. MÓVIL ERROR

Año Ventas PONDERADO DE 3 MESES ABSOLUTO
c)
Enero 11 3
Febrero 14 1
Marzo 16 2
Abril 10 3 13.17 -3.17 3.17
Mayo 15 1 13 2 2
Junio 17 2 14.67 2.33 2.33
Julio 11 3 13.17 -2.17 2.17
Agosto 14 1 14 0 0
Setiembre 17 2 15 2 2
Octubre 12 3 13.5 -1.5 1.5
Noviembre 14 1 13.83 0.17 0.17
Diciembre 16 2 15.17 0.83 0.83
Enero 11 3 13.67 -2.67 2.67
PRONOSTICO TOTAL -2.17 16.83
PROXIMO MES→ 13.67 PROMEDIO -0.22 1.68
SESGO DMA
Con el método del Promedio móvil obtuvimos una DMA de 2.2 y con el Promedio ponderado un valor del 1.68 (el
segundo nos da mas confiabilidad). Aunque obtuvimos los mismos resultados para el siguiente mes pronosticado
(FEBRERO= 13.67).

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)

Semana Ventas Pronóstico con ERROR ABSOLUTO

 = 0.2
1 17 17 0 0
2 21 17 4 4
3 19 17.8 1.2 1.2
4 23 18.04 4.96 4.96
5 18 19.03 -1.03 1.03
6 16 18.83 -2.83 2.83
7 20 18.26 1.74 1.74
8 18 18.61 -0.61 0.61
9 22 18.49 3.51 3.51
10 20 19.19 0.81 0.81
11 15 19.35 -4.35 4.35
12 22 18.48 3.52 3.52
TOTAL SCEP→ 10.92 28.56
PRONOSTICO PROMEDIO 0.91 2.38
Prox Semana→ 19.18 SESGO DMA
b)
La desviación media Absoluta es igual a 2.38

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

Semana Llamadas Pronóstico con  = 0.1 ERROR ABSOLUTO

1 50 50 0 0
2 35 50 -15 15
3 25 48.5 -23.5 23.5
4 40 46.15 -6.15 6.15
5 45 45.54 -0.53 0.53
6 35 45.48 -10.48 10.48
7 20 44.43 -24.43 24.43
8 30 41.99 -11.99 11.99
9 35 40.79 -5.79 5.79
10 20 40.21 -20.21 20.21
11 15 38.19 -23.19 23.19
12 40 35.87 4.13 4.13
13 55 36.28 18.72 18.72
14 35 38.16 -3.16 3.16
15 25 37.84 -12.84 12.84
16 55 36.56 18.44 18.44
17 55 38.40 16.60 16.60
18 40 40.06 -0.06 0.06
19 35 40.05 -5.05 5.05
20 60 39.55 20.45 20.45
21 75 41.59 33.41 33.41
22 50 44.93 5.07 5.07
23 40 45.44 -5.44 5.44
24 65 44.90 20.10 20.10
TOTAL -30.93 304.75
PRONOSTICO PROMEDIO -1.29 12.70
25→ 46.91 SESGO DMA
b)

Semana Llamadas Pronóstico con  = 0.6 ERROR ABSOLUTO

1 50 50 0 0
2 35 50 -15 15
3 25 41 -16 16
4 40 31.4 8.6 8.6
5 45 36.56 8.44 8.44
6 35 41.62 -6.62 6.62
7 20 37.65 -17.65 17.65
8 30 27.06 2.94 2.94
9 35 28.82 6.18 6.18
10 20 32.53 -12.53 12.53
11 15 25.01 -10.01 10.01
12 40 19.00 21.00 21.00
13 55 31.60 23.40 23.40
14 35 45.64 -10.64 10.64
15 25 39.26 -14.26 14.26
16 55 30.70 24.30 24.30
17 55 45.28 9.72 9.72
18 40 51.11 -11.11 11.11
19 35 44.44 -9.44 9.44
20 60 38.78 21.22 21.22
21 75 51.51 23.49 23.49
22 50 65.60 -15.60 15.60
23 40 56.24 -16.24 16.24
24 65 46.50 18.50 18.50
TOTAL 12.66 322.90
PRONOSTICO PROMEDIO 0.53 13.45
25→ 57.60 SESGO DMA

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?

Semana Ingreso (miles $) Pronóstico con  = 0.3 ERROR ABSOLUTO

Febrero 70 65 5 5
Marzo 68.5 𝐹𝑖+1 = 𝐹𝐼𝑇𝑡 + 𝛼(𝑌𝑡 − 𝐹𝐼𝑇𝑖 ) 66.5 2 2
Abril 64.8 67.1 -2.3 2.3
Mayo 71.7 66.41 5.29 5.29
Junio 71.3 68.00 3.30 3.30
Julio 72.8 68.99 3.81 3.81
TOTAL 17.11 21.71
PRONOSTICO PROMEDIO 2.85 3.62
Agosto→ 70.13 SESGO DMA
***La constante de suavizamiento que brinda un mejor pronóstico es obviamente la que tiene un Alpha mayor
puesto que ofrece una DMA MENOR de 3.62 ( = 0.3) frente a un 4.33 utilizando  = 0.1, para finalmente
mostrarnos un pronóstico más optimista de 70.13 frente al 67.4 del primero. ***

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

280.00 y = 3.6658x + 237.75

255 0.97 262.57
299 1.16 258.45 270.00
234 0.88 265.17 260.00
250.00
265 0.98 269.95
240.00
264 0.97 271.84
0 2 4 6 8 10 12 14 16 18
327 1.16 282.65
trimestres
250 0.88 283.30
283 0.98 288.29
289 0.97 297.58
356 1.16 307.72
c)

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

2 251.62 503.24 4 media t =136/16 = 8.50 TRIM 18 303.73

2 2
3 250.22 750.65 9 sum(T ) =1496x1496 = 18496 TRIM 19 307.40

4 252.40 1009.59 16 TRIM 20 311.06

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

9 265.17 2386.53 81 b0= 237.75

10 269.95 2699.54 100

11 271.84 2990.23 121
12 282.65 3391.80 144
13 283.30 3682.92 169
14 288.29 4036.07 196
15 297.58 4463.72 225
16 307.72 4923.47 256
136 4302.51 37817.72 1496

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

100 y = -0.09x + 195.98 (Ecuacion de la pendiente)

50

0
0 2 4 6 8 10 12 14 16 18 20

b)

Period Demanda (y) Trimestres(x) Ŷ = 𝒃𝟎 + 𝒃𝟏 𝑿 PRONOSTICO Error Absoluto

trim 1 274 1 197.26 76.74 76.74
trim 2 172 2 196.93 -24.93 24.93
trim 3 130 3 196.59 -66.59 66.59
trim 4 162 4 196.26 -34.26 34.26
trim 5 282 5 195.92 86.08 86.08
trim 6 178 6 195.59 -17.59 17.59
trim 7 136 7 195.25 -59.25 59.25
trim 8 168 8 194.92 -26.92 26.92
trim 9 282 9 194.58 87.42 87.42
trim 10 182 10 194.25 -12.25 12.25
trim 11 134 11 193.91 -59.91 59.91
trim 12 170 12 193.58 -23.58 23.58
trim 13 296 13 193.24 102.76 102.76
trim 14 210 14 192.91 17.09 17.09
trim 15 158 15 192.57 -34.57 34.57
trim 16 182 16 192.24 -10.24 10.24
191.9 17 TOTAL 0.00 740.16
Intercepto 197.6 b0 PROMEDIO 0.00 46.26
Pendiente -0.34 b1 SESGO DMA
pronósticos 191.90 17
191.56 18 Ŷ = 𝟏𝟗𝟕. 𝟔 − 𝟎. 𝟑𝟒𝑿
191.23 19
190.89 20
 y
198.00

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. ***

5-34 Se presentan las tasas de desempleo en Estados Unidos durante un periodo de 10

años en la siguiente tabla. Utilice suavizamiento exponencial para encontrar el mejor
pronóstico para el año próximo. Suponga que las constantes de suavizamiento son de 0.2,
0.4, 0.6 y 0.8. ¿Cuál dio la DMA más baja?

CON  = 0.2

año Tasa desempleo (%) Pronóstico con  = 0.2 ERROR ABSOLUTO

1 7.2 7.2 0 0
2 7 7.2 -0.2 0.2
3 6.2 7.16 -0.96 0.96
4 5.5 6.97 -1.47 1.47
5 5.3 6.67 -1.37 1.37
6 5.5 6.40 -0.90 0.90
7 6.7 6.22 0.48 0.48
8 7.4 6.32 1.08 1.08
9 6.8 6.53 0.27 0.27
10 6.1 6.59 -0.49 0.49
TOTAL -3.56 7.22
PRONOSTICO PROMEDIO -0.36 0.72
11→ 6.49 SESGO DMA
CON  = 0.4

año Tasa desempleo (%) Pronóstico con  = 0.4 ERROR ABSOLUTO

1 7.2 7.2 0 0
2 7 𝐹𝑖+1 = 𝐹𝐼𝑇𝑡 + 𝛼(𝑌𝑡 − 𝐹𝐼𝑇𝑖 ) 7.2 -0.2 0.2
3 6.2 7.12 -0.92 0.92
4 5.5 6.75 -1.25 1.25
5 5.3 6.25 -0.95 0.95
6 5.5 5.87 -0.37 0.37
7 6.7 5.72 0.98 0.98
8 7.4 6.11 1.29 1.29
9 6.8 6.63 0.17 0.17
10 6.1 6.70 -0.60 0.60
TOTAL -1.85 6.73
PRONOSTICO PROMEDIO -0.19 0.67
11→ 6.46 SESGO DMA
CON  = 0.6

año Tasa desempleo (%) Pronóstico con  = 0.6 ERROR ABSOLUTO

1 7.2 7.2 0 0
2 7 𝐹𝑖+1 = 𝐹𝐼𝑇𝑡 + 𝛼(𝑌𝑡 − 𝐹𝐼𝑇𝑖 ) 7.2 -0.2 0.2
3 6.2 7.08 -0.88 0.88
4 5.5 6.55 -1.05 1.05
5 5.3 5.92 -0.62 0.62
6 5.5 5.55 -0.05 0.05
7 6.7 5.52 1.18 1.18
8 7.4 6.23 1.17 1.17
9 6.8 6.93 -0.13 0.13
10 6.1 6.85 -0.75 0.75
TOTAL -1.33 6.04
PRONOSTICO PROMEDIO -0.13 0.60
11→ 6.40 SESGO DMA

CON  = 0.8

año Tasa desempleo (%) Pronóstico con  = 0.8 ERROR ABSOLUTO

1 7.2 7.2 0 0
2 7.0 𝐹𝑖+1 = 𝐹𝐼𝑇𝑡 + 𝛼(𝑌𝑡 − 𝐹𝐼𝑇𝑖 ) 7.2 -0.2 0.2
3 6.2 7.04 -0.84 0.84
4 5.5 6.37 -0.87 0.87
5 5.3 5.67 -0.37 0.37
6 5.5 5.37 0.13 0.13
7 6.7 5.47 1.23 1.23
8 7.4 6.45 0.95 0.95
9 6.8 7.21 -0.41 0.41
10 6.1 6.88 -0.78 0.78
TOTAL -1.18 5.77
PRONOSTICO PROMEDIO -0.12 0.58
11→ 6.26 SESGO DMA
F11= 6.26; DMA 0.58 para  = 0.8 es la más baja.

5-35 La gerencia de la tienda por departamentos Davis ha usado extrapolación de series

de tiempo, para pronosticar las ventas al menudeo para los siguientes cuatro trimestres.
Las ventas estimadas son de $100,000, $120,000, $140,000 y $160,000 para los
respectivos trimestres, antes de ajustar por estacionalidad. Se encontró que los índices
estacionales para los cuatro trimestres son de 1.30, 0.90, 0.70 y 1,10, respectivamente.
Calcule un pronóstico de ventas ajustado o con estacionalidad.
VTAS INDICES Y= VTAS /INDIC. EST
ESTIM ESTAC t VTAS DESESTACIONALIZ. Tx *Yt t2
100000 1.3 1 76923.08 76923.08 1
120000 0.9 2 133333.33 266666.67 4
140000 0.7 3 200000.00 600000.00 9
160000 1.1 4 145454.55 581818.18 16

520000 4 10 555710.9557 1525407.925 30

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

5-36 En el pasado, la distribuidora de llantas de Judy Holmes vendió un promedio de 1,000

llantas radiales cada año. En los últimos dos años, vendió respectivamente 200 y 250 en el
otoño, 350 y 300 en el invierno, 150 y 156 en la primavera, y 300 y 285 en el verano. Con
una mayor expansión planeada, Judy proyecta que las ventas para el siguiente año
crecerán a 1,200 radiales. ¿Cuál será la demanda en cada estación?

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

DEMANDA PROMEDIO DE LOS 2 AÑOS

OTOÑO 271 DEMANDA PROMEDIO TRIMESTRAL
INVIERNO 392
1200
PRIMAVERA 184 4
x INDICE EST. PROM
VERANO 353
5-37 La siguiente tabla brinda el valor del índice de apertura del Dow Jones Industrial
Average (DJIA) en el primer día laborable de 1991 a 2010. Desarrolle una recta de tendencia
y utilícela para predecir el valor del índice de apertura del DJIA para los años 2011, 2012 y
2013. Encuentre el ECM para este modelo.
año Djia año Djía TENDENCIA DJIA
2010 10,431 2000 11,502
16000
2009 8,772 1999 9,213 y = 499.73x + 2898.6
2008 13,262 1998 7,908 14000
2007 12,460 1997 6,448 12000
2006 10,718 1996 5,117 10000
2005 10,784 1995 3,834
8000
2004 10,453 1994 3,754
2003 8,342 1993 3,301 6000
2002 10,022 1992 3,169 4000
2001 10,791 1991 2,634
2000

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

año Y PRONOSTICO Error Absoluto Cuadrado

1991 2634 3398.36 -764.36 764.36 584241.84

1992 3169 3898.08 -729.08 729.08 531561.59

1993 3301 4397.81 -1096.81 1096.81 1202988.38

1994 3754 4897.53 -1143.53 1143.53 1307669.63

1995 3834 5397.26 -1563.26 1563.26 2443779.95

1996 5117 5896.98 -779.98 779.98 608376.54

1997 6448 6396.71 51.29 51.29 2630.61

1998 7908 6896.44 1011.56 1011.56 1023261.54

1999 9213 7396.16 1816.84 1816.84 3300901.58

2000 11502 7895.89 3606.11 3606.11 13004049.40

2001 10791 8395.61 2395.39 2395.39 5737879.92

2002 10022 8895.34 1126.66 1126.66 1269366.48

2003 8342 9395.06 -1053.06 1053.06 1108943.60

2004 10453 9894.79 558.21 558.21 311598.99

2005 10784 10394.52 389.48 389.48 151698.54

2006 10718 10894.24 -176.24 176.24 31060.75

2007 12460 11393.97 1066.03 1066.03 1136428.14

 2008 13262 11893.69 1368.31 1368.31 1872267.52

2009 8772 12393.42 -3621.42 3621.42 13114663.21

2010 10431 12893.14 -2462.14 2462.14 6062147.45

Coeficientes Total 0 26779.8 54805515.7

b0=2898.632 b1=499.72556 1339.0 2740275.8

P21➔ 13392.868 DMA ECM

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.

año Índice apertura Pronóstico con  = 0.2 ERROR ABSOLUTO ECM

1 2634 2634.00 0.00 0.00 0
2 3169 2634.00 535.00 535.00 286225
3 3301 2741.00 560.00 560.00 313600
4 3754 2853.00 901.00 901.00 811801
5 3834 3033.20 800.80 800.80 641280.64
6 5117 3193.36 1923.64 1923.64 3700390.8
7 6448 3578.09 2869.91 2869.91 8236394.9
8 7908 4152.07 3755.93 3755.93 14107007
9 9213 4903.26 4309.74 4309.74 18573891
10 11502 5765.21 5736.79 5736.79 32910816
11 10791 6912.56 3878.44 3878.44 15042265
12 10022 7688.25 2333.75 2333.75 5446383.3
13 8342 8155.00 187.00 187.00 34968.63
14 10453 8192.40 2260.60 2260.60 5110308.8
15 10784 8644.52 2139.48 2139.48 4577372
16 10718 9072.42 1645.58 1645.58 2707945
17 12460 9401.53 3058.47 3058.47 9354219.1
18 13262 10013.23 3248.77 3248.77 10554529
19 8772 10662.98 -1890.98 1890.98 3575810.1
20 10431 10284.79 146.21 146.21 21378.826
𝐹𝑖+1 = 𝐹𝐼𝑇𝑡 + 𝛼(𝑌𝑡 − 𝐹𝐼𝑇𝑖 )
TOTAL 38400.14 42182.10 136006586
PRONOSTICO PROMEDIO 1920.01 2109.11 6800329.3
2011→ 10314.03 SESGO DMA ECM
 año Índice apertura Pronóstico con  = 0.8 ERROR ABSOLUTO ECM
1 2634 2634.00 0.00 0.00 0
2 3169 2634.00 535.00 535.00 286225
3 3301 3062.00 239.00 239.00 57121
4 3754 3253.20 500.80 500.80 250800.64
5 3834 3653.84 180.16 180.16 32457.626
6 5117 3797.97 1319.03 1319.03 1739845.4
7 6448 4853.19 1594.81 1594.81 2543407.5
8 7908 6129.04 1778.96 1778.96 3164703.2
9 9213 7552.21 1660.79 1660.79 2758230.9
10 11502 8880.84 2621.16 2621.16 6870471.6
11 10791 10977.77 -186.77 186.77 34882.402
12 10022 10828.35 -806.35 806.35 650206.23
13 8342 10183.27 -1841.27 1841.27 3390277.9
14 10453 8710.25 1742.75 1742.75 3037163.1
15 10784 10104.45 679.55 679.55 461787.08
16 10718 10648.09 69.91 69.91 4887.3849
17 12460 10704.02 1755.98 1755.98 3083472.7
18 13262 12108.80 1153.20 1153.20 1329861.9
19 8772 13031.36 -4259.36 4259.36 18142154
20 10431 9623.87 807.13 807.13 651455.38
𝐹𝑖+1 = 𝐹𝐼𝑇𝑡 + 𝛼(𝑌𝑡 − 𝐹𝐼𝑇𝑖 )
TOTAL 9544.47 23731.97 48489411
PRONOSTICO PROMEDIO 477.22 1186.60 2424470.5
2011→ 10269.574 SESGO DMA ECM

comparacion Suavizamiento exponencial con valores .2 y .8

14000.00
y = 511.06x + 2170.7
R² = 0.8195
12000.00

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=0.2 alfa=0.8 Lineal (alfa=0.2) Lineal (alfa=0.8)

5-39 Use los datos para el DJIA del problema 5-37. a) Con un modelo de suavizamiento
exponencial y constante de suavizamiento de 0.4 prediga el valor del índice de apertura del
DJIA en 2011. Encuentre el ECM. b) Con QM para Windows o Excel, encuentre la constante
de suavizamiento que brindará el menor ECM.
a)

año Índice apertura Pronóstico con  = 0.4 ERROR ABSOLUTO ECM

1 2634 2634.00 0.00 0.00 0.00
2 3169 2634.00 535.00 535.00 286225.00
3 3301 2848.00 453.00 453.00 205209.00
4 3754 3029.20 724.80 724.80 525335.04
5 3834 3319.12 514.88 514.88 265101.41
6 5117 3525.07 1591.93 1591.93 2534234.76
7 6448 4161.84 2286.16 2286.16 5226512.91
8 7908 5076.31 2831.69 2831.69 8018491.36
9 9213 6208.98 3004.02 3004.02 9024114.82
10 11502 7410.59 4091.41 4091.41 16739634.71
11 10791 9047.15 1743.85 1743.85 3040998.60
12 10022 9744.69 277.31 277.31 76899.48
13 8342 9855.62 -1513.62 1513.62 2291031.79
14 10453 9250.17 1202.83 1202.83 1446801.74
15 10784 9731.30 1052.70 1052.70 1108173.99
16 10718 10152.38 565.62 565.62 319924.92
17 12460 10378.63 2081.37 2081.37 4332107.05
18 13262 11211.18 2050.82 2050.82 4205874.41
19 8772 12031.51 -3259.51 3259.51 10624381.21
20 10431 10727.70 -296.70 296.70 88033.13
𝐹𝑖+1 = 𝐹𝐼𝑇𝑡 + 𝛼(𝑌𝑡 − 𝐹𝐼𝑇𝑖 )
TOTAL 19937.56 30077.21 70359085.33
PRONOSTICO PROMEDIO 996.88 1503.86 3517954.27
2011→ 10609.02 SESGO DMA ECM
b)

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.

MES TASA DE CAMBIO

Enero 1.324
Febrero 1.278
Marzo 1.305
Abril 1.320
Mayo 1.363
Junio 1.402
Julio 1.409
Agosto 1.427
Septiembre 1.456
Octubre 1.482
Noviembre 1.491
Diciembre 1.461

mes Y PRONOSTICO Error Absoluto Cuadrado

Enero 1.324 1.2865897 0.0374103 0.0374103 0.0013995

Febrero 1.278 1.3059674 -0.0279674 0.0279674 0.0007822

Marzo 1.305 1.3253450 -0.0203450 0.0203450 0.0004139

Abril 1.320 1.3447226 -0.0247226 0.0247226 0.0006112

Mayo 1.363 1.3641002 -0.0011002 0.0011002 0.0000012

Junio 1.402 1.3834779 0.0185221 0.0185221 0.0003431

Julio 1.409 1.4028555 0.0061445 0.0061445 0.0000378

Agosto 1.427 1.4222331 0.0047669 0.0047669 0.0000227

Septiembre 1.456 1.4416107 0.0143893 0.0143893 0.0002071

Octubre 1.482 1.4609883 0.0210117 0.0210117 0.0004415

Noviembre 1.491 1.4803660 0.0106340 0.0106340 0.0001131

Diciembre 1.461 1.4997436 -0.0387436 0.0387436 0.0015011

Total 2.22E-15 0.2257576 0.0058743

Coeficientes
b0=1.267212 b1=0.0194 1.85E-16 0.0188131 0.0004895

ENERO 2010➔ 1.52 DMA ECM

FEBRERO 2010➔ 1.54

 tasa de cambio
1.60

1.55

1.50
tasa de cambio

1.45

1.40 y = 0.0194x + 1.2672

1.35

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.

𝐹𝑖+1 = 𝐹𝐼𝑇𝑡 + 𝛼(𝑌𝑡 − 𝐹𝐼𝑇𝑖 )

año Tasa de cambio Pronóstico con  = 0.3 ERROR ABSOLUTO ECM

1 1.324 1.324000 0.000000 0.000000 0.000000
2 1.278 1.324000 -0.046000 0.046000 0.002116
3 1.305 1.310200 -0.005200 0.005200 0.000027
4 1.32 1.308640 0.011360 0.011360 0.000129
5 1.363 1.312048 0.050952 0.050952 0.002596
6 1.402 1.327334 0.074666 0.074666 0.005575
7 1.409 1.349734 0.059266 0.059266 0.003513
8 1.427 1.367513 0.059487 0.059487 0.003539
9 1.456 1.385359 0.070641 0.070641 0.004990
10 1.482 1.406552 0.075448 0.075448 0.005692
11 1.491 1.429186 0.061814 0.061814 0.003821
12 1.461 1.447730 0.013270 0.013270 0.000176
TOTAL 0.425704 0.528104 0.032174
PRONOSTICO PROMEDIO 0.0354753 0.0440087 0.0026812
enero→ 1.451711 SESGO DMA ECM

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.