La tabla siguiente da el número de unidades de sangre tipo A que el hospital Woodlawn utilizó en las últimas 6 semanas:

4.1 SEMANA DE UNIDADES USADAS

Aug-31 360
Sep-07 389
Sep-14 410
Sep-21 381
Sep-28 368
Oct-05 374

a) PROMEDIO MOVIL
SEMANA DE UNIDADES USADAS PRONÓSTICO DEMANDA
Aug-31 360
Sep-07 389
Sep-14 410
Sep-21 381 386.33
Sep-28 368 393.33
Oct-05 374 386.33
Oct-12 374.33

b) PROMEDIO MOVIL PONDERADO

PONDERACION SEMANA DE UNIDADES USADAS
0.6 Aug-31 360
0.3 Sep-07 389
0.1 Sep-14 410
1 Sep-21 381
Sep-28 368
Oct-05 374
Oct-12

c) SUAVIZAMIENTO EXPONENCIAL
SEMANA DE UNIDADES USADAS PRONOSTICO 0,2
Aug-31 360 360
Sep-07 389 360
Sep-14 410 365.8
Sep-21 381 374.64
Sep-28 368 375.91
Oct-05 374 374.33
Oct-12 374.26

4.2 Grafique los datos anteriores. ¿Observa alguna tendencia, ciclos o variaciones aleatorias? b) Comenzando en
AÑO 1 2 3 4
DEMANDA 7 9 5 9

a) GRAFICA

PRONÓSTICOS
14
DEMANDA PRONOSTICO MS
12 PRONOSTICO MMP PRONOSTICO 0,4

10

8
 PRONÓSTICOS
14
DEMANDA PRONOSTICO MS
12 PRONOSTICO MMP PRONOSTICO 0,4

10

0
1 2 3 4 5 6 7 8 9 10 11

No es evidente observar ciclos, tendencias o variaciones aleatorias.

b) PROMEDIO MOVIL 3 años

AÑO DEMANDA PRONOSTICO |REAL-PRONOSTICO|

1 7
2 9
3 5
4 9 7 2
5 13 7.67 5.33
6 8 9 1
7 12 10 2
8 13 11 2
9 9 11 2
10 11 11.33 0.33
11 7 11 4
12 9
18.67

c ) PROMEDIO MOVIL PONDERADO 3 años

PONDERACION AÑO DEMANDA

0.6 1 7
0.3 2 9
0.1 3 5
1 4 9
5 13
6 8
7 12
8 13
9 9
10 11
11 7
12

d) MEJORES RESULTADOS
El pronostico que proporciona mejores resultados es el promedio movil de 3 años.

4.3 Regrese al problema 4.2. Desarrolle un pronóstico para los años 2 a 12 usando suavizamiento exponencial con
AÑO DEMANDA PRONOSTICO 0,4 |REAL-PRONOSTICO|
1 7 6 1
2 9 6.4 2.6
3 5 7.44 2.44
4 9 6.46 2.54
5 13 7.48 5.52
6 8 9.69 1.69
7 12 9.01 2.99
8 13 10.21 2.79
9 9 11.32 2.32
10 11 10.39 0.61
11 7 10.64 3.64
12 9.18
28.13

El mejor ponóstico es del año 9 con 11,32

zó en las últimas 6 semanas:

PRONOSTICO DEMANDA

398.7
390.5
376.1
372.9

eatorias? b) Comenzando en el año 4 y hasta el año 12, pronostique la demanda usando promedios móviles de 3 años. Grafique su pro
5 6 7 8 9 10
13 8 12 13 9 11
 DAM
2.33

PRONOSTICO |REAL-PRONOSTICO| DAM

1.25

7.8 1.2
11 2
9.6 1.6
10.9 1.1
12.2 0.8
10.5 1.5
10.6 0.4
8.4 1.4

10
uavizamiento exponencial con α = .4 y un pronóstico para el año 1 de 6. Grafique su nuevo pronóstico junto con los datos reales y un pr
DAM
2.56
 AÑO DEMANDA
1 7
2 9
3 5
4 9
5 13
6 8
7 12
les de 3 años. Grafique su pronóstico en la misma gr 8 13
11 9 9
7 10 11
11 7
to con los datos reales y un pronóstico intuitivo. Con base en una inspección visual, ¿cuál pronóstico es mejor?
4.4 Un centro de procesamiento de cheques usa el suavizamiento exponencial para pronosticar el número de che
a)
MES CHEQUES PRONOSTICO 0,2
Junio 40 42
Julio 41.6

b)
MES CHEQUES PRONOSTICO 0,2
Junio 40 42
Julio 45 41.6
Agosto 42.3

c) METODO DE PRONOSTICO PARA LA SITUACION

Al no contar con pronosticos de demandas anteriores hace que este metodo sea inapropiado, porque se darias el caso
De aumentar cada vez el número de cheques recibidos en el proximo mes o tambien.
Seria inapropiado la Estacionalidad de industria bancaria.

4.5 El hospital Carbondale está considerando comprar una nueva ambulancia. La decisión dependerá, en parte, d

AÑO NÚMERO MILLAS

1 3000
2 4000
3 3400
4 3800
5 3700

a) PROMEDIO MOVIL 2 años

AÑO NÚMERO MILLAS PRONOSTICO

1 3000
2 4000
3 3400 3500
4 3800 3700
5 3700 3600
6 3750

b) DAM
AÑO NÚMERO MILLAS PRONOSTICO |REAL-PRONOSTICO| DAM
1 3000 100
2 4000
3 3400 3500 100
4 3800 3700 100
5 3700 3600 100
6 3750
300

c) PROMEDIO MOVIL PONDERADO

 PONDERACION AÑO NÚMERO MILLAS PRONOSTICO
0.6 1 3000
0.4 2 4000
1 3 3400 3600
4 3800 3640
5 3700 3640
6 3740

d) SUAVIZAMIENTO EXPONENCIAL

AÑO NÚMERO MILLAS PRONOSTICO 0,5 |REAL-PRONOSTICO| DAM

1 3000 3000 0 305
2 4000 3000 1000
3 3400 3500 100
4 3800 3450 350
5 3700 3625 75
6 3662.5
1525
 osticar el número de cheques entrantes cada mes. El número de cheques recibidos en junio fue de 40 millones, aunque el pronóstico e

que se darias el caso

n dependerá, en parte, del número de millas que deberá recorrerse el próximo año. Las millas recorridas durante los 5 años anteriores
|REAL-PRONOSTICO| DAM
140

200
160
60

420
millones, aunque el pronóstico era de 42 millones. Se usó una constante de suavizamiento de .2. a) ¿Cuál es el pronóstico para julio? b)

s durante los 5 años anteriores son como sigue:

es el pronóstico para julio? b) Si el centro recibió 45 millones de cheques en julio, ¿cuál será el pronóstico para agosto? c) ¿Por qué podr
para agosto? c) ¿Por qué podría ser inapropiado este método de pronóstico para esta situación? P
4.6 Las ventas mensuales en Telco Batteries, Inc., fueron como sigue:
MES VENTAS
Enero 20
Febrero 21
Marzo 15
Abril 14
Mayo 13
Junio 16
Julio 17
Agosto 18
Septiembre 20
Octubre 20
Noviembre 21
Diciembre 23

a) GRAFICO

VENTAS MENSUALES
25

20

15

10

0
o

to
zo

e
l

re

re
ri

ay
er

er

br

br
li
ni

os

ub

b
ar

Ab

Ju
br

em

m
En

Ju

Ag
M

ct

ie

ie
Fe

O
p ti

ov

ic
D
Se

b) VENTAS ENERO

METODO INTUITIVO

De acuerdo con los datos se puede observar a simple vista que las ventas no pasan entre una y dos unidades d
Ventas para Enero = 23
PROMEDIO MOVIL 3 MESES

MES VENTAS PRONOSTICO |REAL-PRONOSTICO| DAM

Enero 20 2.74
Febrero 21
Marzo 15
Abril 14 18.67 4.67
Mayo 13 16.67 3.67
Junio 16 14.00 2
Julio 17 14.33 2.67
 Agosto 18 15.33 2.67
Septiembre 20 17.00 3
Octubre 20 18.33 1.67
Noviembre 21 19.33 1.67
Diciembre 23 20.33 2.67
ENERO 21.33 24.67

PROMEDIO MOVIl PONDERADO 6 MESES

PONDERACION MES VENTAS

0.3 Enero 20
0.2 Febrero 21
0.2 Marzo 15
0.1 Abril 14
0.1 Mayo 13
0.1 Junio 16
1 Julio 17
Agosto 18
Septiembre 20
Octubre 20
Noviembre 21
Diciembre 23
ENERO
SUAVIZAMIENTO EXPONENCIAL

MES VENTAS PRONOSTICO 0,3 |REAL.PRONOSTICO| DAM

Enero 20 1.75
Febrero 21
Marzo 15
Abril 14
Mayo 13
Junio 16
Julio 17
Agosto 18
Septiembre 20 18 2
Octubre 20 18.6 1.4
Noviembre 21 19.02 1.98
Diciembre 23 19.61 3.39
ENERO 20.63
8.766

PROYECCIÓN DE TENDENCIA

MES (X) VENTAS (Y) (X)2 (Y)2 XY

1 20 1 400 20
2 21 4 441 42
3 15 9 225 45
4 14 16 196 56
 5 13 25 169 65
6 16 36 256 96
7 17 49 289 119
8 18 64 324 144
9 20 81 400 180
10 20 100 400 200
11 21 121 441 231
12 23 144 529 276
78 218 650 4070 1474

MEDIA X 6.5
MEDIA Y 18.17
b 0.40
a 15.58
y 20.36

c) PRONOSTICO VENTAS PROXIMO MES MARZO

La proyección de Tendencia es un método que permitirá elaborar un pronóstico de ventas para el próximo me

4.7 La demanda real de los pacientes en la clínica médica Omaha Emergency para las primeras seis semanas de e
SEMANA Nº REAL PACIENTES PRONOSTICO
PONDERACION 1 65
0.333 2 62
0.25 3 70
0.25 4 48
0.167 5 63 59.84
1 6 52 60.83
7 56.76
 e
e

re
br
br

b
m

m
tu

ie

ie
ov

ic
D
N

no pasan entre una y dos unidades de cada uno de los meses.

PRONOSTICO |REAL-PRONOSTICO| DAM
3

15.8 1.2
15.9 2.1
16.2 3.8
17.3 2.7
18.2 2.8
19.4 3.6
20.6 16.2
óstico de ventas para el próximo mes de marzo.

para las primeras seis semanas de este año es como sigue:

Las temperaturas máximas diarias en Saint Louis durante la última semana fueron las siguientes: 93, 94, 93, 95, 96, 88, 90
Item A)
Dias TEMPERATURA Prom Movil(3 dias)
L 93 93.3333333333
M 94 94.3333333333
M 93 92.3333333333
J 96 91.3333333333
V 88
S 90
D

Item B)

Dias TEMPERATURA P.Mov(2dias)

L 93 93.5
M 94 93.5
M 93 94.5
J 96 92
V 88 89
S 90
D

Item C)

Dias TEMPERATURA P.Mov(2dias) E

1L 93 93.5 -0.5
2M 94 93.5 0.5
3M 93 94.5 -1.5
4J 96 92 4
5V 88 89 -1
6S 90
7D

Item D)
Dias TEMPERATURA P.Mov(2dias) E
1L 93 93.5 -0.5
2M 94 93.5 0.5
3M 93 94.5 -1.5
4J 96 92 4
5V 88 89 -1
6S 90
7D 1.5

Item E)
Dias TEMPERATURA P.Mov(2dias) E Error %
1L 93 93.5 -0.5 -0.5376344
2M 94 93.5 0.5 0.53191489
3M 93 94.5 -1.5 -1.6129032
4J 96 92 4 4.16666667
5V 88 89 -1 -1.1363636
6S 90
7D 1.41168029
siguientes: 93, 94, 93, 95, 96, 88, 90 (ayer). a) Pronostique la temperatura máxima para hoy usando un promedio móvil de 3 días. b) Pro

EA │E│ mad
-0.5 0.5 0.5
0 0.5 0.25
-1.5 1.5 0.5
2.5 4 1
1.5 1 0.2

mad
2.45 0.35

ECM
0.25
0.25
2.25
16
1
ECM
19.75 2.82142857
Error % 0.20166861
omedio móvil de 3 días. b) Pronostique la temperatura máxima para hoy usando un promedio móvil de 2 días. c) Calcule la desviación a
días. c) Calcule la desviación absoluta media con base en un promedio móvil de 2 días. d) Calcule el error cuadrático medio para un pro
cuadrático medio para un promedio móvil de 2 días. e) Calcule el error porcentual absoluto medio para el promedio móvil de 2 días. P
promedio móvil de 2 días. P
Dell usa el chip CR5 en algunas de sus computadoras portátiles. Los precios del chip durante los últimos 12 meses fueron como
Item A)
MES Precio x Chip promedio(2)
E 1.8 1.74
F 1.67 1.69
M 1.7 1.78 Chart Tit
A 1.85 1.88
1.95
M 1.9 1.89
J 1.87 1.84 1.9

J 1.8 1.82 1.85

A 1.83 1.77 1.8
S 1.7 1.68 1.75
O 1.65 1.68
1.7
N 1.7 1.73
1.65
D 1.75
1.6
1.55
Item B) 1.5
C
0 2 4 6
MES Precio x Chip promedio (3)
1.95
E 1.8 1.72
F 1.67 1.74 1.9
M 1.7 1.82 1.85
A 1.85 1.87 1.8
M 1.9 1.86 1.75
J 1.87 1.83
1.7
J 1.8 1.78
1.65
A 1.83 1.73
S 1.7 1.68 1.6
O 1.65 1.70 1.55
N 1.7 1.5
0 2 4
D 1.75

Item C)
la que proporcionar mejores resultados, es el promedio móvil simple
Item D)
a 0.1

MES Precio x Chip pronostico 0,1 suavizamiento eponencial

E 1.8 1.8 1.8
F 1.67 1.8 1.787
M 1.7 1.79 1.7783
A 1.85 1.78 1.78547
M 1.9 1.79 1.796923
J 1.87 1.80 1.8042307
J 1.8 1.80 1.80380763
A 1.83 1.80 1.806426867
S 1.7 1.81 1.7957841803
O 1.65 1.80 1.7812057623
N 1.7 1.78 1.773085186
D 1.75 1.77 1.7707766674

a 0.3

MES Precio x Chip Pronostico Sua.Expo

E 1.8 1.8 1.8
F 1.67 1.8 1.76
M 1.7 1.76 1.74
A 1.85 1.74 1.77
M 1.9 1.77 1.81
J 1.87 1.81 1.83
J 1.8 1.83 1.82
A 1.83 1.82 1.82
S 1.7 1.82 1.79
O 1.65 1.79 1.75
N 1.7 1.75 1.73
D 1.75 1.732 1.74

a 0.5

MES Precio x Chip pronostico Suav.Expo

E 1.8 1.8 1.8
F 1.67 1.80 1.74
M 1.7 1.74 1.72
A 1.85 1.72 1.78
M 1.9 1.78 1.84
J 1.87 1.84 1.86
J 1.8 1.86 1.83
A 1.83 1.83 1.83
S 1.7 1.83 1.76
O 1.65 1.76 1.71
N 1.7 1.71 1.70
D 1.75 1.70 1.73
os 12 meses fueron como sigue:

Chart Title

2 4 6 Chart8Title 10 12 14

2 4 6 8 10 12 14
Los datos recopilados en las inscripciones anuales para un seminario de Seis Sigma en Quality College se muestran en la tabla
Item A)
Año InscripcionesProm.Mov 16
1 4 4.67
2 6 5.00 14

3 4 6.33 12
4 5 7.67
5 10 8.33 10
6 8 8.00
8
7 7 9.33
8 9 11.67 6
9 12 13.67
4
10 14
11 15 2
12
0
0 2 4 6 8
Item B)
Año InscripcionesProm.Ponde
1 4 4.5
2 6 4.75
3 4 7.25
4 5 7.75
5 10 8
6 8 8.25
7 7 10
8 9 12.25
9 12 14
10 14
11 15
12
y College se muestran en la tabla siguiente:

4 6 8 10 12
Use suavizamiento exponencial con constante de suavizamiento de 0.3 para pronosticar las inscripciones al seminario del prob
0.3
Año Inscripciones Pronostico suav.Exp
1 4 5 4.7
2 6 4.7 5.09
3 4 5.09 4.763
4 5 4.763 4.8341
5 10 4.8341 6.38387
6 8 6.38387 6.868709
7 7 6.868709 6.9080963
8 9 6.9080963 7.53566741
9 12 7.53566741 8.87496719
10 14 8.87496719 10.412477
11 15 10.412477 11.7887339
12 11.7887339
ripciones al seminario del problema 4.10. Para comenzar el procedimiento, suponga que el pronóstico para el año 1 fue una inscripción de
a el año 1 fue una inscripción de 5,000 personas. b) ¿Cuál es la MAD? P
Considere los siguientes niveles de demanda real y pronosticada para las hamburguesas Big Mac en un restaurante McDonald

Dia Dem.Real Dem.Prono Suav.Expo

Lunes 88 88 88
Martes 72 88 84
Miercoles 68 84 80
Jueves 48 80 72
Viernes 72

a 0.25
Mac en un restaurante McDonald’s local.
Como se puede observar en la tabla siguiente, la demanda de cirugías para trasplante de corazón en el Hospital General de Wa

Item A)
AÑO demanda promostico 0,6 pronostico 0,9
1 45 41 41
2 50 43.4 45
3 52 47.36 49
4 56 50.14 52
5 58 53.66 56
6 56.26 58

0.6
0.9

Item B)
AÑO demanda promedio movil
1 45 49
2 50 53
3 52 55
4 56
5 58
6

Item C)
AÑO demanda x2 xy PROY. DE TENDENCIA
1 45 1 45 47.0
2 50 4 100 49.3
3 52 9 156 51.6
4 56 16 224 53.9
5 58 25 290 56.1
6 55 36 332 58.4
21 316

media x 4
media y 53
a 44.8
b 2.3
y 58.4126984
x 6

Item D)
DAM
AÑO demanda promostico 0,6 E EA │E│
 1 45 41 4 4 4
2 50 43.4 7 11 7
3 52 47.36 5 15 5
4 56 50.14 6 21 6
5 58 53.66 4 25 4
6 0 56.26 -56 -31 56

AÑO demanda pronostico 0,9 E EA │E│

1 45 41 4 4.00 4.00
2 50 45 5 9.40 5.40
3 52 49 3 11.94 2.54
4 56 52 4 16.19 4.25
5 58 56 2 18.62 2.43
6 7 58 -51 -32.54 51.16

0,6 0,9
6.00
5.00 6
5
4.00
4
3.00 3
2.00 2
1
1.00 0
0.00 -1 0 1 2 3 4
0 1 2 3 4 5 6 7 -2
-1.00
-3
-2.00 -4
-3.00

el metodo mas efectivo es el metodo de promedio movil es mal facil y efectivo

en el Hospital General de Washington ha aumentado de manera estable durante los últimos años:

│E│A DAM SEÑ CONTROL

 4 4.0 1.00
11 5.3 2.00
15 5.1 3.00
21 5.3 4.00
25 5.1 5.00
82 13.6 -2.26

│E│A DAM SEÑ CONTROL

4 4.00 1
9 4.70 2
12 3.98 3
16 4.05 4
19 3.72 5
70 11.63 -3

0,9

2 3 4 5 6 7
4 A continuación se presentan dos pronósticos semanales realizados medi

semana metodo 1 Dem real

1 0.9 0.7
2 1.05 1
3 0.95 1
4 1.2 1
sumatoria
Mad

semana Metodo 2 Dem.Real

1 0.8 0.7
2 1.2 1
3 0.9 1
4 1.11 1
sumatoria
Mad
sticos semanales realizados mediante dos métodos diferentes para el número de galones de gasolina, en miles, demandado en una gasolin

Error % Abs MSE

0.2 0.04
0.05 0.0025
-0.05 0.0025
0.2 0.04
0.4 0.085
0.1 0.02125

Error %Abs MSE

0.1 0.01
0.2 0.04
-0.1 0.01
0.11 0.0121
0.31 0.0721
0.0775 0.018025
miles, demandado en una gasolinera local. También se muestran los niveles reales de demanda, en miles de galones:
de galones:
Retome el problema resuelto 4.1 de la página 140. Use un promedio móvil de 3 años para pronosticar las ventas de Volkswage
AÑO VENTAS PRONOSTICO PROMEDIO MOVI 3 AÑOS
2003 450 410
2004 495 422
2005 518 443.90
2006 563 466.13 487.67
2007 584 495.19 525.33
2008 521.8337 555.00 EL PROMEDIO MOVIL ES DE 5
osticar las ventas de Volkswagen Beetle en Nevada durante 2008. ¿Cuál es la MAD?P

EL PROMEDIO MOVIL ES DE 555

Retome el problema resuelto 4.1. Usando el método de proyección de tendencia pronostique las ventas de Volkswagen Beetle
AÑO X VENTAS X2 X*Y PRONOSTICO
2003 1 450 1 450 410
2004 2 495 4 990 422
2005 3 518 9 1554 443.9
2006 4 563 16 2252 466.13
2007 5 584 25 2920 495.191
15 2610 55 8166 521.8337

X 3
Y 522 LA TENDENCIA EN Y ES DE 4
B 33.6
A 421.2
ventas de Volkswagen Beetle en Nevada durante 2008. ¿Cuál es la MAD?

LA TENDENCIA EN Y ES DE 421,2
Retome el problema resuelto 4.1. Usando constantes de suavizamiento de .6 y .9,desarrolle pronósticos para las ventas de Vol
AÑO VENTAS PRONOSTICO 0,3 PRONOSTICO 0,6 PRONOSTICO 0,9 ERROR 0,3 ERRO 0,6
2003 450 410 410 410 40 40
2004 495 422 434 446 73 61
2005 518 443.9 470.6 490.1 74.1 47.4
2006 563 466.13 499.04 515.21 96.87 63.96
2007 584 495.191 537.416 558.221 88.81 46.58
2008 521.8337 565.366 581.4221 372.779 258.944

ERROR 0,3 74.56

ERROR 0,6 51.79
ERROR 0,9 38.09
ticos para las ventas de Volkswagen Beetle. ¿Qué efecto tiene la constante de suavizamiento en el pronóstico? Use MAD para determinar c
ERROR 0,9
40
49
27.9
47.79
25.78
190.469
tico? Use MAD para determinar cuál de las tres constantes de suavizamiento (.3, .6 y .9) da el pronóstico más acertado.
más acertado.
Considere los siguientes niveles de la demanda real (At) y pronosticada (Ft) para un producto:
PERIODO DE TIEMPO DEMANDA REAL (At) DEMANDA PRONOSTICADA (Ft)
1 50 50
2 42 50
3 56 48
4 46 50
5

a 0.25
para un producto:
SUAV. EXPO
50
48
50
49
49
Los ingresos en el despacho de abogados Smith and Wesson para el periodo de febrero a julio han sido como sigue:

MES INGRESO ANUAL PRONOSTICO 0,1 SUAVI EXPO

FEBRERO 1 70 65 65.5
MARZO 2 68.5 70.5 70.3
ABRIL 3 64.8 70.3 69.75
MAYO 4 71.7 69.75 69.95
JUNIO 5 71.3 69.95 70.08
JULIO 6 72.8 70.08 70.35
AGOSTO 70.35 63.32

ALFA 0.1
BETA 0.2

MES
FEBRERO 1 INGRESO ANUAL PRONOSTICO 0,2 SUAVI EXPO
MARZO 2 70 65 66
ABRIL 3 68.5 71 70.5
MAYO 4 64.8 68 67.36
JUNIO 5 71.7 64.16 65.67
JULIO 6 71.3 73.21 72.83
AGOSTO 72.8 70.92 71.29
han sido como sigue:

TENDENCIA 0,2 FIT

0 65
1.1 71.6
0.84 71.14
0.56 70.31
0.49 70.43
0.42 70.50
0.39 70.74
Resuelva el problema 4.19 con α = .1 y β = .8. Usando MSE, determine la constante de suavizamiento que proporciona el mejo

MES INGRESO ANUAL PRONOSTICO 0,1 SUAVI EXPO TENDENCIA 0,8

FEBRERO 70 65 65 0
MARZO 68.5 70 70 4
ABRIL 64.8 69.85 69.85 0.68
MAYO 71.7 69.35 69.35 -0.27
JUNIO 71.3 69.58 69.58 0.13
JULIO 72.8 69.75 69.75 0.16
AGOSTO 72.19 72.19 1.98

ALFA 0.1
BETA 0.8
iento que proporciona el mejor pronóstico. P
Vea la ilustración de suavizamiento exponencial con ajuste de tendencia del ejemplo 7 en las páginas 119 y 121. U

Mese F T FT
5 17.82 2.32 20.14
6 20.10 2.22 22.32024
mplo 7 en las páginas 119 y 121. Usando α= .2 y β= .4, pronosticamos las ventas de 9 meses y mostramos el detalle de los cálculos para los
el detalle de los cálculos para los meses 2 y 3. En el problema resuelto 4.2 continuamos el proceso para el mes 4. En este problema muestr
mes 4. En este problema muestre sus cálculos para los meses 5 y 6 para Ft, Tt y FITt. P
Retome el problema 4.21. Complete los cálculos del pronóstico de suavizamiento exponencial con ajuste de tendencia para los

MESES F T FT 0.2
7 24.11 2.06 26.18 0.4
8 27.14 2.45 29.59
9 29.27 2.32 31.60
l con ajuste de tendencia para los periodos 7, 8 y 9. Confirme que sus cifras para Ft, Tt y FITt correspondan a las de la tabla 4.1 (pág. 120)
n a las de la tabla 4.1 (pág. 120)
La tabla siguiente muestra las ventas de deshidratadores de vegetales registradas durante el año pasado en la tienda departam

VENTAS U
MES 2001-2002 PRONÓSTICOS MAD
JULIO 100
AGOSTO 93
SEPTIEMBRE 96
OCTUBRE 110
NOVIEMBRE 124
DICIEMBRE 119
ENERO 92
FEBRERO 83
MARZO 101 120 19
ABRIL 96 114 18
MAYO 89 110 21
JUNIO 108 108 0
58

MAD 14.5
MAPE 15.29

Los resultados de la Administración superaron, tienen MAD de

14,5 menor que MAPE con 15,29
Se recomienda MAD porque sus error es mas pequeño
 as durante el año pasado en la tienda departamental de descuento Bud Banis de St. Louis. Los administradores prepararon un pronóstico e

MAPE

18.8118811881
18.75
23.595505618
0
61.1573868061

tienen MAD de
29
mas pequeño
adores prepararon un pronóstico empleando una combinación de suavizamiento exponencial y su juicio colectivo para los siguientes 4 mes
olectivo para los siguientes 4 meses (marzo, abril, mayo y junio de 2007).
Howard Weiss, propietario de una tienda distribuidora de instrumentos musicales, cree que la demanda de tambores bajos pu

Demanda
de Bombas Apariciones
(Y) en tv (X) x2 xy y=a+bx
3 3 9 9 4
6 4 16 24 5
7 7 49 49 8
5 6 36 30 7
10 8 64 80 9
8 5 25 40 6
suma 39 33 199 232
media 6.5 5.5 33.17 38.67

a 1 x=9 10 bomas
b 1
s 1.73205081
r 0.77020798
demanda de tambores bajos puede estar relacionada con el número de apariciones en televisión del popular grupo de rock Stone Temple

Apariciones
en tv (X)
35
30
25
20
15
10
5
0
0 5 10 15 20 25 30 35 40 45
Apa rici ones
en tv (X)
ular grupo de rock Stone Temple Pilots durante el mes pasado. Weiss ha recopilado los datos que se muestran en la tabla siguiente:
stran en la tabla siguiente:
La tabla siguiente presenta los datos del número de accidentes ocurridos en la carretera estatal 101 de Florida du

N ACCIDENTES
MES Y X X2 XY Y=A+BX
ENERO 1 30 900 30 1.30952381
FEBRERO 2 40 1600 80 1.78571429
MARZO 3 60 3600 180 2.73809524
ABRIL 4 90 8100 360 4.16666667

SUMA 10 220 14200 650

MEDIA 2.5 55 3550 162.5

a -0.1190476
b 0.04761905
s 0.34503278
r 0.97590007
estatal 101 de Florida durante los últimos 4 meses.
En el pasado, la distribuidora Arup Mukherjee vendió un promedio de 1,000 llantas radiales cada año. En los dos años anterior

AÑOS D.PROMEDIO D.PROMEDIO ÍNDICE

ESTACIONES 1 2 2 AÑOS MENSUAL ESTACIONAL
OTOÑO 20 250 135 75.83 1.78021978
VERANO 300 285 292.5 75.83 3.85714286
INVIERNO 350 300 325 75.83 4.28571429
PRIMAVERA 150 165 157.5 75.83 2.07692308
910 303.333333

DEMANDA 1200
PROXIMO AÑO
radiales cada año. En los dos años anteriores vendió 200 y 250, respectivamente, durante el otoño, 350 y 300 en invierno, 150 y 165 en prim

DEMANDA
PROXIMO AÑO
56.1728395062
25.9259259259
23.3333333333
48.1481481481
0 en invierno, 150 y 165 en primavera, y 300 y 285 en verano. Con una ampliación importante en puerta, Mukherjee proyecta que las vent
Mukherjee proyecta que las ventas se incrementarán el próximo año a 1,200 llantas radiales. ¿Cuál será la demanda en cada estación?
a demanda en cada estación?
Mark Cotteleer posee una compañía que fabrica lanchas. Las demandas reales de las lanchas de Mark durante cada temporada

TEMPORADA 2004 2005 2006 2007 D.PROMEDIODP.MENSUAL

INVIERNO 1400 1200 1000 900 1125 416.666667
PRIMAVERA 1500 1400 1600 1500 1500 416.666667
VERANO 1000 2100 2000 1900 1750 416.666667
OTOÑO 600 750 650 500 625 416.666667
5000
DEMANDA
2009 5600
de Mark durante cada temporada desde 2004 hasta 2007 fueron como sigue:

IN.ESTACION F
2.7 1260
3.6 1680
4.2 1960
1.5 700
La asistencia al nuevo parque tipo Disney en Los Ángeles,Vacation World, ha sido la siguiente:
AÑO
TRIMESTRE D.PROMEDIO D.PROMEDIO INDICE
2005 2006 2007 MENSUAL ESTACIONAL
INVIERNO 73 65 89 75.67 35.56 2.13
PRIMAVERA 104 82 146 110.67 35.56 3.11
VERANO 168 124 205 165.67 35.56 4.66
OTOÑO 74 52 98 74.67 35.56 2.10
426.67
Central States Electric Company estima que la recta de tendencia de su demanda (en millones de kilowatt-hora) es: D = 77 + 0.
TRIMESTRE NUMERO DE PRONOSTICOFACTOR INDI PRONOSTICO J
INVIERNO 61 103.23 0.8 82.58
PRIMAVERA 62 103.66 1.1 114.03
VERANO 63 104.09 1.4 145.73
OTOÑO 64 104.52 7 731.64

FORMULA
D=77+0.43Q D=103.23+0.8 Esta formula se la aplica con el pronostico
kilowatt-hora) es: D = 77 + 0.43Q donde Q se refiere al número secuencial de trimestres y Q = 1 para el invierno de 1984. Además, los facto

e la aplica con el pronostico obtenido multiplicado por los factores indice

ierno de 1984. Además, los factores multiplicadores estacionales son:
Brian Buckley ha desarrollado el siguiente modelo de pronóstico: donde = demanda de aires acondicionados Azte

ŷ=36+4.3x

SOLUCION
ŷ=36+4.3x
Temperatura en °F
a)Pronostique la demanda de Aztec cuando la temperatura es de 70°F. 70
b) ¿Cuál es la demanda cuando la temperatura es de 80°F? 80
c) ¿Cuál es la demanda cuando la temperatura es de 90°F? 90
TOTAL
nda de aires acondicionados Aztec y x= la temperatura exterior (°F)

SOLUCION
ŷ=36+4.3x
Temperatura en °F Demanda
70 337
80 380
90 423
TOTAL 1140
El administrador de Coffee Palace, Joe Felan, sospecha que la demanda de cafés con leche sabor moca depende de su prec
PRECIO COFFE VENDIDAS X^2 X*Y
1 $2.70 760 $7.29 2052
2 $3.50 510 $12.25 1785
3 $2.00 980 $4.00 1960
4 $4.20 250 $17.64 1050
5 $3.10 320 $9.61 992
6 $4.05 480 $16.40 1944
TOTAL $19.55 3300 $67.19 9783
MEDIA $3.26 550 $11.20

b -277.63
a $1,454.60
x 1.8
ŷ=a+bx 954.87
sabor moca depende de su precio. Con base en observaciones históricas, Joe ha recopilado los siguientes datos que muestran el núme
datos que muestran el número de cafés de este tipo vendidos a seis precios diferentes:
Los siguientes datos relacionan las cifras de ventas del pequeño bar de la casa de huéspedes Marty and Polly Starr, en Maratho

SEMANA HUESPEDES(XVENTAS DEL BAR(Y) X^2 X*Y

1 16 $330.00 256 $5,280.00
2 12 $270.00 144 $3,240.00
3 18 $380.00 324 $6,840.00
4 14 $300.00 196 $4,200.00
TOTAL 60 $1,280.00 920 $19,560.00
MEDIA 15 $320.00

b 18
a 50
x= 20
ŷ=a+bx 410 las ventas se esperan que sean de 410
d Polly Starr, en Marathon, Florida, con el número de huéspedes registrados en la semana:
En la tabla siguiente se muestra el número de transistores (en millones) fabricados en una planta de Japón durante los últimos

TOTAL
MEDIA

b
a

ŷ=a+bx

MSE
√(∑(𝑦−𝑦2)^2)/(𝑛−2)
√(∑𝑦−𝑏∑−𝑦2−𝑎∑𝑥𝑦)/ S=
(𝑛−2)
r=

MAPE

TOTAL
MEDIA

b
a
res (en millones) fabricados en una planta de Japón durante los últimos 5 años:

AÑO TRANSITORES X^2 X*Y

1 140 1 140
2 160 4 320
3 190 9 570
4 200 16 800
5 210 25 1050
15 900 55 2880
3 180

18
126

234 demanda en el año 6 es de 234 millones de tansacciones

MSE
√(∑(𝑦−𝑦2)^2)/(𝑛−2)
5412049998

(𝑛∑𝑥𝑦−∑𝑥∑𝑦)/(√[𝑛∑𝑥2− 3780 3780/

(∑𝑥)^2[𝑛∑𝑦2−(∑𝑦)^2] ) = (√19152000)
19152000

MAPE
AÑO TRANSITORES PRONOSTICO ERROR PORCENTUAL
1 140 144 0.7142857143
2 160 162 1.25
3 190 180 1.5789473684
4 200 198 2
5 210 216 2.380952381
15 900 7.9241854637
3 180

18
126

MAPE 1.5848370927 EL ERROR PORCENTUAL ES DE 1,58%

 y^2
19600
25600
36100
40000
44100
165400

millones de tansacciones

= 3780 = 0.86374338
4376.29981

UAL ES DE 1,58%
El número de accidentes automovilísticos en cierta región está relacionado con el número de automóviles registrados en miles

X1 X2 X3 SOLUCION
a 2 3 0 a 7.5
b 3 5 1 b1 3.5
c 4 7 2 b2 4.5
b3 2.5
Y=a+b1X1+b2X2+b3X3
donde Y=numero de accidentes automovilisticos
a=7.5
b1=3.5
b2=4.5
b3=2.5
automóviles registrados en miles (X1), la venta de bebidas alcohólicas en unidades de $10,000 (X2), y la cantidad de lluvia medida en pulg

numero de accidentes automovilisticos

a 28
b 29.5
c 14.5
TOTAL 72
dad de lluvia medida en pulgadas (X3). Además, la fórmula de regresión se ha calculado como:
Los contadores de la empresa Michael Vest creen que algunos ejecutivos estaban incluyendo en sus cuentas facturas de gastos

Item A)
y 90+48,50x1+0,40x2
y 452.5

Item B)
Como la correlación es de un .68 significa que el pronóstico no es tan confiable y no seapaga a la realidad del prob

Item C)
en sus cuentas facturas de gastos inusualmente altas cuando regresaban de sus viajes de negocios. Primero tomaron una muestra de 200 f

y no seapaga a la realidad del problema pero si tiene una tendencia marcada por lo que elcontador debería buscar documentación adiciona
ro tomaron una muestra de 200 facturas entregadas durante el año pasado. Después desarrollaron la siguiente ecuación de regresión múlti

a buscar documentación adiciona

uiente ecuación de regresión múltiple para relacionar el costo esperado del viaje con el número de días de viaje (x1) y la distancia recorrida
viaje (x1) y la distancia recorrida (x2) en millas:
Las ventas de las pasadas 10 semanas registradas en la tienda de música Johnny Ho en Columbus, Ohio, se muestran en la tab
Semana Demanda Pronostico E EA │E│ │E│A
1 20 20 0.0 0.0 0 1
2 21 20.00 1.0 1.0 1 9.5
3 28 20.50 7.5 8.5 8.5 29.75
4 37 24.25 12.8 21.3 21.25 48.125
5 25 30.63 5.6 26.9 26.875 54.9375
6 29 27.81 1.2 28.1 28.0625 63.71875
7 36 28.41 7.6 35.7 35.65625 81.515625
8 22 32.20 10.2 45.9 45.859375 93.8203125
9 25 27.10 2.1 48.0 47.9609375 97.8710938
10 28 26.05 1.9 49.9 49.9101563 49.9101563
suma 49.9
MAD 5.0
mbus, Ohio, se muestran en la tabla siguiente. Pronostique la demanda para cada semana, incluyendo la semana 10, usando suavizamiento
DAM Señal .control
1
4.75 4.75
9.91666667 1.1666666667
12.03125 0.5661764706
10.9875 0.4088372093
10.6197917 0.3784335561
11.6450893 0.326593214
11.7275391 0.2557282794
10.874566 0.2267379776
4.99101563 0.1
ana 10, usando suavizamiento exponencial con α = .5 (pronóstico inicial = 20):
El gobierno de la ciudad ha recopilado los siguientes datos de la recaudación anual de impuestos sobre ventas y registros de au
Imp.anuales Reg.Automv x2 y2 xy
1 10 1 100 10
1.4 12 1.96 144 16.8
1.9 15 3.61 225 28.5
2 16 4 256 32
1.8 14 3.24 196 25.2
2.1 17 4.41 289 35.7
2.3 20 5.29 400 46
23.51 1610 194.2

a 2.11
b 7.14
y 2,11+7,14(x)

Item B)
y 157082.11

Item C)
R 0.96648887
R2 0.93410073
tos sobre ventas y registros de automóviles nuevos:
La doctora Susan Sweeney, psicóloga radicada en Providence, se especializa en el tratamiento de pacientes con agorafobia (es d

x y X2 XY
1 36 1 36
2 33 4 66
3 40 9 120
4 41 16 164
5 40 25 200
6 55 36 330
7 60 49 420
8 54 64 432
9 58 81 522
10 61 100 610
SUMA 55 478 385 2900
PROMEDIO 5.5 7.83606557

a 29.73
b 3.28
y 29,73+3,286x
e pacientes con agorafobia (es decir, miedo a salir de casa). La tabla siguiente indica cuántos pacientes ha atendido anualmente durante los
atendido anualmente durante los últimos 10 años. Asimismo señala el índice de robos registrados en Providence para el mismo año.
vidence para el mismo año.
 Se cree que los viajes en autobús y tren subterráneo durante los meses de verano en Londres están estrechamente relacionad
x y Indice de robos
1 36 58.3
2 33 61.1
3 40 73.4 a 29.73
4 41 75.7 b 3.28
5 40 81.1 s 4.38
6 55 89 r 0.92
7 60 101.1 Ecuacion
8 54 94.8 y=29,73+3,28+-4,38
9 58 103.3
10 61 116.3
11 ? 131.2
dres están estrechamente relacionados con el número de turistas que visitan la ciudad. Durante los últimos 12 años se han obtenido los sig
s 12 años se han obtenido los siguientes datos:
Se cree que los viajes en autobús y tren subterráneo durante los meses de verano en Londres están estrechament
AÑO Numero de turistas Numero de viajes
1 7 1.5
2 2 1 Chart Title
3 6 1.3 25
4 4 1.5
5 14 2.5
20
6 15 2.7
7 16 2.4
15
8 12 2
9 14 2.7
10 20 4.4 10

11 15 3.4
12 7 1.7 5

0
1 2 3 4 5 6 7 8
n Londres están estrechamente relacionados con el número de turistas que visitan la ciudad. Durante los últimos 12 años se han obtenido

Chart Title

4 5 6 7 8 9 10 11 12
últimos 12 años se han obtenido los siguientes datos:
Des Moines Power and Light ha recabado los datos de la demanda de energía eléctrica en su subregión oeste sólo para los

mes Año pasad Año Actual

e 5 17
f 6 14
m 10 20
a 13 23
m 18 30
j 13 38
j 23 44
a 26 41
s 21 33
o 15 23
n 12 26
d 14 17

Item A)
Las demandas de energía varían en función de la carga que instalada y la proyectada,dicha carga atiende a com

Item B)
Utilizaría el suaviza miento exponencial ponderado considerando un factor de expansión1.05 de la de

Item C) 1.05

mes Año pasad Año Actual PRONOSTICO

e 5 17 14.7
f 6 14 12.6
m 10 20 18.375
a 13 23 21.525
m 18 30 28.35
j 13 38 333.66
j 23 44 40.68
a 26 41 39.11
s 21 33 31.5
o 15 23 23.625
n 12 26 17.06
d 14 17 13.91
bregión oeste sólo para los 2 últimos años. La información se muestra en la tabla siguiente:

a,dicha carga atiende a comportamientos muy difíciles de pronosticar y factores que no sepueden esperar. Las técnicas de pronósticos

e expansión1.05 de la demanda, ya que la demanda de energía eléctrica siempre tiende a aumentar

r. Las técnicas de pronósticos de este capítulo asumen que la demandatiene una tendencia, lo cual no se aplica a este caso.
aplica a este caso.
 En la tabla siguiente se muestran las llamadas de emergencia hechas al sistema 911 durante las últimas 24 sem
Item A Error Absoluto
Semanas Llamadas Ft Constante Ft Constante E E^2
1 50 50 0.2 50 0.6 0 0
2 35 50 50 -15 225
3 25 47 41 -22 484
4 40 42.60 31.40 -2.6 6.76
5 45 42.08 36.56 2.92 8.53
6 35 42.66 41.62 -7.66 58.74
7 20 41.13 37.65 -21.13 446.53
8 30 36.90 27.06 -6.90 47.68
9 35 35.52 28.82 -0.52 0.27
10 20 35.42 32.53 -15.42 237.75
11 15 32.34 25.01 -17.34 300.51
12 40 28.87 19.00 11.13 123.92
13 55 31.09 31.60 23.91 571.47
14 35 35.88 45.64 -0.88 0.77
15 25 35.70 39.26 -10.70 114.50
16 55 33.56 30.70 21.44 459.65
17 55 37.85 45.28 17.15 294.18
18 40 41.28 51.11 -1.28 1.64
19 35 41.02 44.44 -6.02 36.28
20 60 39.82 38.78 20.18 407.30
21 75 43.85 51.51 31.15 970.03
22 50 50.08 65.60 -0.08 0.01
23 40 50.07 56.24 -10.07 101.34
24 65 48.05 46.50 16.95 287.18
25 85 51.44 57.60 33.56 1126.08
Resultado 40.77 6310.11

La constante que proporciona una superioridad de cantidad es la de 0.3 ya que a te

911 durante las últimas 24 semanas en Gainesville, Florida
Error Absoluto 0.2 0.6
IEI E^2 DAM 1.63086072 14.0118874
0 0
15 225 ECM 252.40425 243.618049
16 256
9 74
8 71
7 44
18 312
3 9
6 38
13 157
10 100
21 441
23 547
11 113
14 203
24 590
10 94
11 123
9 89
21 450
23 552
16 243
16 264
19 342
27 751
350 6090

ntidad es la de 0.3 ya que a tenido un incremento de llamadas en la semana 25

Usando los datos de las llamadas al 911 del problema 4.43, pronostique las llamadas para las semanas 2 a 25 con un modelo d
Semanas Llamadas F T FIT Constante 0.3
1 50 50 0 50 Beta 0.2
2 35 50 0 50
3 25 45.5 -0.9 44.6
4 40 38.72 -1.36 37.36
5 45 38.15 -0.11 38.04
6 35 40.13 0.39 40.52
7 20 38.87 -0.25 38.61
8 30 33.03 -1.17 31.86
9 35 31.30 0.65 31.96 Este sistema es mejor
10 20 234.90 40.72 275.61
11 15 198.93 -7.19 191.74
12 40 138.72 -12.04 126.67
13 55 100.67 -7.61 93.06
14 35 81.64 -3.81 77.84
15 25 64.99 -3.33 61.66
16 55 50.66 -2.87 47.79
17 55 49.96 -0.14 49.81
18 40 51.37 0.28 51.65
19 35 48.16 -0.64 47.51
20 60 43.76 -0.88 42.88
21 75 48.02 0.85 48.87
22 50 56.71 1.74 58.45
23 40 55.91 -0.16 55.75
24 65 51.03 -0.98 50.05
25 85 54.54 0.70 55.24
semanas 2 a 25 con un modelo de suavizamiento exponencial con ajuste de tendencia. Suponga un pronóstico inicial de 50 llamadas para
óstico inicial de 50 llamadas para la semana 1 y una tendencia inicial de cero. Use constantes de suavizamiento α= .3 y β = .2. ¿Es éste un m
iento α= .3 y β = .2. ¿Es éste un mejor modelo que el del problema 4.43? ¿Qué ajuste podría ser útil para mejorarlo aún más? (De nuevo su
mejorarlo aún más? (De nuevo suponga que las llamadas reales en la semana 25 fueron 85).
 En la tabla siguiente se muestran los niveles de la demanda real y pronosticada desde mayo hasta diciembre para
mes demanda real demanda pronosticada E EA IEI
1 mayo 100 100 0 0 0
2 junio 80 104 -24 -24 24
3 julio 110 99 11 -13 11
4 agosto 115 101 14 1 14
5 septiembre 105 104 1 2 1
6 octubre 110 104 6 8 6
7 noviembre 125 105 20 28 20
8 diciembre 120 109 11 39 11

Respuesta El valor de la señal de contr

de mayo hasta diciembre para las unidades de un producto fabricado por la compañía farmacéutica N. Tamimi:
IEIA DAM Señal de control
0 0 0
24 12 -2
35 11.67 -1.11
49 12.25 0.08
50 10.00 0.2
56 9.33 0.86
76 10.86 2.58
87 10.88 3.59

El valor de la señal de control en el mes de diciembre es de 3,6

Trece estudiantes entraron al programa de administración de operaciones en Hillcrest College hace 2 años. La tabla siguiente in
ESTUDIANTE Puntos SAT GPA
A 421 2.9
B 377 2.93
C 585 3 Cual sera el GPA
D 690 3.45 b 350 2.77
E 608 3.66
F 390 2.88 Estudiante de 800
G 415 2.15 c 800 4.10
H 481 2.53
I 729 3.22
J 501 1.99 a Si existe una relación ya que se hace un promedio de las notas y solo s
K 613 2.75
L 709 3.9
M 366 1.6
Promedio 40.739645 0.21869822
ace 2 años. La tabla siguiente indica los puntos que obtuvo cada estudiante en el examen de matemáticas de preparatoria SAT y los promed

promedio de las notas y solo se necesitaria el numero de notas y de esta manera se hace una realción.
de preparatoria SAT y los promedios finales (GPA) después de su participación en el programa de Hillcrest durante 2 años. a) ¿Existe alguna
durante 2 años. a) ¿Existe alguna relación significativa entre los puntos obtenidos en matemáticas en el SAT y los promedios finales? b) Si
SAT y los promedios finales? b) Si un estudiante obtuvo 350 puntos, ¿cuál será su GPA? c) ¿Qué ocurre con un estudiante que obtuvo 800?
un estudiante que obtuvo 800?
 La empresa City Cycles acaba de comenzar a vender la nueva bicicleta de montaña Z-10, con las ventas mensuale
VENTAS AMIT Barbara Error de AmitError de Barbara
1 ENERO 400
2 FEBRERO 380 400
3 MARZO 410 398.00 396.67 12.00 13.33
4 ABRIL 375 399.20 388.33 24.20 13.33
5 MAYO 405 396.78 396.67 8.22 8.33

Chart Title
420

410

400

390

380

370

360

350
1 2 3 4 5
e montaña Z-10, con las ventas mensuales que se muestran en la tabla siguiente. Primero, el copropietario Amit quiere pronosticar con sua
Error Acumulado Amit Error Acumulado Barbara DAM Amit DAM Barbara

12.00 13.33 4 4.44

36.20 26.67 9.05 6.67
44.42 35.00 8.884 7
8.88 7.00

A)
Necesitamos realizar una grafica para ver si en realidad existe una tendencia lineal pero no existe a

C)
En base a los calculos el mas presiso es la desviación absoluta media ya que nos da un error mas pres

4 5
it quiere pronosticar con suavizamiento exponencial estableciendo inicialmente el pronóstico de febrero igual a las ventas de enero con α =

dencia lineal pero no existe atraves del tiempo

que nos da un error mas presiso de las ventas.

gual a las ventas de enero con α = .1. La copropietaria Bárbara quiere usar un promedio móvil de tres periodos.
 Sundar Balakrishnan, gerente general de Precision Engineering Corporation (PEC),cree que los servicios de
tabla siguiente se presentan los datos de ventas de sus servicios y los montos totales de los contratos de c

Contratos
Trimestre VENTAS Firmados XY X^2
1 8 153 8 1
2 10 172 20 4
3 15 197 45 9
4 9 178 36 16
5 12 185 60 25
6 13 199 78 36
7 12 205 84 49
8 16 226 128 64
Suma y promedio 4.5 11.88 459 204

a 8.50
b 0.75
y 17.75
s 2.28
r 0.66
on (PEC),cree que los servicios de ingeniería de las empresas de construcción de carreteras que contratan a su compañía se relacionan dire
ntos totales de los contratos de construcción de carreteras de los últimos 8 trimestres:

A) Ecuación
y=8,50+0,75+-2,28

B) Coeficiente de Correlación y error estandar

Error estandar 2.28
Coe de C orrelación 0.66
mpañía se relacionan directamente con el volumen de negocios de construcción de carreteras que contrata a las compañías ubicadas en su
a a las compañías ubicadas en su área geográfica. Se pregunta si realmente es de esta forma,y si lo es, ¿le ayudaría esta información a plane
ayudaría esta información a planear mejor sus operaciones pronosticando la cantidad de sus servicios de ingeniería requeridos por las emp
ingeniería requeridos por las empresas de construcción en cada trimestre del año? En la
Salinas Savings and Loan está orgullosa de su larga tradición en Topeka, Kansas. Iniciada por Teresita Salina
Y X 0.6
AÑO DEPOSITOS PEB x^2 XY FT
1964 0.25 0.4 0.16 0.1
1965 0.24 0.4 0.16 0.096 0.31
1966 0.24 0.5 0.25 0.12 0.30
1967 0.26 0.7 0.49 0.182 0.34
1968 0.25 0.9 0.81 0.225 0.44
1969 0.30 1 1 0.3 0.51
1970 0.31 1.4 1.96 0.434 0.58
1971 0.32 1.7 2.89 0.544 0.75
1972 0.24 1.3 1.69 0.312 0.87
1973 0.26 1.2 1.44 0.312 0.66
1974 0.25 1.1 1.21 0.275 0.64
1975 0.33 0.9 0.81 0.297 0.59
1976 0.5 1.2 1.44 0.6 0.56
1977 0.95 1.2 1.44 1.14 0.78
1978 1.7 1.2 1.44 2.04 1.05
1979 2.3 1.6 2.56 3.68 1.50
1980 2.8 1.5 2.25 4.2 2.02
1981 2.8 1.6 2.56 4.48 2.28
1982 2.7 1.7 2.89 4.59 2.32
1983 3.9 1.9 3.61 7.41 2.30
1984 4.9 1.9 3.61 9.31 3.10
1985 5.3 2.3 5.29 12.19 3.70
1986 6.2 2.5 6.25 15.5 4.10
1987 4.1 2.8 7.84 11.48 4.72
1988 4.5 2.9 8.41 13.05 3.58
1989 6.1 3.4 11.56 20.74 3.86
1990 7.7 3.8 14.44 29.26 5.02
1991 10.1 4.1 16.81 41.41 6.14
1992 15.2 4 16 60.8 7.70
1993 18.1 4 16 72.4 10.72
1994 24.1 3.9 15.21 93.99 12.46
1995 25.6 3.8 14.44 97.28 16.02
1996 30.3 3.8 14.44 115.14 16.88
1997 36 3.7 13.69 133.2 19.70
1998 31.1 4.1 16.81 127.51 23.08
1999 31.7 4.1 16.81 129.97 20.30
2000 38.5 4 16 154 20.66
2001 47.9 4.5 20.25 215.55 24.70
2002 49.1 4.6 21.16 225.86 30.54
2003 55.8 4.5 20.25 251.1 31.30
2004 70.1 4.6 21.16 322.46 35.28
2005 70.9 4.6 21.16 326.14 43.90
 2006 79.1 4.7 22.09 371.77 44.38
2007 94 5 25 470 49.34
Suma y Promedio 17.8931818 2.61363636 395.74 3351.447
niciada por Teresita Salinas 18 años después de la Segunda Guerra Mundial, S&L ha sorteado con éxito la tendencia a los problemas financ

A)
a -17.64
b 13.59 El mejor metodo que se puede utilizar es suavizado exponencial
y 6.54
s 14.48
r 0.81

B)
No podemos excluir datos del modelo o sino seria algo incierto y ademas cambiaria todo los datos que existen.
 tendencia a los problemas financieros y de liquidez que han plagado a la industria desde 1985. Los depósitos se han incrementado de man

datos que existen.

itos se han incrementado de manera lenta pero segura, sin importar las recesiones de 1983, 1988, 1991 y 2001. La señora Salinas piensa q
2001. La señora Salinas piensa que es necesario contar con un plan estratégico de largo plazo para su empresa, incluido el pronóstico para
presa, incluido el pronóstico para los depósitos a un año y de preferencia a 5 años. Ella examina los datos de los depósitos pasados y tamb
de los depósitos pasados y también estudia el producto estatal bruto (PEB) de Kansas durante los mismos 44 años. (El PEB es análogo al pr
s 44 años. (El PEB es análogo al producto nacional bruto [PNB], pero a nivel estatal). Los datos resultantes se presentan en la tabla siguiente
se presentan en la tabla siguiente: