El fondo de inversin Plus Victory de crecimiento de acciones ha seguido los siguientes promedios mensuales de precios para los ltimos

7 meses. Mes 1 2 3 4 5 6 7 Precio de los Fondos ( en Miles de $) 623 639 650 664 672 668 682

a) Graficar y determinar el comportamiento de la serie de tiempo.

690 680 670 660 650 640 630 620 610 0 1 2 3 4 5 6

El comportamiento de la serie es creciente y lineal, ya que a medida que pasan los meses, el precio de los fondos aumenta

b) Obtener el pronstico de demanda del mes 8 calculando un pronstico de medias mviles de 3 meses. Mes 1 2 3 4 5 6 7 8 El pronostico del mes 8 es 674 (en Miles de $). Precio de los Fondos ( en Miles de $) 623 639 650 664 672 668 682

c) Obtener el pronstico de demanda del mes 8 calculando un pronstico de medias moviles de 5 meses. Mes 1 2 3 4 5 6 7 8 El pronostico del mes 8 es 667.2 (en Miles de $). Precio de los Fondos ( en Miles de $) 623 639 650 664 672 668 682

d) Obtener el pronstico de demanda del mes 8 calculando con el mtodo de alisado exponencial simple con = 0,30 At Precio de los Fondos ( en Miles de $) 623 639 650 664 672 668 682

Mes 1 2 3 4 5 6 7 El pronostico del mes 8 es 665.62 (en Miles de $).

e) Obtener el pronstico de demanda del mes 8 calculando con el mtodo de alisado exponencial ajustado con = 0,30 y B At Precio de los Fondos ( en Miles de $) 623 639 650 664 672 668 682

Mes 1 2 3 4 5 6 7 El pronostico del mes 8 es 668.128 (en Miles de $).

f) Comparar los pronsticos anteriores usando alguna medida de error (Error Acumulativo, MAD y/o MAPD). Cul es el pr

Mes 1 2 3 4 5 6 7

At Precio de los Fondos ( en Miles de $) 623 639 650 664 672 668 682

El pronostico que parece ser mas preciso es el Promedio Movil simple para este caso.

y = 9.1786x + 620.14 R = 0.9255

Series1 Linear (Series1)

s, el precio de los fondos aumenta

viles de 3 meses. Promedio Movil Simple

637.3333333 651 662 668 674

oviles de 5 meses. Promedio Movil Simple

649.6 658.6 667.2

xponencial simple con = 0,30 Ft Promedio Movil Simple

Alisado Exponecial

665.62

649.6 658.6

xponencial ajustado con = 0,30 y Beta= 0,20. Ft Promedio Movil Simple

Tt FIT=Ft+Tt Ft Tt

649.6 658.6

0 1.104

FIT 655.12

ivo, MAD y/o MAPD). Cul es el pronstico que parece ser ms preciso?

Promedio Movil Simple 3 meses

Error

Promedio Movil Simple 5 meses

Error

637.3333333 651 662 668

6 14 10

649.6 658.6

18.4 23.4 20.9

665.62 2.508 668.128

Alisado Exponencial Simple

Error

Alisado Exponencial Ajustado

Tt

Error

657.3 663.8

10.7 18.2 14.45

658.56 665.42

0 1.26 1.62

9.44 16.58 13.01

La concesionaria de motos Saki desea obtener el pronstico de demanda de motos para el prximo mes. Esto se debe a que el proveedor es japons y por los tiempos de provisin que maneja el proveedor es difcil enviar de vuelta o pedir nuevamente motos si el nmero de ventas durante el mes es menor o mayor a lo esperado. La concesionaria tiene almacenada en su base de datos informacin de sus ltimos 12 meses: Ao Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre Venta de Motos (en unidades) 110 114 123 131 140 146 157 164 169 180 184 191

a) Graficar y determinar el comportamiento de la serie de tiempo.

250 200 150 Series1 100 50 0 0 2 4 6 8 10 12 14 Linear (Series1) y = 7.6678x + 100.91 R = 0.9964

El comportamiento de la serie es creciente y lineal, ya que a medida que pasan los meses, la venta de motos aumenta

b) Calcular el pronstico del mes de Enero del siguiente ao con el mtodo de alisado exponencial simple con = 0,40. At Venta de Motos (en unidades) Ft Promedio Movil Simple

Mes

Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre

110 114 123 131 140 146 157 164 169 180 184 191

123.6 130.8 139.4 147.6 155.2 163.2 170.8

El pronostico del mes de enero del siguiente ao con el metodo alisado exponencial simple es de 179 ventas de motos.

c) Calcular el pronstico del mes de Enero del siguiente ao con el mtodo de alisado exponencial ajustado con = 0,40 y B At Ft Venta de Motos (en unidades) Promedio Movil Simple 110 114 123 131 140 146 123.6 157 130.8 164 139.4 169 147.6 180 155.2 184 163.2 191 170.8

Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre

El pronostico del mes de enero del siguiente ao con el metodo alisado exponencial ajustado es de 184 ventas de motos.

d) Compare los mtodos aplicados anteriormente usando el MAD y el MAPD. Cul de los mtodos de pronsticos utilizado mtodo con menos exactitud no es adecuado para pronosticar el comportamiento de la demanda de motos? At Venta de Motos (en unidades) 110 114 123 131 140 146 Ft Promedio Movil Simple

Ao

Mes Enero Febrero Marzo Abril Mayo Junio

123.6

Julio Agosto Septiembre Octubre Noviembre Diciembre

157 164 169 180 184 191

130.8 139.4 147.6 155.2 163.2 170.8

El metodo de pronostico que tiene mas exactitud para este caso es el Alisado Exponencial Ajustado El metodo con menos exactitud no es adecuado para pronosticar porque tiene un margen de error muy alto

y = 7.6678x + 100.91 R = 0.9964

Linear (Series1)

enta de motos aumenta

encial simple con = 0,40.

Alisado Exponecial

178.88

de 179 ventas de motos.

encial ajustado con = 0,40 y Beta= 0,30.

Tt FIT=Ft+Tt Ft Tt 0 2.688 5.832 8.784 11.352 14.328 16.824 132.56 141.28 149.24 156.16 165.12 171.52 FIT 178.88 19.248 198.128

es de 184 ventas de motos.

todos de pronsticos utilizados tiene ms exactitud? Por qu el manda de motos? Alisado Exponencial Simple Error Alisado Exponencial Ajustado Tt Error

132.56 141.28 149.24 156.16 165.12 171.52

24.44 22.72 19.76 23.84 18.88 19.48 21.52

135.248 147.112 158.024 167.512 179.448 188.344

2.688 5.832 8.784 11.352 14.328 16.824

21.752 16.888 10.976 12.488 4.552 2.656 11.552

error muy alto

Usando la serie de datos del ejercicio 2: a) Use un modelo de tendencia lineal para calcular el pronstico del mes de Enero del siguiente ao. X Ao Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre 1 2 3 4 5 6 7 8 9 10 11 12 Y Venta de Motos (en unidades) 110 114 123 131 140 146 157 164 169 180 184 191

XY 110 228 369 524 700 876 1099 1312 1521 1800 2024 2292 12855

Usando el metodo de regresion lineal, el pronostico del mes de enero del siguiente ao es 201

b) Este modelo, se ajusta mejor que los anteriores aplicados en el ejercicio 2? Ao Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre 1 2 3 4 5 6 7 8 9 10 11 12 Venta de Motos (en unidades) 110 114 123 131 140 146 157 164 169 180 184 191 Y = a + b(x) 108.576923 116.244755 123.912587 131.58042 139.248252 146.916084 154.583916 162.251748 169.91958 177.587413 185.255245 192.923077

Si se ajusta mejor que los anteriores aplicados porque tiene un menor margen de error el cual es 1.46.

c) Si en base a los datos histricos reunidos, se deseara pronosticar los prximos 5 meses Es conveniente utilizar el model

Es conveniente debido a que este metodo te permite pronosticar no solo del siguiente periodo como los anteriores, sino que

Lo utilizaria para pronosticar periodos que no sean el siguiente periodo, es decir periodos a largo plazo.

X^2 1 4 9 16 25 36 49 64 81 100 121 144 650

Prom. X Prom. Y Prom. X^2

6.5 150.75 42.25

b a

7.66783217 100.909091

Y = a + b(x)

200.590909

Error 1.423076923 2.244755245 0.912587413 0.58041958 0.751748252 0.916083916 2.416083916 1.748251748 0.91958042 2.412587413 1.255244755 1.923076923 1.458624709

conveniente utilizar el modelo de tendencia lineal? En qu caso lo utilizara?

como los anteriores, sino que te permite pronosticar a largo plazo

Una empresa local dedicada a la distribucin de bolsas de cemento requiere obtener el pronstico de demanda de las bolsas de cemento para el primer mes del prximo ao basados en los datos histricos de esta demanda, los cuales se muestran en la siguiente tabla: Mes Demanda (en unidades) Enero 630 Febrero 680 Marzo 670 Abril 690 Mayo 730 Juno 710 Julio 740 Agosto 710 Septiembre 760 Octubre 740 Noviembre 770 Diciembre 790

a) Determinar el comportamiento de la demanda de bolsas de cementos.

900 800 700 600 500 400 300 200 100 0 0 2 4 6 8 10 12 14 Series1 Linear (Series1) y = 11.818x + 641.52 R = 0.8621

Aunque la demanda a tenido subidas y bajadas en ciertos periodos, mantiene un comportamiento creciente.

b) Seleccionar al menos dos mtodos de pronsticos que considere adecuados para dar respuesta al problema de la empre X Mes Enero Febrero Y Demanda (en unidades) 1 630 2 680

XY 630 1360

Marzo Abril Mayo Juno Julio Agosto Septiembre Octubre Noviembre Diciembre Enero

3 4 5 6 7 8 9 10 11 12 13

670 690 730 710 740 710 760 740 770 790

2010 2760 3650 4260 5180 5680 6840 7400 8470 9480 57720

c) Determinar y justificar cul de los mtodos de pronsticos utilizados se ajusta mejor a la demanda. Mes Demanda (en unidades) Enero 630 Febrero 680 Marzo 670 Abril 690 Mayo 730 Juno 710 Julio 740 Agosto 710 Septiembre 760 Octubre 740 Noviembre 770 Diciembre 790 Promedio Movil Simple Error

680 696 708 716 730 732 744

30 44 2 44 10 38 46 30.5714286

El metodo que se ajusta mejor a la demanda es la regresion lineal porque tiene el menor margen de error que el Promedio m

d) Realizar un monitoreo del pronstico realizados con los mtodos utilizados anteriormente. Utilice lmites de control de + dentro de los lmites de control? Los dos metodos usados no estan dentro de los limites de control +/-3 MADs

y = 11.818x + 641.52 R = 0.8621

Series1 Linear (Series1)

ortamiento creciente.

ar respuesta al problema de la empresa.

X^2 1 4

Promedio Movil Simple

Y = a + b(x)

9 16 25 36 49 64 81 100 121 144 650

Prom. X Prom. Y Prom. X^2 680 696 708 716 730 732 744 754 712.424242 724.242424 736.060606 747.878788 759.69697 771.515152 783.333333 795.151515

b a

r a la demanda. Y = a + b(x) Error

712.424242 724.242424 736.060606 747.878788 759.69697 771.515152 783.333333

2.424242424 15.75757576 26.06060606 12.12121212 19.6969697 1.515151515 6.666666667 12.03463203

or margen de error que el Promedio movil simple.

rmente. Utilice lmites de control de +/-3 MADs. Estos pronsticos estn

6.5 718.333333 42.25

11.8181818 641.515152

La compaa Fastgro Fertilizer distribuye fertilizantes a varios negocios de jardinera y de cultivos. La compaa debe basar su scheduling de produccin trimestral sobre un pronstico de la cantidad de toneladas de fertilizantes que sern demandadas. La compaa ha reunido los siguientes datos de los tres aos pasados desde los registros de ventas. Ao 2008 Trimestre 1 2 3 4 5 6 7 8 9 10 11 12 Demanda para el fertilizante (en toneladas) 105 150 93 121 140 170 105 150 150 170 110 130

2009

2010

a) Graficar la serie de tiempo de la demanda de fertilizantes y determinar su comportamiento.

180 160 140 120 100 80 60 40 20 0 0 5 10 15 Series1 Linear (Series1) y = 1.972x + 120.02 R = 0.0741

El comportamiento de la serie de la demanda de fertilizantes no es lineal, sino es estacional ya que cada cierto tiempo tiene s

b) Obtener el pronstico anual para el ao 2011 y los pronsticos de cada trimestre del ao 2011. Trimestre 1 2 2010 150 170

3 4

110 130 1594 X Trimestre 1 2 3 4 5 6 7 8 9 10 11 12

Ao 2008

2009

2010

Ao 2011

Trimestre 13 14 15 16

Ao 2008

2009

2010

2011

Trimestre 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

mportamiento.

= 1.972x + 120.02 R = 0.0741

Linear (Series1)

estacional ya que cada cierto tiempo tiene subidas y bajadas

stre del ao 2011. 2009 140 170 2008 105 150

105 150 1594

93 121

Demanda para el fertilizante (en toneladas) 105 150 93 121 140 170 105 150 150 170 110 130

Y Demanda sin Estacionalidad 1271.164557 1463.877551 1443.915584 1442.947631 1694.886076 1659.061224 1630.227273 1788.778055 1815.949367 1659.061224 1707.857143 1550.274314

Y = a + b(x) 1796.043041 1827.126586 1858.21013 1889.293675

Ft 148.3557092 187.221252 119.6839649 158.4288506

Demanda para el fertilizante (en toneladas) 105 150 93 121 140 170 105 150 150 170 110 130 148.3557092 187.221252 119.6839649 158.4288506

200 180 160 140 120 100 80 60 40 20 0 0 2 4

Promedio Indice Estacionalidad 131.6666667 0.082601422 163.3333333 0.102467587

102.6666667 133.6666667

0.064408197 0.083856127

XY 1271.164557 2927.755102 4331.746753 5771.790524 8474.43038 9954.367347 11411.59091 14310.22444 16343.5443 16590.61224 18786.42857 18603.29177 128776.9469

X^2 1 4 9 16 25 36 49 64 81 100 121 144 650

Prom. X Prom. Y Prom. X^2

6.5 1594 42.25

b a

31.0835448 1391.95696

Series1

10

12

14

16

18

Una empresa de distribucin de gaseosas al por mayor, ha recolectado datos histricos mensuales de la demanda de gaseosa una proyeccin de la demanda de gaseosas para el mes de enero del ao 2011. Obtenga el pronstico requerido por la empresa eligiendo un modelo que crea ms conveniente. Justificar la eleccin del mo Ao Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre Enero 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Ventas 150 120 100 90 89 75 78 63 51 53 45 42 39 35 37 36 46 40 43 41 43 36 38 43 Promedio Movil simple

2009

2010

2011

135 110 95 89.5 82 76.5 70.5 57 52 49 43.5 40.5 37 36 36.5 41 43 41.5 42 42 39.5 37 40.5

Ao

2009

Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre Enero Febrero

1 2 3 4 5 6 7 8 9 10 11 12 13 14

Ventas 150 120 100 90 89 75 78 63 51 53 45 42 39 35

Ft (Regresion Polinomica) 131.2163 119.6252 108.7667 98.6408 89.2475 80.5868 72.6587 65.4632 59.0003 53.27 48.2723 44.0072 40.4747 37.6748

2010

2011

Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre Enero

15 16 17 18 19 20 21 22 23 24 25

37 36 46 40 43 41 43 36 38 43

35.6075 34.2728 33.6707 33.8012 34.6643 36.26 38.5883 41.6492 45.4427 49.9688 55.2275

No se puede usar la regresion lineal porque los puntos de la serie estan muy dispersos por lo cual el error seria muy alto Sin embargo podemos usar el promedio Movil simple o la regresion polinominal que tienen un margen de error bajo a diferen Verificanso los errores, podeos decir que la regresion polinomica es la mas adecuada para este caso debido a que tiene un me

nsuales de la demanda de gaseosas durante los ltimos dos aos. La empresa necesita

ente. Justificar la eleccin del modelo. Error

35 20 6 14.5 4 13.5 19.5 4 7 7 4.5 5.5 0 0 9.5 1 0 0.5 1 6 1.5 6 7.54545455

160 140 120 100 80 60 40 20 0 0 5 10 15 20 25 30 2 per. Mov. Avg. (Series1) Series1

Error 18.7837 0.3748 8.7667 8.6408 0.2475 5.5868 5.3413 2.4632 8.0003 0.27 3.2723 2.0072 1.4747 2.6748

160 140 120 100 80 60 40 y = 0.3663x2 R = 0.9484

1.3925 1.7272 12.3293 6.1988 8.3357 4.74 4.4117 5.6492 7.4427 6.9688 5.29583333

40 20 0 0 5 10 15 20 25 30

o cual el error seria muy alto un margen de error bajo a diferencia de los demas ste caso debido a que tiene un menor margen de error.

Series1 2 per. Mov. Avg. (Series1)

y = 0.3663x2 - 12.69x + 143.54 R = 0.9484

Series1 Poly. (Series1)

La empresa de minera Cat Creek extrae y vende carbn. Esta empresa ha experimentado la siguiente demanda de carbn durante los ocho meses anteriores y desea desarrollar un modelo de pronstico para pronosticar la demanda de carbn para el mes de Setiembre. Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Venta de Carbon (en toneladas) 426 451 405 372 390 347 289 310

Desarrolle un estudio de pronstico eligiendo un modelo para predecir la demanda del mes de septiembre. Justificar la eleccin del modelo usando una medida (o medidas) del error del pronstico. Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Venta de Carbon (en toneladas) 426 451 405 372 390 347 289 310 Promedio Movil Simple

438.5 428 388.5 381 368.5 318 299.5

X Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto 1 2 3 4 5 6 7 8

Y Venta de Carbon (en toneladas) 426 451 405 372 390 347 289 310

X Mes Enero 1

Y Venta de Carbon (en toneladas) 426

Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre

2 3 4 5 6 7 8 9

451 405 372 390 347 289 310

Para poder pronosticar la demanda del mes de septiembre, se ha elegido la regresion lineal ya que su margen de error es me

Error

33.5 56 1.5 34 79.5 8 35.4166667

XY 426 902 1215 1488 1950 2082 2023 2480 12566

X^2 1 4 9 16 25 36 49 64 204

Prom. X Prom. Y Prom. X^2

4.5 373.75 20.25

b a

-21.1666667 469

Y = a + b(x) 447.833333

Error 21.8333333

426.666667 405.5 384.333333 363.166667 342 320.833333 299.666667 278.5

24.3333333 0.5 12.3333333 26.8333333 5 31.8333333 10.3333333 16.625

l ya que su margen de error es menor que el Promedio Movil simple

La empresa ACME Tools, dedicada a la comercializacin de herramientas pequeas, est interesada en pronosticar sus ventas anuales (en $) en funcin de los gastos anuales de publicidad. La empresa sospecha que las ventas aumentarn a medida que aumente la cantidad invertida en publicidad. Los datos de ventas y de publicidad de los ltimos aos se indican en la siguiente tabla: X Y Ventas (en miles de $) Inversion en publicidad (en miles de $) 110 170 260 240 230 290 320 330 320 340 2610 261 Media Aritmetica X 85.8 Media Aritmetica Y 1972.2 Varianza xy 71.62 Desviacin Tipica de X 30.4 Desviacin Tipica de Y 0.91 Coeficiente de Correlacin

Ao 1 2 3 4 5 6 7 8 9 10

39 49 55 68 85 91 105 116 120 130 858

M.A. X M.A. Y V.xy D.T x D.T y r

a) Determinar e interpretar la fuerza de la relacin lineal entre las ventas anuales y los gastos en publicidad. R: El Coeficiente de Correlacin esta muy proximo al 1 por lo tanto la correlacin es muy fuerte ( b) Determinar el coeficiente de determinacin para los datos de este problema y explicar su significado. R: r:0.91 lo cual indica que al ser positivo la correlacin es directa y al estar proximo al 1 es muy c) Desarrollar un modelo de regresin lineal para estos datos y pronosticar las ventas anuales del siguiente ao si la inversin en publicidad se incrementa a $ 150.000 por ao y si sta disminuye a $ 115.000 por ao. d) Desarrollar un modelo de tendencia lineal para obtener las ventas anuales del siguiente ao. e) Compare el modelo de regresin lineal desarrollado en a) con el modelo de tendencia lineal obtenido en d). Determine cul de estos modelos es ms preciso. f) Calcular el coeficiente de correlacin para el pronstico del modelo lineal de tendencia y explicar su significado.

XY 4290 8330 14300 16320 19550 26390 33600 38280 38400 44200 243660

X^2 12100 28900 67600 57600 52900 84100 102400 108900 102400 115600 732500

Y^2 1521 2401 3025 4624 7225 8281 11025 13456 14400 16900 82858

140 120 100 80 60 40 20 0 0 50 100 150 200 250

o tanto la correlacin es muy fuerte (r=0.91).

irecta y al estar proximo al 1 es muy fuerte.

y = 0.3845x - 14.56 R = 0.8206

Series1 Linear (Series1)

250

300

350

400

X MES 1 2 3 4 5 6 7 8 9 10

VENTAS DE COMPUTADORAS (en unidades) 1045 1308 1084 1364 1017 1308 1123 1310 1277 1360

a)Obtener el pronstico de demanda de impresoras para el mes 11. para ello utilizamos el Pronostico de medias mviles de 8 MES 1 2 3 4 5 6 7 8 9 10 11 VENTAS DE COMPUTADORAS (en unidades) 1045 1308 1084 1364 1017 1308 1123 1310 1277 1360

b) Es conveniente explicar el comportamiento de las ventas de impresoras en base a las ventas de computadoras. Justificar la respuesta. No, porque no necesariamente se vender una impresora al vender una computadora, Estos articulos son muy diferentes por lo que la cantidad de ventas por cada uno de ellos varia en el tiempo

c) Desarrollar un modelo de tendencia lineal para pronosticar la demanda de impresoras para el mes 11. entonces el pronostico para el mes 11 es 591

d) Comparar los modelos de pronstico desarrollados en (a) y en (c) e indicar cual parece ser mejor modelo para el problema. El modelo desarrollado en la parce C es la mejor, puesto que da un resultado ms cercano y real

Y VENTAS DE IMPRESORAS (en unidades) 433 510 481 478 555 506 612 560 590 512

VENTAS DE IMPRESORAS (en unidades) 433 510 481 478 555 506 612 560 590 512

mpresoras en base a

der una computadora, as por cada uno de ellos varia en el tiempo

icar la demanda de

n (c) e indicar cual

n resultado ms cercano y real

XY 433 1020 1443 1912 2775 3036 4284 4480 5310 5120 29813

X^2 1 4 9 16 25 36 49 64 81 100 385

promedio X promedio Y PromedioX^2

b=sumatoria de XY-n(ypromedio)(Xprom a=(Ypromedio)-b(Xpromedio)

Y=a+b(X)

Promedio Movil Simple

516.875 536.5 536.75

XY-n(ypromedio)(Xpromedio) (Xpromedio)