Sie sind auf Seite 1von 17

MERCADEO DE PRODUCTOS INDUST

PROFESOR: ING. CARLOS BARRI

GRUPO: 4II 142

INTEGRANTES:
MIRIAN L. TORRES W.
ISAAC A. RODRIGUEZ L.
O DE PRODUCTOS INDUSTRIALES

ESOR: ING. CARLOS BARRIA

GRUPO: 4II 142

INTEGRANTES:
MIRIAN L. TORRES W.
SAAC A. RODRIGUEZ L.
1. Las ventas de cobertizos de almacenamiento en Donna’s Garden Supply se muestr
para pronosticar la demanda de enero del próximo año. Calcule los errores MAD y M
el mejor pronóstico. Además, para cada promedio móvil, gr

Ventas reales de Error Real Modelo media


Periodo Desviación Absoluta
cobertizos -Pronosticado movil (2 meses)
January 10
February 12
March 13 2.00 11.00 2.00
April 16 3.50 12.50 3.50
May 19 4.50 14.50 4.50
June 23 5.50 17.50 5.50
July 26 5.00 21.00 5.00
August 30 5.50 24.50 5.50
September 28 0.00 28.00 0.00
October 18 -11.00 29.00 11.00
November 16 -7.00 23.00 7.00
December 14 -3.00 17.00 3.00
Enero(Proximo Año) 15.00
Suma 47.00
MAD 3.92
Ve n ta s R e a l e s d e C o b e r ti zo

MSE 25.08

Pronóstico 2 Meses
40
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11 12
Meses del Año

Re a l Col u mn D
Ve n ta s R e a l e s d e C o b e r ti zo

Pronóstic
40
30
20
10
0
1 2 3 4 5
Pu

Re a l
20
10
0
1 2 3 4 5
Pu

Re a l
arden Supply se muestran en la tabla siguiente. Utilice el método de media móvil de 2, 3 y 4 m
le los errores MAD y MSE, y determine cuál de las tres medias móviles (2, 3 ó 4 meses), repre
ada promedio móvil, grafique la demanda real vs el pronóstico respectivo.

(Error)^2 Prónostico 3 Meses Desviación Absoluta (Error)^2 Prónostico 4 Meses

4.00
12.25 11.67 4.33 18.78
20.25 13.67 5.33 28.44 12.75
30.25 16.00 7.00 49.00 15.00
25.00 19.33 6.67 44.44 17.75
30.25 22.67 7.33 53.78 21.00
0.00 26.33 1.67 2.78 24.50
121.00 28.00 10.00 100.00 26.75
49.00 25.33 9.33 87.11 25.50
9.00 20.67 6.67 44.44 23.00
16.00 19.00
301.00 Suma 58.33 428.78 Suma
3.92 MAD 4.86 MAD
Ve n ta s R e a l e s d e C o b e r ti zo

25.08 MSE 35.73 MSE

Pronóstico 3 Meses
40
30
20
10
0
11 12 1 2 3 4 5 6 7 8 9 10 11 12
Meses del Año

Re a l Col umn G

Pronóstico 4 Meses
40
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11 12
Punto de datos

Re a l Col u mn J
20
10
0
1 2 3 4 5 6 7 8 9 10 11 12
Punto de datos

Re a l Col u mn J
e media móvil de 2, 3 y 4 meses,
óviles (2, 3 ó 4 meses), representa
pectivo.

Desviación Absoluta (Error)^2

6.25 39.06
8.00 64.00
8.25 68.06
9.00 81.00
3.50 12.25
8.75 76.56
9.50 90.25
9.00 81.00

62.25 512.19
5.19
42.68

Meses

7 8 9 10 11 12
Año

umn G
2. Durante los últimos 8 trimestres, el puerto de Baltimore ha descargado de
suavizamiento exponencial para ver qué tan bien funciona la técnica para pr
175 ton. Se examinan los valores de α = 0.10, α= 0.50 y α= 0.80. Estime las
utilizando los errores MAD, MSE y MAPE. Además, grafique la demanda r

Toneladas
Error Real Pronostico Desviación (Error)^ Error %
Trimestre Reales de
-Pronosticado α=0.10 Absoluta α=0.10 2 Abs
carga
1 180 5.00 175 5.00 25.00 2.78
2 168 -7.50 175.50 7.50 56.25 4.46
3 159 -15.75 174.75 15.75 248.06 9.91
4 175 1.82 173.18 1.82 3.33 1.04
5 190 16.64 173.36 16.64 276.97 8.76
6 205 29.98 175.02 29.98 898.70 14.62
7 180 1.98 178.02 1.98 3.92 1.10
8 182 3.78 178.22 3.78 14.31 2.08
9 ? 178.60
Suma 82.46 1526.54 44.75
MAD 10.31
MSE 190.82
MAPE 5.59
To n e la d a s R e a le s d e C a rg a

Pronóstico α= 0.10
250
200
150
100
50
0
0 1 2 3 4 5 6 7 8 9
Trimestre
To n e l a d a s re a l e s d e ca rg a

Re a l Pronóstico

Pronóstico α= 0.
250
200
150
100
50
0
1 2 3 4 5
Tri me stRE

Re a l Pron ós
100
50
0
1 2 3 4 5
Tri me stRE

Re a l Pron ós
a descargado de los barcos grandes cantidades de grano. El administrador de operac
técnica para predecir el tonelaje descargado. Supone que el pronóstico de grano de
0.80. Estime las toneladas que se descargarán para el 9 trimestre. Escoja cual es el m
ue la demanda real vs el pronóstico para cada coeficiente de suavizamiento.

Desviación Absoluta
Pronostico α=0.50 (Error)^2 Error % Abs Pronostico α=0.80
α=0.50

175.00 5.00 25.00 2.78 175.00


177.50 9.50 90.25 5.65 179.00
172.75 13.75 189.06 8.65 170.20
165.88 9.13 83.27 5.21 161.24
170.44 19.56 382.69 10.30 172.25
180.22 24.78 614.11 12.09 186.45
192.61 12.61 159.00 7.01 201.29
186.30 4.30 18.53 2.37 184.26
184.15 182.45
Suma 98.63 1561.91 54.05 Suma
MAD 12.33 MAD
MSE 195.24 MSE
To n e l a d a s R e a l e s d e C a rg a

MAPE 6.76 MAPE

Pronóstico α= 0.80
250
200
150
100
50
0
1 2 3 4 5 6 7 8
Tri me stre

Re a l Pron óstico

Pronóstico α= 0.50

4 5 6 7 8
Tri me stRE

Re a l Pronóstico
4 5 6 7 8
Tri me stRE

Re a l Pronóstico
administrador de operaciones del puerto quiere probar el uso de
pronóstico de grano descargado durante el primer trimestre fue
stre. Escoja cual es el mejor coeficiente de suavizado exponencial,
suavizamiento.

Error %
Desviación Absoluta α=0.80 (Error)^2
Abs

5.00 25.00 2.78


11.00 121.00 6.55
11.20 125.44 7.04
13.76 189.34 7.86
17.75 315.13 9.34
18.55 344.12 9.05
21.29 453.26 11.83
2.26 5.10 1.24

100.81 1578.39 55.69


12.60
197.30
6.96

6 7 8

tico
3. La demanda de energía eléctrica en N.Y.Edison durante el periodo 1997 a 2
Pronostique la demanda para 2004 ajustando una recta de tendencia a estos da
el coeficiente de correlación y de determinación, e interprételos. Es esta línea
realizar pronósticos?.

Año Periodo(X) Demanda de Energía Eléctrica(Y) XY X^2 Y^2


1997 1 74 74 1 5476
1998 2 79 158 4 6241
1998 3 80 240 9 6400
2000 4 90 360 16 8100
2001 5 105 525 25 11025
2002 6 142 852 36 20164
2003 7 122 854 49 14884
Total 28 692 3063 140 72290
Media 4 98.86
b 10.54
a 56.71

Demanda de Energía El

Demanda de Energía El éctri ca(Y)


Demanda de energía El éctrica

Li near (Demanda de Energía El éctri ca(


150
f(x) = 10.1712962963x - 20242.2824074074
100

50

0
1996 1997 1998 1999 2000 2001 200
Años
el periodo 1997 a 2003, en megawatts, se muestra a continuación.
tendencia a estos datos. Calcule los errores MAD Y MSE. Calcule
ételos. Es esta línea de tendencia significativamente adecuada para
r pronósticos?.

Recta de Tendencia y=56.71+10.54x


Pronostico para el 2004 141
Coeficiente de correlación 0.8009
Coeficiente de Determinación 0.89

R// r^2 = 0.80 Significa que es el 80% de la


variación de y esta explicada para la
variación de x. Es evidente que cuanto
mayor sea r^2, mayor poder explicativo
tendra el modelo.

de Energía Eléctrica

anda de Energía El éctri ca(Y)


ar (Demanda de Energía El éctri ca(Y))

1712962963x - 20242.2824074074

8 1999 2000 2001 2002 2003 2004


Años
4. Nobel Construction Company remodela casas viejas en West Bloomfield (WB), Michigan. Con el tiemp
de renovación depende de la nómina del área de West-Bloomfield. En la siguiente tabla se numeran los
West Bloomfield durante los últimos seis años. La administración de Nodel desea conocer si existe una re
la nómina proyectada para West Bloomfield es de 6.0 (e

Nómina Local en WB Ventas de Nodel


Tiempo (Años) X^2 Y^2
(en ciento de millones de $) (X) (en ciento de miles de $) (Y)
1 1 2 1 4
2 3 3 9 9
3 4 2.5 16 6.25
4 2 2 4 4
5 1 2 1 4
6 7 3.5 49 12.25
Suma 18 15
80 39.5
Media 3 2.5
b 0.25
a 1.75
Michigan. Con el tiempo la compañía se ha percatado de que su volumen de dólares por trabajos
e tabla se numeran los ingresos de Nobel y el monto de dinero percibido por los trabajadores en
onocer si existe una relación entre estas variables; si es así, estimar las ventas de Nodel, cuando
loomfield es de 6.0 (en ciento de millones de $).

y=1.75+0.25 Ventas=1.75+0.25(Nomina)
XY Ecuación de Regresión
x Ventas(Millones) 3.25
2
9
10 Relación Ventas vs Nóminas Local
4 4
2 3.5
24.5 f(x) = 0.25x + 1.75
3
Ventas de Nodel

51.5 2.5
2
1.5
1
0.5
0
0 1 2 3 4 5 6 7 8
Nómina Local en WB
7 8