UNIVERSIDAD RAFAEL LANDÍVAR

FACULTAD DE INGENIERÍA
ESTADÍSTICA INFERENCIAL
EJERCICIO GRUPAL 3

1) Pasta Alfredo, un restaurante en Des Moines, basa su programación de mano de obra en la

demanda anticipada de sus clientes. La demanda muestra poca tendencia, pero tiene una
variabilidad sustancial entre los días de la semana. Por lo tanto, el restaurante desea construir
un sistema de pronóstico que le permita predecir de manera adecuada el número de clientes
para cualquier día dado en el futuro cercano. Alfredo ha recabado datos de las cuatro
últimas semanas, que se muestran a continuación. Calcule los índices estacionales (diarios)
para el restaurante:

Lun 9-sep 84 Lun 16-sep 82 Lun 23-sep 93 Lun 30-sep 80

Mar 10-sep 82 Mar 17-sep 71 Mar 24-sep 77 Mar 1-oct 67
Miér 11-sep 78 Miér 18-sep 89 Miér 25-sep 83 Miér 2-oct 98
Jue 12-sep 95 Jue 19-sep 94 Jue 26-sep 103 Jue 3-oct 96
Vie 13-sep 130 Vie 20-sep 144 Vie 27-sep 135 Vie 4-oct 125
Sáb 14-sep 144 Sáb 21-sep 135 Sáb 28-sep 140 Sáb 5-oct 136
Dom 15-sep 42 Dom 22-sep 48 Dom 29-sep 37 Dom 6-oct 40

DEMANDA
DEMANDA ÍNDICE
Día SEMANA 1 SEMANA 2 SEMANA 3 SEMANA 4 PROMEDIO
PROMEDIO ESTACIONAL
SEMANAL
Lun 84 82 93 80 84.75 93.86 0.903
Mar 82 71 77 67 74.25 93.86 0.791
Miér 78 89 83 98 87 93.86 0.927
Jue 95 94 103 96 97 93.86 1.033
Vie 130 144 135 125 133.5 93.86 1.422
Sáb 144 135 140 136 138.75 93.86 1.478
Dom 42 48 37 40 41.75 93.86 0.445
Suma demanda promedio 657

Demanda promedio semanal = suma demanda promedio/número de dias

= 657/7 = 93.86

Indice estacional = demanda promedio / Demanda promedio mensual

2) Central States Electric Company estima que la recta de tendencia de su demanda (en
millones de kilowatt/hora) es:
D = 77 + 0.43Q
donde Q se refiere al número secuencial de trimestres y Q = 1 para el invierno de 1980.
Además, los factores multiplicadores estacionales son:
UNIVERSIDAD RAFAEL LANDÍVAR
FACULTAD DE INGENIERÍA
ESTADÍSTICA INFERENCIAL

TRIMESTRE FACTOR (ÍNDICE)

Invierno 0.8
Primavera 1.1
Verano 1.4
Otoño 0.7

Pronostique el uso de energía para los cuatro trimestres de 2005, comenzando en invierno.

Del año 1980 al año 2005 hay 100 trimestres

2005-1980 = 25 años
25 x 4 = 100

PRONOSTICO
Q TRIMESTRE FACTOR (ÍNDICE) PRONOSTICO
AJUSTADO
97 Invierno 0.8 118.7 95.0
98 Primavera 1.1 119.1 131.1
99 Verano 1.4 119.6 167.4
100 Otoño 0.7 120.0 84.0

D = 77 + 0,43 (97) = 118.7 D = 118.7 x 0.8 = 95.0

D = 77 + 0,43 (98) = 119.1 D = 119.1 x 1.1 = 131.1
D = 77 + 0,43 (99) = 119.6 D = 119.6 x 1.4 = 167.4
D = 77 + 0,43 (100) = 120.0 D = 120.0 x 0.7 = 84.0

3) Brian Buckley ha desarrollado el siguiente modelo de pronósticos:

ŷ = 36 + 4.3x
donde ŷ = demanda de aires acondicionados Aztec y
x = la temperatura exterior (°F)

a) Pronostique la demanda de Aztec cuando la temperatura es 70ºF.

b) ¿Cuál es la demanda cuando la temperatura es 80ºF?
c) ¿Cuál es la demanda cuando la temperatura es 90ºF?

TEMPERATURA DEMANDA
X Ŷ
70 337
80 380
90 423
UNIVERSIDAD RAFAEL LANDÍVAR
FACULTAD DE INGENIERÍA
ESTADÍSTICA INFERENCIAL

4) Las ventas de las cortadoras de césped Gemini durante los últimos tres años se presentan por
estación como sigue:
AÑO ESTACIÓN VENTAS
1 Primavera/Verano 26,825
Otoño/Invierno 5,722
2 Primavera/Verano 28,630
Otoño/Invierno 7,633
3 Primavera/Verano 30,255
Otoño/Invierno 8,745

a) Use regresión lineal para encontrar la recta que se ajuste mejor.

Período (x) Ventas (y) x2 xy n=6

1 26825 1 26825 ẋ = ∑x / n =21/6 =3.5
2 5722 4 11444 ẏ = ∑y / n =107810/6 =17968.33
3 28630 9 85890 b = (358436 -377335) / (91-73.5) =
4 7633 16 30532 -18899/17.5 =-1079.94
5 30255 25 151275 a= 17968.33 --3779.80 =21748.13
6 8745 36 52470 ŷ =21,748.13 -1,079.94 x
2
∑x 21 ∑y 107810 ∑x 91 ∑xy 358436

b) ¿Cuál es el error con esta recta? R/ Este modelo, de acuerdo con la gráfica refleja
solamente datos de tendencia en la demanda de cortadoras de césped, ignora la
estacionalidad.
UNIVERSIDAD RAFAEL LANDÍVAR
FACULTAD DE INGENIERÍA
ESTADÍSTICA INFERENCIAL

c) ¿Cómo deben realizarse los pronósticos para el año 4? R/ Se debe calcular un índice
estacional para multiplicar los datos del pronóstico ajustados a la tendencia por el
índice.

DEMANDA
DEMANDA ÍNDICE
ESTACIÓN VENTAS AÑO 1 VENTAS AÑO 2 VENTAS AÑO 3 PROMEDIO
PROMEDIO ESTACIONAL
ESTACION
Primavera/Verano 26,825 28,630 30,255 28,570 17,969 1.590
Otoño/Invierno 5,722 7,633 8,745 7,367 17968.5 0.410
Suma demanda promedio: 35,937

Demanda promedio estación = suma demanda promedio/número de estaciones = 35,937/2 = 17968.50

Índice estacional = demanda promedio / Demanda promedio estación

PRONOSTICO CON
DATOS PRONOSTICO CON
ESTACIÓN TENDENCIA Y
HISTORICOS TENDENCIA
ESTACIONALIDAD
1 Primavera/Verano 26,825 20,668 32,863
2 Otoño/Invierno 5,722 19,588 8,031
3 Primavera/Verano 28,630 18,508 29,428
4 Otoño/Invierno 7,633 17,428 7,145
5 Primavera/Verano 30,255 16,348 25,994
6 Otoño/Invierno 8,745 15,268 6,260
7 Primavera/Verano 14,189 22,560
8 Otoño/Invierno 13,109 5,374
UNIVERSIDAD RAFAEL LANDÍVAR
FACULTAD DE INGENIERÍA
ESTADÍSTICA INFERENCIAL

5) Los siguientes datos relacionan las cifras de ventas en el pequeño bar de la casa de
huéspedes Marty and Polly Starr, en Marathon, Florida, con el número de huéspedes
registrados esa semana:

Semana Huéspedes Ventas del Bar

1 16 $ 330
2 12 $ 270
3 18 $ 380
4 14 $ 300

a) Realice una regresión lineal que relacione las ventas en el bar con los huéspedes (no
con el tiempo).

Huéspedes Ventas del bar n= 4

Semana x2 xy
(x) (y) ẋ = ∑x / n =60/4 =15
1 16 330 256 5280 ẏ = ∑y / n = 1280/4 =320
2 12 270 144 3240 b = (19560 -9200)/ (920– 900)
3 18 380 324 6840 = (360/2) = 18
4 14 300 196 4200 a= 320.00 -270.00 =50
∑x 60 ∑y 1280 ∑x 2 920 ∑xy 19560 ŷ =50 +18 x

b) Si el pronóstico es 20 huéspedes la semana siguiente, ¿de cuánto se espera que sean

las ventas?
ŷ =50 +18 (20) = $410

c) Calcule el error medio cuadrático (MSE) cuando use la regresión lineal.

MSE = ∑ Errores de pronóstico2 / n = 120/4 = 30

d) Calcule el error porcentual absoluto medio (MAPE).

MAPE = (100 Σ |real-pronóstico|/real) / n = 6.2%/4 = 1.5%

Ventas del Error porcentual

Semana Huéspedes Pronóstico (Error)2
Bar absoluto
1 16 $ 330 $ 338 64 2.4%
2 12 $ 270 $ 266 16 1.5%
3 18 $ 380 $ 374 36 1.6%
4 14 $ 300 $ 302 4 0.7%
MSE 30 MAPE 1.5%
UNIVERSIDAD RAFAEL LANDÍVAR
FACULTAD DE INGENIERÍA
ESTADÍSTICA INFERENCIAL

6) El número de accidentes automovilísticos en cierta región está relacionado con el número de

automóviles registrados en miles (X1), la venta de bebidas alcohólicas en unidades de $10,000
(X2) y la cantidad de lluvia en pulgadas (X3).
Además, la fórmula de regresión se ha calculado como:

Y = a + b1X1 + b2X2 + b3X3

donde Y = número de accidentes automovilísticos,

a = 7.5, b1 = 3.5, b2 = 4.5, b3 = 2.5

Calcule el número esperado de accidentes en las condiciones a, b, y c:

X1 X2 X3
(a) 2 3 0
(b) 3 5 1
(c) 4 7 2

Valuando Y = 7.5 * 3.3X1 +4.5X2 + 2.5X3 en los valores de cada condición mostrada:

# esperado de
condición X1 X2 X3
accidentes
(a) 2 3 0 28
(b) 3 5 1 43
(c) 4 7 2 58