Marv Harnishfeger, el director ejecutivo, estaba preocupado por el tamaño y la

planeación de la plantilla de personal para el resto de 1993. Él explicó el problema a

Dorothy Mercer, elegida recientemente como presidenta del comité ejecutivo. Dorothy
examinó el problema y concluyó que ACC necesitaba analizar el número de clientes
nuevos adquiridos mensualmente. Dorothy, quien trabajó para una organización de
servicio público local y estaba familiarizada con varias técnicas de exploración de datos,
estuvo de acuerdo en analizar el problema. Le pidió a Marv que le entregara los datos
mensuales del número de los nuevos clientes conocidos. Marv le proporcionó los datos
mensuales mostrados en la tabla 3-10 del número de clientes nuevos atendidos por ACC
en el periodo de enero de 1985 a marzo de 1993. Luego Dorothy analizó tales datos.

TABLA 3-10 Nùmero de clientes nuevos atendidos por CCC de enero de 1985 a marzo de 1993

Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic.
1985 182 136 99 77 75 63 87 73 83 82 74 75
1986 102 121 128 128 112 122 104 108 97 141 97 87
1987 145 103 113 150 100 131 96 92 88 118 102 98
1988 101 153 138 107 100 114 78 106 94 93 103 104
1989 150 102 151 100 100 98 97 120 98 135 141 67
1990 127 146 175 110 153 117 121 121 131 147 121 110
1991 171 185 172 168 142 152 151 141 128 151 121 126
1992 166 138 175 108 112 147 168 149 145 149 169 138
1993 152 151 199

1. Explique cómo usó Dorothy el análisis de autocorrelación para investigar el patrón de datos
del número de clientes nuevos atendido por ACC. Utilice por lo menos 2 niveles de
autocorrelación.

Tiempo Mes Yt=Clientes nuevos Yt-1 Yt-2 (Yt-Ȳ) (Y-Ȳ)2 (Yt-1-Ȳ) (Yt-1-Ȳ)(Yt-Ȳ) (Yt-2-Ȳ) (Yt-2-Ȳ)(Yt-Ȳ)
Enero 182 59.85858586 3583.0503
Febrero 136 182 13.85858586 192.060402 59.8585859 829.5553515
Marzo 99 136 182 -23.1414141 535.525048 13.8585859 -320.7072748 59.8585859 -1385.212325
Abril 77 99 136 -45.1414141 2037.74727 -23.1414141 1044.63616 13.8585859 -625.5961637
Mayo 75 77 99 -47.1414141 2222.31293 -45.1414141 2128.030099 -23.1414141 1090.918988
Junio 63 75 77 -59.1414141 3497.70687 -47.1414141 2788.009897 -45.1414141 2669.727069
1985
Julio 87 63 75 -35.1414141 1234.91899 -59.1414141 2078.312927 -47.1414141 1656.615958
Agosto 73 87 63 -49.1414141 2414.87858 -35.1414141 1726.898786 -59.1414141 2906.292725
Setiembre 83 73 87 -39.1414141 1532.0503 -49.1414141 1923.464442 -35.1414141 1375.484644
Octubre 82 83 73 -40.1414141 1611.33313 -39.1414141 1571.191715 -49.1414141 1972.605857
Noviembre 74 82 83 -48.1414141 2317.59576 -40.1414141 1932.464442 -39.1414141 1884.323028
Diciembre 75 74 82 -47.1414141 2222.31293 -48.1414141 2269.454341 -40.1414141 1892.323028

Dorothy para realizar un análisis de autocorrelación, realizó una exploración de los

datos patrones Yt= clientes nuevos por mes desde enero de 1985 hasta marzo de 1993.
Asimismo, para analizar la tendencia o estacionalidad tuvo que calcular las
correlaciones para distintos periodos de rezagos, para este caso se determinó la
correlación de primer orden y de segundo orden determinándose que hay una
autocorrelación positiva (r1=0.486 y r2=0.427), es decir, cuando el número de clientes
nuevos aumentan, los valores de t+k también aumentan. Los datos que se muestran en la
tabla son los patrones del primer año (1985), donde se muestra todo los cálculos
necesarios para determinar el coeficiente de autocorrelación del primer año, para
problema se analizó los datos desde enero de 1985 hasta marzo de 1993 determinándose
la siguiente autocorrelación:

r1= 0.486405979
r2= 0.427176223

2. ¿Qué concluyó ella después de terminar este análisis?

Dorothy concluye que la correlación para el rezago de primer orden es de nivel bajo o
débil, y para el segundo orden es aún mucho más débil. En síntesis, la correlación es
positiva, indicando que la variable aumenta pero de manera no confiable porque
presenta algunos valores atípicos.

3. ¿Qué tipo de técnica de pronóstico cree que recomendó Dorothy para este conjunto
de datos? Sólo apreciación.
A partir de los datos analizados, lo más pertinente es que haya recomendado el método
promedios móviles ponderados, porque existe una tendencia. Además, por los
numerosos datos que presenta, resulta necesario otorgar pesos para enfatizar mejor los
valores más recientes.
SEGUNDO BLOQUE
1. Desarrolle un modelo informal para pronosticar el número de clientes nuevos que
atenderá ACC por el resto de 1993.
TABLA 3-10 Nùmero de clientes nuevos atendidos por CCC de enero de 1985 a marzo de 1993
TOTAL
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic.
1985 182 136 99 77 75 63 87 73 83 82 74 75 1106
1986 102 121 128 128 112 122 104 108 97 141 97 87 1347
1987 145 103 113 150 100 131 96 92 88 118 102 98 1336
1988 101 153 138 107 100 114 78 106 94 93 103 104 1291
1989 150 102 151 100 100 98 97 120 98 135 141 67 1359
1990 127 146 175 110 153 117 121 121 131 147 121 110 1579
1991 171 185 172 168 142 152 151 141 128 151 121 126 1808
1992 166 138 175 108 112 147 168 149 145 149 169 138 1764
1993 152 151 199 118.5 111.75 118 112.75 113.75 108 127 116 100.625 1528

Los resultados mostrados son resultado de una técnica informal que consistió en la
sumatoria de los datos históricos de los diferentes meses divididos entre el número de
datos. El número de clientes nuevos en abril de 1993 es de 118.5=119 clientes nuevos,
la sumatoria de clientes nuevos para ese año es de 1528 clientes nuevos.
2. Desarrolle un modelo de promedio móvil para pronosticar el número de clientes
nuevos que atenderá ACC por el resto de 1993. (Trabajen promedios móviles a 3, 4 y 6
periodos).

TABLA 3-10 Nùmero de clientes nuevos atendidos por CCC de enero de 1985 a marzo de 1993 K=3
TOTAL
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic.
1985 182 136 99 77 75 63 87 73 83 82 74 75 1106
1986 102 121 128 128 112 122 104 108 97 141 97 87 1347
1987 145 103 113 150 100 131 96 92 88 118 102 98 1336
1988 101 153 138 107 100 114 78 106 94 93 103 104 1291
1989 150 102 151 100 100 98 97 120 98 135 141 67 1359
1990 127 146 175 110 153 117 121 121 131 147 121 110 1579
1991 171 185 172 168 142 152 151 141 128 151 121 126 1808
1992 166 138 175 108 112 147 168 149 145 149 169 138 1764
1993 152 151 199 128.67 135.67 138.67 146.67 137.00 134.67 149.00 137.00 124.67 1734

TABLA 3-10 Nùmero de clientes nuevos atendidos por CCC de enero de 1985 a marzo de 1993 K=4
TOTAL
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic.
1985 182 136 99 77 75 63 87 73 83 82 74 75 1106
1986 102 121 128 128 112 122 104 108 97 141 97 87 1347
1987 145 103 113 150 100 131 96 92 88 118 102 98 1336
1988 101 153 138 107 100 114 78 106 94 93 103 104 1291
1989 150 102 151 100 100 98 97 120 98 135 141 67 1359
1990 127 146 175 110 153 117 121 121 131 147 121 110 1579
1991 171 185 172 168 142 152 151 141 128 151 121 126 1808
1992 166 138 175 108 112 147 168 149 145 149 169 138 1764
1993 152 151 199 121.50 126.75 128.50 134.25 132.75 125.50 145.50 138.00 110.25 1665

TABLA 3-10 Nùmero de clientes nuevos atendidos por CCC de enero de 1985 a marzo de 1993 K=6
TOTAL
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic.
1985 182 136 99 77 75 63 87 73 83 82 74 75 1106
1986 102 121 128 128 112 122 104 108 97 141 97 87 1347
1987 145 103 113 150 100 131 96 92 88 118 102 98 1336
1988 101 153 138 107 100 114 78 106 94 93 103 104 1291
1989 150 102 151 100 100 98 97 120 98 135 141 67 1359
1990 127 146 175 110 153 117 121 121 131 147 121 110 1579
1991 171 185 172 168 142 152 151 141 128 151 121 126 1808
1992 166 138 175 108 112 147 168 149 145 149 169 138 1764
1993 152 151 199 123.83 117.83 126.50 118.50 121.50 114.00 132.17 126.17 107.17 1590

En las tablas se muestra el modelo pronóstico móvil con tres niveles de periodos (3, 4 y
6), a medida que se va subiendo el nivel móvil (k), el pronóstico de nuevos clientes va
disminuyendo.
3. Desarrolle un procedimiento de suavización exponencial para pronosticar el número
de clientes nuevos que atenderá ACC por el resto de 1993.

SUAVIZACION EXPONENCIAL TOTAL

α=0.05 91.27 87.97 82.24 96.66 87.58 92.20 97.84 89.09 84.32 809
α=0.1 101.63 97.95 96.83 105.19 99.18 99.99 110.02 101.20 92.04 904
α=0.2 114.25 111.29 116.26 119.56 115.82 112.24 126.54 118.81 103.93 1039
α=0.3 120.27 118.58 127.61 131.17 126.54 121.19 136.29 130.49 112.60 1125

En la tabla se muestra el método de suavización exponencial para el pronóstico de

nuevos clientes, con diferentes niveles de alfa (0.05, 0.1, 0.2 y 0.3). Cuando se aumenta
el grado de alfa, el número de clientes nuevos pronosticados aumenta.

4. Evalúe estos métodos de pronósticos usando las medidas de resumen de errores de

pronósticos revisadas en clase. Utilice bibliografía adicional para consolidad análisis.
Modelo Informal
REAL PRONOSTICO
Error absoluto Error acumulado M.A.D Señal de rastreo
1992 1993 Error (et) CFE
166 152
138 151
175 199
108 119 -11 -11 11 11 11 -1
112 112 0 -11 0 11 5 0
147 118 29 18 29 40 13 1
168 113 55 73 55 95 24 3
149 114 35 108 35 130 26 4
145 108 37 145 37 167 28 5
149 127 22 167 22 189 27 6
169 116 53 220 53 242 30 7
138 101 37 257 37 280 31 8

Modelo promedio móvil

k=3
REAL PRONOSTICO
Error absoluto Error acumulado M.A.D Señal de rastreo
1992 1993 Error (et) CFE
166 152
138 151
175 199
108 129 -21 -21 21 21 21 -1
112 136 -24 -45 24 45 23 0
147 139 8 -37 8 53 18 -2
168 147 21 -16 21 74 19 -1
149 137 12 -4 12 86 17 0
145 135 10 6 10 96 16 0
149 149 0 6 0 96 14 0
169 137 32 38 32 128 16 2
138 125 13 51 13 141 16 3
Suavización exponencial
α=0.05
REAL PRONOSTICO
Error absoluto Error acumulado M.A.D Señal de rastreo
1992 1993 Error (et) CFE
166 152
138 151
175 199
108 91 17 17 -17 -17 -17 -1
112 88 24 41 -24 -41 -21 0
147 82 65 106 65 24 8 13
168 97 71 177 71 95 24 7
149 88 61 238 61 156 31 8
145 92 53 291 53 209 35 8
149 98 51 342 51 260 37 9
169 89 80 422 80 340 43 10
138 84 54 476 54 394 44 11

5. Seleccione el mejor modelo, presente el pronóstico integral 1993 y determine la

idoneidad del modelo de pronóstico que ustedes seleccionaron.
El método de suavización exponencial es el más recomendado para este problema, ya
que la proyección de los pronósticos es más confiable, debido a que cuando aplicados
un valor alfa bajo, el valor de pronóstico es más bajo en comparación con el método
promedio móvil, asimismo, el método informal no es confiable debido a que solo se
basa en el promedio de los datos históricos. En síntesis, la suavización exponencial los
datos son menores a comparación de los demás métodos.