Chapter 4 Internet Homework Problems

4.50   Registration numbers for an accounting seminar over the past 10 weeks are shown below:
Week 1 2 3 4 5 6 7 8 9 10
Registrations 22 21 25 27 35 29 33 37 41 37

a) Starting with week 2 and ending with week 11, forecast registrations using the naive
forecasting method.
b) Starting with week 3 and ending with week 11, forecast registration using a two­week
moving average.
c) Starting with week 5 and ending with week 11, forecast registrations using a four­week
moving average.
d) Plot   the   original   data   and   the   three   forecasts   on   the   same   graph.   Which   forecast
smoothes the data the most? Which forecast responds to change the best?

4.51     Given  the following data,  use exponential  smoothing (  =  0.2) to develop  a demand  forecast.

Assume the forecast for the initial period is 5.
Period 1 2 3 4 5 6
Demand  7  9  5  9  13  8

4.52    Calculate (a) MAD and (b) MSE for the following forecast versus actual sales figures:
Forecast     100     110     120     130
Actual      95     108     123     130

4.53     Sales of industrial vacuum cleaners at Larry Armstrong Supply Co. over the past 13 months are
shown below:
Month Jan. Feb. March April May June July
Sales (in thousands) 11 14 16 10 15 17 11
Month Aug. Sept. Oct. Nov. Dec. Jan.
Sales (in thousands) 14 17 12 14 16 11

a) Using a moving average with 3 periods, determine the demand for vacuum cleaners for
next February.
b) Using a weighted moving average with 3 periods, determine the demand for vacuum
cleaners for February. Use 3, 2, and 1 for the weights of the most recent, second most
recent, and third most recent periods, respectively. For example, if you were forecasting
the demand for February, November would have a weight of 1, December would have a
weight of 2, and January would have a weight of 3.
c) Using MAD, determine which is the better forecast.
d) What other factors might Armstrong consider in forecasting sales?

1
4.54   Passenger miles flown on Northeast Airlines, a commuter firm serving the Boston hub, are shown for
the past 12 weeks:

Week 1 2 3 4 5 6

Actual Passenger Miles 17 21 19 23 18 16

(in thousands)

Week 7 8 9 10 11 12

Actual Passenger Miles 20 18 22 20 15 22

(in thousands)

a) Assuming an initial forecast for week 1 of 17,000 miles, use exponential smoothing to
compute miles for weeks 2 through 12. Use α = .2.
b) What is the MAD for this model?
c) Compute the RSFE and tracking signals. Are they within acceptable limits?

4.55     Given the following data, use least squares regression to derive a trend equation. What is your
estimate of the demand in period 7? In period 12?
Period 1 2 3 4 5 6
Demand 7 9 5 11 10 13

4.56       Joe Barrow, owner of Barrow’s Department Store, has used time­series extrapolation to forecast
retail sales for the next 4 quarters. The sales estimates are $120,000, $140,000, $160,000,
and $180,000 for the respective  quarters. Seasonal  indices for  the 4 quarters  have been
found to be 1.25, .90, .75, and 1.10, respectively. Compute a seasonalized or adjusted sales
forecast.

4.57   The director of the Riley County, Kansas, library system would like to forecast evening patron usage
for next week. Below are the data for the past 4 weeks:
Mon Tue Wed Thu Fri Sat
Week 1 210 178 250 215 160 180
Week 2 215 180 250 213 165 185
Week 3 220 176 260 220 175 190
Week 4 225 178 260 225 176 190

a)  Calculate a seasonal index for each day of the week.
b)  If the trend equation for this problem is y= 201.74 + .18x, what is the forecast for each day of week 5? 
Round your forecast to the nearest whole number.

2
4.58   A careful analysis of the cost of operating an automobile was conducted by a firm. The following
model was developed:

Y = 4,000 + 0.20X

where Y is the annual cost and X is the miles driven.
a) If the car is driven 15,000 miles this year, what is the forecasted cost of operating this
automobile?
b) If the car is driven 25,000 miles this year, what is the forecasted cost of operating this
automobile?

4.59  The following multiple­regression model was developed to predict job performance as measured by a
company   job   performance   evaluation   index   based   on   a   preemployment   test   score   and
college grade point average (GPA):

Y = 35 + 20X1 + 50X2

where Y = job performance evaluation index
X1 = preemployment test score
X2 = college GPA

a) Forecast the job performance index for an applicant who had a 3.0 GPA and scored 80
on the preemployment score.
b) Forecast the job performance index for an applicant who had a 2.5 GPA and scored 70
on the preemployment score.

4.60     A   study   to   determine   the   correlation   between   bank   deposits   and   consumer   price   indices   in
Birmingham, Alabama, revealed the following (which was based on n = 5 years of data):

x = 15
x2 = 55
xy = 70
y = 20
y2 = 130

a) What is the equation of the least square regression line?
b) Find the coefficient of correlation. What does it imply to you?
c) What is the standard error of the estimate?

3
4.61  The accountant at Rick Wing Coal Distributors, Inc., in San Francisco notes that the demand for coal
seems to be tied to an index of weather severity developed by the U.S. Weather Bureau.
When weather was extremely cold in the U.S. over the past 5 years (and the index was thus
high), coal sales were high. The accountant proposes that one good forecast of next year’s
coal demand could be made by developing a regression equation and then consulting the
Farmer’s   Almanac  to see  how  severe  next   year’s   winter  would be.  For  the  data   in  the
following table, derive a least squares regression and compute the coefficient of correlation
of the data. Also compute the standard error of the estimate.
Coal Sales, y 4 1 4 6 5

(in millions of tons)
Weather Index, x 2 1 4 5 3

4.62  Given the following data, use least squares regression to develop a relation between the number of
rainy summer days and the number of games lost by the Boca Raton Cardinal baseball team.
Year 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003
Rainy Days 15 25 10 10 30 20 20 15 10 25
Games Lost 25 20 10 15 20 15 20 10  5 20