,Los modelos cuantitativos de pronósticos son modelos matemáticos que se basan en
datos históricos. Estos modelos suponen que los datos históricos son relevantes en el
futuro. Casi siempre puede obtenerse información pertinente al respecto.(MANUAL DE ESTADISTICA PARA NEGOCIOS, ING AUREA GUADALUPE GOMEZ VEGA)
se clasifican
en
Análisis de series de tiempo
Annotations:
Análisis de series de tiempo: método estadístico que depende en alto grado de
datos históricos de la demanda, con los que se proyectan la demanda futura y reconoce
las tendencias y patrones estaciónales.
Promedios Móviles
Annotations:
se utiliza cuando se quiere dar más importancia a conjuntos de datos más recientes para obtener la previsión. Cada punto de una media móvil de una serie temporal es la media aritmética de un número de puntos consecutivos de la serie, donde el número de puntos es elegido de tal manera que los efectos estacionales y / o irregulares sean eliminados.
fórmula
suavizamiento
exponencial
Annotations:
El pronóstico de suavización exponencial es óptimo para patrones de demanda aleatorios o nivelados donde se pretende eliminar el impacto de los elementos irregulares históricos mediante un enfoque en períodos de demanda reciente, este posee una ventaja sobre el modelo de promedio móvil ponderado ya que no requiere de una gran cantidad de períodos y de ponderaciones para lograr óptimos resultados.
Se calcula el promedio de una serie de tiempo con un mecanismo de autocorrección que busca ajustar los pronósticos en dirección opuesta a las desviaciones del pasado mediante una corrección que se ve afectada por un coeficiente de suavización.
Así entonces, este modelo de pronóstico precisa tan sólo de tres tipos de datos: el pronóstico del último período, la demanda del último período y el coeficiente de suavización.
fórmula
Métodos causales
Annotations:
Métodos causales: utilizan datos históricos de variables independientes como campañas
de promoción, condiciones económicas y
actividades de los competidores.
Regresión Lineal
Annotations:
La regresión se define como la relación funcional
de dos o más variables correlacionadas (demanda
vs tiempo). La regresión lineal se refiere a un tipo
especial de regresión donde las relaciones entre las
variables forman una línea recta.
Nos centraremos en primer lugar, en el caso de que la función que relaciona las dos
variables X e Y sea la más simple posible, es decir, una línea recta.
Por ello pasaremos a interpretar los coeficientes que determinan una línea recta.
Toda función de la forma Y=a+bX determina, al representarla en el plano una línea recta,
donde X e Y son variables y a y b son constantes. Por ejemplo: Y=3+2X.
SIGNIFICADO DE a y b
a es la ordenada en el origen, es decir, es la altura a la que la recta corta al eje Y. Se
denomina también término independiente.
b, también denominada pendiente es la inclinación de la recta, es decir, es el incremento
que se produce en la variable Y cuando la variable X aumenta una unidad.
Por ejemplo, en el caso anterior Y=3+2X, por cada unidad que incrementa la X, la Y
presenta un incremento medio de 2 unidades.