Академический Документы
Профессиональный Документы
Культура Документы
trimestres tambin y as sucesivamente, y habr un coeficiente de autocorrelacin significativo en el retraso de tiempo 4. Si se analizan datos
mensuales, aparecer un coeficiente de auto-correlacin significativo en el
retraso de tiempo 12. Es decir, enero se corresponder con enero, febrero con
febrero y as sucesivamente.
Es decir, se presentar un coeficiente de auto-correlacin significativo en el
retraso de tiempo estacional o en los mltiplos del retraso estacional.Las
observaciones de la misma posicin, en diferentes perodos estacionales,
tienden a estar relacionadas.
Anlisis
A partir de un 95% de confianza (por ejemplo), vemos los coeficientes de autocorrelacin (ACF en minitab). Debemos notar que el mayor LBQ sea ms
grande que el valor
correspondiente a Chi-Cuadrado para concluir que hay
fuerte auto-correlacin. Luego si para dos perodos (1 y 4 por ejemplo) sus
coeficientes de auto-correlacin (ACF) son significativamente diferentes de
cero, concluimos que los datos son estacionales sobre una base trimestral.
Promedios Simples.
t+1=1 /t t i=1 Y i
Adecuado cuando los factores que producen la serie que se va a pronosticar se
han estabilizado y el ambiente en el cual se encuentra la serie generalmente
permanece sin cambios.
t +2=(t t +1+Y t+1)/(t +1)
Promedio Simple actualizado, nuevo perodo
.
Promedios mviles.
t +1=( t i=tk +1 Y i)/k
Cuando se necesitan
pronsticos para sistemas de
inventario que contienen miles
de artculos, los mtodos de
suavizacin son a menudo el nico enfoque aceptable.
Los promedios mviles simples y la suavizacin exponencial basan los
pronsticos en promedios ponderados de mediciones pasadas. El fundamento
es que los valores pasados contienen informacin de lo que ocurrir en el
futuro.