Sistemas de Numeración y Técnicas de Pronóstico

Sistemas de Numeración

Sistemas Compuestos

Clasifica/Identifica componentes juntos, donde la parte i siempre depende de la parte K. Para identificar un objeto, se necesitan ambos componentes. Ventaja= Menor número de dígitos, Desventaja= El sistema puede ser forzado, la identificación cambia si se modifica la clasificación, la reutilización de piezas está restringida. Ejemplo= Códigos postales, formatos de papel.

Sistemas Paralelos

Al menos dos sistemas de numeración sistemáticos independientes, generalmente identificados de forma única por la parte K. La parte KL es independiente y describe el objeto. Ventaja= Crecimiento ilimitado, la clasificación de diferentes características es independiente de otras M, el sistema no puede ser forzado. Desventaja= Más dígitos que el número compuesto.

Sistema Paralelo. Sistema Completamente Ramificado.

Ejemplo m10=

Sistema de numeración con dígito de control, de diez dígitos, pero no todos tienen que ser utilizados, en los bancos. Multiplicación o suma transversal.

Técnicas de Pronóstico

Suavizado Exponencial=

Método de pronóstico. 1. Media móvil a, b 2. Análisis de regresión a, b 3. Suavizado exponencial a, b 4. Regresión múltiple a, b, c, d a= Modelo constante puro, b= Modelo de tendencia pura, c= Modelo constante estacional, d= Modelo de tendencia estacional

Suavizado Exponencial de 1er Orden=

También se utiliza para la predicción con ventas de demanda constante. Requisitos previos/Características= Amortiguación/Inercia según la elección del factor de suavizado Alfa (0,1..0,3) a grande= amortiguación pequeña; a pequeña= amortiguación grande; Los cambios de demanda permitidos dependen, entre otras cosas, de la elección del factor de suavizado; El error de pronóstico actual se tiene en cuenta en el siguiente pronóstico; Pronóstico solo para el siguiente período

Regresión Lineal=

Relación de correlación entre 2 variables examinadas. La variable y depende de la variable x. Cuanto mayor sea la correlación, más preciso será el pronóstico. Determina las relaciones con una función Z para una variable independiente, la demanda futura, y también puede representar relaciones no lineales. Requisitos previos/Características: Aproximación minimizando los errores cuadrados, el comportamiento de la demanda puede expresarse mediante una función, alto esfuerzo computacional y requisitos de espacio de almacenamiento, no incluido en los sistemas MRP, Objetivo-> para tener un pronóstico preciso, encontrar la mejor línea recta a través de la nube de datos que mejor describa la relación lineal entre x e y.