Modelos de pronósticos para un nivel constante
Técnicas de pronóstico para series niveladas->Serie temporal nivelada:
modelo de nivel constante superpuesto con fluctuaciones aleatorias. Por lo tanto, no presenta ni tendencia, ni estacionalidad, ni variaciones cíclicas, por lo que sigue un patrón estable en el tiempo alrededor de un valor fijo. En general un modelo de este tipo se puede representa matemáticamente como:
Donde: 
es la demanda observada en el período t, 
es el valor constante del modelo y 
es la componente aleatoria.
Técnica del último valor:
se supone que el pronóstico para el período t+1, Ft+1, es igual al valor de la demanda real observada en el período t 
Ventajas:
Facilidad de uso y Sencillez.
Inconvenientes:
Imprecisión.
Media aritmética:
el pronóstico se basa en la media de todos los datos disponibles de la demanda. Así, vendrá dado por:
Ventajas:
Facilidad de uso y comprensión,Minimiza los efectos del azar y La estimación es excelente si el proceso es muy estable.
Inconvenientes:
Requiere una gran cantidad de datos,Concede idéntica importancia a los datos de todos los períodos anteriores y No es un buen estimador de la demanda futura si el patrón subyacente de la demanda cambia con el tiempo.
Media móvil simple:
consiste en calcular una media de los n valores de los datos más recientes de la serie temporal y utilizar ésta para pronosticar el valor de la serie temporal para el período siguiente. Las viejas observaciones son remplazadas por las nuevas a media que están disponibles.
Hay que tener en cuenta que cuanto mayor sea el orden de la media móvil, más se amortiguan las fluctuaciones aleatorias de la demanda, es decir, más plana será la serie de los pronósticos.
Ventajas:
Ignora los datos demasiado antiguos,Requiere menos datos que la media aritmética,Reacciona mejor que la media aritmética ante los datos de la demanda,Solo es necesario almacenar datos de los últimos n períodos y Los datos más antiguos que los n últimos períodos no están incluidos en el pronóstico.
Inconvenientes:
Tampoco es un buen estimador si existe tendencia y Otorga un peso idéntico a la demanda de los n períodos.
Media móvil ponderada:
es una media móvil que incluye una ponderación distinta para la demanda de cada uno de los períodos considerados, siendo normalmente mayor para los más recientes. 
Ventajas:
Solo es necesario almacenar datos de los últimos n períodos y Los datos más antiguos que los n últimos períodos no están incluidos en el pronóstico.
Suavizado exponencial de primer orden:
cada pronóstico se basa en un promedio que se corrige parcialmente cada vez que hay un error en la previsión. Se obtiene de la siguiente forma:
Ventajas:
Se incluyen todas las observaciones anteriores,Pondera más los datos más recientes que los más antiguos,Más fácil de calcular que las medias móviles,Precisión,Fácil formulación, cálculo y comprensión y No es necesario almacenar muchos datos históricos. Solo son necesarios los datos Dt y Ft para realizar el pronóstico, comparados con los n que son precisos para la media móvil.
Inconvenientes:
Es necesario un pronóstico inicial,Elección de la constante de suavizado y El modelo se queda atrás si hay tendencia continua.
MEDIDAS DE PRECISÓN DE LOS PRONÓSTICOS
Todos estas medidas se basan en el concepto de error de previsión, ei. Este se define como la diferencia entre la demanda real en un período y la demanda prevista para el mismo período, es decir:
Las medias de precisión que vamos a estudiar nosotros son:
Desviación Absoluta Media (DAM):
Se caracteriza por:Medir el error absoluto medio de la demanda real respecto a los pronósticos.(Los errores positivos y negativos no se compensan,Se busca que la desviación absoluta media sea la mínima posible y No existe manera de saber si el error es mayor o menor en relación a los datos de demanda.)
Desviación cuadrática media:
Se caracteriza por:Medir el error cuadrático del pronóstico (la varianza del error del pronóstico)(No resulta tan intuitivo ni fácil de interpretar como la DAM o EPAM y Reconoce que los mayores errores son proporcionalmente más costosos que los pequeños errores)
Desviación estándar:
Desviación porcentual absoluta media:
Se caracteriza por:Medir la desviación como un porcentaje de los datos reales de la demanda.
Suma de errores:
Se caracteriza por:Recoge los errores totales entre los pronósticos y la demanda real.
Error medio o sesgo:
Se caracteriza por:Medir la desviación media de los pronósticos respecto a la demanda real(Se trata de que el error medio del pronóstico sea lo más cercano a cero.Un error medio de pronóstico positivo (negativo) indica que la técnica tiene tendencia a infraestimar (sobreestimar) las observaciones de la demanda.Un sesgo igual a cero no implica que el pronóstico sea perfecto, sólo que la media se ajusta a ese valor.)
Señal de rastreo:
Se caracteriza por:Recoge la relación entre el sesgo y la desviación absoluta media para cada período.(Si es >0: la demanda es mayor que el pronóstico.Si es <0: la=»» demanda=»» es=»» menor=»» que=»» el=»»>0:>Cuanto más próxima a cero mejor.Si se hace muy grande o negativa, el método de pronóstico debe ser reconsiderado.