Resumen

Para hacer frente al entorno de competencia cada vez ms feroz del mercado, las empresas necesitan responder rpidamente a los problemas empresariales y mantener las ventajas comerciales, lo que exige tomar decisiones oportunas y correctas. En este contexto, el mtodo general de modelizacin matemtica puede provocar un fenmeno de sobreajuste cuando se utilizan conjuntos de datos pequeos, por lo que es difcil garantizar un buen rendimiento del anlisis. Por lo tanto, es importante que las empresas utilicen muestras limitadas para analizar y realizar previsiones. En las ltimas dcadas, el modelo gris y sus extensiones han demostrado ser herramientas eficaces para procesar conjuntos de datos pequeos. Para reforzar an ms la eficacia del tratamiento de la incertidumbre de los datos, se desarrolla un procedimiento de modelizacin de descomposicin difusa para modelos grises. En concreto, se emplea la funcin de informacin latente (LI) para descomponer la serie inicial en tres subseries; a continuacin, las tres subseries se utilizan para construir tres modelos grises y crear los valores estimados de las tres subseries; por ltimo, se aplica el mtodo de la media ponderada para combinar los valores estimados de las tres subseries en un nico valor de prediccin final. Tras la prueba real con los datos de demanda mensual de los paneles de cristal lquido con transistores de pelcula fina, el procedimiento de modelizacin de descomposicin difusa propuesto puede dar buenos resultados de prediccin, por lo que constituye una herramienta de anlisis de decisiones adecuada para los gestores.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Empresa; Decisiones; Modelización matemática; Conjuntos de datos; Modelo gris; Previsión
• Keywords:Enterprise; Decisions; Mathematical modeling; Data sets; Grey model; Forecasting