Factor De Suavizado Promedio Móvil

Predicción por técnicas de suavizado Este sitio es una parte de los objetos de aprendizaje de JavaScript E-Labs para la toma de decisiones. Otros JavaScript de esta serie se clasifican en diferentes áreas de aplicaciones en la sección MENÚ de esta página. Una serie de tiempo es una secuencia de observaciones que se ordenan en el tiempo. Inherente en la recolección de datos tomados en el tiempo es una forma de variación al azar. Existen métodos para reducir la cancelación del efecto debido a la variación aleatoria. Las técnicas ampliamente utilizadas son el alisado. Estas técnicas, cuando se aplican correctamente, revelan con mayor claridad las tendencias subyacentes. Introduzca la serie de tiempo en orden de fila en secuencia, comenzando desde la esquina superior izquierda y los parámetros, luego haga clic en el botón Calcular para obtener una previsión de un período de tiempo. Las cajas en blanco no se incluyen en los cálculos, pero los ceros son. Al introducir los datos para pasar de celda a celda en la matriz de datos, utilice la tecla Tab no la flecha o las teclas de entrada. Características de las series temporales, que podrían revelarse al examinar su gráfico. Con los valores pronosticados, y el comportamiento de los residuos, modelado de previsión de condiciones. Promedios móviles: Las medias móviles se encuentran entre las técnicas más populares para el preprocesamiento de series de tiempo. Se utilizan para filtrar el ruido blanco aleatorio de los datos, para hacer la serie temporal más suave o incluso para enfatizar ciertos componentes informativos contenidos en la serie de tiempo. Suavizado exponencial: Este es un esquema muy popular para producir una serie temporal suavizada. Mientras que en Promedios móviles las observaciones anteriores se ponderan igualmente, el suavizado exponencial asigna pesos exponencialmente decrecientes a medida que la observación se hace mayor. En otras palabras, las observaciones recientes reciben un peso relativamente mayor en la predicción que las observaciones más antiguas. Double Exponential Smoothing es mejor para manejar las tendencias. Triple Exponential Smoothing es mejor en el manejo de las tendencias de la parábola. Un promedio móvil ponderado exponencialmente con una constante de suavizado a. Corresponde aproximadamente a una media móvil simple de longitud (es decir, periodo) n, donde a y n están relacionados por: a 2 / (n1) OR n (2 - a) / a. Así, por ejemplo, una media móvil exponencialmente ponderada con una constante de suavizado igual a 0,1 correspondería aproximadamente a un promedio móvil de 19 días. Y una media móvil simple de 40 días correspondería aproximadamente a una media móvil ponderada exponencialmente con una constante de suavizado igual a 0,04878. Holt Lineal Exponencial Suavizado: Suponga que la serie temporal no es estacional pero sí muestra la tendencia. El método Holts estima tanto el nivel actual como la tendencia actual. Observe que la media móvil simple es un caso especial del suavizado exponencial estableciendo el periodo de la media móvil en la parte entera de (2-Alpha) / Alpha. Para la mayoría de los datos empresariales, un parámetro Alpha menor de 0,40 suele ser efectivo. Sin embargo, se puede realizar una búsqueda de cuadrícula del espacio de parámetros, con 0,1 a 0,9, con incrementos de 0,1. Entonces el mejor alfa tiene el menor error absoluto medio (error MA). Cómo comparar varios métodos de suavizado: Aunque existen indicadores numéricos para evaluar la precisión de la técnica de pronóstico, el enfoque más amplio consiste en utilizar la comparación visual de varios pronósticos para evaluar su exactitud y elegir entre los diversos métodos de pronóstico. En este enfoque, se debe trazar (utilizando, por ejemplo, Excel) en el mismo gráfico los valores originales de una variable de serie temporal y los valores predichos de varios métodos de pronóstico diferentes, facilitando así una comparación visual. Es posible que desee utilizar las previsiones pasadas mediante técnicas de suavizado JavaScript para obtener los valores de pronóstico anteriores basados ​​en técnicas de suavizado que utilizan sólo un parámetro. Holt y Winters usan dos y tres parámetros, respectivamente, por lo que no es una tarea fácil seleccionar los valores óptimos, o incluso casi óptimos, por ensayo y errores para los parámetros. El único suavizado exponencial enfatiza la perspectiva de corto alcance que fija el nivel a la última observación y se basa en la condición de que no hay tendencia. La regresión lineal, que se ajusta a una línea de mínimos cuadrados a los datos históricos (o datos históricos transformados), representa el largo alcance, que está condicionado por la tendencia básica. El alineamiento exponencial lineal de Holts captura la información sobre la tendencia reciente. Los parámetros en el modelo de Holts son los niveles-parámetro que deben ser disminuidos cuando la cantidad de variación de los datos es grande, y tendencias-parámetro debe ser aumentado si la dirección de la tendencia reciente es apoyada por la causal algunos factores. Pronóstico a Corto Plazo: Observe que cada JavaScript en esta página proporciona un pronóstico de un paso adelante. Obtener un pronóstico de dos pasos adelante. Simplemente agregue el valor pronosticado al final de los datos de la serie temporal y luego haga clic en el mismo botón Calcular. Puede repetir este proceso varias veces para obtener las previsiones a corto plazo necesarias. Explicación de suavizado exponencial. Copia Copyright. El contenido de InventoryOps está protegido por derechos de autor y no está disponible para su publicación. Cuando las personas encuentran por primera vez el término Exponential Smoothing pueden pensar que suena como un infierno de un montón de suavizado. Sea cual sea el suavizado. A continuación, comienzan a prever un cálculo matemático complicado que probablemente requiere un grado en matemáticas para entender, y espero que haya una función incorporada de Excel disponible si alguna vez necesitan hacerlo. La realidad del suavizado exponencial es mucho menos dramática y mucho menos traumática. La verdad es que el suavizado exponencial es un cálculo muy simple que logra una tarea bastante simple. Simplemente tiene un nombre complicado porque lo que técnicamente sucede como resultado de este simple cálculo es realmente un poco complicado. Para entender el suavizado exponencial, ayuda a comenzar con el concepto general de suavizado y un par de otros métodos comunes utilizados para lograr el alisamiento. ¿Qué es el suavizado? El suavizado es un proceso estadístico muy común. De hecho, regularmente encontramos datos suavizados en varias formas en nuestras vidas cotidianas. Cada vez que usa un promedio para describir algo, está usando un número suavizado. Si piensa en por qué utiliza un promedio para describir algo, rápidamente entenderá el concepto de suavizado. Por ejemplo, acabamos de experimentar el invierno más cálido registrado. ¿Cómo podemos cuantificar este pozo? Comenzamos con conjuntos de datos de las temperaturas altas y bajas diarias para el período que llamamos Invierno para cada año en la historia registrada. Pero eso nos deja con un montón de números que saltar un poco (no es como cada día de este invierno fue más caliente que los días correspondientes de todos los años anteriores). Necesitamos un número que elimine todo esto saltando de los datos para que podamos comparar más fácilmente un invierno con el siguiente. Eliminar el salto en los datos se denomina suavizado, y en este caso sólo podemos usar un promedio simple para lograr el suavizado. En la predicción de la demanda, usamos suavizado para eliminar la variación aleatoria (ruido) de nuestra demanda histórica. Esto nos permite identificar mejor los patrones de demanda (principalmente la tendencia y la estacionalidad) y los niveles de demanda que pueden usarse para estimar la demanda futura. El ruido de la demanda es el mismo concepto que el saltar diariamente de los datos de temperatura. No es sorprendente que la forma más común de eliminar el ruido de la historia de la demanda sea usar un promedio simple o más específico, un promedio móvil. Un promedio móvil sólo utiliza un número predefinido de períodos para calcular el promedio, y esos períodos se mueven a medida que pasa el tiempo. Por ejemplo, si estoy usando una media móvil de 4 meses, y hoy es el 1 de mayo, estoy usando un promedio de demanda que ocurrió en enero, febrero, marzo y abril. El 1 de junio, estaré utilizando la demanda de febrero, marzo, abril y mayo. Promedio móvil ponderado. Cuando usamos un promedio, estamos aplicando la misma importancia (peso) a cada valor en el conjunto de datos. En la media móvil de 4 meses, cada mes representaba 25 de la media móvil. Cuando se utiliza la historia de la demanda para proyectar la demanda futura (y especialmente la tendencia futura), es lógico llegar a la conclusión de que desea que la historia más reciente tenga un mayor impacto en su pronóstico. Podemos adaptar nuestro cálculo del promedio móvil para aplicar varios pesos a cada período para obtener los resultados deseados. Expresamos estos pesos como porcentajes, y el total de todos los pesos para todos los períodos debe sumar 100. Por lo tanto, si decidimos que queremos aplicar 35 como el peso para el período más cercano en nuestra media móvil ponderada de 4 meses, podemos Restar 35 de 100 para encontrar que tenemos 65 restantes para dividir en los otros 3 períodos. Por ejemplo, podemos terminar con una ponderación de 15, 20, 30 y 35 respectivamente para los 4 meses (15 20 30 35 100). Desvanecimiento exponencial. Si volvemos al concepto de aplicar un peso al período más reciente (tal como 35 en el ejemplo anterior) y extendiendo el peso restante (calculado restando el peso del período más reciente de 35 de 100 a 65), tenemos Los elementos básicos para nuestro cálculo exponencial de suavizado. La entrada de control del cálculo de suavizado exponencial se conoce como el factor de suavizado (también denominado constante de suavizado). Representa esencialmente la ponderación aplicada a los períodos más recientes de demanda. Por lo tanto, donde usamos 35 como la ponderación para el período más reciente en el cálculo del promedio móvil ponderado, también podríamos elegir usar 35 como factor de suavizado en nuestro cálculo de suavizado exponencial para obtener un efecto similar. La diferencia con el cálculo de suavizado exponencial es que en lugar de tener que calcular también cuánto peso aplicar a cada período anterior, el factor de suavizado se utiliza para hacer eso automáticamente. Así que aquí viene la parte exponencial. Si se utiliza 35 como factor de suavizado, la ponderación de los períodos más recientes de demanda será de 35. La ponderación de la demanda de períodos más recientes (el período anterior al más reciente) será de 65 de 35 (65 viene de restar 35 de 100). Esto equivale a 22.75 ponderación para ese período si usted hace la matemáticas. La demanda de los períodos más recientes será 65 de 65 de 35, lo que equivale a 14,79. El período anterior será ponderado como 65 de 65 de 65 de 35, lo que equivale a 9,61, y así sucesivamente. Y esto se remonta a través de todos sus períodos anteriores todo el camino de regreso al principio del tiempo (o el punto en el que comenzó a utilizar suavizado exponencial para ese elemento en particular). Probablemente estás pensando que eso parece un montón de matemáticas. Pero la belleza del cálculo de suavizado exponencial es que en lugar de tener que volver a calcular cada período anterior cada vez que obtenga una nueva demanda de períodos, simplemente utilice la salida del cálculo de suavizado exponencial del período anterior para representar todos los períodos anteriores. ¿Está usted confundido aún? Esto tendrá más sentido cuando nos fijamos en el cálculo real Normalmente nos referimos a la salida del cálculo de suavizado exponencial como el próximo período previsto. En realidad, el pronóstico final necesita un poco más de trabajo, pero para los propósitos de este cálculo específico, nos referiremos a él como el pronóstico. El cálculo de suavizado exponencial es el siguiente: Los períodos de demanda más recientes multiplicados por el factor de suavizado. PLUS Los períodos más recientes pronosticados multiplicados por (uno menos el factor de suavizado). D los periodos más recientes exigen S el factor de suavizado representado en forma decimal (por lo que 35 sería representado como 0,35). F los períodos más recientes previstos (la salida del cálculo de suavizado del período anterior). OR (suponiendo un factor de suavizado de 0.35) (D 0.35) (F 0.65) No es mucho más simple que eso. Como puede ver, todo lo que necesitamos para las entradas de datos aquí son los períodos más recientes de demanda y los períodos más recientes previstos. Aplicamos el factor de suavizado (ponderación) a los períodos más recientes de la demanda de la misma manera que lo haría en el cálculo de la media móvil ponderada. A continuación, aplicamos la ponderación restante (1 menos el factor de suavizado) a los períodos más recientes previstos. Dado que los pronósticos de períodos más recientes se crearon en función de la demanda de períodos anteriores y de los períodos previos previstos, que se basó en la demanda del período anterior y en la previsión del período anterior, basada en la demanda del período anterior Eso y la previsión para el período anterior, que se basó en el período anterior. Así, usted puede ver cómo todos los períodos anteriores demanda se representan en el cálculo sin volver realmente a volver y recalcular cualquier cosa. Y eso es lo que impulsó la popularidad inicial de suavizado exponencial. No era porque hizo un mejor trabajo de suavizar que el promedio móvil ponderado, era porque era más fácil de calcular en un programa informático. Y, porque no necesitaba pensar en qué ponderación dar períodos anteriores o cuántos períodos anteriores para usar, como lo haría en promedio móvil ponderado. Y, porque sonaba más fresco que el promedio móvil ponderado. De hecho, se podría argumentar que el promedio móvil ponderado proporciona una mayor flexibilidad ya que usted tiene más control sobre la ponderación de períodos anteriores. La realidad es que cualquiera de estos puede proporcionar resultados respetables, así que ¿por qué no ir con sonido más fácil y más fresco. Suavizado exponencial en Excel Permite ver cómo esto realmente se vería en una hoja de cálculo con datos reales. Copia Copyright. El contenido de InventoryOps está protegido por derechos de autor y no está disponible para su publicación. En la figura 1A, tenemos una hoja de cálculo Excel con 11 semanas de demanda, y un pronóstico suavizado exponencialmente calculado a partir de esa demanda. He utilizado un factor de suavizado de 25 (0,25 en la celda C1). La celda activa actual es Cell M4 que contiene el pronóstico para la semana 12. Puede ver en la barra de fórmulas, la fórmula es (L3C1) (L4 (1-C1)). Así, las únicas entradas directas a este cálculo son la demanda de períodos anteriores (celda L3), los períodos previos previstos (celda L4) y el factor de suavizado (celda C1, mostrada como referencia de celda absoluta C1). Cuando comenzamos un cálculo de suavizado exponencial, necesitamos conectar manualmente el valor de la primera previsión. Por lo tanto, en la celda B4, en lugar de una fórmula, acabamos de escribir en la demanda de ese mismo período que el pronóstico. En la Célula C4 tenemos nuestro primer cálculo exponencial de suavizado (B3C1) (B4 (1-C1)). Entonces podemos copiar Cell C4 y pegarlo en Cells D4 a M4 para llenar el resto de nuestras celdas de pronóstico. Ahora puede hacer doble clic en cualquier celda de pronóstico para ver que se basa en la celda de pronósticos de períodos anteriores y en la celda de demanda de períodos anteriores. Así, cada cálculo subsiguiente de suavizado exponencial hereda la salida del cálculo de suavizado exponencial anterior. Así es como cada demanda de períodos anteriores se representa en el cálculo de los períodos más recientes, aunque ese cálculo no hace referencia directa a esos períodos anteriores. Si usted desea conseguir la suposición, usted puede utilizar Excels traza la función de precedentes. Para ello, haga clic en Celda M4, luego en la barra de herramientas de la cinta de opciones (Excel 2007 o 2010), haga clic en la pestaña Fórmulas y, a continuación, haga clic en Rastrear precedentes. Dibujará líneas de conector al primer nivel de precedentes, pero si sigue haciendo clic en Trace Precedents, dibujará líneas de conector a todos los períodos anteriores para mostrarle las relaciones heredadas. Ahora vamos a ver lo que el suavizado exponencial hizo por nosotros. La Figura 1B muestra un gráfico de líneas de nuestra demanda y pronóstico. En su caso ver cómo el pronóstico suavizado exponencialmente elimina la mayor parte de la irregularidad (el salto alrededor) de la demanda semanal, pero todavía logra seguir lo que parece ser una tendencia al alza en la demanda. También notará que la línea de pronóstico suavizada tiende a ser menor que la línea de demanda. Esto se conoce como retraso de tendencias y es un efecto secundario del proceso de suavizado. Cada vez que utilice el suavizado cuando se presente una tendencia, su pronóstico se quedará atrás de la tendencia. Esto es cierto para cualquier técnica de suavizado. De hecho, si continuáramos con esta hoja de cálculo y comenzáramos a ingresar números de demanda más bajos (haciendo una tendencia a la baja) veríamos bajar la línea de demanda y la línea de tendencia se movería por encima antes de comenzar a seguir la tendencia a la baja. Es por eso que he mencionado anteriormente la salida del cálculo de suavizado exponencial que llamamos una previsión, todavía necesita un poco más de trabajo. Hay mucho más que pronosticar que simplemente suavizar los golpes de la demanda. Necesitamos hacer ajustes adicionales para cosas como el retraso de tendencias, la estacionalidad, eventos conocidos que pueden afectar la demanda, etc. Pero todo eso está más allá del alcance de este artículo. Es probable que también se ejecutan en términos como suavizado de doble exponencial y suavizado triple exponencial. Estos términos son un poco engañosos ya que no están re-suavizar la demanda varias veces (podría si lo desea, pero eso no es el punto aquí). Estos términos representan el uso de suavizado exponencial en elementos adicionales de la previsión. Así que con el suavizado exponencial simple, usted está suavizando la demanda base, pero con el suavizado exponencial doble está alisando la demanda base más la tendencia, y con el suavizado triple exponencial está suavizando la demanda base más la tendencia más la estacionalidad. La otra pregunta más frecuente sobre el suavizado exponencial es donde puedo obtener mi factor de suavizado No hay ninguna respuesta mágica aquí, es necesario probar diversos factores de suavizado con sus datos de demanda para ver qué obtiene los mejores resultados. Hay cálculos que pueden establecer automáticamente (y cambiar) el factor de suavizado. Estos caen bajo el término de suavizado adaptativo, pero usted necesita tener cuidado con ellos. Simplemente no hay una respuesta perfecta y no debe aplicar ciegamente ningún cálculo sin pruebas exhaustivas y desarrollar una comprensión completa de lo que hace ese cálculo. También debe ejecutar escenarios hipotéticos para ver cómo reaccionan estos cálculos a los cambios de demanda que pueden no existir actualmente en los datos de demanda que está utilizando para las pruebas. El ejemplo de datos que usé anteriormente es un muy buen ejemplo de una situación en la que realmente necesita probar otros escenarios. Ese ejemplo particular de datos muestra una tendencia al alza bastante consistente. Muchas grandes empresas con software de pronóstico muy caro se metió en grandes problemas en el pasado no tan lejano cuando sus ajustes de software que fueron ajustados para una economía en crecimiento no reaccionó bien cuando la economía comenzó a estancarse o encogerse. Cosas como esta suceden cuando usted no entiende lo que sus cálculos (software) realmente está haciendo. Si entendieran su sistema de previsión, habrían sabido que necesitaban saltar y cambiar algo cuando había cambios repentinos y dramáticos en su negocio. Así que ahí lo tienen los fundamentos de suavizado exponencial explicado. ¿Quieres saber más sobre el uso de suavizado exponencial en un pronóstico real, echa un vistazo a mi libro de gestión de inventario explicado. Copia Copyright. El contenido de InventoryOps está protegido por derechos de autor y no está disponible para su publicación. Dave Piasecki. Es propietario / operador de Inventory Operations Consulting LLC. Una firma de consultoría que ofrece servicios relacionados con la gestión de inventario, manejo de materiales y operaciones de almacén. Tiene más de 25 años de experiencia en gestión de operaciones y puede ser contactado a través de su sitio web (inventoryops), donde mantiene información relevante adicional. My BusinessSmoothing Techniques Cuando los datos recopilados con el tiempo muestran variaciones aleatorias, se pueden utilizar técnicas de suavizado para reducir o cancelar el efecto de estas variaciones. Cuando se aplican adecuadamente, estas técnicas suavizan la variación aleatoria de los datos de series de tiempo para revelar las tendencias subyacentes. XLMiner cuenta con cuatro técnicas de suavizado diferentes: exponencial, media móvil, doble exponencial y Holt-Winters. Exponential y Moving Average son técnicas de suavizado relativamente simples y no deben realizarse en conjuntos de datos que involucren estacionalidad. Double Exponential y Holt-Winters son técnicas más avanzadas que pueden utilizarse en conjuntos de datos que involucran estacionalidad. Exponential Smoothing es una de las técnicas de suavizado más populares debido a su flexibilidad, facilidad de cálculo y buen rendimiento. Exponential Smoothing utiliza un cálculo de promedio simple para asignar ponderaciones exponencialmente decrecientes a partir de las observaciones más recientes. Las nuevas observaciones reciben relativamente más peso en el cálculo promedio que las observaciones más antiguas. La herramienta Exponential Smoothing utiliza las siguientes fórmulas. Las observaciones originales se indican por t que comienza en t 0 es el factor de suavizado que está entre 0 y 1 El suavizado exponencial se debe utilizar solamente cuando el sistema de datos no contiene ninguna estacionalidad. La previsión es un valor constante que es el valor suavizado de la última observación. Movimiento de Suavizado Promedio En Suavizado de Promedio Móvil, a cada observación se le asigna un peso igual, y cada observación se pronostica usando el promedio de la (s) observación (es) anterior (es). Utilizando la serie temporal X 1. X 2. X 3. X t. Esta técnica de suavizado predice X tk como sigue. Donde, k es el parámetro de suavizado. XLMiner permite un valor de parámetro entre 2 y t-1 donde t es el número de observaciones en el conjunto de datos. Tenga en cuenta que al elegir este parámetro, un valor de parámetro grande suavizará los datos, mientras que un pequeño valor de parámetro suavizará los datos. Las últimas tres observaciones predicen las observaciones futuras. Al igual que con el Suavizado Exponencial, esta técnica no debe aplicarse cuando la estacionalidad está presente en el conjunto de datos. Doble Suavizado Exponencial El Suavizado Exponencial Doble se puede definir como la aplicación recursiva de un filtro exponencial dos veces en una serie de tiempo. El doble suavizado exponencial no debe utilizarse cuando los datos incluyen la estacionalidad. Esta técnica introduce una segunda ecuación que incluye un parámetro de tendencia, por lo tanto, esta técnica debe utilizarse cuando una tendencia es inherente al conjunto de datos, pero no se utiliza cuando hay estacionalidad. El doble suavizado exponencial se define mediante las siguientes fórmulas. La ecuación de pronóstico es: X tk A t K B t. K 1, 2, 3. donde, a denota el parámetro Alfa, yb denota los parámetros de tendencia. Estos dos parámetros se pueden introducir manualmente. XLMiner incluye una característica de optimización que elegirá los mejores valores para los parámetros de tendencia y alfa basados ​​en el Error de Cuadrado Medio de Pronóstico. Si el parámetro de tendencia es 0, entonces esta técnica es equivalente a la técnica de suavizado exponencial. (Sin embargo, los resultados pueden no ser idénticos debido a diferentes métodos de inicialización para estas dos técnicas.) Holt Winters Smoothing introduce un tercer parámetro (g) para dar cuenta de la estacionalidad (o periodicidad) en un conjunto de datos. El conjunto resultante de ecuaciones se llama el método de Holt-Winters, después de los nombres de los inventores. El método de Holt-Winters puede usarse en conjuntos de datos que involucran tendencia y estacionalidad (a, b, g). Los valores para los tres parámetros pueden variar entre 0 y 1. Los tres modelos siguientes asociados con este método. Multiplicativo: X t (A t B t) S t e t donde A t y B t son estimaciones iniciales previamente calculadas. S t es el factor estacional promedio de la temporada. El suavizado de Holt-Winters es similar al suavizado exponencial si b y g 0, y es similar al suavizado exponencial doble si g 0.