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 predicción 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 exactitud 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 pronósticos anteriores basados en técnicas de suavizado que utilizan sólo un solo 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 por unas pocas veces con el fin de obtener los pronósticos a corto plazo necesarios. Datos suaves elimina la variación aleatoria y muestra las tendencias y los componentes cíclicos Inherente a la recopilación 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. Una técnica de uso frecuente en la industria es suavizar. Esta técnica, cuando se aplica correctamente, revela más claramente la tendencia subyacente, los componentes estacionales y cíclicos. Existen dos grupos distintos de métodos de suavizado Métodos de promedio Métodos exponenciales de suavizado Tomar promedios es la forma más sencilla de suavizar los datos Primero investigaremos algunos métodos de promediación, como el promedio simple de todos los datos anteriores. Un gerente de un almacén quiere saber cuánto un proveedor típico ofrece en unidades de 1000 dólares. Se toma una muestra de 12 proveedores, al azar, obteniendo los siguientes resultados: La media o media calculada de los datos 10. El gestor decide usar esto como la estimación para el gasto de un proveedor típico. ¿Es esto una buena o mala estimación? El error cuadrático medio es una forma de juzgar qué tan bueno es un modelo Vamos a calcular el error cuadrático medio. La cantidad verdadera del error gastada menos la cantidad estimada. El error al cuadrado es el error anterior, al cuadrado. El SSE es la suma de los errores al cuadrado. El MSE es la media de los errores al cuadrado. Resultados de MSE por ejemplo Los resultados son: Errores y errores cuadrados La estimación 10 La pregunta surge: ¿podemos usar la media para pronosticar ingresos si sospechamos una tendencia? Un vistazo a la gráfica abajo muestra claramente que no debemos hacer esto. El promedio pesa todas las observaciones pasadas igualmente En resumen, declaramos que El promedio simple o la media de todas las observaciones pasadas es sólo una estimación útil para pronosticar cuando no hay tendencias. Si hay tendencias, utilice estimaciones diferentes que tengan en cuenta la tendencia. El promedio pesa todas las observaciones pasadas igualmente. Por ejemplo, el promedio de los valores 3, 4, 5 es 4. Sabemos, por supuesto, que un promedio se calcula sumando todos los valores y dividiendo la suma por el número de valores. Otra forma de calcular el promedio es añadiendo cada valor dividido por el número de valores, o 3/3 4/3 5/3 1 1.3333 1.6667 4. El multiplicador 1/3 se llama el peso. En general: barra frac fracción izquierda (frac derecha) x1 izquierda (frac derecha) x2,. ,, Izquierda (frac derecha) xn. El (izquierda (frac derecha)) son los pesos y, por supuesto, suman a 1.Usted debe tener javascript habilitado para ver este sitio web. Por favor, cambie las preferencias de su navegador para habilitar javascript y vuelva a cargar esta página. LÍNEA PRINCIPAL Gestión de la Demanda Gestión de la Demanda Dependiente Definida Demanda Independiente Definida Tipos de Previsión Análisis de la Serie Temporal Técnicas Cualitativas Definidas en Pronosticar Raíces Locales Análisis de Mercado Consenso Analogía Histórica Método Delphi Análisis de series temporales Promedio móvil simple Promedio móvil ponderado Alisamiento exponencial Alisamiento exponencial Definido Suavizado Alfa constante (945 ) Definición de la velocidad de suavizado Delta (948) Errores de pronóstico definidos Fuentes de error Medición de error Media desviación absoluta (MAD) Definido Señal de seguimiento Definido Análisis de regresión lineal Predicción de regresión lineal Definido Decomposición de una serie temporalPreparación de relación casual Relación casual definida Análisis de regresión múltipleFocus Forecasting Methodology of Predicción de enfoque Predicción de enfoque Definición de predicción basada en Web: Planificación, planificación y reposición colaborativas (CPFR) Las previsiones definidas de CPFR son vitales para cada organización empresarial y para cada decisión de gestión significativa. Si bien un pronóstico nunca es perfecto debido a la naturaleza dinámica del entorno empresarial externo, es beneficioso para todos los niveles de planificación funcional, planificación estratégica y planificación presupuestaria. Los tomadores de decisiones usan pronósticos para tomar muchas decisiones importantes con respecto a la dirección futura de la organización. Las técnicas y modelos de predicción pueden ser tanto cualitativos como cuantitativos y su nivel de sofisticación depende del tipo de información y del impacto de la decisión. El modelo de pronóstico que debe adoptar una empresa depende de varios factores, entre ellos: horizonte temporal de previsión, disponibilidad de datos, precisión requerida, tamaño del presupuesto de previsión y disponibilidad de personal calificado. La gestión de la demanda existe para coordinar y controlar todas las fuentes de demanda para que el sistema productivo pueda ser utilizado de manera eficiente y el producto entregado a tiempo. La demanda puede depender de la demanda de otros productos o servicios o independiente, ya que no puede derivarse directamente de la de otros productos. La predicción se puede clasificar en cuatro tipos básicos: cualitativo, análisis de series de tiempo, relaciones causales y simulación. Las técnicas cualitativas en la predicción pueden incluir pronósticos de base, investigación de mercado, consenso de panel, analogía histórica y el método Delphi. Los modelos de predicción de series temporales tratan de predecir el futuro basándose en datos pasados. Se utiliza una previsión de media móvil simple cuando la demanda de un producto o servicio es constante sin ninguna variación estacional. Un pronóstico de media móvil ponderada varía los pesos, dado un factor particular y es así capaz de variar los efectos entre datos actuales y pasados. El suavizado exponencial mejora las previsiones de promedio móvil simple y ponderado, ya que el suavizado exponencial considera que los puntos de datos más recientes son más importantes. Para corregir cualquier tendencia hacia arriba o hacia abajo en los datos recogidos a lo largo de los períodos de tiempo, se utilizan las constantes de suavizado. Alfa es la constante de suavizado, mientras que el delta reduce el impacto del error que ocurre entre lo real y lo previsto. Los errores de pronóstico son la diferencia entre el valor de pronóstico y lo que realmente ocurrió. Todas las previsiones contienen algún grado de error sin embargo, es importante distinguir entre las fuentes de error y la medida del error. Las fuentes de error son errores y sesgos aleatorios. Existen varias mediciones para describir el grado de error en un pronóstico. Los errores de polarización se producen cuando se comete un error, es decir, no se incluye la variable correcta o se cambia la demanda estacional. Aunque no se pueden detectar errores aleatorios, se producen normalmente. Una señal de seguimiento indica si el promedio de pronóstico se mantiene al mismo ritmo que cualquier cambio de movimiento en la demanda. El MAD o la desviación absoluta media también es una herramienta simple y útil para obtener señales de seguimiento. Una herramienta de pronóstico más sofisticada para definir la relación funcional entre dos o más variables correlacionadas es la regresión lineal. Esto se puede utilizar para predecir una variable dada el valor para otro. Es útil para períodos de tiempo más cortos ya que asume una relación lineal entre variables. La predicción de la relación causal intenta determinar la ocurrencia de un evento basado en la ocurrencia de otro evento. La predicción de enfoque intenta varias reglas que parecen lógicas y fáciles de entender para proyectar datos pasados en el futuro. Hoy en día muchos programas de predicción por computadora están disponibles para pronosticar fácilmente las variables. Al tomar decisiones a largo plazo basadas en pronósticos futuros, se debe tener mucho cuidado para desarrollar el pronóstico. Del mismo modo, deben utilizarse múltiples enfoques para la predicción.
Comments
Post a Comment