Ecuación De Pronóstico Media Móvil

Moving Average Forecasting Introducción. Como usted podría adivinar, estamos estudiando algunos de los enfoques más primitivos para la predicción. Pero espero que estas sean al menos una introducción valiosa a algunos de los problemas de computación relacionados con la implementación de pronósticos en hojas de cálculo. En este sentido, continuaremos comenzando desde el principio y comenzando a trabajar con las previsiones de Media móvil. Pronósticos de media móvil. Todo el mundo está familiarizado con los pronósticos de promedio móvil, independientemente de si creen que son. Todos los estudiantes universitarios lo hacen todo el tiempo. Piense en los resultados de su examen en un curso en el que va a tener cuatro pruebas durante el semestre. Supongamos que tienes un 85 en tu primera prueba. ¿Qué predecirías para tu segundo puntaje de prueba? ¿Qué crees que tu maestro predijo para tu siguiente puntaje de prueba? ¿Qué crees que tus amigos podrían predecir para tu próximo puntaje de prueba? ¿Qué crees que tus padres podrían predecir para tu próximo puntaje de prueba? Todo el blabbing que usted puede hacer a sus amigos y padres, ellos y su profesor son muy probables esperar que usted consiga algo en el área de los 85 que usted acaba de conseguir. Bueno, ahora vamos a suponer que a pesar de su autopromoción a sus amigos, se sobrevaloran a sí mismos y la figura que puede estudiar menos para la segunda prueba y por lo que se obtiene un 73. Ahora lo que todos los interesados ​​y despreocupado va a Anticipar que usted conseguirá en su tercer examen Hay dos acercamientos muy probables para que desarrollen una estimación sin importar si lo compartirán con usted. Pueden decir a sí mismos: "Este tipo siempre está soplando el humo de su inteligencia. Hes va a conseguir otro 73 si hes suerte. Tal vez los padres tratarán de ser más solidarios y decir: "Bueno, hasta ahora has conseguido un 85 y un 73, por lo que tal vez debería figura en obtener sobre un (85 73) / 2 79. No sé, tal vez si usted hizo menos Fiesta y werent meneando la comadreja en todo el lugar y si usted comenzó a hacer mucho más estudiando que podría obtener una puntuación más alta. quot Ambos de estos estimados son en realidad las previsiones de promedio móvil. El primero es usar sólo su puntaje más reciente para pronosticar su rendimiento futuro. Esto se denomina pronóstico de media móvil utilizando un período de datos. El segundo es también un pronóstico de media móvil, pero utilizando dos períodos de datos. Vamos a asumir que todas estas personas estallando en su gran mente tienen tipo de molesto y usted decide hacer bien en la tercera prueba por sus propias razones y poner una puntuación más alta en frente de sus quotalliesquot. Usted toma la prueba y su puntuación es en realidad un 89 Todos, incluido usted mismo, está impresionado. Así que ahora tiene la prueba final del semestre que viene y como de costumbre se siente la necesidad de incitar a todos a hacer sus predicciones acerca de cómo youll hacer en la última prueba. Bueno, espero que veas el patrón. Ahora, espero que puedas ver el patrón. ¿Cuál crees que es el silbido más preciso mientras trabajamos? Ahora volvemos a nuestra nueva compañía de limpieza iniciada por su hermana separada llamada Whistle While We Work. Tiene algunos datos de ventas anteriores representados en la siguiente sección de una hoja de cálculo. Primero presentamos los datos para un pronóstico de media móvil de tres periodos. La entrada para la celda C6 debe ser Ahora puede copiar esta fórmula de celda abajo a las otras celdas C7 a C11. Observe cómo el promedio se mueve sobre los datos históricos más recientes, pero utiliza exactamente los tres períodos más recientes disponibles para cada predicción. También debe notar que realmente no necesitamos hacer las predicciones para los períodos pasados ​​con el fin de desarrollar nuestra predicción más reciente. Esto es definitivamente diferente del modelo de suavizado exponencial. He incluido las predicciones anteriores porque las usaremos en la siguiente página web para medir la validez de la predicción. Ahora quiero presentar los resultados análogos para un pronóstico de media móvil de dos periodos. La entrada para la celda C5 debe ser Ahora puede copiar esta fórmula de celda hacia abajo a las otras celdas C6 a C11. Observe cómo ahora sólo se usan las dos más recientes piezas de datos históricos para cada predicción. Nuevamente he incluido las predicciones anteriores para fines ilustrativos y para uso posterior en la validación de pronósticos. Algunas otras cosas que son importantes de notar. Para una predicción de promedio móvil del período m sólo se usan los m valores de datos más recientes para hacer la predicción. Nada más es necesario. Para una predicción media móvil del período m, al hacer predicciones quotpast, observe que la primera predicción ocurre en el período m 1. Ambas cuestiones serán muy significativas cuando desarrollemos nuestro código. Desarrollo de la función de media móvil. Ahora necesitamos desarrollar el código para el pronóstico del promedio móvil que se puede usar con más flexibilidad. El código sigue. Observe que las entradas son para el número de períodos que desea utilizar en el pronóstico y la matriz de valores históricos. Puede guardarlo en cualquier libro que desee. Función MovingAverage (Histórica, NumberOfPeriods) Como única Declaración e inicialización de variables Dim Item como variante Dim Contador como Entero Dim Acumulación como único Dim HistoricalSize As Entero Inicialización de variables Counter 1 Acumulación 0 Determinación del tamaño del historial HistoricalSize Historical. Count For Counter 1 To NumberOfPeriods Acumular el número apropiado de los valores observados anteriormente más recientes Acumulación Acumulación Histórica (HistoricalSize - NumberOfPeriods Counter) MovingAverage Acumulación / NumberOfPeriods El código se explicará en la clase. Usted desea colocar la función en la hoja de cálculo para que el resultado de la computación aparece donde se debe como lo siguiente. Una serie de tiempo es una secuencia de observaciones de una variable aleatoria periódica. Ejemplos de ello son la demanda mensual de un producto, la matrícula anual de primer año en un departamento de la universidad y los flujos diarios en un río. Las series temporales son importantes para la investigación operativa porque son a menudo los impulsores de los modelos de decisión. Un modelo de inventario requiere estimaciones de las demandas futuras, un modelo de programación y dotación de personal para un departamento universitario requiere estimaciones del flujo futuro de estudiantes y un modelo para proporcionar advertencias a la población en una cuenca requiere estimaciones de flujos fluviales para el futuro inmediato. El análisis de series temporales proporciona herramientas para seleccionar un modelo que describe las series temporales y utilizar el modelo para predecir eventos futuros. Modelar la serie temporal es un problema estadístico porque los datos observados se utilizan en procedimientos computacionales para estimar los coeficientes de un supuesto modelo. Los modelos suponen que las observaciones varían aleatoriamente sobre un valor medio subyacente que es una función del tiempo. En estas páginas restringimos la atención a la utilización de datos históricos de series de tiempo para estimar un modelo dependiente del tiempo. Los métodos son apropiados para el pronóstico automático a corto plazo de la información de uso frecuente donde las causas subyacentes de la variación del tiempo no están cambiando marcadamente en el tiempo. En la práctica, los pronósticos derivados de estos métodos son posteriormente modificados por analistas humanos que incorporan información no disponible a partir de los datos históricos. Nuestro objetivo principal en esta sección es presentar las ecuaciones para los cuatro métodos de pronóstico utilizados en el complemento de predicción: promedio móvil, suavizado exponencial, regresión y suavizado exponencial doble. Estos son llamados métodos de suavizado. Los métodos no considerados incluyen la predicción cualitativa, regresión múltiple, y métodos autorregresivos (ARIMA). Los interesados ​​en una cobertura más amplia deben visitar el sitio de principios de pronóstico o leer uno de los varios libros excelentes sobre el tema. Utilizamos el libro Previsión. Por Makridakis, Wheelwright y McGee, John Wiley amp Sons, 1983. Para utilizar el libro de Ejemplos de Excel, debe tener instalado el complemento de Pronóstico. Elija el comando Relink para establecer los vínculos al complemento. Esta página describe los modelos utilizados para la predicción simple y la notación utilizada para el análisis. Este método de pronóstico más simple es el pronóstico del promedio móvil. El método simplemente promedios de las últimas m observaciones. Es útil para series de tiempo con una media que cambia lentamente. Este método considera todo el pasado en su pronóstico, pero pesa la experiencia reciente más fuertemente que menos reciente. Los cálculos son simples porque sólo la estimación del período anterior y los datos actuales determinan la nueva estimación. El método es útil para series de tiempo con una media que cambia lentamente. El método del promedio móvil no responde bien a una serie cronológica que aumenta o disminuye con el tiempo. Aquí incluimos un término de tendencia lineal en el modelo. El método de regresión se aproxima al modelo mediante la construcción de una ecuación lineal que proporciona el ajuste por mínimos cuadrados a las últimas observaciones m. Añada una línea de tendencia o de media móvil a un gráfico Se trata de: Excel 2016 Word 2016 PowerPoint 2016 Excel 2013 Word 2013 Outlook 2013 PowerPoint 2013 Más. Menos Para mostrar las tendencias de datos o las medias móviles en un gráfico que creó. Puede agregar una línea de tendencia. También puede ampliar una línea de tendencia más allá de sus datos reales para ayudar a predecir los valores futuros. Por ejemplo, la siguiente línea de tendencia lineal pronostica dos trimestres por delante y muestra claramente una tendencia al alza que parece prometedora para las ventas futuras. Puede agregar una línea de tendencia a una gráfica bidimensional que no esté apilada, incluyendo área, barra, columna, línea, stock, dispersión y burbuja. No puede agregar una línea de tendencia a un mapa de 3-D, radar, pastel, superficie o donut apilados. Agregar una línea de tendencia En su gráfico, haga clic en la serie de datos a la que desea agregar una línea de tendencia o una media móvil. La línea de tendencia se iniciará en el primer punto de datos de la serie de datos que elija. Marque la casilla Trendline. Para elegir un tipo diferente de línea de tendencia, haga clic en la flecha junto a Trendline. A continuación, haga clic en Exponencial. Pronóstico lineal. O Media móvil de dos periodos. Para obtener más líneas de tendencia, haga clic en Más opciones. Si selecciona Más opciones. Haga clic en la opción que desee en el panel Formato de línea de tendencia bajo Opciones de línea de tendencia. Si selecciona Polynomial. Introduzca la potencia más alta para la variable independiente en el cuadro Orden. Si selecciona Media móvil. Introduzca el número de períodos que se utilizarán para calcular la media móvil en el cuadro Período. Sugerencia: Una línea de tendencia es más precisa cuando su valor R-cuadrado (un número de 0 a 1 que revela cuán estrechamente los valores estimados para la línea de tendencia corresponden a los datos reales) es igual o cercano a 1. Cuando agrega una línea de tendencia a sus datos , Excel calcula automáticamente su valor R-cuadrado. Puede mostrar este valor en su gráfico, marcando el valor Mostrar cuadrado R en el cuadro de gráfico (panel Formato de línea de tendencia, Opciones de línea de tendencia). Puede obtener más información sobre todas las opciones de la línea de tendencia en las secciones siguientes. Línea de tendencia lineal Utilice este tipo de línea de tendencia para crear una línea recta de mejor ajuste para conjuntos de datos lineales simples. Sus datos son lineales si el patrón en sus puntos de datos se parece a una línea. Una línea de tendencia lineal por lo general muestra que algo está aumentando o disminuyendo a un ritmo constante. Una línea de tendencia lineal utiliza esta ecuación para calcular los mínimos cuadrados aptos para una línea: donde m es la pendiente yb es la intersección. La siguiente línea de tendencia lineal muestra que las ventas de refrigeradores han aumentado constantemente durante un período de 8 años. Observe que el valor de R-cuadrado (un número de 0 a 1 que revela cuán estrechamente los valores estimados para la línea de tendencia corresponden a sus datos reales) es 0.9792, que es un buen ajuste de la línea a los datos. Al mostrar una línea curva mejor ajustada, esta línea de tendencia es útil cuando la tasa de cambio en los datos aumenta o disminuye rápidamente y luego se nivela. Una línea de tendencia logarítmica puede usar valores negativos y positivos. Una línea de tendencia logarítmica utiliza esta ecuación para calcular los mínimos cuadrados que se ajustan a los puntos: donde c y b son constantes y ln es la función de logaritmo natural. La siguiente línea de tendencia logarítmica muestra el crecimiento poblacional previsto de los animales en un área de espacio fijo, donde la población nivelada como espacio para los animales disminuyó. Tenga en cuenta que el valor R-cuadrado es 0.933, que es un ajuste relativamente bueno de la línea a los datos. Esta línea de tendencia es útil cuando sus datos fluctúan. Por ejemplo, cuando analiza ganancias y pérdidas en un conjunto de datos grande. El orden del polinomio puede determinarse por el número de fluctuaciones en los datos o por el número de curvas (colinas y valles) que aparecen en la curva. Normalmente, una línea de tendencia polinomial de Orden 2 tiene sólo una colina o valle, una Orden 3 tiene una o dos colinas o valles, y una Orden 4 tiene hasta tres colinas o valles. Una línea de tendencia polinomial o curvilínea utiliza esta ecuación para calcular los mínimos cuadrados que se ajustan a los puntos: donde b son constantes. La siguiente línea de tendencia polinomial de la orden 2 (una colina) muestra la relación entre la velocidad de conducción y el consumo de combustible. Observe que el valor R-cuadrado es 0.979, que es cercano a 1 por lo que las líneas un buen ajuste a los datos. Al mostrar una línea curva, esta línea de tendencia es útil para conjuntos de datos que comparan medidas que aumentan a una velocidad específica. Por ejemplo, la aceleración de un coche de carreras a intervalos de 1 segundo. No puede crear una línea de tendencia de energía si sus datos contienen valores cero o negativos. Una línea de tendencia de potencia usa esta ecuación para calcular los mínimos cuadrados que se ajustan a los puntos: donde cyb son constantes. Nota: Esta opción no está disponible cuando los datos incluyen valores negativos o cero. El siguiente gráfico de medidas de distancia muestra la distancia en metros por segundos. La línea de tendencia de potencia demuestra claramente la creciente aceleración. Tenga en cuenta que el valor R-cuadrado es 0.986, que es un ajuste casi perfecto de la línea a los datos. Al mostrar una línea curva, esta línea de tendencia es útil cuando los valores de los datos suben o bajan a tasas constantemente en aumento. No puede crear una línea de tendencia exponencial si sus datos contienen valores cero o negativos. Una línea de tendencia exponencial utiliza esta ecuación para calcular los mínimos cuadrados que se ajustan a los puntos: donde c yb son constantes y e es la base del logaritmo natural. La siguiente línea de tendencia exponencial muestra la cantidad decreciente de carbono 14 en un objeto a medida que envejece. Tenga en cuenta que el valor R-cuadrado es 0,990, lo que significa que la línea se ajusta a los datos casi perfectamente. Tendencia media móvil Esta línea de tendencia evinge las fluctuaciones de los datos para mostrar un patrón o una tendencia más claramente. Una media móvil utiliza un número específico de puntos de datos (establecidos por la opción Período), los promedia y utiliza el valor promedio como un punto en la línea. Por ejemplo, si Período se establece en 2, el promedio de los dos primeros puntos de datos se utiliza como el primer punto de la línea de tendencia del promedio móvil. El promedio de los puntos de datos segundo y tercero se utiliza como segundo punto en la línea de tendencia, etc. Una línea de tendencia de media móvil utiliza esta ecuación: El número de puntos en una línea de tendencia de media móvil es igual al número total de puntos de la serie menos el Número que especifique para el período. En un gráfico de dispersión, la línea de tendencia se basa en el orden de los valores de x en el gráfico. Para obtener un resultado mejor, ordene los valores x antes de agregar un promedio móvil. La siguiente línea de tendencia de media móvil muestra un patrón en el número de viviendas vendidas en un período de 26 semanas. Ver también