Flyttande medelprognos Inledning. Som du kan gissa vi tittar på några av de mest primitiva tillvägagångssätten för prognoser. Men förhoppningsvis är dessa åtminstone en värdefull introduktion till några av de datorproblem som är relaterade till att implementera prognoser i kalkylblad. I den här venen fortsätter vi med att börja i början och börja arbeta med Moving Average prognoser. Flyttande medelprognoser. Alla är bekanta med att flytta genomsnittliga prognoser oavsett om de tror att de är. Alla studenter gör dem hela tiden. Tänk på dina testresultat i en kurs där du kommer att ha fyra tester under semestern. Låt oss anta att du fick en 85 på ditt första test. Vad skulle du förutse för ditt andra testresultat Vad tycker du att din lärare skulle förutsäga för nästa testresultat Vad tycker du att dina vänner kan förutsäga för nästa testresultat Vad tror du att dina föräldrar kan förutsäga för nästa testresultat Oavsett om Alla blabbing du kan göra för dina vänner och föräldrar, de och din lärare är mycket troliga att du förväntar dig att få något i området 85 du bara fick. Nåväl, nu kan vi anta att trots din självbefrämjande till dina vänner överskattar du dig själv och räknar att du kan studera mindre för det andra testet och så får du en 73. Nu vad är alla berörda och oroade att Förutse att du kommer att få på ditt tredje test Det finns två mycket troliga metoder för dem att utveckla en uppskattning oavsett om de kommer att dela den med dig. De kan säga till sig själva: "Den här killen sprider alltid rök om hans smarts. Hes kommer att få ytterligare 73 om han är lycklig. Kanske kommer föräldrarna att försöka vara mer stödjande och säga, Quote, hittills har du fått en 85 och en 73, så kanske du ska räkna med att få en (85 73) 2 79. Jag vet inte, kanske om du gjorde mindre fester Och werent vaggar vassan överallt och om du började göra mycket mer studerar kan du få en högre poäng. quot Båda dessa uppskattningar flyttar faktiskt genomsnittliga prognoser. Den första använder endast din senaste poäng för att förutse din framtida prestanda. Detta kallas en rörlig genomsnittlig prognos med en period av data. Den andra är också en rörlig genomsnittlig prognos men använder två dataperioder. Låt oss anta att alla dessa människor bråkar på ditt stora sinne, har gissat dig och du bestämmer dig för att göra det bra på det tredje testet av dina egna skäl och att lägga en högre poäng framför din quotalliesquot. Du tar testet och din poäng är faktiskt en 89 Alla, inklusive dig själv, är imponerade. Så nu har du det sista testet av terminen som kommer upp och som vanligt känner du behovet av att ge alla till att göra sina förutsägelser om hur du ska göra på det sista testet. Jo, förhoppningsvis ser du mönstret. Nu kan du förhoppningsvis se mönstret. Vilken tror du är den mest exakta visselpipan medan vi arbetar. Nu återvänder vi till vårt nya rengöringsföretag som startas av din främmande halvsyster, kallad Whistle While We Work. Du har några tidigare försäljningsdata som representeras av följande avsnitt från ett kalkylblad. Vi presenterar först data för en treårs glidande medelprognos. Posten för cell C6 ska vara Nu kan du kopiera den här cellformeln ner till de andra cellerna C7 till och med C11. Lägg märke till hur genomsnittet rör sig över de senaste historiska data men använder exakt de tre senaste perioderna som finns tillgängliga för varje förutsägelse. Du bör också märka att vi inte verkligen behöver göra förutsägelser för de senaste perioderna för att utveckla vår senaste förutsägelse. Detta är definitivt annorlunda än exponentiell utjämningsmodell. Ive inkluderade quotpast predictionsquot eftersom vi kommer att använda dem på nästa webbsida för att mäta förutsägelse validitet. Nu vill jag presentera de analoga resultaten för en tvåårs glidande medelprognos. Posten för cell C5 ska vara Nu kan du kopiera den här cellformeln ner till de andra cellerna C6 till och med C11. Observera hur nu endast de två senaste bitarna av historiska data används för varje förutsägelse. Återigen har jag inkluderat quotpast predictionsquot för illustrativa ändamål och för senare användning vid prognosvalidering. Några andra saker som är viktiga att märka. För en m-period som rör genomsnittlig prognos används endast de senaste datavärdena för att göra förutsägelsen. Inget annat är nödvändigt. För en m-period som rör en genomsnittlig prognos, observera att den första förutsägelsen sker i period m 1. Båda dessa problem kommer att vara väldigt signifikanta när vi utvecklar vår kod. Utveckla den rörliga genomsnittsfunktionen. Nu behöver vi utveckla koden för den glidande genomsnittliga prognosen som kan användas mer flexibelt. Koden följer. Observera att inmatningarna är för antalet perioder du vill använda i prognosen och en rad historiska värden. Du kan lagra den i vilken arbetsbok du vill ha. Funktion MovingAverage (Historical, NumberOfPeriods) Som enstaka deklarering och initialisering av variabler Dim-objekt som variant Dim-räknare som integer Dim-ackumulering som enstaka Dim HistoricalSize som heltal Initialiserande variabler Counter 1 ackumulering 0 Bestämning av storleken på Historisk matris Historisk storlek Historical. Count för Counter 1 till NumberOfPeriods Ackumulera lämpligt antal senast tidigare observerade värden ackumulering ackumulering historisk (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Koden förklaras i klassen. Du vill placera funktionen på kalkylbladet så att resultatet av beräkningen visas där den ska gilla följande. OR-Notes är en serie inledande anteckningar om ämnen som faller under den breda rubriken inom verksamhetsforskningsområdet (OR) . De användes ursprungligen av mig i en introduktionskurs eller kurs jag ger vid Imperial College. De är nu tillgängliga för användning av studenter och lärare som är intresserade av ELLER underkastade följande villkor. En fullständig lista över ämnena som finns i OR-Notes finns här. Prognosprognoser Prognosexempel 1996 UG-examen Efterfrågan på en produkt i vart och ett av de senaste fem månaderna visas nedan. Använd ett två månaders glidande medelvärde för att generera en prognos för efterfrågan i månad 6. Applicera exponentiell utjämning med en utjämningskonstant på 0,9 för att generera en prognos för efterfrågan på efterfrågan i månad 6. Vilken av dessa två prognoser föredrar du och varför De två månaderna rör sig genomsnittet för månader två till fem ges av: Prognosen för månad sex är bara det rörliga genomsnittet för månaden före det vill säga det glidande genomsnittet för månad 5 m 5 2350. Tillämpning av exponentiell utjämning med en utjämningskonstant på 0,9 får vi: Som tidigare Prognosen för månad sex är bara genomsnittet för månad 5 M 5 2386 För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen (MSD). Om vi gör det här finner vi att för det glidande medelvärdet MSD (15-19) sup2 (18-23) sup2 (21-24) sup23 16,67 och för det exponentiellt jämnade medlet med en utjämningskonstant på 0,9 MSD (13-17) sup2 (16,60 - 19) sup2 (18,76 - 23) sup2 (22,58 - 24) sup24 10,44 Totalt sett ser vi att exponentiell utjämning tycks ge de bästa månadens framåtprognoser eftersom den har en lägre MSD. Därför föredrar vi prognosen för 2386 som har producerats genom exponentiell utjämning. Prognosexempel 1994 UG-examen Tabellen nedan visar efterfrågan på en ny aftershave i en butik för var och en av de senaste 7 månaderna. Beräkna ett två månaders glidande medelvärde för månader två till sju. Vad är din prognos för efterfrågan i månad åtta. Applicera exponentiell utjämning med en utjämningskonstant på 0,1 för att få en prognos för efterfrågan i månad åtta. Vilket av de två prognoserna för månad åtta föredrar du och varför Butiksinnehavaren anser att kunderna byter till denna nya efterskärning från andra märken. Diskutera hur du kan modellera detta kopplingsbeteende och ange vilka data du behöver för att bekräfta om den här växlingen sker eller inte. Det tvåmånadersrörande genomsnittet för månaderna två till sju är givet av: Prognosen för månad åtta är bara det rörliga genomsnittet för månaden före det vill säga det rörliga genomsnittet för månad 7 m 7 46. Tillämpning av exponentiell utjämning med en utjämningskonstant av 0,1 vi få: Som före prognosen för månad åtta är bara genomsnittet för månaden 7 M 7 31,11 31 (eftersom vi inte kan ha fraktionerad efterfrågan). För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen (MSD). Om vi gör det här finner vi det för glidande medelvärdet och för det exponentiellt jämnaste medlet med en utjämningskonstant av 0,1. Totalt ser vi att det tvåmånaders glidande medlet verkar ge de bästa månadens framåtprognoser eftersom den har en lägre MSD. Därför föredrar vi prognosen på 46 som har producerats av två månaders glidande medelvärde. För att undersöka omkoppling skulle vi behöva använda en Markov-processmodell, där tillståndsmärken och vi skulle behöva initiala statsinformation och kundbyte sannolikheter (från undersökningar). Vi skulle behöva springa modellen på historiska data för att se om vi passar in mellan modellen och det historiska beteendet. Prognosexempel 1992 UG-examen Tabellen nedan visar efterfrågan på ett visst märke rakhyvel i en butik för var och en av de senaste nio månaderna. Beräkna ett tre månaders glidande medelvärde för tre till nio månader. Vad skulle vara din prognos för efterfrågan i månad tio Applicera exponentiell utjämning med en utjämningskonstant på 0,3 för att få en prognos för efterfrågan i månad tio. Vilken av de två prognoserna för tio månad föredrar du och varför Det tre månaders glidande genomsnittet för månaderna 3 till 9 ges av: Prognosen för månad 10 är bara det rörliga genomsnittet för månaden före det vill säga det glidande genomsnittet för månaden 9 m 9 20,33. Följaktligen (eftersom vi inte kan ha fraktionerad efterfrågan) är prognosen för månad 10 20. Tillämpning av exponentiell utjämning med en utjämningskonstant på 0,3 får vi: Som tidigare är prognosen för månad 10 bara genomsnittet för månaden 9 M 9 18,57 19 (som vi Kan inte ha fraktionerad efterfrågan). För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen (MSD). Om vi gör det här finner vi det för glidande medelvärde och för exponentiellt jämnt medelvärde med en utjämningskonstant på 0,3 Totalt ser vi att tre månaders glidande medelvärde tycks ge de bästa månadens framåtprognoser eftersom det har en lägre MSD. Därför föredrar vi prognosen på 20 som har producerats av tre månaders glidande medelvärde. Prognos exempel 1991 UG-examen Tabellen nedan visar efterfrågan på ett visst varumärke av faxapparat i ett varuhus under de senaste tolv månaderna. Beräkna fyra månaders glidande medelvärde för månaderna 4 till 12. Vad skulle vara din prognos för efterfrågan i månad 13 Applicera exponentiell utjämning med en utjämningskonstant på 0,2 för att få en prognos för efterfrågan i månad 13. Vilken av de två prognoserna för månaden 13 föredrar du och varför Vilka andra faktorer som inte beaktas i ovanstående beräkningar kan påverka efterfrågan på faxen i månad 13 Det fyra månaders glidande genomsnittet för månaderna 4 till 12 ges av: m 4 (23 19 15 12) 4 17,25 m 5 (27 23 19 15) 4 21 m 6 (30 27 23 19) 4 24,75 m 7 (32 30 27 23) 4 28 m 8 (33 32 30 27) 4 30,5 m 9 (37 33 32 30) 4 33 m 10 (41 37 33 32) 4 35,75 m 11 (49 41 37 33) 4 40 m 12 (58 49 41 37) 4 46,25 Prognosen för månad 13 är bara det rörliga genomsnittet för månaden före det vill säga det glidande genomsnittet För månad 12 m 12 46.25. Därför (eftersom vi inte kan ha fraktsubjekt) är prognosen för månad 13 46. Tillämpning av exponentiell utjämning med en utjämningskonstant på 0,2 får vi: Som tidigare är prognosen för månad 13 bara genomsnittet för månaden 12 M 12 38.618 39 (som vi kan inte ha fraktionerad efterfrågan). För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen (MSD). Om vi gör det här finner vi det för glidande medelvärde och för exponentiellt jämnt medelvärde med en utjämningskonstant på 0,2 Totalt ser vi att det fyra månaders glidande genomsnittet tycks ge de bästa månadens framåtprognoser eftersom det har en lägre MSD. Därför föredrar vi prognosen på 46 som har producerats av fyra månaders glidande medelvärde. säsongsbetonad efterfrågan reklam prisförändringar, både detta märke och andra märken Allmän ekonomisk situation Ny teknik Prognos exempel 1989 UG-examen Tabellen nedan visar efterfrågan på ett visst varumärke av mikrovågsugn i ett varuhus i vart och ett av de senaste tolv månaderna. Beräkna ett sex månaders glidande medelvärde för varje månad. Vad är din prognos för efterfrågan i månad 13. Applicera exponentiell utjämning med en utjämningskonstant på 0,7 för att få en prognos för efterfrågan i månad 13. Vilken av de två prognoserna för månad 13 föredrar du och varför Nu kan vi inte beräkna en sex månad flyttar genomsnittet tills vi har minst 6 observationer - det kan vi bara beräkna ett så genomsnittligt från månad 6 framåt. Därför har vi: m 6 (34 32 30 29 31 27) 6 30,50 m 7 (36 34 32 30 29 31) 6 32,00 m 8 (35 36 34 32 30 29) 6 32,67 m 9 (37 35 36 34 32 30) 6 34,00 m 10 (39 37 35 36 34 32) 6 35,50 m 11 (40 39 37 35 36 34) 6 36,83 m 12 (42 40 39 37 35 36) 6 38,17 Prognosen för månad 13 är bara det rörliga genomsnittet för Månad före det vill säga det glidande medeltalet för månaden 12 m 12 38,17. Följaktligen (eftersom vi inte kan ha fraktionerad efterfrågan) är prognosen för månad 13 38. Tillämpning av exponentiell utjämning med en utjämningskonstant på 0,7 får vi: C beräkna den genomsnittliga absoluta avvikelsen galen för varje c. Beräkna den genomsnittliga absoluta avvikelsen (MAD) för varje prognos. Vilket är bäst 11. a. April till september 130, 150, 160, 170, 160, 150. b. April till september 136, 146, 150, 159, 153, 146. c. Exponentiell utjämning utfördes bättre. 12. MAD 58.3 TS - 6. Modell ger en dålig prognos. 13. a. MAD 23,75. b. TS 7.16. c. Spårningssignalen på 7.16 för stor modell är dålig. 14. a. Se ISM. b. Se ISM. c. Enkel MAD 2,90 Med trend MAD 0.86. Trendsmodellen är bättre. Denna förhandsvisning har avsiktligt suddiga avsnitt. Registrera dig för att se hela versionen. D EMAND M ANAGEMENT OCH F ORECASTING kapitel 15 509 15 I det här problemet ska du testa giltigheten av din prognosmodell. Här är prognoserna för en modell du har använt och de faktiska kraven som uppstod: W EEK F ORECAST A CTUAL 1 800 900 2 850 1 000 3 950 1 050 4 950 900 5 1000 900 6 975 1 100 Använd metoden som anges i texten till beräkna MAD och spårningssignalen. Välj sedan om prognosmodellen du har använt ger rimliga resultat. 16 Antag att ditt lager av försäljningsvaror bibehålls baserat på prognosbehovet. Om distributörrsquos säljpersonal ringer upp den första dagen i varje månad, beräkna din prognosförsäljning med var och en av de tre metoder som begärs här. En CTUAL juni 140 juli 180 augusti 170 a. Använda ett enkelt tremånaders glidande medelvärde, vad är prognosen för september b. Med ett vägt glidande medelvärde, vad är prognosen för september med vikter på .20. 30 och .50 för juni, juli och augusti respektive c. Genom att använda enstaka exponentiell utjämning och förutsatt att prognosen för juni hade varit 130, prognostiserar försäljningen i september med en utjämningskonstant alfa på .30. 17 Historisk efterfrågan på en produkt är följande: D EMAND 60 april maj 55 juni 75 juli 60 augusti 80 september 75 a. Använd ett enkelt fyra månaders glidande medelvärde, beräkna en prognos för oktober. b. Använd en exponentiell utjämning med en 0,2 och en septemberprognos 65, beräkna en prognos för oktober. c. Beräkna trendlinjen för historiska data med hjälp av enkel linjär regression. Säg att X-axeln är 1 april, 2 maj och så vidare, medan Y-axeln är efterfrågan. d. Beräkna en prognos för oktober. 18 Kvartalsavkastningen för fjolåret och de tre första kvartalen i år var följande: Q UTERTER I II III IV Förra året 23 000 27 000 18 000 9 000 I år 19 000 24 000 15 000 Använd prognosproceduren som beskrivs i texten, prognostiserad förväntad försäljning för fjärde kvartalet i år. 19 Följande tabell visar förväntad produktbehov med hjälp av din specifika prognosmetod tillsammans med den faktiska efterfrågan som uppstod: F ORECAST A CTUAL 1.500 1.550 1.400 1.500 1.700 1.600 1.750 1.650 1.800 1.700 a. Beräkna spårningssignalen med hjälp av den genomsnittliga absoluta avvikelsen och löpande summan av prognosfel. b. Diskutera om din prognosmetod ger goda förutsägelser. 15. MAD 104 T S 3.1. TS är 3,1 i vecka 6. Detta är ett ganska högt värde, vilket indikerar att modellen är oacceptabel. 16. a. F Sept. 163.3. b. F sept. 167. c. F sept. 154. 17. a. F oktober 72,5. b. 67. c. Y 54 3,86 x. d. 81. 18. Använd strategi 5 för att förutse fjärde kvartalet: F IV 7.500. Detta är slutet på förhandsvisningen. Anmäl dig för att få tillgång till resten av dokumentet. OR-Notes är en serie inledande anteckningar om ämnen som faller under den breda rubriken inom verksamhetsforskningsområdet (OR). De användes ursprungligen av mig i en introduktionskurs eller kurs jag ger vid Imperial College. De är nu tillgängliga för användning av studenter och lärare som är intresserade av ELLER underkastade följande villkor. En fullständig lista över ämnena som finns i OR-Notes finns här. Prognosprognoser Prognosexempel 1996 UG-examen Efterfrågan på en produkt i vart och ett av de senaste fem månaderna visas nedan. Använd ett tvåmånaders glidande medelvärde för att generera en prognos för efterfrågan i månad 6. Applicera exponentiell utjämning med en utjämningskonstant på 0,9 för att generera en prognos för efterfrågan på efterfrågan i månad 6. Vilken av dessa två prognoser föredrar du och varför De två månaderna rör sig genomsnittet för månader två till fem ges av: Prognosen för månad sex är bara det rörliga genomsnittet för månaden före det vill säga det glidande genomsnittet för månad 5 m 5 2350. Tillämpning av exponentiell utjämning med en utjämningskonstant på 0,9 får vi: Som tidigare prognosen för månad sex är bara genomsnittet för månad 5 M 5 2386 För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen (MSD). Om vi gör det här finner vi att för det glidande medelvärdet MSD (15-19) sup2 (18-23) sup2 (21-24) sup23 16,67 och för det exponentiellt jämnade medlet med en utjämningskonstant på 0,9 MSD (13-17) sup2 (16,60 - 19) sup2 (18,76 - 23) sup2 (22,58 - 24) sup24 10,44 Totalt sett ser vi att exponentiell utjämning tycks ge de bästa månadens framåtprognoser eftersom den har en lägre MSD. Därför föredrar vi prognosen för 2386 som har producerats genom exponentiell utjämning. Prognosexempel 1994 UG-examen Tabellen nedan visar efterfrågan på en ny aftershave i en butik för var och en av de senaste 7 månaderna. Beräkna ett två månaders glidande medelvärde för månader två till sju. Vad är din prognos för efterfrågan i månad åtta. Applicera exponentiell utjämning med en utjämningskonstant på 0,1 för att få en prognos för efterfrågan i månad åtta. Vilket av de två prognoserna för åtta åtta föredrar du och varför Butiksinnehavaren tror att kunderna byter till den nya efterhäftningen från andra märken. Diskutera hur du kan modellera detta kopplingsbeteende och ange vilka data du behöver för att bekräfta om den här växlingen sker eller inte. Det tvåmånadersrörande genomsnittet för månaderna två till sju är givet av: Prognosen för månad åtta är bara det rörliga genomsnittet för månaden före det vill säga det rörliga genomsnittet för månad 7 m 7 46. Tillämpning av exponentiell utjämning med en utjämningskonstant av 0,1 vi få: Som före prognosen för månad åtta är bara genomsnittet för månaden 7 M 7 31,11 31 (eftersom vi inte kan ha fraktionerad efterfrågan). För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen (MSD). Om vi gör det här finner vi det för glidande medelvärde och för exponentiellt jämnt medelvärde med en utjämningskonstant av 0,1 Övergripande ser vi att det tvåmånaders glidande genomsnittet tycks ge de bästa månadens framåtprognoser eftersom den har en lägre MSD. Därför föredrar vi prognosen på 46 som har producerats av två månaders glidande medelvärde. För att undersöka omkoppling skulle vi behöva använda en Markov-processmodell, där tillståndsmärken och vi skulle behöva initiala statsinformation och kundbyte sannolikheter (från undersökningar). Vi skulle behöva springa modellen på historiska data för att se om vi har en passform mellan modellen och det historiska beteendet. Prognosexempel 1992 UG-examen Tabellen nedan visar efterfrågan på ett visst märke rakhyvel i en butik för var och en av de senaste nio månaderna. Beräkna ett tre månaders glidande medelvärde i månader tre till nio. Vad skulle vara din prognos för efterfrågan i månad tio Applicera exponentiell utjämning med en utjämningskonstant på 0,3 för att få en prognos för efterfrågan i månad tio. Vilken av de två prognoserna för tio månad föredrar du och varför Det tre månaders glidande genomsnittet för månaderna 3 till 9 ges av: Prognosen för månad 10 är bara det rörliga genomsnittet för månaden före det vill säga det glidande genomsnittet för månaden 9 m 9 20,33. Följaktligen (eftersom vi inte kan ha fraktionerad efterfrågan) är prognosen för månad 10 20. Tillämpning av exponentiell utjämning med en utjämningskonstant på 0,3 får vi: Som tidigare är prognosen för månad 10 bara genomsnittet för månaden 9 M 9 18,57 19 (som vi Kan inte ha fraktionerad efterfrågan). För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen (MSD). Om vi gör det här finner vi det för glidande medelvärde och för exponentiellt jämnt medelvärde med en utjämningskonstant på 0,3 Totalt ser vi att tre månaders glidande medelvärde tycks ge de bästa månadens framåtprognoser eftersom det har en lägre MSD. Därför föredrar vi prognosen på 20 som har producerats av tre månaders glidande medelvärde. Prognos exempel 1991 UG-examen Tabellen nedan visar efterfrågan på ett visst varumärke av faxapparat i ett varuhus i vart och ett av de senaste tolv månaderna. Beräkna fyra månaders glidande medelvärde för månaderna 4 till 12. Vad skulle vara din prognos för efterfrågan i månad 13 Applicera exponentiell utjämning med en utjämningskonstant på 0,2 för att få en prognos för efterfrågan i månad 13. Vilken av de två prognoserna för månaden 13 föredrar du och varför Vilka andra faktorer som inte beaktas i ovanstående beräkningar kan påverka efterfrågan på faxen i månad 13 Det fyra månaders glidande genomsnittet för månaderna 4 till 12 ges av: m 4 (23 19 15 12) 4 17,25 m 5 (27 23 19 15) 4 21 m 6 (30 27 23 19) 4 24,75 m 7 (32 30 27 23) 4 28 m 8 (33 32 30 27) 4 30,5 m 9 (37 33 32 30) 4 33 m 10 (41 37 33 32) 4 35,75 m 11 (49 41 37 33) 4 40 m 12 (58 49 41 37) 4 46,25 Prognosen för månad 13 är bara det rörliga genomsnittet för månaden före det vill säga det glidande genomsnittet för månad 12 m 12 46.25. Därför (eftersom vi inte kan ha fraktsubjekt) är prognosen för månad 13 46. Tillämpning av exponentiell utjämning med en utjämningskonstant på 0,2 får vi: Som tidigare är prognosen för månad 13 bara genomsnittet för månaden 12 M 12 38.618 39 (som vi Kan inte ha fraktionerad efterfrågan). För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen (MSD). Om vi gör det här finner vi det för glidande medelvärde och för exponentiellt jämnt medelvärde med en utjämningskonstant på 0,2 Totalt sett ser vi att det fyra månaders glidande medelvärdet tycks ge de bästa månadens framåtprognoser eftersom det har en lägre MSD. Därför föredrar vi prognosen på 46 som har producerats av fyra månaders glidande medelvärde. säsongsbetonad efterfrågan reklam prisförändringar, både detta märke och andra märken Allmän ekonomisk situation Ny teknik Prognos exempel 1989 UG-examen Tabellen nedan visar efterfrågan på ett visst varumärke av mikrovågsugn i ett varuhus i vart och ett av de senaste tolv månaderna. Beräkna ett sex månaders glidande medelvärde för varje månad. Vad är din prognos för efterfrågan i månad 13. Applicera exponentiell utjämning med en utjämningskonstant på 0,7 för att få en prognos för efterfrågan i månad 13. Vilken av de två prognoserna för månad 13 föredrar du och varför Nu kan vi inte beräkna en sex månad flyttar genomsnittet tills vi har minst 6 observationer - det kan vi bara beräkna ett så genomsnittligt från månad 6 framåt. Därför har vi: m 6 (34 32 30 29 31 27) 6 30,50 m 7 (36 34 32 30 29 31) 6 32,00 m 8 (35 36 34 32 30 29) 6 32,67 m 9 (37 35 36 34 32 30) 6 34,00 m 10 (39 37 35 36 34 32) 6 35,50 m 11 (40 39 37 35 36 34) 6 36,83 m 12 (42 40 39 37 35 36) 6 38,17 Prognosen för månad 13 är bara det rörliga genomsnittet för månad före det vill säga det glidande medeltalet för månaden 12 m 12 38,17. Följaktligen (eftersom vi inte kan ha fraktionerad efterfrågan) är prognosen för månad 13 38. Tillämpning av exponentiell utjämning med en utjämningskonstant på 0,7 får vi:
No comments:
Post a Comment