Capítulos Cuatro (MC y T / F) Cuáles dos números están contenidos en el informe diario al CEO de Walt Disney Parks amp Resorts con respecto a los seis parques de Orlando a. La previsión de asistencia de ayer y la asistencia real de ayer b. La asistencia actual de ayer y la asistencia prevista de hoy c. La previsión de asistencia de ayer y la asistencia prevista de hoy d. Ayer asistencia real y asistencia de los últimos años e. Previsión pronosticada de ayer y error promedio diario de previsión para el año. Un pronóstico promedio móvil de seis meses es mejor que un pronóstico promedio móvil de tres meses si la demanda a. Es más bien estable b. Ha estado cambiando debido a los recientes esfuerzos promocionales c. Sigue una tendencia a la baja d. Sigue un patrón estacional que se repite dos veces al año e. Sigue una tendencia al alza Para una demanda de producto dada, la ecuación de tendencia de serie temporal es 53 - 4 X. El signo negativo en la pendiente de la ecuación a. Es una imposibilidad matemática b. Es una indicación de que el pronóstico está sesgado, con valores de pronóstico inferiores a los valores reales c. Es una indicación de que la demanda del producto está disminuyendo d. Implica que el coeficiente de determinación también será negativo e. Implica que el RSFE será negativo. Cuál de las siguientes afirmaciones es verdadera con respecto a las dos constantes de suavización del modelo de Pronóstico Incluyendo Tendencia (FIT) a. Una constante es positiva, mientras que la otra es negativa. segundo. Se llaman MAD y RSFE. do. El alfa es siempre más pequeño que el beta. re. Una constante suaviza la intercepción de regresión, mientras que la otra suaviza la pendiente de regresión. mi. Sus valores se determinan independientemente. Se pronostica que la demanda de un determinado producto será de 800 unidades por mes, promediado durante los 12 meses del año. El producto sigue un patrón estacional, para el cual el índice mensual de enero es 1,25. ¿Cuál es el pronóstico de ventas ajustado estacionalmente para enero a. 640 unidades b. 798.75 unidades c. 800 unidades. D. 1000 unidades e. No puede calcularse con la información proporcionada. Un índice estacional para una serie mensual está a punto de calcularse sobre la base de una acumulación de datos de tres años. Los tres valores anteriores de julio fueron 110, 150 y 130. El promedio durante todos los meses es de 190. El índice estacional aproximado para julio es a. 0,487 b. 0,684 c. 1.462 d. 2,053 e. No se puede calcular con la información proporcionadaPlanificación de hoja de cálculo de ajuste estacional y suavizado exponencial Es fácil realizar el ajuste estacional y ajustar los modelos de suavizado exponencial utilizando Excel. Las imágenes y gráficos de pantalla que se muestran a continuación se toman de una hoja de cálculo que se ha configurado para ilustrar el ajuste estacional multiplicativo y el suavizado lineal exponencial en los siguientes datos de ventas trimestrales de Outboard Marine: Para obtener una copia del archivo de la hoja de cálculo, haga clic aquí. La versión de suavizado exponencial lineal que se utilizará aquí para propósitos de demostración es la versión de Brown8217s, simplemente porque puede implementarse con una sola columna de fórmulas y sólo hay una constante de suavizado para optimizar. Por lo general, es mejor usar la versión de Holt8217s que tiene constantes de suavizado separadas para nivel y tendencia. El proceso de pronóstico se desarrolla de la siguiente manera: (i) en primer lugar los datos se ajustan estacionalmente (ii) luego se generan pronósticos para los datos desestacionalizados a través de la suavización exponencial lineal y (iii) finalmente los pronósticos desestacionalizados son quotorasonalizados para obtener pronósticos para la serie original . El proceso de ajuste estacional se lleva a cabo en las columnas D a G. El primer paso en el ajuste estacional es calcular una media móvil centrada (realizada aquí en la columna D). Esto puede hacerse tomando el promedio de dos promedios de un año que son compensados por un período entre sí. (Se necesita una combinación de dos promedios de compensación en lugar de un solo promedio para fines de centrado cuando el número de estaciones es par.) El siguiente paso es calcular la relación con el promedio móvil - ie. Los datos originales divididos por la media móvil en cada período - que se realiza aquí en la columna E. (Esto también se llama el componente quottrend-cyclequot del patrón, en la medida en que los efectos de tendencia y de ciclo de negocio podrían ser considerados como todo lo que Por supuesto, los cambios mensuales que no son debidos a la estacionalidad podrían ser determinados por muchos otros factores, pero el promedio de 12 meses suaviza sobre ellos en gran medida). El índice estacional estimado para cada estación se calcula primero haciendo un promedio de todas las proporciones para esa estación particular, que se hace en las células G3-G6 usando una fórmula de AVERAGEIF. Las relaciones medias se vuelven a escalar de modo que suman exactamente 100 veces el número de períodos en una estación, o 400 en este caso, lo que se hace en las células H3-H6. Debajo en la columna F, las fórmulas de VLOOKUP se utilizan para insertar el valor apropiado del índice estacional en cada fila de la tabla de datos, según el cuarto del año que representa. La media móvil centrada y los datos desestacionalizados terminan pareciendo esto: Obsérvese que la media móvil típicamente se parece a una versión más suave de la serie con ajuste estacional, y es más corta en ambos extremos. Otra hoja de trabajo en el mismo archivo de Excel muestra la aplicación del modelo de suavizado exponencial lineal a los datos desestacionalizados, empezando en la columna G. Un valor para la constante de suavizado (alfa) se introduce por encima de la columna de pronóstico (aquí en la celda H9) y Por comodidad se le asigna el nombre de rango quotAlpha. quot (El nombre se asigna mediante el mandato quotInsert / Name / Createquot). El modelo LES se inicializa estableciendo los dos primeros pronósticos igual al primer valor real de la serie ajustada estacionalmente. La fórmula utilizada aquí para la previsión de LES es la forma recursiva de una sola ecuación del modelo Brown8217s: Esta fórmula se introduce en la celda correspondiente al tercer período (aquí, celda H15) y se copia desde allí. Obsérvese que la previsión de LES para el período actual se refiere a las dos observaciones precedentes ya los dos errores de pronóstico precedentes, así como al valor de alfa. Por lo tanto, la fórmula de pronóstico en la fila 15 se refiere sólo a los datos que estaban disponibles en la fila 14 y anteriores. (Por supuesto, si deseamos usar el suavizado exponencial lineal simple en vez de lineal, podríamos sustituir la fórmula SES aquí en lugar. También podríamos usar Holt8217s en lugar de Brown8217s modelo LES, lo que requeriría dos columnas más de fórmulas para calcular el nivel y la tendencia Que se utilizan en la previsión). Los errores se calculan en la siguiente columna (aquí, columna J) restando las previsiones de los valores reales. El error cuadrático medio raíz se calcula como la raíz cuadrada de la varianza de los errores más el cuadrado de la media. En el cálculo de la media y la varianza de los errores en esta fórmula, se excluyen los dos primeros períodos porque el modelo no comienza realmente a pronosticar hasta el momento en que se calcula la media y la varianza de los errores en esta fórmula. El tercer período (fila 15 en la hoja de cálculo). El valor óptimo de alpha se puede encontrar cambiando manualmente alfa hasta que se encuentre el RMSE mínimo, o bien puede usar el quotSolverquot para realizar una minimización exacta. El valor de alfa que encontró el Solver se muestra aquí (alpha0.471). Por lo general, es una buena idea trazar los errores del modelo (en unidades transformadas) y también calcular y trazar sus autocorrelaciones a retrasos de hasta una temporada. Las correlaciones de error se calculan usando la función CORREL () para calcular las correlaciones de los errores con ellos mismos rezagados por uno o más períodos - los detalles se muestran en el modelo de hoja de cálculo . Aquí hay una gráfica de las autocorrelaciones de los errores en los primeros cinco retrasos: Las autocorrelaciones en los retornos 1 a 3 son muy cercanas a cero, pero el pico con retraso 4 (cuyo valor es 0,35) es ligeramente problemático. El proceso de ajuste estacional no ha sido completamente exitoso. Sin embargo, en realidad sólo es marginalmente significativo. 95 para determinar si las autocorrelaciones son significativamente diferentes de cero son más o menos 2 / SQRT (n-k), donde n es el tamaño de la muestra yk es el retraso. Aquí n es 38 y k varía de 1 a 5, por lo que la raíz cuadrada de - n-menos-k es de alrededor de 6 para todos ellos, y por lo tanto los límites para probar la significación estadística de las desviaciones de cero son más o menos - O-menos 2/6, o 0,33. Si se modifica el valor de alfa manualmente en este modelo de Excel, se puede observar el efecto sobre la serie temporal y las gráficas de autocorrelación de los errores, así como sobre el error cuadrático medio de raíz, que se ilustrará a continuación. En la parte inferior de la hoja de cálculo, la fórmula de pronóstico se quotbootrapeado en el futuro mediante la simple sustitución de los pronósticos de los valores reales en el punto en que se agotan los datos reales, es decir, Donde comienza el futuro. (En otras palabras, en cada celda donde se produzca un valor de datos futuro, se inserta una referencia de celda que apunta a la previsión hecha para ese período). Todas las otras fórmulas se copian simplemente desde arriba: Obsérvese que los errores para pronósticos de El futuro se calcula que es cero. Esto no significa que los errores reales sean cero, sino que simplemente refleja el hecho de que para propósitos de predicción estamos asumiendo que los datos futuros serán iguales a los pronósticos en promedio. Las previsiones de LES para los datos desestacionalizados se ven así: Con este valor particular de alfa, que es óptimo para predicciones de un período de anticipación, la tendencia proyectada es levemente ascendente, reflejando la tendencia local que se observó en los últimos 2 años más o menos. Para otros valores de alfa, se podría obtener una proyección de tendencia muy diferente. Por lo general, es una buena idea ver qué sucede con la proyección de tendencia a largo plazo cuando el alfa es variado, porque el valor que es mejor para pronósticos a corto plazo no será necesariamente el mejor valor para predecir el futuro más lejano. Por ejemplo, aquí está el resultado que se obtiene si el valor de alpha se establece manualmente en 0.25: La tendencia a largo plazo proyectada es ahora negativa en lugar de positiva Con un valor menor de alfa, el modelo está poniendo más peso en datos antiguos en Su estimación del nivel y tendencia actual y sus previsiones a largo plazo reflejan la tendencia a la baja observada en los últimos 5 años en lugar de la tendencia al alza más reciente. Este gráfico también ilustra claramente cómo el modelo con un valor menor de alpha es más lento para responder a los puntos de quotturning en los datos y por lo tanto tiende a hacer un error del mismo signo para muchos períodos en una fila. Sus errores de pronóstico de 1 paso son mayores en promedio que los obtenidos antes (RMSE de 34,4 en lugar de 27,4) y fuertemente positivamente autocorrelacionados. La autocorrelación lag-1 de 0,56 excede en gran medida el valor de 0,33 calculado anteriormente para una desviación estadísticamente significativa de cero. Como alternativa a la disminución del valor de alfa para introducir un mayor conservadurismo en los pronósticos a largo plazo, a veces se añade al modelo un factor quottrend de amortiguación para hacer que la tendencia proyectada se aplaste después de unos pocos períodos. El paso final en la construcción del modelo de predicción es el de la obtención de la razón de los pronósticos de LES, multiplicándolos por los índices estacionales apropiados. Por lo tanto, las previsiones reseasonalized en la columna I son simplemente el producto de los índices estacionales en la columna F y las previsiones desestacionalizadas de LES en la columna H. Es relativamente fácil calcular intervalos de confianza para los pronósticos de un paso adelante realizados por este modelo: primero Calcular el RMSE (error cuadrático-medio cuadrático, que es sólo la raíz cuadrada del MSE) y luego calcular un intervalo de confianza para el pronóstico ajustado estacionalmente sumando y restando dos veces el RMSE. (En general, un intervalo de confianza de 95 para un pronóstico de un período por delante es aproximadamente igual al punto de previsión más o menos dos veces la desviación estándar estimada de los errores de pronóstico, suponiendo que la distribución del error es aproximadamente normal y el tamaño de la muestra Es lo suficientemente grande, digamos, 20 o más. En este caso, el RMSE en lugar de la desviación estándar de la muestra de los errores es la mejor estimación de la desviación estándar de los futuros errores de pronóstico, ya que toma el sesgo, así como las variaciones aleatorias en cuenta. Para el pronóstico estacionalmente ajustado son entonces reseasonalized. Junto con el pronóstico, multiplicándolos por los índices estacionales apropiados. En este caso el RMSE es igual a 27.4 y la previsión desestacionalizada para el primer período futuro (Dec-93) es 273.2. De modo que el intervalo de confianza estacionalmente ajustado es de 273.2-227.4 218.4 a 273.2227.4 328.0. Multiplicando estos límites por Decembers índice estacional de 68,61. Obtenemos límites de confianza inferiores y superiores de 149,8 y 225,0 en torno al pronóstico del punto Dec-93 de 187,4. Los límites de confianza para los pronósticos más de un período por delante se ampliarán generalmente a medida que aumenta el horizonte de pronóstico, debido a la incertidumbre sobre el nivel y la tendencia, así como los factores estacionales, pero es difícil calcularlos en general por métodos analíticos. (La forma apropiada de calcular los límites de confianza para la previsión de LES es utilizando la teoría ARIMA, pero la incertidumbre en los índices estacionales es otra cuestión.) Si desea un intervalo de confianza realista para un pronóstico de más de un período, tomando todas las fuentes de Su mejor opción es utilizar métodos empíricos: por ejemplo, para obtener un intervalo de confianza para un pronóstico de dos pasos adelante, podría crear otra columna en la hoja de cálculo para calcular un pronóstico de 2 pasos adelante para cada período ( Iniciando el pronóstico de un paso adelante). A continuación, calcular el RMSE de los errores de pronóstico de 2 pasos adelante y utilizar esto como base para un intervalo de confianza de 2 pasos adelante. Forecasting - Capítulo 4 El arte y la ciencia de la predicción de eventos futuros haciendo buenas estimaciones. Puede implicar datos históricos (como las ventas pasadas) y proyectarlos en el futuro con un modelo matemático. Predicción subjetiva o intuitiva. Basado en datos orientados a la demanda (planes del cliente para comprar y proyectar en el futuro). O un combo de estos, un modelo matemático ajustado por los gerentes de buen juicio. Las buenas previsiones son la parte esencial de la posición de los productos de las previsiones de los servicios eficientes y de la fabricación en su ciclo de vida - las ventas están en la etapa del intro, del crecimiento, de la madurez, o de la declinación. Demanda para un producto relacionado El foco está en identificar y seguir rápidamente deseos del cliente. - Usar datos POS, informes generados por el minorista de las preferencias del cliente y cualquier otra información que ayude a pronosticar con la mayoría de los datos actuales posibles. - Desarrollar los sistemas de producción, capacidad y programación de una empresa y servir como insumos para la planificación financiera, de marketing y personal Realidades de los sistemas de pronóstico - Los factores externos que no podemos predecir o controlar a menudo afectan el pronóstico - La mayoría de las técnicas de pronóstico suponen que hay algún subyacente La estabilidad en el sistema algunas empresas automatizan las predicciones utilizando software de pronóstico computarizado y monitorean de cerca los productos cuyas demandas erráticas - Producto de la familia y los pronósticos agregados son más exactos que las previsiones de productos individuales, ayuda a equilibrar y underpredictions Técnica de pronóstico mediante un proceso grupal que permite a los expertos a hacer Previsiones Participantes: Los encargados de la toma de decisiones - De 5 a 10 expertos que hacen previsiones reales Personal del personal - Asisten a los encargados de la toma de decisiones preparando, distribuyendo, recopilando y resumiendo una serie de cuestionarios y resultados de encuestas. Promedios móviles 1. Aumentar el tamaño de n (número de períodos promediados) elimina mejor las fluctuaciones, pero hace que el método sea menos sensible a los cambios en los datos. 2. Las medias móviles no pueden captar tendencias muy bien. Debido a que son promedios, siempre se mantendrán dentro de los niveles anteriores y no predecirán cambios a niveles superiores o inferiores. Lag valores reales. 3. Las medias móviles requieren registros extensos de datos pasados. El método de mínimos cuadrados implica estos requisitos: 1) Siempre trazamos datos b / c los mínimos cuadrados asumen una relación lineal. Si una curva parece estar presente, el análisis curvilíneo es probablemente necesario. 2) No predecir períodos de tiempo mucho más allá de nuestra base de datos. 3) Se supone que las desviaciones alrededor de la línea menos cuadrada son aleatorias y normalmente distribuidas, con la mayoría de las observaciones cerca de la línea y sólo un número más pequeño más lejos.
No comments:
Post a Comment