Método de movimentação médias ppt

1 CAPÍTULO 4 MOVIMENTAÇÃO DE MÉTODOS E MÉTODOS DE LISO (Página 107) 3 2 Baseados unicamente nas informações mais recentes disponíveis. Às vezes é chamado de previsão sem alteração. Adequado para conjuntos de dados muito pequenos. O modelo mais simples é: (4.1) MODELOS NAVE 4 3 Método Padrão de tempo de dados Horizon Tipo de modelo Requisitos de dados mínimos Não sazonais Modelos satelitais sazonais ST, T, SSTS1 Médias simplesSTSTS30 Médias móveisSTSTS4-20 Médias móveis duplasSTSTS2 Alinhamento linear (duplo) exponencial (Holt S) TSTS3 Suavização exponencial quadraticaTSTS4 Suavização exponencial sazonal (Inverno s) SSTS2 xs Filtração adaptativaSSTS5 xs Regressão simples1010 Regressão múltiplaC, SIC10 x V Decomposição clássicaSSTS5 xs Modelos de tendência exponencialTI, LTS10 Adaptação da curva STI, LTS10 Modelos de GompertzTI, LTS10 Curvas de crescimentoTI, LTS10 Censo X -12SSTS6 xs ARIMA (Box-Jenkins) ST, T, C, SSTS243 xs Indicadores de navegaçãoCSC24 Modelos econométricosCSC30 Regressão múltipla de séries temporaisT, SI, LC 6 xs Padrão de dados: ST, T estacionário, tendência S, C sazonal, cíclico. Horizonte de tempo: S, curto prazo (menos de três meses) I, intermediário L, longo prazo Tipo de modelo: TS, série temporal C, causal. Sazonal: s, duração da sazonalidade. De Variável: V, variáveis ​​numéricas. 5 4 (Página 108) Exemplo 4.1 (Página 108) Tabela 4-1 Vendas de Serras para Acme Tool Company, 2000 Inicialização (Ajuste) Parte: 2000 Test Part: 2006. 6 5 A técnica pode ser ajustada para levar em consideração a tendência: (4.2) A taxa de mudança pode ser mais apropriada do que a quantidade absoluta de mudança: 7 6 Uma equação de previsão adequada para dados trimestrais: (4.4) Para dados mensais: O analista pode combinar estimativas sazonais e tendenciais usando: (4.5) 10 9 Padrão de dados: ST, T estacionário, tendência S, sazonal C, cíclica. Horizonte de tempo: S, curto prazo (menos de três meses) I, intermediário L, longo prazo Tipo de modelo: TS, série temporal C, causal. Sazonal: s, duração da sazonalidade. De Variável: V, variáveis ​​numéricas. Método Padrão de Dados Horário de Tempo Tipo de Modelo Requisitos Mínimos Requisitos Não SazonaisSistemas de Navegação SazonalST, T, SSTS1 Médias SimplesSTSTS30 Médias Mover-se STSTS4-20 Médias Movimentais DuplasSTSTS2 Suavização exponencial Linear (Duplo) TSTS3 Suavização exponencial quadraticaTSTS4 Suavização exponencial sazonal (Invernos) SSTS2 xs Adaptativo FiltragemSSTS5 xs Regressão simples10 Regressão múltiplaC, SIC10 x V Decomposição clássicaSSTS5 xs Modelos de tendência exponencialTI, LTS10 Ajuste da curva STI, LTS10 Modelos de GompertzTI, LTS10 Curvas de crescimentoTI, LTS10 Censo X-12SSTS6 xs ARIMA (Box-Jenkins) ST, T, C, SSTS243 Xs Indicadores de desvioCSC24 Modelos econométricosCSC30 Regressão múltipla de séries temporaisT, SI, LC 6 xs 11 10 Médias simples Usa a média de todas as observações históricas relevantes como a previsão do próximo período. Uma nova observação é adicionada: (4.6) (4.7) (Página 111) 12 11 É usado para séries estabilizadas, e o ambiente geralmente é imutável. Método Padrão de Dados Horizonte de Tempo Tipo de Modelo Requisitos Mínimos de Dados Não Sazonais Sasonais Médias SimplesSTSTS30 Padrão de dados: ST, T estacionário, tendência S, C sazonal, cíclica. Horizonte de tempo: S, curto prazo (menos de três meses) I, intermediário L, longo prazo Tipo de modelo: TS, série temporal C, causal. Sazonal: s, duração da sazonalidade. De Variável: V, variáveis ​​numéricas. 13 12 Exemplo 4.2 Compras de semana Compras de compras em compras de semana Tabela 4-2 Compras de gasolina para a Autoridade de trânsito de Spokane para o exemplo 4.2 14 13 Gráfico da série de tempo Os dados parecem estacionários. Figura 4-3 Série de séries de compras semanais de gasolina para a autoridade de trânsito de Spokane 16 15 Médias móveis Uma média móvel da ordem k é o valor médio das mais recentes observações. O método não manipula a tendência ou a sazonalidade muito bem, embora seja melhor do que o método médio simples. Método Padrão de Horário de Tempo de Dados Tipo de Modelo Requisitos Mínimos de Dados Não-Sazonais Médias Motivos TemporaisSTSTS4-20 K número de termos na média móvel. (4.8) Padrão de dados: ST, T estacionário, tendência S, C sazonal, cíclica. Horizonte de tempo: S, curto prazo (menos de três meses) I, intermediário L, longo prazo Tipo de modelo: TS, série temporal C, causal. Sazonal: s, duração da sazonalidade. De Variável: V, variáveis ​​numéricas. 18 17 Cálculos Usando uma média móvel de cinco semanas (Página 114, 115) Páginas: Minitab pode ser usado (Consulte a seção Minitab Applications para obter instruções, Páginas:) 20 19 Minitab Results Nota: (MSE é chamado de MSD na saída do Minitab) FIGURA (Página 115) Minitab Instruções Stat time Series Tempo de medição móvel Série Tempo médio de propagação Séries Tempo de média móvel Série Título de média móvel19 Resultados de Minitab Nota: (MSE é chamado MSD na saída do Minitab) FIGURA 4 - 4 (Página 115) Minitab Instruções Stat time Series Médias móveis 21 20 A série é não-operacional Tarefa: Experimente uma média móvel de nove semanas, seria melhor, porque a média móvel de grande ordem presta pouca atenção às grandes flutuações na série de dados 33 Método de suavização exponencial simples (único) Padrão de Horário de Tempo de Dados Tipo de Modelo Requisitos de Dados Mínimos Não SasonalSaasonal Suavização Exponencial Única STSTS2 Com base na média (suavização) dos valores passados ​​de uma série de forma exponencial decrescente, wi Quanto mais se dê às observações mais recentes. Nova previsão (nova observação) (1-) x (previsão antiga) constante de suavização (0 34 33 Comparação das Constantes de Suavização Período 0,1 0,6 CálculosCalculações de PesoTiga t t-10,1 xxtx 0,9 x 0,4 xtx 0,9 x 0,9 xx 0,4 xtx 0,9 x 0,9 x 0,9 xx 0,4 x 0,4 x Todos os outros Totais1,0 35 34 Iniciando o algoritmo Um valor inicial para a série suavizada antiga deve ser definido: Para definir a primeira estimativa, a primeira observação. Outro método: Usar a média das primeiras 5 ou 6 observações. 36 2350 32506350 7200 Year Quarters As vendas reais de uma empresa para os anos 2000 a 2006 são demonstradas na tabela. Os dados para o primeiro trimestre de 2006 serão utilizados como parte do teste para ajudar a determinar o melhor valor entre os dois considerados Exemplo 4.5 37 36 Resultados Ano Quarters (0.1)))))) Valor inicial para a série lisa primeira observação 500 2) -235 3) 4) 0.1 (250) 0.9 (485) 461.5 42 41 Otimização MAPE 32.2 MAD MSD Comparação0 .6 MAPE 36.5 MAD MSD0.1 MAPE 38.9 MAD MSD Initi Al igualado Valor A primeira observação Valor inicial suavizado A média das seis primeiras Observações0.1 MAPE 32.1 MAD MSD0.6 MAPE 36.7 MAD MSD O peso é selecionado subjetivamente ou minimizando um erro, como o MSE 43 42 Grandes auto-correlações residuais em atrasos 2 E 4: Variação sazonal nos dados não é contabilizada pelo método exponencial simples. O grande valor do LBQ (33.86): a série é não-aleatória. 44 43 Método Padrão de Horário de Tempo de Dados Tipo de Modelo Requisitos de Dados Mínimos Não SasonaisSaasonal Linear (Duplo) suavização exponencial (Holts) TSTS3 Suavização Exponencial Ajustado para Tendência: (Método Holts) Método de dois parâmetros de HoltMira o nível e a inclinação (tendência) usando diferentes Constantes. Suavização exponencial dupla 45 44 Equações utilizadas: 1. A estimativa de nível atual: 2. A estimativa de tendência: 3. Previsão de períodos p no futuro. L t novo valor suavizado. Constante de movimento para a constante de data. smoothing para estimativa de tendência. Y t Valor real das séries no período t. T tendem a estimar a tendência. P períodos a serem previstos no futuro. Previsão para p períodos no futuro. 0 e 1. 46 45 Iniciando o algoritmo Os pesos podem ser selecionados como no método único de suavização exponencial. Uma rede de valores poderia ser desenvolvida e, em seguida, selecionar as que produzem MSE mais baixas. Para começar o algoritmo: Uma abordagem é definir a primeira estimativa igual à primeira observação, então a tendência é estimada igual a zero. Uma segunda abordagem é usar a média das seis primeiras observações, a tendência é a inclinação de uma linha adequada a essas observações. O Minitab desenvolve uma equação de regressão e usa constantes da equação como estimativas iniciais para o nível e a tendência. 50 49 Método Padrão de Dados Horizonte de Tempo Tipo de Modelo Requisitos de Dados Mínimos Não SazonaisSaasonal Suavização exponencial sazonal (Invernos) SSTS2 xs Suavização Exponencial Ajustada para Tendências e Variações Sazonais: Winters Método 51 50 2. A estimativa da tendência: 3. A estimativa da sazonalidade: 1. A série suavizante exponencial: 4. Previsão de períodos p no futuro: as equações usadas. Lt novo valor suavizado. Constante suavizada para o nível. Y t observação real no tempo ajustada para a tendência de tendência. T tendem a estimar a tendência. Suavização constante para a sazonalidade. S t estimativa sazonal. P períodos a serem previstos no futuro. Duração da sazonalidade. Previsão para p períodos no futuro 52 51 Escolhendo os pesos e pode ser selecionada de forma subjetiva ou minimizando um erro como o MSE. Uma abordagem comum: um algoritmo de otimização não-linear para encontrar constantes ótimas. 53 52 Iniciando o Procedimento Uma abordagem é definir a primeira estimativa igual à primeira observação, então a tendência é estimada igual a zero e os índices sazonais são definidos para 1. Uma segunda abordagem é usar a média da primeira temporada ou A tendência é a inclinação de uma linha adequada a essas observações, e os índices sazonais são: 54 53 Minitab desenvolve uma equação de regressão e usa constantes da equação como estimativas iniciais para o nível e a tendência. Os componentes sazonais são obtidos a partir de uma regressão variável falso usando dados detritos. 56 55 Minitab Instruções. MÉTODO DE INVERNO DE SÉRIE STAT HIME. Melhor do que os outros 2 modelos em termos de minimização de MSE. MÉTODO DE INVERNO DA SÉRIE DE TEMPO. Melhor do que os outros 2 modelos em termos de minimização de MSE. MÉTODO DE INVERNO DA SÉRIE DE TEMPO. Melhor do que os outros 2 modelos em termos de minimização de MSE. MÉTODO DE INVERNO DA SÉRIE DE TEMPO. Melhor do que os outros 2 modelos em termos de minimização de MSE. Título55 Minitab Instruções. MÉTODO DE INVERNO DE SÉRIE STAT HIME. Melhor do que os outros 2 modelos em termos de minimização de MSE. 57 56 Funções de autocorrelação para os resíduos Nenhum dos coeficientes parece ser significativamente maior do que zero, e o pequeno valor do LBQ (5.01) mostra que a série é aleatória. O Deslocamento utiliza cookies para melhorar a funcionalidade e o desempenho e para fornecer informações relevantes propaganda. Se continuar a navegar no site, você aceita o uso de cookies neste site. Veja o nosso Contrato de Usuário e Política de Privacidade. O Slideshare usa cookies para melhorar a funcionalidade e o desempenho e fornecer publicidade relevante. Se continuar a navegar no site, você aceita o uso de cookies neste site. Consulte nossa Política de Privacidade e Contrato de Usuário para obter detalhes. Explore todos os seus tópicos favoritos no aplicativo SlideShare Obtenha o aplicativo SlideShare para Salvar para mais tarde, mesmo offline Continuar para o site móvel Fazer o upload de login Assinar Duplo toque para diminuir o movimento Método médio em movimento maths ppt Compartilhe este SlideShare LinkedIn Corporation copy 2017Slideshare usa cookies para melhorar a funcionalidade e Desempenho, e para lhe fornecer publicidade relevante. Se continuar a navegar no site, você aceita o uso de cookies neste site. Veja o nosso Contrato de Usuário e Política de Privacidade. O Slideshare usa cookies para melhorar a funcionalidade e o desempenho e fornecer publicidade relevante. Se continuar a navegar no site, você aceita o uso de cookies neste site. Consulte nossa Política de Privacidade e Contrato de Usuário para obter detalhes. Explore todos os seus tópicos favoritos no aplicativo SlideShare Obtenha o aplicativo SlideShare para Salvar para mais tarde, mesmo offline Continuar para o site móvel Fazer o upload da inscrição de login Toque duas vezes para diminuir o zoom Método de média móvel Compartilhe este SlideShare LinkedIn Corporation copy 2017