Cómo Usar El Método De 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 las 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 siguiente 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, él 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, usted se sobreestimar 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 despreocupados 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 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 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 Acumulación del 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, se restringe la atención al uso de datos de series de tiempo históricas 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 de cambio lento. 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 de mínimos cuadrados a las últimas m observaciones. Desplazamiento 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 pronóstico anteriores basados ​​en técnicas de suavizado que utilizan sólo un 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 los 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 varias veces para obtener las previsiones a corto plazo necesarias. En la práctica, el promedio móvil proporcionará una buena estimación de la media de la serie temporal si la media es constante o cambia lentamente. En el caso de una media constante, el mayor valor de m dará las mejores estimaciones de la media subyacente. Un período de observación más largo promediará los efectos de la variabilidad. El propósito de proporcionar un m más pequeño es permitir que el pronóstico responda a un cambio en el proceso subyacente. Para ilustrar, proponemos un conjunto de datos que incorpora cambios en la media subyacente de la serie temporal. La figura muestra las series temporales utilizadas para la ilustración junto con la demanda media a partir de la cual se generó la serie. La media comienza como una constante en 10. Comenzando en el tiempo 21, aumenta en una unidad en cada período hasta que alcanza el valor de 20 en el tiempo 30. Entonces se vuelve constante otra vez. Los datos se simulan sumando a la media un ruido aleatorio de una distribución Normal con media cero y desviación estándar 3. Los resultados de la simulación se redondean al entero más próximo. La tabla muestra las observaciones simuladas utilizadas para el ejemplo. Cuando usamos la tabla, debemos recordar que en cualquier momento dado, sólo se conocen los datos pasados. Las estimaciones del parámetro del modelo, para tres valores diferentes de m se muestran junto con la media de las series temporales de la siguiente figura. La figura muestra la media móvil de la estimación de la media en cada momento y no la previsión. Los pronósticos cambiarían las curvas de media móvil a la derecha por períodos. Una conclusión es inmediatamente aparente de la figura. Para las tres estimaciones, la media móvil se queda por detrás de la tendencia lineal, con el rezago aumentando con m. El retraso es la distancia entre el modelo y la estimación en la dimensión temporal. Debido al desfase, el promedio móvil subestima las observaciones a medida que la media aumenta. El sesgo del estimador es la diferencia en un tiempo específico en el valor medio del modelo y el valor medio predicho por el promedio móvil. El sesgo cuando la media está aumentando es negativo. Para una media decreciente, el sesgo es positivo. El retraso en el tiempo y el sesgo introducido en la estimación son funciones de m. Cuanto mayor sea el valor de m. Mayor es la magnitud del retraso y sesgo. Para una serie cada vez mayor con tendencia a. Los valores de retraso y sesgo del estimador de la media se dan en las ecuaciones siguientes. Las curvas de ejemplo no coinciden con estas ecuaciones porque el modelo de ejemplo no está aumentando continuamente, sino que comienza como una constante, cambia a una tendencia y luego vuelve a ser constante de nuevo. También las curvas de ejemplo se ven afectadas por el ruido. El pronóstico de media móvil de los períodos en el futuro se representa desplazando las curvas hacia la derecha. El desfase y sesgo aumentan proporcionalmente. Las ecuaciones a continuación indican el retraso y el sesgo de los períodos de previsión en el futuro en comparación con los parámetros del modelo. Nuevamente, estas fórmulas son para una serie de tiempo con una tendencia lineal constante. No debemos sorprendernos de este resultado. El estimador del promedio móvil se basa en el supuesto de una media constante, y el ejemplo tiene una tendencia lineal en la media durante una parte del período de estudio. Dado que las series de tiempo real rara vez obedecerán exactamente las suposiciones de cualquier modelo, debemos estar preparados para tales resultados. También podemos concluir de la figura que la variabilidad del ruido tiene el efecto más grande para m más pequeño. La estimación es mucho más volátil para el promedio móvil de 5 que el promedio móvil de 20. Tenemos los deseos en conflicto de aumentar m para reducir el efecto de la variabilidad debido al ruido y disminuir m para hacer que el pronóstico más sensible a los cambios En promedio El error es la diferencia entre los datos reales y el valor previsto. Si la serie temporal es verdaderamente un valor constante, el valor esperado del error es cero y la varianza del error está compuesta por un término que es una función de y un segundo término que es la varianza del ruido. El primer término es la varianza de la media estimada con una muestra de m observaciones, suponiendo que los datos provienen de una población con una media constante. Este término se minimiza haciendo m tan grande como sea posible. Un m grande hace que el pronóstico no responda a un cambio en la serie temporal subyacente. Para hacer que el pronóstico responda a los cambios, queremos que m sea lo más pequeño posible (1), pero esto aumenta la varianza del error. La predicción práctica requiere un valor intermedio. Previsión con Excel El complemento de previsión implementa las fórmulas de promedio móvil. El siguiente ejemplo muestra el análisis proporcionado por el complemento para los datos de muestra en la columna B. Las primeras 10 observaciones se indexan -9 a 0. En comparación con la tabla anterior, los índices de período se desplazan en -10. Las primeras diez observaciones proporcionan los valores iniciales para la estimación y se utilizan para calcular la media móvil para el período 0. La columna MA (10) (C) muestra las medias móviles calculadas. El parámetro de la media móvil m está en la celda C3. La columna Fore (1) (D) muestra un pronóstico para un período en el futuro. El intervalo de pronóstico está en la celda D3. Cuando el intervalo de pronóstico se cambia a un número mayor, los números de la columna Fore se desplazan hacia abajo. La columna Err (1) (E) muestra la diferencia entre la observación y el pronóstico. Por ejemplo, la observación en el tiempo 1 es 6. El valor pronosticado a partir de la media móvil en el tiempo 0 es 11.1. El error entonces es -5.1. La desviación estándar y la media de desviación media (MAD) se calculan en las celdas E6 y E7 respectivamente. El enfoque más simple sería tomar el promedio de enero a marzo y utilizarlo para estimar las ventas de abril de 1982: 129 134 122 3 128.333 Por lo tanto, Basado en las ventas de enero a marzo, usted pronostica que las ventas en abril serán 128,333. Una vez que las ventas reales de abril de 2008 lleguen, se calcula el pronóstico para mayo, esta vez utilizando febrero a abril. Debe ser consistente con el número de periodos que usa para pronosticar el promedio móvil. El número de períodos que usa en sus pronósticos de media móvil es arbitrario, puede usar sólo dos períodos o cinco o seis períodos, lo que desee para generar sus pronósticos. El enfoque anterior es un promedio móvil simple. A veces, los últimos meses 8217 las ventas pueden ser influenciadores más fuertes de las ventas del próximo mes 8217s, por lo que desea dar a los meses más cercanos más peso en su modelo de pronóstico. Esta es una media móvil ponderada. Y al igual que el número de períodos, los pesos asignados son puramente arbitrarios. Let8217s decir que quería dar las ventas de March8217s 50 peso, febrero8217s 30 peso, y January8217s 20. Entonces su pronóstico para abril será 127,000 (122,50) (134,30) (129,20) 127. Limitaciones de los métodos de media móvil Las medias móviles se consideran una técnica de pronóstico 8220smoothing8221. Debido a que usted está tomando un promedio en el tiempo, está suavizando (o suavizando) los efectos de las ocurrencias irregulares dentro de los datos. Como resultado, los efectos de la estacionalidad, los ciclos económicos y otros eventos aleatorios pueden aumentar drásticamente el error de pronóstico. Echa un vistazo a un año completo de 8217s de datos, y comparar una media móvil de 3 periodos y una media móvil de 5 periodos: Tenga en cuenta que en este caso que no he creado pronósticos, sino más bien centrado los promedios móviles. El primer promedio móvil de 3 meses es para febrero, y es el promedio de enero, febrero y marzo. También hice similar para el promedio de 5 meses. Ahora eche un vistazo a la siguiente tabla: ¿Qué es lo que ves? No es la serie de media móvil de tres meses mucho más suave que la serie de ventas reales Y cómo sobre el promedio móvil de cinco meses It8217s aún más suave. Por lo tanto, los periodos más que utiliza en su promedio móvil, el suavizar su serie de tiempo. Por lo tanto, para pronosticar, un promedio móvil simple puede no ser el método más exacto. Los métodos de media móvil resultan bastante valiosos cuando se trata de extraer los componentes estacionales, irregulares y cíclicos de una serie temporal para métodos de pronóstico más avanzados, como regresión y ARIMA, y el uso de promedios móviles en la descomposición de una serie temporal se tratará más adelante en las series. Determinación de la precisión de un modelo de media móvil En general, desea un método de pronóstico que tenga el menor error entre los resultados reales y los previstos. Una de las medidas más comunes de exactitud de pronóstico es la Media Desviación Absoluta (MAD). En este enfoque, para cada período de la serie temporal para la que generó un pronóstico, se toma el valor absoluto de la diferencia entre los valores actuales y previstos de ese período (la desviación). Entonces usted promedio esas desviaciones absolutas y usted consigue una medida de MAD. MAD puede ser útil para decidir el número de períodos que usted promedio y / o la cantidad de peso que usted coloca en cada período. Generalmente, usted escoge el que da como resultado el MAD más bajo. A continuación se muestra un ejemplo de cómo se calcula MAD: MAD es simplemente el promedio de 8, 1 y 3. Promedios móviles: recapitulación Cuando se usan promedios móviles para pronosticar, recuerde: Las medias móviles pueden ser simples o ponderadas. Promedio y cualquier peso que usted asigna a cada uno son estrictamente arbitrarios Medias móviles suavizar los patrones irregulares en los datos de series de tiempo cuanto mayor sea el número de períodos utilizados para cada punto de datos, mayor será el efecto de suavizado Debido a suavizar, Las últimas pocas ventas de mes 8217 pueden resultar en grandes desviaciones debido a la estacionalidad, ciclos y patrones irregulares en los datos y Las capacidades de suavizado de un método de media móvil pueden ser útiles para descomponer una serie de tiempo para métodos de pronóstico más avanzados. Semana siguiente: Exponential Smoothing En la próxima semana 8217s Pronóstico Viernes. Vamos a discutir los métodos de suavizado exponencial, y verá que pueden ser muy superiores a los métodos de pronóstico promedio móvil. Todavía don8217t saber por qué nuestro pronóstico Viernes puestos aparecen el jueves Descubre en: tinyurl / 26cm6ma Como: Navegación de artículos relacionados Deja un comentario Cancelar respuesta He tenido 2 preguntas: 1) ¿Puede utilizar el enfoque centrado MA para pronosticar o sólo para eliminar la estacionalidad 2) Cuando se utiliza el simple t (t-1t-2t-k) / k MA para prever un período por delante, es posible pronosticar más de un período por delante Supongo que entonces su pronóstico sería uno de los puntos de alimentación en el siguiente. Gracias. Me encanta la información y sus explicaciones me alegra que le guste el blog I8217m seguro de que varios analistas han utilizado el enfoque centrado MA para la predicción, pero yo personalmente no lo haría, ya que el enfoque resulta en una pérdida de observaciones en ambos extremos. Esto en realidad entonces se relaciona con su segunda pregunta. Generalmente, el MA simple se utiliza para pronosticar sólo un período por delante, pero muchos analistas 8211 y yo también a veces 8211 usaré mi pronóstico de un período de anticipación como uno de los insumos para el segundo período por delante. Es importante recordar que cuanto más hacia el futuro intente pronosticar, mayor será el riesgo de error de pronóstico. Esta es la razón por la cual no recomiendo el MA centrado para la predicción. 8211 la pérdida de observaciones al final significa tener que basarse en las previsiones de las observaciones perdidas, así como los periodos por venir, por lo que hay mayor probabilidad de error de pronóstico. Lectores: Se invita a ustedes a sopesar en esto. ¿Tiene alguna idea o sugerencias sobre este Brian, gracias por su comentario y sus elogios en el blog de la iniciativa de Niza y una buena explicación. It8217s realmente útil. Preveo circuitos impresos personalizados para un cliente que no da ninguna previsión. He utilizado la media móvil, sin embargo, no es muy preciso como la industria puede ir hacia arriba y hacia abajo. Vemos hacia medio del verano hasta el final del año que pcb8217s de envío está para arriba. Entonces vemos que a principios de año se ralentiza. ¿Cómo puedo ser más preciso con mis datos de Katrina, por lo que me dijiste, parece que sus ventas de circuitos impresos tienen un componente estacional. Hago la estacionalidad de la dirección en algunos de los otros postes del viernes del pronóstico. Otro enfoque que puede utilizar, que es bastante fácil, es el algoritmo de Holt-Winters, que tiene en cuenta la estacionalidad. Usted puede encontrar una buena explicación de ello aquí. Asegúrese de determinar si sus patrones estacionales son multiplicativos o aditivos, porque el algoritmo es ligeramente diferente para cada uno. Si traza los datos mensuales de algunos años y ve que las variaciones estacionales en los mismos tiempos de los años parecen ser constantes año tras año, entonces la estacionalidad es aditiva si las variaciones estacionales con el tiempo parecen estar aumentando, entonces la estacionalidad es Multiplicativo. La mayoría de las series temporales estacionales serán multiplicativas. En caso de duda, asumir multiplicativo. Buena suerte Hola, Entre los métodos:. Pronóstico de Nave. Actualización de la media. Promedio móvil de longitud k. Promedio móvil ponderado de longitud k OR Suavizado exponencial ¿Cuál de esos modelos de actualización me recomienda utilizar para pronosticar los datos? Para mi opinión, estoy pensando en la media móvil. Pero no sé cómo hacerlo claro y estructurado. Realmente depende de la cantidad y calidad de los datos que tenga y de su horizonte de previsión (largo, medio o corto plazo)